Udviklingen af Generative AI i 2025: Fra Nysgerrighed til Nødvendighed

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

Generative AI: Fra Løsning til Problemløsning

Den første bølge af Gen AI-entusiasme blev drevet af den rene nysgerrighed ved at interagere med store sprogmodeller (LLM’er), der er trænet på store offentlige datasæt. Virksomheder og enkeltpersoner var retmæssigt betaget af muligheden for at skrive naturlige sprogprompter og modtage detaljerede, koherente svar fra offentlige modeller. Den menneskelignende kvalitet af outputtet fra LLM’erne fik mange brancher til at gå fuld fart 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 tydeligt signal, at vi er i en innovations- eller hype-cyklus, når virksomheder opgiver praksis med at identificere et problem først og derefter søger 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 sandsynligvis være mange mere velfinansierede videnskabelige projekter, og den første bølge af Gen AI-anvendelser for sammenfatning, chatbots, indholdsgenerering og kodegenerering vil fortsætte med at blomstre, men chefer vil begynde at holde AI-projekter ansvarlige for ROI i år. Teknologifokus vil også skifte fra offentlige, generelle sprogmodeller, der genererer indhold, til en ensemble af smallere modeller, der kan kontrolleres og trænes på den enkelte virksomheds sprog for at løse virkelige problemer, der har indvirkning på bundlinjen på en målbar måde.

2025 vil være året, hvor AI flytter til kernen af virksomheden. Virksomhedsdata er vejen til at låse virkelig 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. Det bor i kontrakter, kunde- og patientjournaler og i de beskidte, ustrukturerede interaktioner, der ofte flyder gennem bagkontoret eller bor i papirkasser. At få disse data er kompliceret, og generelle LLM’er er en dårlig teknologisk løsning her, trods de tekniske, sikkerheds- og datagovernance-problemer. Virksomheder vil i stigende grad adoptere RAG-arkitekturer og små sprogmodeller (SLM’er) i private cloud-miljøer, hvilket giver dem mulighed for at udnytte interne organisatoriske datasæt til at bygge proprietære AI-løsninger med en portefølje af trænbar modeller. Målrettede SLM’er kan forstå den enkelte virksomheds sprog og nuancer i dens data og give højere nøjagtighed og gennemsigtighed til en lavere pris, samtidig med at de overholder dataprivat- og sikkerheds krav.

Den Kritiske Rolle for Datarensning i AI-Implementering

Da AI-initiativer breder sig, må organisationer prioritere datakvalitet. Det første og mest kritiske skridt i implementeringen af AI, enten ved brug af LLM’er eller SLM’er, er at sikre, at interne data er fri for fejl og urigtigheder. Denne proces, kendt som “datarensning”, er afgørende for kuratering af en ren data-estate, der er nøglen til succesen for AI-projekter.

Mange organisationer afhænger stadig af papirdokumenter, der skal digitaliseres og renses for dag-til-dag forretningsdrift. Ideelt set ville disse data flyde ind i mærkede træningssæt for organisationens proprietære AI, men vi er tidligt i udviklingen af dette. Faktisk fandt en nylig undersøgelse, som vi gennemførte i samarbejde med Harris Poll, hvor vi interviewede over 500 IT-beslutningstagere mellem august og september, at 59% af organisationerne ikke engang bruger deres samlede data-estate. Den samme rapport fandt, at 63% af organisationerne er enige om, at de har en mangel på forståelse af deres egen data, og dette hæmmer deres evne til at maksimere potentialet for GenAI og lignende teknologier. Privat-, sikkerheds- og governance-problemer er bestemt hindringer, men præcis og ren data er kritisk; selv små træningsfejl kan føre til komplicerende problemer, der er vanskelige at løse, når en AI-model får det galt. I 2025 vil datarensning og pipelines til at sikre datakvalitet blive et kritisk investeringsområde, der sikrer, at en ny generation af enterprise AI-systemer kan fungere på pålidelig og præcis information.

Den Udvidende Indvirkning af CTO-Rollen

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

Selv om CTO’ens kerneansvar ikke ændrer sig, vil indvirkningen af deres beslutninger være større end nogensinde. Succesfulde CTO’er skal have en dyb forståelse for, hvordan fremvoksende 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, som 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 transformerende år for Gen AI, datastyring og CTO-rollen. Da Gen AI bevæger sig fra at være en løsning i søgen efter et problem til en problemløsning på fuld skala, vil vigtigheden af datarensning, værdien af virksomhedsdata-estater og den udvidende indvirkning af CTO’en vil forme fremtiden for virksomheder. Organisationer, der omfavner disse ændringer, vil være godt positioneret til at trives i det udviklende teknologiske landskab.