Γιατί οι στρατηγικές επένδυσης στο AI κρατούν τις επιχειρήσεις πίσω

Το επιχειρηματικό AI έχει φτάσει σε μια άβολη φάση. Λίγο σαν ένα άβολο εφηβικό, η φιλοδοξία υπάρχει, η τεχνολογία ωριμάζει, αλλά η σημαντική κλίμακα παραμένει難 να επιτευχθεί. Πολλές οργανώσεις παραμένουν ακόμα σε λειτουργία πιλότου, κυκλώντας μέσω υποσχόμενων περιπτώσεων χρήσης χωρίς ποτέ να ενσωματώσουν sâuτά το AI στη δραστηριότητα.

Η πραγματικότητα είναι ότι το ζήτημα Goes sâu hơn από τα εργαλεία ή την επιλογή μοντέλου. Βρίσκεται στο πώς το AI χρηματοδοτείται, κυβερνάται και προτεραιοποιείται στο επίπεδο της οργάνωσης.

Γιατί το AI με βάση το έργο συνεχίζει να χτυπάει σε ένα ταβάνι

Για χρόνια, η επένδυση στην επιχειρηματική τεχνολογία έχει ακολουθήσει ένα προβλέψιμο μοτίβο: ορίστε μια περίπτωση χρήσης, αναθέστε einen προϋπολογισμό, παραδώστε το έργο και μετά μετακινηθείτε. Αυτή η προσέγγιση φέρνει σαφήνεια και έλεγχο, και αυτό είναι το λόγο για τον οποίο έχει διαρκέσει.

Το AI, ωστόσο, δεν ταιριάζει καλά σε αυτή τη δομή. Μια seule ανάπτυξη σπάνια παραμένει περιορισμένη σε μια λειτουργία· γρήγορα εξαπλώνεται σε ροές εργασιών, ομάδες και αποφάσεις. Αυτό που αρχίζει ως một στενό πείραμα συχνά εξελίσσεται σε κάτι πολύ ευρύτερο, με εξαρτήσεις που δεν ήταν ορατές στην αρχή.

Η αντιμετώπιση του AI ως μια σειρά από απομονωμένες πρωτοβουλίες δημιουργεί τριβή. Οι ομάδες διπλασιάζουν την προσπάθεια, οι αγωγοί δεδομένων ξαναχτίζονται από την αρχή και η διακυβέρνηση γίνεται ασυνεπής. Η πρόοδος γίνεται, αλλά είναι ανώμαλη και δύσκολο να διατηρηθεί.

Οι οργανώσεις που μεταβαίνουν πέρα από αυτό το μοτίβο και επιτυγχάνουν πιο γρήγορα tend να υιοθετήσουν μια διαφορετική στάση. Χρηματοδοτούν το AI ως μια συνεχιζόμενη ικανότητα, με αφιερωμένη ιδιοκτησία, συνεχή επένδυση και σαφή εντολή να υπηρετήσουν την ευρύτερη επιχείρηση.

Η επένδυση που οι περισσότερες επιχειρηματικές περιπτώσεις AI παραλείπουν

Οι πρώτες επιχειρηματικές περιπτώσεις συχνά εστιάζουν στα κόστη του μοντέλου και τις αναμενόμενες κερδοφορίες. Και δεν είναι έκπληξη,既然 αυτά είναι τα εύκολη στοιχεία να ποσοτικοποιηθούν, τα οποία είναι το λόγο για τον οποίο κυριαρχούν τη συζήτηση.

Η πραγματικότητα είναι πιο σύνθετη. Οι μεγαλύτερες επενδύσεις βρίσκονται στα στρώματα που περιβάλλουν το μοντέλο, και αυτά τα στρώματα καθορίζουν εάν το AI παραδίδει αξία στην πράξη.

Η υποδομή είναι ένα από τα πρώτα σημεία πίεσης. Το να τρέχει το AI σε κλίμακα, ιδίως σε περιβάλλοντα πραγματικού χρόνου, εισάγει συνεχείς απαιτήσεις υπολογισμού που αυξάνονται γρήγορα καθώς η χρήση αυξάνεται. Τα κόστη δεν παραμένουν στατικά μια φορά που ένας πιλότος επιτυγχάνει· επεκτείνουν με την υιοθέτηση.

Η ετοιμότητα των δεδομένων παρουσιάζει μια άλλη πρόκληση. Τα δεδομένα της επιχείρησης σπάνια βρίσκονται σε μια κατάσταση που τα συστήματα AI μπορούν να τα χρησιμοποιήσουν αξιοπιστώς. Είναι θραυσματικά, ασυνεπή και συχνά κακοδιαχειριζόμενα. Η προετοιμασία τους απαιτεί χρόνο, συντονισμό και συνεχή προσπάθεια σε ομάδες.

Και μετά υπάρχει η διακυβέρνηση που προσθέτει επιπλέον βάρος. Οι πολιτικές, τα συστήματα παρακολούθησης και η ανθρώπινη εποπτεία είναι απαραίτητα για τη διατήρηση της εμπιστοσύνης και της συμμόρφωσης. Αυτά τα μηχανήματα πρέπει να σχεδιαστούν και να διατηρηθούν ως μέρος του συστήματος, όχι να επιβληθούν μετά.

Η υιοθέτηση της εργατικής δύναμης συχνά υποτιμάται. Οι υπάλληλοι χρειάζεται να κατανοήσουν πώς το AI ταιριάζει στη δουλειά τους, πού βρίσκονται τα όριά του και πώς να το χρησιμοποιήσουν ευθύνη. Χωρίς αυτό, ακόμη και καλά κατασκευασμένα συστήματα παλεύουν να κερδίσουν έλξη.

Μαζί, αυτά τα στοιχεία αντιπροσωπεύουν την πλειοψηφία της προσπάθειας, αλλά η παραμέλησή τους οδηγεί σε ένα οικείο αποτέλεσμα: τεχνικά επιτυχημένα πειράματα που αποτυγχάνουν να μεταφράσουν σε επιχειρηματική επίδραση.

Ένα πρακτικό παράδειγμα από το μέτωπο

Σκεφτείτε μια εταιρεία χρηματοοικονομικών υπηρεσιών που αναπτύσσει einen βοηθό AI για να υποστηρίξει την εσωτερική ανάλυση κινδύνου. Το αρχικό πείραμα εστιάζει στην περίληψη εκθέσεων και την突出 anomalies σε ένα ελεγχόμενο σύνολο δεδομένων. Τα αποτελέσματα φαίνονται ισχυρά και η περίπτωση για επέκταση εγκρίνεται.

Όταν το σύστημα κλιμακώνεται, νέες απαιτήσεις εμφανίζονται. Χρειάζεται πρόσβαση σε ζωντανούς δεδομένους σε πολλαπλά συστήματα, κάθε ένα με διαφορετικά φορμάτ και έλεγχους. Οι ομάδες διακυβέρνησης απαιτούν εποπτεία, εξασφαλίζοντας ότι κάθε έξοδος μπορεί να ανιχνευθεί και εξηγηθεί. Οι αναλυτές χρειάζονται εκπαίδευση για να ερμηνεύσουν τα αποτελέσματα σωστά και να τα ενσωματώσουν στη λήψη αποφάσεων.

Ο αρχικός προϋπολογισμός, που χτίστηκε γύρω από μια περιορισμένη περίπτωση χρήσης, γρήγορα αποδεικνύεται ανεπαρκής. Επιπλέον επένδυση απαιτείται σε υποδομή, μηχανική δεδομένων και συμμόρφωση. Χωρίς ένα μοντέλο χρηματοδότησης που να προβλέπει αυτά τα στρώματα, η πρόοδος επιβραδύνεται και η εμπιστοσύνη πέφτει.

Αυτό το μοτίβο είναι κοινό. Η πρόκληση δεν είναι η αρχική ανάπτυξη· είναι όλα αυτά που ακολουθούν.

Γιατί τα συστήματα κληρονομιάς εμποδίζουν τώρα την πρόοδο του AI

Πολλές οργανώσεις ανακαλύπτουν ότι τα υπάρχοντα τεχνολογικά κτήρια τους δεν είναι κατάλληλα για το AI. Συστήματα που χτίστηκαν σε απομόνωση, με περιορισμένη ενοποίηση και ασυνεπή δομές δεδομένων, δημιουργούν εμπόδια που είναι δύσκολο να εργαστούν.

Τα συστήματα AI εξαρτώνται από την πρόσβαση, τη συνδεσιμότητα και το контекスト. Όταν αυτά λείπουν, οι έξοδοι γίνονται λιγότερο αξιόπιστες και πιο δύσκολο να επαληθευτούν. Η προσπάθεια που απαιτείται για να γεφυρώσει τα κενά μεταξύ των συστημάτων μπορεί να υπερβεί τα οφέλη του AI.

Η现代ização έχει συχνά αναβληθεί προς όφελος των βραχυπρόθεσμων προτεραιοτήτων και το AI αναγκάζει μια επανεξέταση. Συστήματα που δεν μπορούν να υποστηρίξουν την διαλειτουργικότητα ή να εκθέσουν δεδομένα σε χρησιμοποίητες μορφές γίνονται περιορισμοί στην πρόοδο.

Στην πραγματικότητα, η αντιμετώπιση αυτού απαιτεί περισσότερο από τις επικαιρικές επιδιορθώσεις. Καλεί για μια σκόπιμη προσπάθεια να απλοποιήσει τις αρχιτεκτονικές, να τυποποιήσει τα δεδομένα και να αφαιρέσει την περιττή πολυπλοκότητα.

Τα διοικητικά συμβούλια πρέπει να ξανασκέφτουν

Ο τρόπος με τον οποίο η ηγεσία πλαισιώνει την επένδυση στο AI διαμορφώνει τα αποτελέσματα που ακολουθούν. Όταν το AI αντιμετωπίζεται ως μια σειρά από διακριτές αγορές, οι αποφάσεις tend να εστιάζουν στις βραχυπρόθεσμες επιστροφές και τους περιορίζουν κινδύνους.

Μια διαφορετική προσέγγιση θεωρεί το AI ως μια ικανότητα που αναπτύσσεται με τον καιρό. Κάθε ανάπτυξη συμβάλλει σε ένα ευρύτερο θεμέλιο, καθιστώντας την επόμενη εργασία ταχύτερη και πιο αποτελεσματική. Οι αγωγοί δεδομένων γίνονται επαναχρησιμοποιήσιμοι, τα πλαίσια διακυβέρνησης ωριμάζουν και οι ομάδες χτίζουν εμπειρία που μεταφέρεται εμπρός.

Αυτό έχει επιπτώσεις για τον προϋπολογισμό. Απαιτεί συνεχή χρηματοδότηση, σαφή ευθύνη και μια愿意 να επενδύσει σε περιοχές που δεν παρέχουν άμεσες επιστροφές αλλά είναι απαραίτητες για την μακροπρόθεσμη επιτυχία.

Αυτή η αλλαγή επίσης αλλάζει τον τρόπο με τον οποίο μετράται η πρόοδος. Αντί να αξιολογούνται απομονωμένα έργα, οι οργανώσεις χρειάζεται να αξιολογήσουν πώς η συνολική τους ικανότητα εξελίσσεται και εάν γίνεται εύκολη η ανάπτυξη του AI σε νέες περιοχές.

Χτισμένα για να διαρκέσουν

Οι πρώτες οργανώσεις που tend να επιτυγχάνουν με το AI μοιράζονται ένα κοινό χαρακτηριστικό – αναγνωρίζουν ότι η αξία προέρχεται από την συσσώρευση και όχι από απομονωμένα κέρδη.

Αυτό σημαίνει επένδυση στα υποκείμενα συστήματα που υποστηρίζουν το AI, ακόμη και όταν είναι λιγότερο ορατά. Σημαίνει την ευθυγράμμιση των ομάδων γύρω από κοινά πλαίσια και όχι απομονωμένες πρωτοβουλίες. Σημαίνει την αντιμετώπιση της υιοθέτησης ως μια συνεχής διαδικασία και όχι ως ένα τελικό βήμα.

Η μετάβαση δεν είναι απλή. Προκαλεί καθιερωμένα μοντέλα προϋπολογισμού και απαιτεί συντονισμό σε τεχνικές και μη τεχνικές λειτουργίες. Απαιτεί επίσης υπομονή, καθώς τα οφέλη συσσωρεύονται με τον καιρό και όχι αμέσως.

Η εναλλακτική λύση είναι ήδη ορατή σε πολλές οργανώσεις: μια σειρά πειραμάτων που δείχνουν δυνατότητα αλλά αποτυγχάνουν να αναμορφώσουν τον τρόπο με τον οποίο λειτουργεί η επιχείρηση.

Το AI έχει υπερβεί την πειραματική φάση. Οι οργανώσεις που προσαρμόζουν τις στρατηγικές επένδυσης τους αντίστοιχα θα είναι σε μια ισχυρότερη θέση να μετατρέψουν αυτή τη δυνατότητα σε συνεχείς πλεονεκτήματα.