Schválení rady financuje ambici. Infrastruktura to činí skutečným.

Většina firemních iniciativ v oblasti umělé inteligence (AI) neselhává kvůli tomu, že model nebyl dokonalý. AI selhává, protože infrastruktura pod ní není připravena.

Čísla jsou obvykle prezentována jako špatné zprávy. Lépe je chápat jako mapu. Podle společnosti Forrester 73 % nasazení AI selže při dosažení očekávané návratnosti investic, zatímco společnost Gartner opakovaně varovala, že mnoho iniciativ v oblasti generativní AI bude mít potíže s přechodem za pilotní fázi, protože organizace narazí na provozní a škálovatelnostní výzvy.

Zatímco rady schvalují větší investice do AI; konkurenti oznamují nové nasazení téměř každý týden a vedení týmů stále více považuje přijetí AI za viditelný ukazatel inovace a relevance na trhu. Ve mnoha společnostech se tlak na prokázání dynamiky stal obtížně rozlišitelným od tlaku na prokázání připravenosti.

Budoucnost infrastruktury připravené pro AI

Společnosti napříč odvětvími se potýkají s fragmentovanými datovými prostředími, nekonzistentní správou, zastaralými integračními prvky a zabezpečením navrženým pro svět před AI pracovními úlohami. Žádný z těchto problémů není problémem modelu. Každý z nich je problémem výstavby, a problémy výstavby jsou řešitelné. To je optimistický výklad, a je to také přesný.

Když mluvím o infrastruktuře, mám na mysli celý stack, ne pouze datovou vrstvu. AI úlohy vytvářejí tlak na části prostředí, které běžely dobře po mnoho let. Datová centra navržená pro stabilní firemní výpočetní operace nyní musí absorbovat husté, energeticky náročné klastry GPU. Mnoho z nich nemá dostatečnou kapacitu, chlazení nebo podlahovou plochu, aby to zvládly bez přestavby. Sítě optimalizované pro běžný provoz selhávají, když modely začínají přenášet terabajty mezi úložištěm a výpočtem. Data jsou uložena v systémech, které nebyly nikdy určeny k tomu, aby je poskytly v reálném čase.

Každý z těchto problémů je úmyslným inženýrským rozhodnutím: kde úloha běží, zda se kapacita buduje, umisťuje nebo pronajímá, jak se data k ní dostanou a kdo ji bude provozovat, až bude spuštěna. Pokud se tyto rozhodnutí udělají správně na začátku, AI se bude škálovat. Pokud se odkládají, stanou se stropem, kterého nasazení dosáhne.

Upřímnost o připravenosti AI se stává obtížnější, jak se očekávání výkonných manažerů zvyšují. Technologičtí lídři váží skutečnou obchodní naléhavost proti infrastrukturním realitám, které nelze vyřešit financováním a sladěním. Lídři mohou plně podporovat iniciativu AI, ale podpora nevytvoří zavedenou správu, spolehlivé datové potrubí nebo provozní vlastnictví, které systém potřebuje k běhu v měřítku. Tyto věci se buď postaví, nebo neexistují.

Pilotní projekty procházejí v kontrolovaném prostředí, ale selhávají ve velkém měřítku

Náklady na přeskočení tohoto kroku se projeví hned po počátečním úspěchu. Úspěšný pilotní projekt vytváří dojem, že širší organizace je připravena, zatímco prostředí je stále nestabilní. Například správa se liší podle oddělení, kritické systémy stále vyžadují manuální zásah k výměně dat, bezpečnostní modely dosud nezohledňují, jak AI dotýká citlivých informací napříč pracovními postupy.

Jakmile práce přesáhne kontrolovaný pilotní projekt, okolní infrastruktura nemůže efektivně nebo bezpečně podporovat rozšíření. Rozpočty se zpřísňují, termíny se prodlužují a skepticismus roste kolem další investice do AI, ačkoli technologie nebyla nikdy problémem. Problémem bylo prostředí, do kterého vstoupila.

Tlak na rychlé jednání nyní formuje strategii AI napříč téměř všemi odvětvími. Téměř 80 % organizací uvádí, že používají AI alespoň v jedné obchodní funkci, a mnoho výkonných týmů se obává, že zpoždění nasazení je zanechá pozadu konkurentů, kteří se již prezentují jako organizace poháněné AI.

Veřejné vyprávění o přijetí AI tenduje k odměňování viditelných spuštění a agresivních transformačních zpráv. Interně však organizace stále pracují na řešení letité fragmentace infrastruktury, která činí udržitelné nasazení AI mnohem složitějším, než výkonné týmy původně očekávaly.

Čtyři otázky, které mohou odhalit připravenost AI

Předtím, než se jakékoli nasazení AI přesune do měřítka, by výkonné týmy měly být schopny odpovědět na tyto otázky s jistotou, ne optimismem.

1. Můžeme důvěřovat našim datům? Existují dokumentované datové politiky správy, které se uplatňují konzistentně napříč každým obchodním útvarem, který tento systém AI bude dotýkat, nebo předpokládáme datovou kvalitu, kterou jsme neověřili?
2. Kdo bude vlastnit toto po spuštění? Existuje definovaná provozní struktura, nejen projektový tým, odpovědný za monitorování, údržbu a správu tohoto systému, když se bude škálovat?
3. Byla navržena bezpečnost a dodržování předpisů? Byly týmy zodpovědné za bezpečnost a dodržování předpisů součástí architektonické diskuse od začátku, nebo budou recenzovat nasazení, které bylo naplánováno bez nich?
4. Mohou naše integrační prvky zvládnout zátěž? Vyměňují se systémy, na které AI závisí, data spolehlivě v měřítku, nebo stavíme na integračních prvcích, které již vyžadují manuální zásah, aby fungovaly?

Tyto otázky nejsou určeny k zpomalení nasazení. Jsou určeny k odhalení mezer, které měřítko stejně odhalí, ideálně předtím, než toto měřítko nastane. Organizace, které mohou odpovědět na všechny čtyři otázky jasně, nejsou pouze připraveny na AI. Jsou také provozně zralé enough, aby chránily investici, kterou dělají.

Pilotní projekty jsou startovní čárou

Úspěšný pilotní projekt není důkazem připravenosti organizace. Je důkazem, že kontrolované prostředí vytvořilo kontrolovaný výsledek.

To, co pilotní projekty zřídka odhalí, je, zda širší organizace může řídit, zabezpečit a udržovat tento systém, až opustí kontrolované prostředí a vstoupí do skutečné provozní složitosti. Tato mezera je místem, kde většina iniciativ AI ztrácí dynamiku, ne proto, že technologie selhala, ale protože infrastruktura, která ji obklopovala, nebyla nikdy postavena tak, aby podporovala to, co přišlo dál.

Rady jsou správné, když pohlížejí na AI jako na dlouhodobou konkurenční páku. Riziko spočívá v tom, že urgentnost nasazení začíná nahrazovat provozní sekvencování. Spuštění rychle a škálování na křehké základně nezrychluje konkurenční výhodu. Odkládá náklady na nepřipravenost na okamžik, kdy bude mnohem obtížnější je omezit.

Připravenost je základem

Zde je část, která by měla energizovat každého technologického lídra: připravenost není opatrnou hrou. Je to agresivní hra. CIO, kteří postaví provozní základnu nyní, jsou ti, kteří mohou rychle nasazovat nové AI schopnosti během týdnů místo čtvrtletí, škálovat je napříč podnikem místo uvíznutí v jednom oddělení a zvyšovat tuto výhodu, zatímco konkurenti stále ještě rozmotávají své první neúspěšné nasazení.

Toto je transformace, která skutečně drží, a nepatří tomu, kdo spustil první. Patří lídrům, kteří změní infrastrukturu z omezení na motor: čistá, spravovaná data, na která může celý podnik stavět, integrační prvky, které drží zátěž, bezpečnost navržená do architektury, ne připevněná dodatečně. Pokud to uděláte správně, AI přestane být řadou jednorázových pilotních projektů. Stane se schopností, kterou organizace může zaměřit téměř na jakýkoli problém a důvěřovat odpovědi.

To je místo, kde se hodnota kumuluje. Základna, která umožňuje společnosti nasazovat AI rychleji, bezpečněji a ve větším měřítku, než kdokoli, kdo se pohybuje pouze na základě urgentnosti. Schválení rady financuje ambici. Infrastruktura to činí skutečným. CIO, kteří chápou, že přidají obrovskou hodnotu svým společnostem napříč odvětvími.

Strategie AI a připravenost infrastruktury nejsou odděleny od pracovních toků. Pro organizace, které chtějí soutěžit na AI ve dlouhodobém horizontu, musí být připravenost základem.