Proč se podniková AI zastavuje a co je potřeba k rozšíření mimo pilotní fázi

Před třemi lety většina vedoucích podniků popírala AI. Dominující názor byl, že se jedná o tržní šum nebo jen chytrou hračku, ale ne o technologii určenou pro podniky. „Halucinace“ bylo slovo, které měl každý na mysli. Během posledního roku se tato skepse téměř úplně obrátila. Očekávání jsou nyní na vrcholu, přičemž představenstva jsou přesvědčena, že AI transformuje každou roli i každý proces.

Přesto oba extrémy míjí podstatu. AI není ani přechodná módní vlnka, ani kouzelná hůlka. Jedná se o nejkomplexnější transformaci, jakou odvětví kdy zažilo; je větší než cloud, který byl v podstatě o efektivitě a flexibilitě. AI je obchodní transformace. To je právě důvod, proč tolik organizací po provedení ohromujících pilotů uvízne. Průzkum State of AI od společnosti McKinsey & Company zachycuje rozsah problému: téměř dvě třetiny respondentů uvádí, že jejich organizace ještě nezačaly škálovat AI napříč podnikovým prostředím.

Skutečným úzkým místem nejsou schopnosti

Je lákavé vinit technologii, ale to by bylo chybné. V této fázi mají špičkové modely obrovskou kapacitu. Problém spočívá v začlenění AI do skutečných obchodních procesů tak, aby přinášely měřitelné výsledky.

Výzkum IDC zjistil, že 88 % projektů ověřujících koncept AI nedospěje k produkčnímu nasazení, což znamená, že z každých 33 spuštěných jen čtyři uspějí. Důvodem zřídka bývá samotná technologie. Pilot ukazuje, co je možné; škálování vyžaduje, aby organizace změnila způsob, jakým se práce skutečně vykonává. To je mnohem složitější úkol, než většina vedoucích očekává. Zahrnuje řízení změn, tření mezi útvary organizace, rozpočtové cykly, které nebyly pro tento typ investic navrženy, a obtížný úkol přepracování pracovních toků od začátku do konce. To je důvod, proč cesta od ověření konceptu k produkčnímu nasazení trvá déle, než naznačuje hype: podniky jsou komplexní a komplexnost odolává zkratkám.

Vedoucí by měli odolávat reflexu „adoptovat AI hned“, který vede k roztříštěným, nesourodým experimentům. Místo toho začněte definováním konkrétního problému a očekávaného výsledku, například zkrácením doby vyřizování servisních požadavků, rychlejším získáváním znalostí nebo zkrácením vývojového cyklu. Když je AI navržena kolem definovaného pracovního postupu, dopad se stane měřitelným a měřitelný dopad získá právo na škálování.

Viditelné a neviditelné

Agenti jsou způsob, jakým AI ožívá v podniku, a dělí se do dvou kategorií. První, asistenční agenti, jsou viditelní pomocníci, kteří shrnují e‑maily nebo pomáhají vývojáři psát kód. Druhí agenti jsou neviditelně zapleteni do pracovních toků, provádějí odsouhlasení účetních záznamů, spouštějí schvalovací řetězce a označují podvody. Musí být skutečně podnikové úrovně: schopni škálovat objem, poskytovat přesnost, nabízet úplnou sledovatelnost a fungovat v rámci zodpovědných AI omezení.

Titulky oznamující „počet agentů“ mají málo hodnoty, protože neexistuje standardní způsob, jak agenta spočítat. Důležité je, jakou práci dokáže kombinace člověk‑plus‑agent vykonat. Produktivita řízená agenty může ušetřit milion dolarů; přetvoření obchodního procesu s týmy lidé‑plus‑agent může vygenerovat sto milionů z téže námahy, a právě tam by měli vedoucí hledat.

Správa, důvěra a zkouška pro nepříznivé situace

Odpovědnost za výsledek je klíčová pro zajištění úspěchu. Nasadit AI je snadné, když je tolerováno deset chyb; jiná je věc, když proces musí běžet bezchybně ve velkém měřítku. Řídicím principem je test na horší dny: když AI odmítne spolupracovat, ale podnik stále funguje. Governance tedy není nepřítel rychlosti, ale její umožňovatel. Zatímco flexibilita bez governance vytváří chaos, governance bez flexibility dusí inovace. To, co AI nakonec brzdí, je strach, důvěra, bezpečnost a kontrola nad vlastními daty. Tyto obavy rozhodují, zda se podnik rozroste, nebo zůstane stát.

Správné dimenzování architektury

Klíčové je, že pro 80 % až 90 % podnikových případů použití není špičkový model nezbytný. Malý jazykový model postavený na vlastních datech organizace, často pracující vedle špičkového modelu, je chytřejší řešení. Náklady na tokeny klesají exponenciálně, ale modely pro uvažování a rozšiřující se okna kontextu výrazně zvyšují spotřebu, což činí optimalizaci tokenů významnou příležitostí samostatně.

Příprava na další vlnu

V každé technologické vlně se hodnota realizuje při skutečném využití technologie v podnicích. Současné výdaje jsou v infrastrukturní vrstvě, jak to vždy bývá na začátku technologického cyklu. Další, větší vlna je adopce ve velkém měřítku.

Vedoucí podniků by si měli všimnout, že podniková AI se nezastavuje kvůli slabé technologii. Zastavuje se, protože organizace považují obchodní transformaci za technologický projekt. Vítězové učiní AI důvěryhodným, opakovatelným a odpovědným obchodním procesem a budou mít trpělivost jej škálovat a využít nadcházející větší vlnu.