Umělá inteligence v podnikání: Spočítání skutečných nákladů

Umělá inteligence již není pouze teorií nebo novinkou. Pro mnoho organizací je nyní součástí infrastruktury stejně jako core systémy. Mnoho lidí stále myslí na umělou inteligenci především v souvislosti s veřejnými LLM a chatboty – něco, co můžete použít a poté odstranit, když jste hotovi. Tento pohled na umělou inteligenci může přehlížet širší rozsah modelů a technik, které mohou zlepšit výsledky efektivněji a s nižším rizikem.

Pravda je taková, že umělá inteligence by měla být hodnocena stejně jako jakákoli jiná významná investice do infrastruktury – s jasným pohledem na náklady, přínosy a operační rizika od začátku. Přivedení umělé inteligence do použitelného stavu znamená investice do kvalitních datových kanálů, pozorovatelnosti, governance a lidí, kteří ji udržují v souladu s požadovanými obchodními výsledky. Pokud budete šetřit na těchto věcech, účet bude jednoduše přesunut do budoucnosti s úroky.

Jak se náklady na umělou inteligenci skutečně vyvíjejí

Týmy mohou předpokládat, že náklady na umělou inteligenci rostou přímo úměrně: dvakrát více práce, dvakrát více peněz. Ve skutečnosti však mohou úsilí, náklady a výsledky umělé inteligence měnit nezávisle na sobě neočekávanými způsoby. Pokud požádáte umělou inteligenci, aby přečetla dlouhý dokument najednou, musí vzít v úvahu každý word v souvislosti s každým jiným. U většiny populárních LLM to znamená, že práce a náklady nerostou lineárně, ale spíše kvadraticky s délkou vstupu. Pochopení těchto základních principů může mít skutečný dopad na bottom line jakéhokoli nasazení umělé inteligence.

Jak se náklady na umělou inteligenci rozdělují v organizaci

Výběr technologií je pouze částí příběhu, zbytek je, jak organizace přistupují k umělé inteligenci. V mnoha organizacích je příprava dat v gesci inženýrů. Kontrola compliance je v gesci právníků. Náklady na cloud jsou v gesci platformy nebo infrastruktury. Výběr modelu, konfigurace a jemné úpravy obvykle leží v rukou několika specializovaných operátorů. Každá skupina vidí pouze svou část práce a své vlastní rozpočtové položky. Náklady se objevují jako výpočetní náklady zde, čas dodavatelů tam a čas lidí absorbovaný do “obchodního jako obvykle” v několika týmech. S čísly rozptýlenými po různých nákladových centrech může být obtížné získat úplnou představu o nákladech na jeden projekt umělé inteligence a snadno jej podcenit.

Praktický přístup k řízení nákladů na umělou inteligenci

Vyhýbání se umělé inteligenci není správným krokem pro organizace, ale ani zacházení s ní jako s univerzální technologií. Dobrá strategie vždy začíná s požadovaným výsledkem a pracuje se zpětně. Ne každý případ vyžaduje nejnovější, drahý model. Mnoho úkolů lze zvládnout pomocí dobře pochopených technik strojového učení, které spadají pod umělou inteligenci a mohou běžet na stávající infrastruktuře.

Začněte s malými pilotními projekty, které měří celkové náklady na vlastnictví, nejen použití modelu, což znamená pohled na výpočetní náklady, integrační práci, čas inženýrů, úsilí o změnu a úsilí o compliance. Cílem je zvolit nejmenší a nejjednodušší model, který poskytuje přijatelný výsledek, spíše než předpokládat, že “více modelu” znamená “více přínosu”.

Umělá inteligence není jedna věc, je to kombinace technik a nástrojů, které lze použít různými způsoby. Vidět ji tímto způsobem rozkládá mystiku kolem působivých výsledků a umožňuje podnikům využívat její sílu s větší odpovědností a větším účinkem.

Lidé, čas a umělá inteligence

Každé nasazení umělé inteligence je ve skutečnosti spoluprací mezi lidmi a softwarem. Bez ohledu na to, zda je to formálně uznáno, je to způsob, jakým se práce provádí. Současný posun směrem k více “agentic” umělé inteligenci – nástrojům, které mohou řetězit kroky, volat jiné systémy a jednat s méně podnětem – nemění tuto skutečnost, ve skutečnosti zvyšuje sázky pro správné nastavení lidské stránky workflow.

Tito nástroje mohou být snadno přehnaně důvěřiví. Když systém prezentuje odpovědi plynule a s důvěrou, je přirozené, že lidé předpokládají, že je obvykle správný. Pokud je takový nástroj nasazen do workflow bez řádného školení, jasných hranic a rozumných kontrol, může tiše generovat proud malých chyb. Každá z nich musí být objevena, pochopena a opravena člověkem. Na papíru vypadá umělá inteligence efektivní, ve skutečnosti je zde skrytá cena za extra lidský čas strávený čištěním po ní. V zákaznicky orientovaných nebo regulovaných prostředích mohou tyto malé chyby také nést reputační náklady.

Governance jako součást rozpočtu na umělou inteligenci

Even when technical choices are sound and usage is efficient a growing share of AI spend will be tied up in governance rather than raw compute. Pro organizace působící v EU je to jasně stanoveno zákonem o umělé inteligenci. Zákon bere riziko-založený pohled na umělou inteligenci a důležitým způsobem se to netýká pouze veřejných produktů. Interní systémy používané v oblastech, jako je přijímání a povyšování, řízení a monitorování zaměstnanců a některých bezpečnostních rozhodnutí, mohou spadat do rozsahu a přinést očekávání kolem řízení rizik, dokumentace, protokolování a lidského dohledu.

Where AI Rollouts Go Wrong

Známý vzorec v projektech umělé inteligence je mezera mezi tím, jak systém vypadá v demo a jak se chová v reálném světě. V kontrolovaném prostředí, s úzkou sadou otázek a přátelskými daty, výsledky mohou vypadat bezchybně. Je snadné v tu chvíli předpokládat, že systém je připraven zvládnout celou kategorii práce.

Closing Thoughts

Žádné z těchto skutečností není argumentem proti umělé inteligenci. Je to argument pro zacházení s ní se stejnou vážností jako s jakýmkoli jiným systémem, který může podstatně změnit, jak podnik operuje.

Pokud je umělá inteligence použita dobře, pomáhá malým týmům jednat v větší škále, odhalovat vzory, které by byly obtížně zjistitelné ručně, a rozšiřovat odborná rozhodnutí. Ale aby se k tomu došlo, je zapotřebí jasný pohled na to, kde je umělá inteligence použita, co stojí celkově a jak je řízena. To znamená, že je třeba učinit úmyslné volby ohledně modelů a architektur, investovat do dat a pozorovatelnosti a navrhovat procesy, ve kterých lidé zůstávají v smyčce.

Existuje žádný způsob, jak úplně odstranit náklady nebo rizika. Ale existuje jasný rozdíl mezi organizacemi, které spoléhají na ad-hoc experimenty, a těmi, které staví umělou inteligenci do svých operací měřeným způsobem, s výhledem od výdajů k úspěchu. V rámci různých problémů a výsledků, kterým organizace čelí, neexistuje žádný jediný řešení umělé inteligence, které by je všechny mohlo vyřešit. Účinné využití umělé inteligence v podnikání by mělo být vždy specializované, dohlížené a pečlivě zaměřené.