Verslo pasaulis stebėjo fenomenalų dirbtinio intelekto (AI) ir ypač generatyvinio AI (Gen AI) diegimą. Deloitte skaičiavimais, įmonių išlaidos Gen AI 2024 m. turėtų padidėti 30 proc., palyginti su 2023 m. 16 mlrd. USD. Vos per metus ši technologija išpopuliarėjo, kad pakeistų strateginius organizacijų planus. AI sistemos virto pokalbio, pažinimo ir kūrybiniais svertais, leidžiančiais įmonėms racionalizuoti veiklą, pagerinti klientų patirtį ir priimti duomenimis pagrįstus sprendimus. Trumpai tariant, „Enterprise AI“ tapo vienu iš pagrindinių CXO svertų, skatinančių naujoves ir augimą.
Artėjant 2025 m. tikimės, kad įmonės AI atliks dar svarbesnį vaidmenį formuojant verslo strategijas ir operacijas. Tačiau labai svarbu suprasti ir veiksmingai spręsti problemas, kurios gali trukdyti išnaudoti visas AI potencialas.
1 iššūkis – nepasirengimas duomenims
AI sėkmė priklauso nuo nuoseklių, švarių ir gerai organizuotų duomenų. Tačiau įmonės susiduria su sunkumais integruodamos suskaidytus duomenis įvairiose sistemose ir skyriuose. Griežtesnės duomenų privatumo taisyklės reikalauja tvirto valdymo, atitikties ir jautrios informacijos apsaugos, kad būtų užtikrintos patikimos AI įžvalgos.
Tam reikalinga visapusiška duomenų valdymo sistema, kuri išskaido duomenų kaupiklius ir griežtai nustato pirmenybę duomenims, kuriuos reikia modernizuoti. Duomenų balos, kurios demonstruoja greitus laimėjimus, padės užsitikrinti ilgalaikį įsipareigojimą tinkamai sutvarkyti duomenų ekosistemą. Centralizuoti duomenų ežerai arba duomenų saugyklos gali užtikrinti nuoseklų duomenų prieinamumą visoje organizacijoje. Be to, mašininio mokymosi metodai gali praturtinti ir pagerinti duomenų kokybę, tuo pačiu automatizuoti duomenų kraštovaizdžio stebėjimą ir valdymą.
2 iššūkis – AI mastelio keitimas
2024 m., organizacijoms pradėjus įmonės dirbtinio intelekto diegimo keliones, daugelis susidūrė su savo sprendimų masteliu – visų pirma dėl techninės architektūros ir išteklių trūkumo. Norint pasiekti šį tikslą, labai svarbu sukurti keičiamo dydžio AI infrastruktūrą.
Debesų platformos suteikia efektyvumo, lankstumo ir mastelio, kad būtų galima apdoroti didelius duomenų rinkinius ir mokyti AI modelius. Išnaudojus debesų paslaugų teikėjų AI infrastruktūrą, galima greitai padidinti AI diegimą, nereikalaujant didelių išankstinių investicijų į infrastruktūrą. Įdiegę modulines AI sistemas, kad būtų lengva konfigūruoti ir pritaikyti įvairioms verslo funkcijoms, įmonės galės palaipsniui plėsti savo AI iniciatyvas, išlaikant išlaidų ir rizikos kontrolę.
3 iššūkis – talentų ir įgūdžių spragos
Neseniai atlikta apklausa rodo nerimą keliantį skirtumą tarp IT specialistų entuziazmo dirbtiniam intelektui ir jų realių galimybių. Nors 81 % išreiškia susidomėjimą dirbtinio intelekto naudojimu, tik 12 % turi reikiamų įgūdžių, o 70 % darbuotojų reikia gerokai patobulinti AI įgūdžius. Šis talentų trūkumas kelia didelių kliūčių įmonėms, siekiančioms plėtoti, diegti ir valdyti AI iniciatyvas. Kvalifikuotų dirbtinio intelekto specialistų pritraukimas ir išlaikymas yra didelis iššūkis, o esamų darbuotojų kvalifikacijos kėlimas reikalauja didelių investicijų.
Organizacijų mokymo strategija turėtų apimti DI raštingumo lygį, kurio reikia įvairioms grupėms – kūrėjams, kuriantiems DI sprendimus, tikrintojams, patvirtinantiems dirbtinio intelekto rezultatus, ir vartotojams, kurie naudoja dirbtinio intelekto sistemų išvestį priimdami sprendimus. Be to, verslo lyderiai turės būti mokomi geriau ir veiksmingiau įvertinti AI strategines pasekmes. Sąmoningai puoselėjant duomenimis pagrįstą kultūrą ir integruojant dirbtinį intelektą į sprendimų priėmimo procesus visais lygiais, galima valdyti atsparumą dirbtiniam intelektui, o tai pagerina sprendimų priėmimo kokybę. ,
4 iššūkis – AI valdymas ir etiniai rūpesčiai
Kadangi įmonės imasi didelio masto dirbtinio intelekto, šališkų algoritmų iššūkis yra didelis. Dirbtinio intelekto modeliai, parengti remiantis neišsamiais arba šališkais duomenimis, gali sustiprinti esamą šališkumą, o tai lemia nesąžiningus verslo sprendimus ir rezultatus. Tobulėjant dirbtinio intelekto technologijoms, vyriausybės ir reguliavimo institucijos nuolat priima naujus dirbtinio intelekto reglamentus, siekdamos užtikrinti skaidrumą priimant sprendimus ir apsaugoti vartotojus. Pavyzdžiui, ES 2024 m. ES AI įstatyme išdėstė savo politiką, sistemas ir principus, susijusius su DI naudojimu. Įmonės turės greitai prisitaikyti prie tokių besikeičiančių taisyklių.
Sukurdamos tinkamas dirbtinio intelekto valdymo sistemas, kuriose pagrindinis dėmesys skiriamas skaidrumui, sąžiningumui ir atskaitomybei, organizacijos gali panaudoti sprendimus, leidžiančius paaiškinti jų AI modelius ir sukurti galutinių vartotojų pasitikėjimą. Tai turėtų apimti etines DI modelių kūrimo ir diegimo gaires ir užtikrinti, kad jie atitiktų įmonės vertybes ir reguliavimo reikalavimus.
5 iššūkis – išlaidų ir IG subalansavimas
AI sprendimų kūrimas, mokymas ir diegimas reikalauja didelių finansinių įsipareigojimų infrastruktūros, programinės įrangos ir kvalifikuotų talentų srityse. Daugelis įmonių susiduria su iššūkiais, siekdamos suderinti šias išlaidas su išmatuojama investicijų grąža (IG).
Labai svarbu nustatyti tinkamus AI įgyvendinimo atvejus. Turime atsiminti, kad kiekvienam sprendimui nebūtinai reikia dirbtinio intelekto. Svarbu susitarti dėl tinkamų gairių, leidžiančių įvertinti sėkmę kelionės pradžioje. Tai leis organizacijoms atidžiai stebėti pristatytą ir galimą IG įvairiais naudojimo atvejais. Ši informacija gali būti naudojama siekiant griežtai nustatyti prioritetus ir racionalizuoti naudojimo atvejus visais etapais, kad būtų galima kontroliuoti išlaidas. Organizacijos gali bendradarbiauti su dirbtinio intelekto ir analizės paslaugų teikėjais, kurie teikia verslo rezultatus lanksčiais komerciniais modeliais, kad prisiimtų investicijų į IG riziką.
