Překonání únavy z pilotních projektů Gen AI: Vedení s účelem

Máme před sebou známý scénář: disruptivní technologie uchvátí představivost lídrů napříč odvětvími a slibuje transformaci v měřítku. Na počátku roku 2010 to byla automatizace robotických procesů (RPA). Brzy poté přišla na řadu cloud computing. Dnes je to generativní umělá inteligence (Gen AI), která drží pozornost – a organizace se vrhají do pilotních projektů bez jasně stanovené cesty vpřed.

Výsledkem je rostoucí vlna toho, co lze nazvat únavou z pilotních projektů Gen AI. Jedná se o stav vyčerpání, frustrace a klesajícího tempa, který nastává, když je spuštěno příliš mnoho AI iniciativ bez struktury, účelu nebo měřitelných cílů. Společnosti spouštějí desítky pilotních projektů současně, často s překrývajícími se záměry, ale bez jasných kritérií úspěchu. Hledají potenciál napříč odděleními, ale místo odemykání efektivity nebo ROI vytvářejí zmatek, redundanci a zastavenou inovaci.

Definice únavy z pilotních projektů Gen AI

Únava z pilotních projektů Gen AI odráží širší organizační výzvu: nekonečné ambice bez konečné struktury. Kořenové příčiny jsou známé každému, kdo byl svědkem předchozích technologických vln:

• Neomezené možnosti: Gen AI lze aplikovat napříč všemi funkcemi – marketing, operace, HR, finance – což dělá lákavým spustit více případů použití bez jasných hranic.
• Snadná nasazení: Nástroje jako OpenAI GPT modely a Google Gemini umožňují týmům spustit pilotní projekty rychle bez závislosti na inženýrech – někdy během několika hodin.
• Chybějící plán udržení: Gen AI vyžaduje kvalitní data, aby byla efektivní. V mnoha případech se data mohou stát zastaralými bez implementace procesu, který zajistí, že data zůstanou správná a aktuální.
• Špatná měřitelnost: Na rozdíl od tradičních nasazení IT je obtížné určit, kdy je Gen AI nástroj “dostatečně dobrý”, aby se přesunul z pilotního projektu do produkce. ROI je často zamlžený nebo zpožděný.
• Integrační překážky: Mnoho organizací bojuje s tím, aby Gen AI nástroje propojily s existujícími systémy, datovými potrubími nebo pracovními postupy, což přidává čas, složitost a frustraci.
• Vysoká poptávka po zdrojích: Pilotní projekty často vyžadují významné množství času, peněz a lidské investice – zejména kolem školení a údržby čistých, využitelných datových sad.

Stručně řečeno, únava z Gen AI vzniká, když experimentování předchází strategii.

Proč se to stále děje?

Ve mnoha případech je to proto, že organizace přeskočí základní práci. Před nasazením jakékoliv pokročilé technologie je třeba nejprve optimalizovat procesy, které se snaží zlepšit. V Accruentu jsme viděli, že pouze tím, že se zefektivňují pracovní postupy a zajišťuje kvalita dat, mohou společnosti dosáhnout až 50% efektivních zisků, aniž by musely nasadit AI. Pokud se Gen AI aplikuje na dobře fungující systém, zisky se mohou zdvojnásobit. Ale bez této základny ani nejlepším AI modelům se nepodaří dosáhnout významné hodnoty.

Další pastí je absence jasných mantinelů. Pilotní projekty Gen AI by neměly být považovány za nekonečné experimenty. Úspěch by měl být měřen pomocí definovaných výsledků – času uloženého, nákladů snížených nebo schopností rozšířených. Musí existovat brány, které umožňují projekty posunout, změnit směr nebo ukončit na základě datově řízené evaluace. Polovina všech Gen AI nápadů může nakonec prokázat, že jsou lépe vhodné pro jiné technologie, jako je RPA nebo nástroje bez kódu – a to je v pořádku. Cílem není implementovat AI pro samotnou implementaci, ale účinně řešit obchodní problémy.

Poučení z RPA a cloudové migrace

Toto není poprvé, co organizace byly uneseny technologií. RPA slibovala eliminovat opakující se úkoly; cloudová migrace slibovala flexibilitu a škálovatelnost. Oba sliby byly splněny – nakonec – ale pouze pro ty, kteří aplikovali disciplínu na nasazení.

Jedním z hlavních poznatků je: Neopomeňte základní základy. Viděli jsme, že organizace mohou dosáhnout až 50% efektivních zisků pouze tím, že zefektivňují stávající pracovní postupy a zlepšují kvalitu dat, než nasadí AI. Když se AI aplikuje na optimalizovaný systém, zisky se mohou zdvojnásobit. Ale když se AI aplikuje na nefunkční procesy, dopad je zanedbatelný.

Totéž platí pro data. Gen AI modely jsou pouze tak dobré, jako jsou data, která spotřebovávají. Špatná kvalita dat povede k špatným výsledkům – nebo ještě hůře, zkresleným a zavádějícím. To je důvod, proč společnosti musí investovat do robustních rámců pro správu dat, názor podporovaný odborníky z oboru a zdůrazněný v zprávách McKinsey.

Pokušení “lehké” AI

Jednou z dvojích hran generativní AI je nízká bariéra vstupu. S předem připravenými modely a uživatelsky přívětivými rozhraními může kdokoli v organizaci spustit pilotní projekt během několika dnů – někdy během několika hodin nebo dokonce minut. Zatímco tato dostupnost je silná, také otevírá brány. Najednou máte týmy napříč odděleními experimentující v izolaci, s malou kontrolou nebo koordinací. Není neobvyklé vidět desítky Gen AI iniciativ běžících současně, každá s jinými stakeholders, datovými sadami a definicemi úspěchu nebo jeho absence.

Tento fragmentovaný přístup vede k únavě – nejen z hlediska zdrojů, ale také z rostoucí frustrace z toho, že nejsou vidět hmatatelné výnosy. Bez centralizované správy a jasných vizí mohou i ty nejperspektivnější případy použití skončit v nekonečných smyčkách iterace, rafinace a reevaluace.

Přerušení cyklu: Budování s úmyslem

Začněte s tím, že Gen AI budete považovat jako jakoukoli jinou firemní technologickou investici – založenou na strategii, správě a optimalizaci procesů. Zde jsou beberapa zásad, které jsem nalezl kritické:

1. Začněte s problémem, ne s technologií. Často organizace sledují Gen AI případy použití, protože jsou vzrušující – ne proto, že řeší jasnou obchodní výzvu. Začněte identifikací třecích bodů nebo neefektivit ve vašich pracovních postupech a poté se zeptejte: je Gen AI nejlepším nástrojem pro práci?
2. Optimalizujte předtím, než budete inovovat. Předtím, než budete vrstvit AI na nefunkční proces, opravte proces. Zefektivnění operací může odemknout významné zisky samo o sobě – a také usnadňuje měření adicionálního dopadu AI. Jak uvedla Bain & Company v nedávné zprávě, podniky, které se soustředí na základní připravenost, vidí rychlejší čas na návratnost z Gen AI.
3. Ověřte svá data. Zajistěte, aby vaše modely byly trénovány na přesných, relevantních a eticky získaných datech. Špatná kvalita dat je jedním z hlavních důvodů, proč pilotní projekty selhávají při škálování, podle Gartner.
4. Definujte, co “dobré” vypadá. Každý pilotní projekt by měl mít jasná KPI spojená s obchodními cíli. Bez ohledu na to, zda se jedná o snížení času stráveného na rutinních úkolech nebo snížení provozních nákladů, úspěch musí být měřitelný – a pilotní projekty musí mít rozhodnutí brány, aby pokračovaly, změnily směr nebo ukončily.
5. Držte široký nástrojový箱. Gen AI není odpověď na každou otázku. V některých případech může automatizace prostřednictvím RPA, low-code aplikací nebo strojového učení být rychlejší, levnější nebo udržitelnější. Buďte ochotni říci ne AI, pokud se ROI nevyplatí.

Pohled do budoucnosti: Co pomůže vs. co může ublížit

V nadcházejících letech může únava z pilotních projektů zhoršit, než se zlepší. Tempo inovací se pouze zrychluje, zejména s novými technologiemi, jako je Agentic AI. Tlak na to, “něco udělat s AI”, je enormní – a bez správných mantinelů riskují organizace, že budou přehlceny množstvím možností.

Existuje však důvod pro optimismus. Praktiky vývoje jsou zránějící. Týmy začínají považovat Gen AI za stejně přísnou, jako tradiční softwarové projekty. Také vidíme zlepšení v nástrojích. Pokroky v AI integračních platformách a API orchestraci usnadňují začlenění Gen AI do stávajících technologií. Předtrénované modely od poskytovatelů, jako je OpenAI, Meta a Mistral, snižují zátěž na interní týmy. A rámce pro etickou a odpovědnou AI, jako ty, které prosazuje AI Now Institute, pomáhají snižovat nejistotu a riziko. Možná nejdůležitější je rostoucí porozumění mezi obchodními a technickými lídry o tom, co AI může (a nemůže) dělat.

Závěrečná myšlenka: Jde o účel, ne o piloty

Na konci dne úspěch AI závisí na záměru. Generativní AI má potenciál přinést enormní efektivitu, odemknout nové schopnosti a transformovat odvětví – ale pouze pokud je řízena strategií, podporována čistými daty a měřena pomocí výsledků.

Bez těchto kotvíků je to pouze další technologický trend, který vyčerpá vaše týmy a zklame vaši radu.

Pokud chcete se vyhnout únavě z pilotních projektů Gen AI, nezačínejte s technologií. Začínejte s účelem. A stavějte od toho.