Løsning af Hvordan og Når: Infusion af Forretningsstrategi i AI-Adoption

Vi har nået et vendepunkt med kunstig intelligens (AI), hvor bestyrelsesdiskussioner er skiftet fra at debattere effikacitet til at accelerere adoption. Det er en spændende tid, især hvis man tager i betragtning, at tempoet i forandringer aldrig vil være så langsomt igen. Ifølge BCG, trods global økonomisk usikkerhed, steg innovation som en topkorporativ prioritet i 2023, med 79% af virksomheder, der rangerer det blandt deres top tre mål.

Men innovation for innovationens skyld er ikke en sund forretningsstrategi, og virksomheder, der bliver fanget i AI-hysteriet, risikerer at investere i hype i stedet for løsninger, der skaber langsigtede værdier. At forstå forskellen kræver omhyggelig overvejelse af nuværende evner og tålmodighed til at prioritere bæredygtig vækst over kortsigtede tendenser.

Det Gyldne Midtpunkt

Forretningshistorien er fuld af eksempler på virksomheder, hvis strategiske beslutninger på afgørende tidspunkter har været konsekvenser for deres eksistens. For eksempel overlevede Amazon dot-com-boblen ved at erkende vigtigheden af at justere sin regnskabsstrategi og øge reserverne, mens andre virksomheder brændte igennem kontanter, som om der ikke var noget i morgen. Pointen er, at sunde forretningsbeslutninger er mere kritiske end nogensinde under massentusiastiske tider, og planlægning for i morgen kræver en skarp evne til at tænke igennem alle mulige scenarier.

Samlet set er der en generel følelse af AI-FOMO (“frygt for at gå glip af”), der har trængt ind i ledelseshold, yderligere kompliceret af, at virkeligheden er, at at gøre ingenting (dvs. at give efter for “lammelse ved analyse”) også er en reel trussel. (Spørg bare Kodak.) Her er 3 overvejelser for virksomheder, der søger efter det “Gyldne Midtpunkt” for AI – ikke investere for hurtigt eller for langsomt, men finde det søde punkt for bæredygtig innovation.

1. Fokus på Data-Vækst Først

Ligesom enhver maskine er det vigtigt at forstå dens indre mekanismer for at udlede, hvor værdien kommer fra. Det betyder, at AI ikke er et fuldt udviklet produkt, men dens store sprogmodeller (LLM’er) afhænger af enorme mængder af diverse datapunkter for at lære mønstre, kontekst og sprognuancer. Den enorme størrelse og kompleksitet af LLM’er kræver omfattende træningsdata for at fungere effektivt på tværs af forskellige domæner og opgaver. Kvaliteten og mængden af disse data vil have en stor indvirkning på LLM’ernes præstation, og dermed en virksomheds samling af AI-værktøjer.

At skabe mere robuste data-økosystemer er derfor en klog første investering for enhver virksomhed, der planlægger en AI-transformation, og disse data vil fungere som grundlag for LLM’er, mens de vokser og udvikler sig. Det er i denne udvikling, hvor højkvalitetsdata bliver endnu mere kritisk. Mens studier har fundet, at LLM’er kan være kompetente med minimal data, siger eksperter nu, at “virkningen af datakvalitet og diversitet på både alignment og andre vejledninger for LLM-træning (præ-træning, finjustering, styrebare, osv.) er absolut massiv”.

2. Identificer en Forretningsanvendelse

Selvom AI bestemt har kapaciteten for bredde eksterne anvendelser, er de fleste virksomheder mere fokuserede på at bruge teknologien til at optimere deres interne processer. “Optimere” er nøgleordet her, hvilket betyder, at virksomheder ikke skal forvente at kunne bare plug-and-play AI-software for at magisk forbedre output. Snarere er nogle af de mest succesfulde AI-anvendelser ved at analysere data for at afsløre værdifulde indsigt i kundeadfærd, markedsudviklinger og potentielle risici. Det er også blevet bevist effektivt til at strømlinje interne aktiviteter, herunder ting som automatisering af manuelle opgaver for at allokkere medarbejdernes tid til højere niveau aktiviteter.

Kort sagt, i stedet for at spilde tid på at finde ud af, hvilke AI-modeller at bruge, skal organisationer fokusere på specifikke problemer, de har brug for deres AI til at løse. (Dvs. start med den nål, du vil flytte, sæt op KPI, du gerne vil påvirke, og arbejd derefter baglæns mod, hvilke AI-værktøjer vil opnå disse mål.) Ifølge MIT’s Global Executive AI Survey, siger 90% af dem, der bruger AI til at skabe nye KPI’er, at de ser deres KPI’er forbedre. “Disse AI-informerede KPI’er tilbyder forretningsfordele og demonstrerer nye evner: de fører ofte til mere effektivitet og større finansielle fordele og er mere detaljerede, tidsfølsomme og tilpasset organisatoriske mål.”

3. Byg Beskæftigede AI-Værktøjer Ved Hjælp af Open-Source LLM’er

At bygge eller købe – det er spørgsmålet. At bygge en tilpasset AI-løsning kan synes overvældende, og mange virksomheder vælger at købe en licens fra en ekstern leverandør med en proprietær LLM for at undgå at gå ned ad denne vej. Men licensen kan begrænse, hvordan LLM kan bruges, og licensgebyrer kan blive meget dyre over tid. Til gengæld er open-source LLM’er gratis, og den underliggende arkitektur er tilgængelig for udviklere til at bygge, tilpasse og modificere på basis af virksomhedens specifikke behov.

Denne open-source model økosystem er blevet mere populær, da virksomheder søger at holde følsomme oplysninger på deres netværk og fastholde mere kontrol over deres data. Open-source LLM’er giver virksomhederne denne gennemsigtighed og fleksibilitet, samt de tilføgede fordele ved reducerede latency-problemer og forbedret præstation. IBM og NASA samarbejdede nylig om at udvikle en open-source LLM trænet på geospatial data for at hjælpe videnskabsmænd med at bekæmpe klimaforandringer, en del af NASA’s ti-årige Open-Source Science Initiativ for at opbygge en mere tilgængelig, inklusiv og samarbejdende videnskabelig fællesskab.

Som med alle open-source-teknologier er der risici forbundet med open-source LLM’er, herunder potentielle sikkerhedslækager/beskadigelser, hallucinationer/forskellighed baseret på urigtig eller fejlbehæftet information og dårlige aktører, der bevidst manipulerer data. Men open-source-modeller bliver smartere og mere sikre over tid, hvilket får nogle eksperter til at føle, at open-source LLM’er snart vil nå niveauet for de bedste lukkede LLM’er, hvilket retfærdiggør investeringen i tidlig adoption og tid brugt på at opskolere hold.

AI-Adoption Vil Være Flere Korte Sprint i et Marathon

Basert på nye tal, er der omkring 15.000 AI-virksomheder i USA, mere end dobbelt så mange som i 2017. Verdensomspændende er disse tal næsten firedoblet. Med så mange leverandører og nye startups, der fremmer deres tjenester, er det ingen overraskelse, at virksomheder kan have svært ved at beslutte, hvor de skal investere deres tid og penge. Men ved at nøje vurdere deres behov og risici/fordele, der præsenteres af innovation, vil ledere finde den rette blanding af AI til at fremme deres virksomheder ind i en fremtid med bæredygtig vækst.