Evoluce generativní umělé inteligence v roce 2025: Od novinky k nezbytnosti

Rok 2025 představuje zásadní okamžik v cestě generativní umělé inteligence (Gen AI). Co začalo jako fascinující technologická novinka, se nyní vyvinulo v kritický nástroj pro podniky napříč různými odvětvími.

Generativní AI: Od řešení hledajícího problém k řešení problémů

První vlna nadšení pro Gen AI byla poháněna syrovou novinkou interakce s velkými jazykovými modely (LLM), které jsou trénovány na rozsáhlých veřejných datových sadách. Podniky a jednotlivci byli právem okouzleni schopností psát přirozené jazykové podněty a dostávat podrobné, srozumitelné odpovědi z veřejných modelů. Lidská kvalita výstupů z LLM vedla mnoho odvětví k tomu, aby se vrhly do projektů s touto novou technologií, často bez jasného obchodního problému, který by řešily, nebo skutečného KPI, který by měřil úspěch. Zatímco v raných dnech Gen AI došlo k některým velkým hodnotovým odemknutím, je to jasný signál, že jsme v inovačním (nebo hype) cyklu, kdy podniky opouštějí praxi identifikace problému jako prvního a poté hledání funkčního technologického řešení, které problém vyřeší.

V roce 2025 očekáváme, že se pendulum vrátí zpět. Organizace budou hledat Gen AI pro obchodní hodnotu tím, že jako první identifikují problémy, které technologie může řešit. Určitě bude mnoho dobře financovaných vědeckých projektů a první vlna případů použití Gen AI pro souhrny, chatboty, generování obsahu a kódu bude pokračovat, ale výkonní manažeři budou začínat požadovat, aby AI projekty byly odpovědné za ROI tento rok. Technologický focus se také posune z veřejných obecných jazykových modelů, které generují obsah, na soubor užších modelů, které lze ovládat a průběžně trénovat na specifickém jazyce podniku, aby řešily reálné problémy, které mají měřitelný dopad na spodní řádek.

Rok 2025 bude rokem, kdy se AI dostane do jádra podniku. Podnikové údaje jsou cestou k odemknutí skutečné hodnoty s AI, ale trénovací údaje potřebné pro vytvoření transformační strategie nejsou na Wikipedii a nikdy tam nebudou. Žijí v smlouvách, zákaznických a pacientských záznamech a v nesourodých nestrukturovaných interakcích, které často protékají zadním úřadem nebo žijí v krabicích s papírem. Získání těchto údajů je komplikované a obecné účelové LLM jsou špatným technologickým řešením, a to navzdory problémům s ochranou soukromí, bezpečností a řízením údajů. Podniky budou stále více přijímat architektury RAG a malé jazykové modely (SLM) v soukromém cloudu, což jim umožní využívat interní organizační datové sady k vytvoření vlastních AI řešení s portfoliem trénovatelných modelů. Cílené SLM mohou pochopit specifický jazyk podniku a nuance jeho údajů a poskytnout vyšší přesnost a transparentnost za nižší náklady, zatímco zůstanou v souladu s požadavky na ochranu soukromí a bezpečnost.

Kritická role čištění údajů v implementaci AI

Jak se AI iniciativy šíří, organizace musí priorizovat kvalitu údajů. První a nejvíce kritická krok v implementaci AI, ať už pomocí LLM nebo SLM, je zajistit, aby interní údaje byly bez chyb a nepřesností. Tento proces, známý jako “čištění údajů”, je nezbytný pro kuraci čisté datové nemovitosti, která je klíčem k úspěchu AI projektů.

Mnoho organizací stále spoléhá na papírové dokumenty, které je třeba digitalizovat a vyčistit pro denní obchodní operace. Ideálně by tyto údaje měly proudit do označených trénovacích sad pro vlastních AI, ale jsme na začátku toho, abychom to viděli. Ve skutečnosti jsme v nedávném průzkumu, který jsme provedli ve spolupráci s Harris Poll, kde jsme interviewovali více než 500 IT rozhodovatelů mezi srpnem a zářím, zjistili, že 59 % organizací vůbec nevyužívá svou celou datovou nemovitost. Stejná zpráva zjistila, že 63 % organizací souhlasí s tím, že nemají dostatečné pochopení svých vlastních údajů a že to brání jejich schopnosti maximalizovat potenciál GenAI a podobných technologií. Ochrana soukromí, bezpečnost a řízení jsou jistě překážkami, ale přesné a čisté údaje jsou kritické, i malé trénovací chyby mohou vést k problémům, které jsou obtížné vyřešit, jakmile se AI model stane špatným. V roce 2025 se čištění údajů a potrubí pro zajištění kvality údajů stanou kritickou investiční oblastí, která zajistí, aby nová generace podnikových AI systémů mohla fungovat na spolehlivých a přesných informacích.

Rostoucí dopad role CTO

Role Chief Technology Officer (CTO) byla vždy kritická, ale její dopad se bude v roce 2025 rozšiřovat desetkrát. Kreslíme paralely s “CMO érou”, kde zákaznický zážitek pod vedením Chief Marketing Officer byl nejdůležitější, nadcházející roky budou “generací CTO”.

Zatímco jádrové odpovědnosti CTO zůstávají nezměněny, vliv jejich rozhodnutí bude větší než kdykoli předtím. Úspěšní CTO budou potřebovat hluboké pochopení toho, jak se vyvíjející technologie mohou změnit jejich organizace. Musí také pochopit, jak AI a související moderní technologie pohánějí obchodní transformaci, nejenom efektivity uvnitř firemních zdí. Rozhodnutí učiněná CTO v roce 2025 určí budoucí trajektorii jejich organizací, což činí jejich roli více dopadlou než kdykoli předtím.

Předpovědi pro rok 2025 zdůrazňují transformační rok pro Gen AI, správu údajů a roli CTO. Jak se Gen AI pohybuje od řešení hledajícího problém k řešení problémů, důležitost čištění údajů, hodnota podnikových datových nemovitostí a rostoucí dopad role CTO budou formovat budoucnost podniků. Organizace, které tyto změny přijmou, budou dobře umístěny, aby prosperovaly v se vyvíjejícím technologickém prostředí.