Το AI στις Επιχειρήσεις: Μετράμε το Πλήρες Κόστος

Το AI έχει ξεπεράσει τη θεωρία και τη νεωτερικότητα. Για πολλές οργανώσεις, βρίσκεται πλέον δίπλα σε βασικά συστήματα ως μέρος της υποδομής. Πολλοί άνθρωποι σκέφτονται ακόμα ότι το AI είναι κυρίως για δημόσιες LLMs και chatbots – κάτι που μπορείτε να χρησιμοποιήσετε και να απορρίψετε όταν τελειώσετε. Η προβολή του AI μέσα από αυτή τη λένε μπορεί να χάσει το ευρύτερο φάσμα μοντέλων και τεχνικών που μπορούν να βελτιώσουν τα αποτελέσματα με μεγαλύτερη αποδοτικότητα και λιγότερο κίνδυνο.

Η αλήθεια είναι ότι το AI πρέπει να αξιολογείται όπως και κάθε άλλη σημαντική επένδυση σε υποδομή – με σαφή άποψη για το κόστος, το όφελος και τον κίνδυνο λειτουργίας από την αρχή. Η προσέγγιση σε μια χρηστική κατάσταση σημαίνει επένδυση σε ποιοτικές πipelines δεδομένων, παρατηρησιμότητα, διακυβέρνηση και τους ανθρώπους που το διατηρούν συγχρονισμένο με τους επιθυμητούς επιχειρηματικούς στόχους. Κόψτε τις γωνίες εδώ, και το τιμολόγιο μεταφέρεται απλώς στο μέλλον με επιπλέον τόκους.

Πώς το Κόστος του AI Κλιμακώνεται Πραγματικά

Κατανοητά, οι ομάδες μπορεί να υποθέσουν ότι το κόστος του AI αυξάνεται σε μια ευθεία γραμμή: κάνετε το διπλάσιο έργο, πληρώστε το διπλάσιο χρήμα. Στην πραγματικότητα, η προσπάθεια, το κόστος και τα αποτελέσματα μπορούν να κινούνται ανεξάρτητα από τον εαυτό τους με εκπληκτικούς τρόπους. Ζητήστε από το AI να διαβάσει ένα μακρύ έγγραφο όλα μαζί και πρέπει να εξετάσει κάθε λέξη σε σχέση με κάθε άλλη λέξη. Σε meisten LLMs, αυτό σημαίνει ότι η εργασία που εμπλέκεται και, επομένως, το κόστος, δεν αυξάνεται με τον τρόπο που οι άνθρωποι φυσικά περιμένουν – διπλάσιο είσοδο, διπλάσιο κόστος – αλλά ανstead αυξάνεται περίπου με το τετράγωνο του μήκους της εισόδου. Η επίγνωση των θεμελίων όπως αυτό μπορεί να έχει πραγματική επίδραση στο κάτω μέρος της γραμμής οποιασδήποτε ανάπτυξης του AI. Αν μια οργάνωση που χειρίζεται μεγάλα όγκους κειμένου κάθε μέρα, ένας ρυθμιστής για παράδειγμα, σχεδιάζει από την αρχή γύρω από γραφικές αναζητήσεις ή pipelines ανάκτησης αντί να στείλει ολόκληρα έγγραφα στο μοντέλο, η εμπειρία του τελικού χρήστη είναι ακόμα “ζητήστε μια ερώτηση, πάρετε μια απάντηση σε δευτερόλεπτα”, πολύ σαν ένα δημόσιο chatbot. Αυτό διατηρεί τους ενθουσιασμένους με το AI εκτελεστικούς με άμεσες αλληλεπιδράσεις, ενώ κάτω από την επιφάνεια το σύστημα κάνει πολύ λιγότερη απαραίτητη εργασία και το τιμολόγιο υπολογιστή είναι πολύ χαμηλότερο ως αποτέλεσμα.

Πώς το Κόστος του AI Διανέμεται σε Όλη την Оргάνωση

Οι επιλογές τεχνολογίας είναι μόνο μέρος της ιστορίας, το υπόλοιπο είναι πώς οι οργανώσεις προσεγγίζουν το AI από την αρχή. Σε πολλές οργανώσεις, η προετοιμασία δεδομένων βρίσκεται με την μηχανική. Οι ελέγχοι συμμόρφωσης βρίσκονται με το νομικό τμήμα. Η δαπάνη cloud ζει με τις πλατφόρμες ή τις ομάδες υποδομής. Η επιλογή μοντέλου, διαμόρφωση και οποιαδήποτε λεπτομέρεια συνήθως βρίσκεται με quelques ειδικευμένους χειριστές. Κάθε ομάδα βλέπει το δικό της τμήμα της εργασίας και τη δική της γραμμή προϋπολογισμού. Η δαπάνη εμφανίζεται ως υπολογισμός εδώ, χρόνος συμβασιούχου εκεί, και χρόνος ανθρώπων που απορροφάται στο “business as usual” σε कई ομάδες. Με αριθμούς που σκορπίζονται σε κέντρα κόστους, η απόκτηση του πλήρους κόστους μιας đơnικής πρωτοβουλίας του AI μπορεί να μην είναι ορατή σε κανένα μέρος και είναι εύκολη να υποτιμηθεί. Σε αυτό το περιβάλλον, το κόστος του AI μπορεί να σπείρει ήσυχα, απλώς και μόνο επειδή κανείς δεν παρακολουθεί τον整ικό αριθμό σε ένα μέρος.

Μια Πρακτική Προσέγγιση στη Διαχείριση Κόστους του AI

Η αποφυγή του AI δεν είναι η σωστή κίνηση για τις οργανώσεις, αλλά ούτε και η αντιμετώπιση του AI σαν μια πανοπλία τεχνολογίας. Μια καλή στρατηγική είναι πάντα να αρχίσετε με το επιθυμητό αποτέλεσμα και να εργαστείτε προς τα πίσω. Δεν κάθε περίπτωση χρειάζεται ένα state-of-the-art, ακριβό να τρέξει, μεγάλο γενικό μοντέλο. Πολλές εργασίες μπορούν να χειριστούν από καλά κατανοητές τεχνικές μηχανικής μάθησης που πέφτουν υπό την ομπρέλα του AI και μπορούν να τρέξουν σε υπάρχουσα υποδομή.

Ξεκινήστε μικρά με πιλοτικά έργα που μετρούν το συνολικό κόστος ιδιοκτησίας, όχι μόνο τη χρήση του μοντέλου, που σημαίνει να κοιτάξετε το υπολογιστή, φυσικά, αλλά και την εργασία ενσωμάτωσης, τον χρόνο μηχανικής, τη διαχείριση αλλαγών και την προσπάθεια συμμόρφωσης. Ο στόχος είναι να επιλέξετε το μικρότερο και πιο απλό μοντέλο που παρέχει ένα αποδεκτό αποτέλεσμα αντί να υποθέσετε ότι “περισσότερο μοντέλο” σημαίνει “περισσότερο όφελος”.

Το AI δεν είναι ένα πράγμα. Είναι μια συνδυασμός τεχνικών και εργαλείων που μπορούν να χρησιμοποιηθούν με διαφορετικούς τρόπους. Βλέποντας το AI με αυτόν τον τρόπο διαλύει το μυστήριο γύρω από εντυπωσιακά αποτελέσματα και επιτρέπει στις επιχειρήσεις να εκμεταλλεύονται τη δύναμή του με μεγαλύτερη ευθύνη και μεγαλύτερη επίδραση.

Άνθρωποι, Χρόνος και AI

Κάθε ανάπτυξη του AI είναι στην πράξη μια συνεργασία μεταξύ ανθρώπων και λογισμικού. Ανεξάρτητα από το αν αυτό αναγνωρίζεται正式ά, είναι così που γίνεται η δουλειά. Η τρέχουσα μετατόπιση προς περισσότερο agentic AI – εργαλεία που μπορούν να αλυσίδωνε βήματα, να καλούν άλλα συστήματα και να ενεργούν με λιγότερη προτροπή – δεν αλλάζει αυτό, στην πραγματικότητα αυξάνει τις apostές για να πάρει το ανθρώπινο μέρος της ροής εργασίας σωστά.

Αυτά τα εργαλεία μπορούν να είναι εύκολα να υπερ-πιστεύουν. Όταν ένα σύστημα παρουσιάζει απαντήσεις με ευφράδεια και με ευθύνη, είναι φυσικό για τους ανθρώπους να υποθέτουν ότι είναι συνήθως σωστό. Αν ένα τέτοιο εργαλείο ρίχνεται σε μια ροή εργασίας χωρίς适절η εκπαίδευση, σαφείς ορίους και ευλογικές ελέγχους, μπορεί να γεννήσει ήσυχα μια ροή μικρών λαθών. Κάθε ένα από αυτά πρέπει να ανακαλυφθεί, να κατανοηθεί και να διορθωθεί από一个人. Σε χαρτί, το AI φαίνεται αποτελεσματικό, στην πράξη υπάρχει一个 κρυφό κόστος σε επιπλέον ανθρώπινο χρόνο που ξοδεύεται για να καθαρίσει μετά από αυτό. Σε πελάτες-προς-πελάτες ή ρυθμιζόμενες ρυθμίσεις, αυτά τα μικρά λάθη μπορούν επίσης να φέρουν ένα κόστος φήμης. Ωστόσο, τα εργαλεία παραδίδονται ή χρησιμοποιούνται, η ευθύνη για τις εξόδους τους vẫn βρίσκεται με την οργάνωση και, σε ημερήσια βάση, με τους ανθρώπινους χειριστές που τα χρησιμοποιούν. Αυτό πρέπει να κατανοηθεί ρητά για αυτά τα εργαλεία να είναι πραγματικά χρήσιμα.

Ένας καλύτερος τρόπος είναι μια επιμελής συνεργασία: εξειδικευμένοι άνθρωποι παραμένουν σαφώς υπεύθυνοι για τα αποτελέσματα, και το AI χρησιμοποιείται για να επιταχύνει τα μέρη της δουλειάς που ταιριάζουν σε αυτό, όπως η περίληψη, η σύνταξη, η ταξινόμηση, η αναζήτηση. Ακόμα και όταν κάποιος έλεγχος και διόρθωση είναι ακόμα απαραίτητος, η συνολική επίδραση του καλά-εισαγωγικού και καλά-διαχειριζόμενου AI στις ροές εργασίας μπορεί να είναι περισσότερη ταχύτητα, περισσότερη συν nhấtότητα και περισσότερη ικανότητα από ότι μια ομάδα θα μπορούσε να επιτύχει μόνη της.

Διακυβέρνηση ως Μέρος του Προϋπολογισμού του AI

Ακόμα και όταν οι τεχνικές επιλογές είναι ήχοι και η χρήση είναι αποτελεσματική, μια αυξανόμενη μερίδα της δαπάνης του AI θα είναι δεσμευμένη στη διακυβέρνηση αντί για τον ακατέργαστο υπολογιστή. Για τις οργανώσεις που λειτουργούν στην ΕΕ, ο νόμος του AI το κάνει αυτό πολύ σαφές. Λαμβάνει μια προοπτική κινδύνου του AI και σημαντικά, αυτό δεν ισχύει μόνο για δημόσιες προϊόντα. Εσωτερικά συστήματα που χρησιμοποιούνται σε περιοχές όπως η πρόσληψη και η προώθηση, η διαχείριση εργαζομένων και η παρακολούθηση, και某些 αποφάσεις που σχετίζονται με την ασφάλεια possono να πέσουν στο πεδίο και να φέρουν προσδοκίες γύρω από τη διαχείριση κινδύνου, τη τεκμηρίωση, την καταγραφή και την ανθρώπινη εποπτεία μαζί τους. Άλλες περιοχές κινούνται σε παρόμοια κατεύθυνση, ακόμα και αν οι κανόνες φαίνονται λίγο διαφορετικοί η συνολική τάση είναι η ίδια: μεγαλύτερες οργανώσεις αναμένεται να γνωρίζουν πού χρησιμοποιείται το AI, τι κάνει και πώς ελέγχεται.

Η πρακτική επίδραση αυτού είναι ότι εσωτερικά έργα του AI μπορούν τώρα να έρθουν με μια δική τους δαπάνη διακυβέρνησης, η οποία δεν είναι προαιρετική. Κάθε νέα περίπτωση χρήσης μπορεί να σημαίνει μια νέα αξιολόγηση κινδύνου ή επίδρασης, περισσότερη παρακολούθηση και περισσότερες ερωτήσεις από ομάδες συμμόρφωσης, ελέγχου ή κινδύνου. Τίποτα από αυτά δεν θα εμφανιστεί στα μετρικά χρήσης του μοντέλου, αλλά είναι πραγματική προσπάθεια που πρέπει να πληρωθεί.

Πάλι, τίποτα από αυτά δεν είναι λόγος να αποφύγετε το AI. Είναι μια υπενθύμιση ότι το κόστος λειτουργίας μιας διαδικασίας που ενεργοποιείται από το AI δεν είναι μόνο η τιμή της κλήσης ενός μοντέλου. Η διακυβέρνηση και οι προϋποθέσεις ρυθμίσεων είναι τώρα μέρος του συνολικού κόστους ιδιοκτησίας

Πού οι Εκτελέσεις του AI Πηγαίνουν Λάθος

Ένας οικείος τρόπος σε έργα του AI είναι ο χάσμα μεταξύ του πώς ένα σύστημα φαίνεται σε μια επίδειξη και πώς συμπεριφέρεται σε κλίμακα στο άγριο. Σε ένα ελεγχόμενο περιβάλλον, με μια στενή σειρά ερωτήσεων και φιλικών δεδομένων, τα αποτελέσματα μπορούν να φανούν άψογα. Είναι εύκολο σε εκείνη τη στιγμή να υποθέσετε ότι το σύστημα είναι έτοιμο να αναλάβει μια ολόκληρη κατηγορία εργασίας.

Τα προβλήματα τείνουν να εμφανιστούν αργότερα, όταν το σύστημα εκτίθεται στο πλήρες εύρος και όγκο της πραγματικής χρήσης: ασυνήθιστες ερωτήσεις, तनικοί χρήστες, непλήρεις εγγραφές, ακατάστατες περιπτώσεις. Ρωγμές που ήταν αόρατες στην επίδειξη αρχίζουν να εμφανίζονται ως παρεμπιπτόντες απαντήσεις, χαμένες νιουάνς, βρόχοι υποστήριξης, μεγαλύτεροι χρόνοι χειρισμού και ήσυχη ζημία στη φήμη. Εσωτερικά μετρικά όπως “ερωτήσεις που χειρίζονται” και “χρόνος που εξοικονομείται” μπορεί να φανούν καλά σε χαρτί, αλλά η ζωντανή εμπειρία για τους τελικούς χρήστες μπορεί να διηγείται μια διαφορετική ιστορία.

Η άμεση μετάβαση από μια γυαλιστερή επίδειξη ή ένα μικρό πιλότο όπου η επιτυχία σε ελεγχόμενο περιβάλλον αντιμετωπίζεται ως απόδειξη ότι το σύστημα είναι έτοιμο για ευρύτερη εκτέλεση μπορεί να είναι ένα ακριβό λάθος. Στην πραγματική χρήση, οι χρήστες φέρνουν ακατάστατες ερωτήσεις, непλήρεις δεδομένα και τις δικές τους υποθέσεις για το τι μπορεί να κάνει το εργαλείο. Αν οι προσδοκίες δεν διαχειρίζονται και η ροή εργασίας γύρω από το σύστημα δεν σχεδιάζεται με πτώσεις και ανέβασμα στο μυαλό, η οργάνωση πληρώνει δύο φορές: μια φορά για την κατασκευή και ξανά σε επιπλέον υποστήριξη, ανακατασκευή, παραπόνων και χαμένης φήμης. Η τεχνολογία μπορεί να φαίνεται εντυπωσιακή σε χαρτί, αλλά χωρίς μια πραγματική προσέγγιση για το πώς συναντά πραγματικούς ανθρώπους και πραγματικές διαδικασίες, η απόδοση της επένδυσης σε αυτό εξαφανίζεται γρήγορα.

Η άλλη πλευρά είναι ότι καλά σχεδιασμένα συστήματα, με σαφείς ορίους και ανθρώπινη ιδιοκτησία που χτιστεί από την αρχή, μπορούν να κάνουν πράγματα που δεν μπορεί να διαχειριστεί μια ανθρώπινη ομάδα: σάρωση τεράστιων όγκων πληροφοριών σε δευτερόλεπτα, ανίχνευση μοτίβων σε χρόνια δεδομένων και χειρισμό κανονικών αποφάσεων σε κλίμακα που θα ήταν αλλιώς εκτός εύρους. Ο στόχος είναι ότι για να κερδίσετε αυτά τα οφέλη, οι οργανώσεις πρέπει να ταιριάξουν την φιλοδοξία τους με μια πραγματική άποψη για το πώς η τεχνολογία θα συμπεριφερθεί μια φορά που είναι στον κόσμο.

Κλείσιμο Σκέψεων

Τίποτα από αυτά δεν είναι ένα επιχείρημα κατά του AI. Είναι ένα επιχείρημα για την αντιμετώπιση του AI με την ίδια σοβαρότητα όπως και κάθε άλλο σύστημα που μπορεί να αλλάξει υλικά τον τρόπο που μια επιχείρηση λειτουργεί.

Χρησιμοποιημένο καλά, το AI βοηθά μικρές ομάδες να ενεργούν σε μεγαλύτερη κλίμακα, να ανακαλύψουν μοτίβους που θα ήταν δύσκολο να εντοπιστούν χειροκίνητα και να κάνουν την εμπειρία του ειδικού να πηγαίνει πιο μακριά. Αλλά για να φτάσετε εκεί, απαιτείται μια σαφής άποψη για το πού χρησιμοποιείται το AI, τι κοστίζει συνολικά και πώς διαχειρίζεται. Αυτό σημαίνει να κάνετε επιμελείες επιλογές για μοντέλα και αρχιτεκτονικές, να επενδύετε σε δεδομένα και παρατηρησιμότητα και να σχεδιάζετε διαδικασίες όπου οι άνθρωποι παραμένουν στη λούπα.

“Κινηθείτε γρήγορα και σπάστε τα πράγματα” ήταν ένα σύνθημα γραμμένο για ανθρώπινες ομάδες που εργάζονται σε ανθρώπινα συστήματα: αν κάτι σπάσει, το πήρατε πίσω, το επιδιόρθωσε και συνέχισε. Μόλις το AI είναι υφαντό σε αποφάσεις για πελάτες, εργαζόμενους ή πολίτες, η ίδια στάση μπορεί να παράγει προβλήματα που εξαπλώνονται γρήγορα, χτυπούν πιο σκληρά και είναι πολύ πιο δύσκολο να ξετυλίξουν. Η ταχύτητα εξακολουθεί να μετράει, και το AI μπορεί σίγουρα να βοηθήσει εδώ, αλλά πρέπει να ταιριάξει με μια σαφή άποψη για τον κίνδυνο, το κόστος και την ευθύνη.

Δεν υπάρχει τρόπος να αφαιρέσετε完全 το κόστος ή τον κίνδυνο. Αλλά υπάρχει μια σαφής διαφορά μεταξύ οργανώσεων που βασίζονται σε ad-hoc πειράματα και εκείνων που χτίζουν το AI στις επιχειρήσεις τους με έναν μετρημένο τρόπο, με οπτική από τη δαπάνη στην επιτυχία. Σε όλη τη ποικιλία προβλημάτων και αποτελεσμάτων που αντιμετωπίζουν οι οργανώσεις, δεν υπάρχει ένα jediné AI λύση που μπορεί να λύσει όλα. Η αποτελεσματική χρήση του AI στις επιχειρήσεις πρέπει πάντα να είναι εξειδικευμένη, εποπτευόμενη και προσεκτικά εστιασμένη.