פתרון האיך והמתי: החדרת אסטרטגיית עסקים לאימוץ AI

הגענו לנקודת מפנה עם בינה מלאכותית (AI) שבה דיונים בחדרי ניהול התרחבו מוויכוח על יעילות לעבר האצת אימוץ. זהו זמן מרגש, במיוחד לאור הקצב של השינוי שלא יהיה אטי יותר. על פי BCG, למרות האי-ודאות הכלכלית העולמית, חדשנות עלתה כאחד מעדיפויות החברות העסקיות הראשונות ב-2023, עם 79% מהחברות שדירגו אותה בין שלוש המטרות הראשונות שלהן.

אך חדשנות לשם חדשנות לאותה מהווה אסטרטגיית עסקים שפויה, וארגונים שנקלעים למהומה של AI נוטים להשקיע בהיסטריה, במקום בפתרונות היוצרים ערך לטווח ארוך. הבנת ההבדל דורשת בחינה זהירה של יכולות נוכחיות ואת הסבלנות לתת עדיפות לצמיחה בר-קיימא על פני מגמות קצרות טווח.

אזור הזהב

היסטוריה עסקית מוצפת בדוגמאות של חברות שהחלטות אסטרטגיות בנקודות מפתח היו משמעותיות לקיומן. למשל, אמזון שרדה את הקריסה של הדוט-קום על ידי הכרה בחשיבות של התאמת אסטרטגיית החשבונאות שלה וחיזוק הרזרבות בעוד חברות אחרות בוערות כסף כאילו אין מחר. הנקודה היא, החלטות עסקיות שפויות חשובות יותר מתמיד בתקופות של התלהבות המונית, ותכנון למחר דורש יכולת חדה לחשוב דרך כל התרחישים האפשריים.

בסך הכל, יש תחושה כללית של AI FOMO (“פחד מפני החמצה”) שחדרה לצוותי הנהלה, מורכבת עוד יותר על ידי המציאות שעשיית דבר-אין (כלומר “שיתוק על ידי ניתוח”) היא איום אמיתי. (רק שאל Kodak.) כאן 3 היבטים לחברות המחפשות את “אזור הזהב” של AI – לא משקיעות מהר מדי או לאט מדי, אלא מוצאות את הנקודה המתוקה של חדשנות בר-קיימא.

1. התמקד בצמיחת נתונים תחילה

כמו כל מכונה, חשוב להבין את מנגנונה הפנימי כדי לגזור היכן בא הערך. כלומר, AI אינו מוצר מוגמר, אלא מודלים גדולים של שפה (LLM) התלויים בכמויות עצומות של נקודות נתונים מגוונות כדי ללמוד תבניות, הקשר וניואנסים לשוניים. גודלם ומורכבותם של LLM דורשים נתוני אימון נרחבים כדי לפעול באופן יעיל ברחבי תחומים ומשימות שונים. איכות וכמות של נתונים אלה ישפיעו במידה רבה על ביצועי LLM, ובהמשך, על חבילת כלים AI של חברה.

יצירת מערכות נתונים עמידות יותר היא, לפיכך, השקעה חכמה ראשונית לכל חברה המתכננת הפיכת AI, ונתונים אלה ישמשו כבסיס ל-LLM ככל שהם גדלים ומתפתחים. היא בתהליך התפתחות היכן שנתונים איכותיים הופכים לבעלי חשיבות עליונה יותר. בעוד שמחקרים מצאו ש-LLM יכולים להיות מוצלחים עם נתונים מינימליים, מומחים טוענים כי “ההשפעה של איכות נתונים וגיוון על הסתגלות ונתיבים אחרים של אימון LLM (קדם-אימון, עדינות, הנחיה וכו’) היא עצומה.”

2. זיהוי מקרה שימוש עסקי

בעוד AI בהחלט מסוגל ליישומים רחבים חיצוניים, רוב החברות מתמקדות יותר בשימוש בטכנולוגיה כדי לאופטימיזציה של תהליכים פנימיים. “אופטימיזציה” הוא המילה המפתח כאן, מה שאומר שחברות לא צריכות לצפות לחבר AI ולשפר את התוצאה באופן מאגי. במקום זאת, חלק מהמקרים המוצלחים ביותר של AI מערבים ניתוח נתונים כדי לחשוף תובנות יקרות ערך לגבי התנהגות לקוחות, מגמות שוק וסיכונים פוטנציאליים. הוכח גם כי הוא יעיל ביותר בזרימת פעילויות פנימיות, כולל דברים כמו אוטומציה של משימות ידניות כדי להקצות זמן עובדים לפעילויות ברמה גבוהה יותר.

בקיצור, במקום לבזבז זמן בניסיון לדעת מהם המודלים AI להשתמש, ארגונים צריכים להתמקד בבעיות ספציפיות שהם צריכים ש-AI שלהם יפתר. (כלומר, התחילו עם המחט שאתם רוצים לנוע, הגדירו את KPI שאתם רוצים להשפיע, ואז עבדו אחורה למה AI כלים יבצעו את היעדים.) על פי סקר AI העולמי של MIT, 90% מאלו שמשתמשים ב-AI כדי ליצור KPI חדשים אומרים שהם רואים ש-KPI שלהם משתפרים. “KPI אלו המושפעים מ-AI מציעים יתרונות עסקיים ומדגימים יכולות חדשות: הם מובילים ליותר יעילות ותועלת פיננסית גדולה יותר והם מפורטים, רגישים לזמן ומסונכרנים עם מטרות ארגוניות.”

3. בניית כלים AI מותאמים אישית באמצעות LLM קוד פתוח

לבנות או לקנות – זו השאלה. בניית פתרון AI מותאם אישית יכולה להיראות מאתגרת, וחברות רבות בוחרות לרכוש רישיון מספק חיצוני עם LLM קנייני כדי להימנע מללכת בדרך הזו. עם זאת, הרישיון עלול להגביל כיצד LLM יכול להיות משותף, ותשלומי רישיון יכולים להיות יקרים מאוד במהלך הזמן. לעומת זאת, LLM קוד פתוח הם חינמיים והארכיטקטורה התחתונה זמינה למפתחים לגשת, לבנות ולשנות על פי צורכי החברה הספציפיים.

מודל האקוסיסטם הפתוח הזה זכה לפופולריות ככל שחברות מנסות לשמור מידע רגיש על רשתותיהן ולשמור יותר שליטה על נתוניהן. LLM קוד פתוח נותנים לחברות את השקפה והגמישות הזו, יחד עם יתרונות נוספים של בעיות עכבה מופחתות וביצועים משופרים. IBM ו-NASA זה עתה שיתפו פעולה לפתח LLM קוד פתוח שאומן על נתונים גיאומטריים כדי לעזור למדענים להילחם בשינויי אקלים, חלק מיוזמת המדע הפתוח של NASA לעשר שנים לבנות קהילה מדעית יותר נגישה, כללית ושיתופית.

כפי שקורה עם טכנולוגיה קוד פתוח, ישנם סיכונים הקשורים ל-LLM קוד פתוח, כולל פריצות אבטחה אפשריות, הזיות/הטיה על בסיס מידע לא מדויק או מוטעה, וגורמים זדוניים המניפולטים במכוון את הנתונים. אך מודלים פתוחים הופכים לחכמים ובטוחים יותר עם הזמן, מובילים חלק מהמומחים להרגיש ש-LLM קוד פתוח יגיעו בקרוב לרמת ה-LLM הקנייני הטובים ביותר, מצדיקים את ההשקעה באימוץ מוקדם וזמן שהושקע בשדרוג כישורים.

אימוץ AI יהיה מספר ריצות מהירות במרתון

על פי נתונים אחרונים, יש כ-15,000 חברות AI בארצות הברית, יותר מפי שניים מכמותן ב-2017. ברחבי העולם, המספרים הללו גדלים כמעט פי ארבעה. עם כמה ספקים וסטארט-אפים חדשים המקדמים את שירותיהם, אין זה מופתע שחברות יכולות להתקשות להחליט היכן להשקיע את זמנן וכספן. אך באמצעות הערכה זהירה של צורכיהן והסיכונים/תגמולים המוצגים על ידי חדשנות, מנהיגים ימצאו את התערובת הנכונה של AI כדי להניע את חברותיהם לעתיד של צמיחה בר-קיימא.