Menghubungkan Potensi AI dengan Kenyataan Praktis

Alat AI telah digunakan secara luas dalam bisnis sejak peluncuran ChatGPT pada 2022, dengan 98% dari bisnis kecil yang disurvei oleh Kamar Dagang AS menggunakan alat tersebut. Namun, meskipun kesuksesan dalam bidang seperti analisis data, ringkasan, personalisasi, dan lain-lain, survei terbaru dari 2.500 pekerja di AS, Inggris, Australia, dan Kanada menemukan bahwa 3 dari 4 pekerja melaporkan bahwa AI sebenarnya meningkatkan beban kerja mereka. Oleh karena itu, janji AI masih tinggi, tetapi kenyataan di lapangan tampaknya sedikit mengecewakan.

Perbedaan ini menekankan tantangan kritis: menghubungkan kesenjangan antara janji AI yang luas dan dampak praktisnya yang terbatas pada operasi perusahaan. Mengatasi kesenjangan ini sangat penting bagi organisasi untuk sepenuhnya merealisasikan nilai investasi AI mereka dan meningkatkan adopsi di antara pekerja dan pemangku kepentingan.

Visi Produk untuk Investasi AI

Sementara AI telah membuat kemajuan signifikan, banyak solusi bisnis masih berada pada tahap eksperimental dan tidak sepenuhnya sesuai untuk operasi sehari-hari. Dalam survei lintas negara dan industri dari 1.000 CxO dan eksekutif senior, BCG menemukan bahwa 74% perusahaan mengalami kesulitan untuk merealisasikan dan menskala nilai dalam investasi AI mereka. Bagian dari alasan ini adalah bahwa saat ini, antarmuka pengguna AI yang paling menonjol didasarkan pada bahasa alami yang disampaikan melalui paradigma chatbot. Sementara modalitas ini tentu berguna dalam tugas-tugas seperti ringkasan dan konteks berbasis teks lainnya, mereka gagal untuk sesuai dengan cara kerja yang sebenarnya dilakukan di sebagian besar perusahaan.

Untuk memaksimalkan dampak, desain alat AI harus berkembang untuk melampaui antarmuka terisolasi dan berbasis teks menjadi aplikasi yang terintegrasi dan meningkatkan alur kerja yang lebih memenuhi kebutuhan operasional organisasi besar. Fase berikutnya dari evolusi AI akan semakin menjadi agen, menyatu secara mulus ke latar belakang operasi perusahaan dan memungkinkan tim untuk fokus pada ideasi dan strategi tingkat tinggi yang memasuki operasi otomatis, melewati eksekusi manual tetapi masih mempertahankan kontrol manusia di dalam loop yang masih bergantung pada penilaian manusia yang tidak dapat diotomatisasi.

Transisi dari “eksperimental” ke “esensial” ini memerlukan pendekatan produk untuk pengembangan, penerapan, dan operasi AI, serupa dengan bagaimana Apple (AAPL ), misalnya, merevolusi industri teknologi dengan peluncuran iPhone – sebuah produk yang dirancang dengan hati-hati, ramah pengguna, yang mengintegrasikan teknologi canggih dan menikahkannya dengan pengalaman pengguna kelas dunia sejak hari pertama.

Mengatasi Kesenjangan Data dan Memastikan Efisiensi Biaya

Untuk bergerak menuju versi produk AI yang lebih canggih ini, sangat penting untuk mengatasi kesenjangan dalam estate data perusahaan. Minat yang meningkat dalam menerapkan AI di perusahaan telah mengungkapkan silo data yang luas, yang menghambat organisasi dari menskala AI di luar prototipe.

Tentu saja, perlu diperhatikan bahwa hambatan keuangan juga dapat menghalangi organisasi untuk memperluas penggunaan AI mereka dari pilot menjadi aplikasi perusahaan. Infrastruktur yang diperlukan untuk melatih dan memelihara model AI canggih – mencakup daya komputasi, penyimpanan data, dan biaya operasional berkelanjutan – dapat meningkat dengan cepat. Tanpa pengawasan yang cermat, proyek ini berisiko menjadi tidak terjangkau, mencerminkan tantangan awal yang dilihat selama adopsi teknologi cloud.

Mengutamakan integritas, kebersihan, dan kualitas data pada awalnya dapat membantu menurunkan biaya dalam jangka panjang. Terlalu sering, perusahaan fokus pada AI terlebih dahulu dan mengatasi tantangan data mereka hanya kemudian, menciptakan ketidakefisienan dan kesempatan yang terlewatkan.

Efisiensi biaya erat terkait dengan investasi di seluruh lapisan data dan infrastruktur inti. Berinvestasi dalam bagian tumpukan ini adalah kunci untuk memastikan LLM dapat dijalankan pada skala. Dalam istilah praktis, ini berarti memstandarisasi pengumpulan data, memastikan aksesibilitas, dan mengimplementasikan kerangka kerja tata kelola data yang kuat.

AI yang Bertanggung Jawab

Perusahaan yang mengintegrasikan prinsip AI yang bertanggung jawab pada fondasi data yang kuat dan tergovernan dengan baik akan lebih baik dalam memposisikan diri untuk menskala aplikasi mereka dengan efisien dan etis. Prinsip seperti keadilan, transparansi, dan akuntabilitas dalam input dan output AI tidak lagi opsional untuk perusahaan – mereka adalah imperatif strategis untuk mempertahankan kepercayaan dengan karyawan dan pelanggan, serta mematuhi regulasi yang muncul.

Salah satu kerangka kerja kritis adalah Undang-Undang AI EU, yang mengamanatkan dokumentasi yang jelas, transparansi, dan tata kelola untuk sistem AI berisiko tinggi. Kepatuhan dengan kerangka kerja seperti itu memerlukan perusahaan untuk mengimplementasikan proses yang tidak hanya memvalidasi model AI mereka tetapi juga membuatnya dapat diinterpretasikan dan akuntabel, yang sangat penting dalam aplikasi dengan risiko tinggi seperti skoring kredit, deteksi penipuan, dan rekomendasi investasi. Perusahaan yang memprioritaskan praktik ini dapat tetap di depan tuntutan regulasi dan menghindari risiko hukum atau reputasi yang mahal.

Lebih lagi, karena industri berkembang dan sistem AI agen yang dapat membuat keputusan otonom menjadi lebih umum, taruhan untuk implementasi yang bertanggung jawab tumbuh lebih tinggi. Mengalihkan tindakan ke alat AI memerlukan kepercayaan pada keandalan dan perilaku etis mereka. Untuk mencapai ini, organisasi harus berinvestasi dalam kerangka kerja audit dan pemantauan berkelanjutan untuk memastikan bahwa sistem AI beroperasi seperti yang diharapkan, dan menjaga dengan hati-hati terhadap bias hasil dan mempertahankan hasil yang tidak adil.

Menghadap ke Depan

Potensi transformasional AI dalam operasi perusahaan tidak dapat disangkal, tetapi merealisasikan nilai penuhnya memerlukan pergeseran dalam cara organisasi mendekati pengembangan dan penerapan AI. Bergerak melampaui aplikasi eksperimental ke alat yang terintegrasi dan dapat diskalakan memerlukan fokus yang tajam pada mengatasi masalah dasar kualitas data, tata kelola, dan aksesibilitas, serta mengadopsi mentalitas produk.

Mengatasi kesenjangan data dan membuat AI yang Bertanggung Jawab sebagai pusat strategi akan menjadi kunci untuk mempertahankan kepercayaan dengan pemangku kepentingan, terus memenuhi imperatif kepatuhan strategis, dan memastikan bahwa sistem AI tidak hanya dapat diskalakan tetapi juga andal dan efektif. Dengan cara ini, janji AI dapat direalisasikan dan perjuangan adopsi saat ini akan diatasi di organisasi semua ukuran.