Udviklingen af generativ AI i 2025: Fra nytænkning til nødvendighed

Året 2025 markerer et afgørende øjeblik i rejsen for Generative AI (Gen AI). Det, der startede som en fascinerende teknologisk nytænkning, er nu udviklet til et kritisk værktøj for virksomheder på tværs af forskellige brancher.

Generativ AI: Fra løsningssøgning til problemløsning

Den første bølge af entusiasme for Gen AI var drevet af den rene nytænkning af at interagere med store sprogmodeller (LLM), som er trænet på enorme offentlige datasæt. Virksomheder og enkeltpersoner var med rette betaget af evnen til at skrive naturlige sprogprompter og modtage detaljerede, sammenhængende svar fra offentlige frontiermodeller. Den menneskelignende kvalitet af outputtet fra LLM’er fik mange brancher til at storme ind i projekter med denne nye teknologi, ofte uden en klar forretningsproblematik at løse eller nogen reel KPI til at måle succes. Selv om der har været nogle store værdiudløsninger i de tidlige dage af Gen AI, er det et klart signal, vi er i en innovations- (eller hype-) cyklus, når virksomheder opgiver praksis med at identificere et problem først og derefter søge en fungerende teknologisk løsning til at løse det.

I 2025 forventer vi, at pendulet vil svinge tilbage. Organisationer vil se på Gen AI for forretningsværdi ved først at identificere problemer, som teknologien kan løse. Der vil helt sikkert være mange flere vel finansierede videnskabsprojekter, og den første bølge af Gen AI-brugsændringer for sammenfatning, chatbots, indholdsgenerering og kodegenerering vil fortsætte med at blomstre, men direktører vil begynde at holde AI-projekter ansvarlige for ROI dette år. Teknologifokus vil også skifte fra offentlige generelle sprogmodeller, der genererer indhold, til en ensemble af smallere modeller, som kan kontrolleres og trænes løbende på det distinkte sprog i en virksomhed for at løse virkelige problemer, der har indvirkning på bundlinjen på en målbart måde.

2025 vil være året, hvor AI flytter til kernen af virksomheden. Virksomhedsdata er vejen til at låse rigtig værdi op med AI, men træningsdataene, der er nødvendige for at bygge en transformationel strategi, er ikke på Wikipedia, og det vil aldrig være. Det bor i kontrakter, kunde- og patientjournaler og i de besværlige, ustrukturerede interaktioner, der ofte strømmer gennem bagkontoret eller bor i papæsker.. At få disse data er kompliceret, og generelle formål LLM’er er en dårlig teknologisk tilpasning her, trods small language modeller (SLM) i private cloud-indstillinger, der giver virksomheder mulighed for at udnytte interne organisatoriske datasæt til at bygge proprietære AI-løsninger med en portefølje af trænelige modeller. Targetede SLM’er kan forstå det specifikke sprog i en virksomhed og nuancerne i dens data og give højere nøjagtighed og gennemsigtighed til en lavere omkostningspunkt – samtidig med at de overholder dataintegritets- og sikkerheds krav.

Den kritiske rolle af datarensning i AI-implementering

Da AI-initiativer udvikler sig, skal organisationer prioritere datakvalitet. Den første og mest kritiske skridt i implementering af AI, enten ved hjælp af LLM’er eller SLM’er, er at sikre, at interne data er fri for fejl og uregelmæssigheder. Denne proces, kendt som “datarensning,” er afgørende for kuratering af en ren dataejendom, som er hovedpinden for AI-projektets succes.

Mange organisationer afhænger stadig af papirdokumenter, som skal digitaliseres og renses for dag-til-dag-forretninger. Ideelt set ville disse data flyde ind i mærkede træningssæt for en organisations proprietære AI, men vi er tidligt i gang med at se, at dette sker. Faktisk fandt en seneste undersøgelse, vi gennemførte i samarbejde med Harris Poll, hvor vi interviewede over 500 IT-beslutningstagere mellem august-september, at 59% af organisationerne ikke engang bruger deres hele dataejendom. Den samme rapport fandt, at 63% af organisationerne er enige om, at de har en mangel på forståelse af deres egen data, og dette hindrer deres evne til at maksimere potentialet for GenAI og lignende teknologier. Privatlivs-, sikkerheds- og styreproblemer er bestemt hindringer, men præcis og ren data er kritisk, selv små træningsfejl kan føre til sammenlagte problemer, der er vanskelige at afvikle, når en AI-model får det galt. I 2025 vil datarensning og rørledninger til at sikre datakvalitet blive et kritisk investeringsområde, så en ny generation af enterprise AI-systemer kan fungere på pålidelig og præcis information.

Den udvidende rolle af CTO

Rollen som Chief Technology Officer (CTO) har altid været afgørende, men dens indvirkning er sat til at udvide sig ti-fold i 2025. Ved at tegne paralleller til “CMO-æraen,” hvor kundeoplevelsen under Chief Marketing Officer var afgørende, vil de kommende år være “generationen af CTO.”

Selv om CTO’ens kerneansvar forbliver uændret, vil indvirkningen af deres beslutninger være større end nogensinde. Succesfulde CTO’er skal have en dyb forståelse af, hvordan opkomende teknologier kan omforme deres organisationer. De skal også forstå, hvordan AI og relaterede moderne teknologier driver forretnings-transformation, ikke kun effektivitet inden for virksomhedens fire vægge. Beslutningerne, CTO’er træffer i 2025, vil bestemme den fremtidige retning for deres organisationer, hvilket gør deres rolle mere indflydelsesrig end nogensinde.

Forudsigelserne for 2025 højligter et transformationelt år for Gen AI, datastyring og CTO-rollen. Da Gen AI bevæger sig fra at være en løsning i søgning efter et problem til en problemløsning, vil betydningen af datarensning, værdien af virksomhedsdataejendomme og den udvidende rolle af CTO forme fremtiden for virksomheder. Organisationer, der omfavner disse ændringer, vil være godt positioneret til at trives i den udviklende teknologiske landskab.