Mengatasi Bagaimana dan Kapan: Mengintegrasikan Strategi Bisnis ke Dalam Adopsi AI

Kami telah mencapai titik balik dengan kecerdasan buatan (AI) di mana diskusi di ruang rapat telah bergeser dari membahas efektivitas ke mempercepat adopsi. Ini adalah waktu yang menyenangkan, terutama mempertimbangkan kecepatan perubahan tidak akan pernah menjadi lambat seperti ini lagi. Menurut BCG, meskipun ketidakpastian ekonomi global, inovasi naik sebagai prioritas perusahaan teratas pada tahun 2023, dengan 79% perusahaan menempatkannya di antara tiga tujuan teratas mereka.

Namun, inovasi untuk inovasi semata tidak merupakan strategi bisnis yang solid, dan organisasi yang terjebak dalam hiruk-pikuk AI berisiko berinvestasi pada hype, bukan solusi yang menciptakan nilai jangka panjang. Memahami perbedaan ini memerlukan pertimbangan yang cermat tentang kemampuan saat ini dan kesabaran untuk memprioritaskan pertumbuhan yang berkelanjutan daripada tren jangka pendek.

Zona Goldilocks

Sejarah bisnis dipenuhi dengan contoh perusahaan yang keputusan strategisnya pada saat-saat kunci telah menentukan keberadaan mereka. Misalnya, Amazon selamat dari gelembung dot-com dengan mengenali pentingnya menyesuaikan strategi akuntansi dan meningkatkan cadangan sementara perusahaan lain membakar uang seperti tidak ada hari esok. Poinnya adalah, keputusan bisnis yang solid lebih kritis daripada sebelumnya selama masa antusiasme massal, dan perencanaan untuk besok memerlukan kemampuan yang tajam untuk memikirkan semua skenario yang mungkin.

Secara keseluruhan, ada perasaan umum AI FOMO (“takut ketinggalan”) yang telah menyebar ke tim kepemimpinan, yang lebih rumit lagi oleh kenyataan bahwa tidak melakukan apa-apa (yaitu menyerah pada “paralisis oleh analisis”) juga merupakan ancaman nyata. (Tanyakan saja Kodak.) Berikut adalah 3 pertimbangan untuk perusahaan yang mencari “Zona Goldilocks” AI – tidak berinvestasi terlalu cepat atau terlambat, tetapi menemukan titik manis inovasi yang berkelanjutan.

1. Fokus pada Pertumbuhan Data Terlebih Dahulu

Seperti mesin apa pun, penting untuk memahami bagian dalamnya untuk mengetahui dari mana nilai berasal. Artinya, AI bukanlah produk yang terbentuk sepenuhnya, melainkan model bahasa besar (LLM) bergantung pada sejumlah besar titik data yang beragam untuk mempelajari pola, konteks, dan nuansa linguistik. Ukuran dan kompleksitas LLM yang besar memerlukan data pelatihan yang ekstensif untuk beroperasi secara efektif di berbagai domain dan tugas. Kualitas dan kuantitas data ini akan sangat mempengaruhi kinerja LLM, dan oleh ekstensi, suite alat AI perusahaan.

Menciptakan ekosistem data yang lebih kuat adalah investasi bijak pertama untuk setiap perusahaan yang merencanakan transformasi AI, dan data ini akan menjadi dasar untuk LLM saat mereka tumbuh dan berkembang. Dalam evolusi ini, data berkualitas tinggi menjadi lebih kritis. Sementara studi telah menemukan bahwa LLM dapat kompeten dengan data minimal, para ahli sekarang mengatakan bahwa “dampak kualitas data dan diversitas pada kedua keselarasan dan jalur pelatihan LLM lainnya (pra-pelatihan, fine-tuning, steerability, dll.) sangat besar.”

2. Identifikasi Kasus Penggunaan Bisnis

Sementara AI tentu memiliki kapasitas untuk aplikasi eksternal yang luas, sebagian besar perusahaan lebih fokus menggunakan teknologi untuk mengoptimalkan proses internal mereka. “Optimalkan” adalah kata kunci di sini, yang berarti bahwa perusahaan tidak boleh mengharapkan hanya memasang dan memainkan perangkat lunak AI untuk secara ajaib meningkatkan output. Sebaliknya, beberapa kasus penggunaan AI yang paling sukses melibatkan menganalisis data untuk mengungkapkan wawasan berharga tentang perilaku pelanggan, tren pasar, dan risiko potensial. Ini juga terbukti efektif dalam merampingkan kegiatan internal, termasuk hal-hal seperti mengotomatisasi tugas manual untuk mengalokasikan waktu karyawan ke kegiatan yang lebih tinggi.

Singkatnya, alih-alih membuang waktu untuk menentukan model AI mana yang harus digunakan, organisasi perlu fokus pada masalah spesifik yang perlu mereka pecahkan dengan AI. (yaitu, mulai dengan jarum yang ingin Anda gerakkan, atur KPI yang ingin Anda pengaruhi, dan kemudian kerja mundur untuk menentukan alat AI apa yang akan mencapai tujuan tersebut.) Menurut Survei AI Eksekutif Global MIT, 90% dari mereka yang menggunakan AI untuk membuat KPI baru mengatakan bahwa mereka melihat KPI mereka membaik. “KPI yang diberitahu AI ini menawarkan manfaat bisnis dan menunjukkan kemampuan baru: mereka sering mengarah pada efisiensi yang lebih besar dan manfaat keuangan yang lebih besar dan lebih terperinci, sensitif waktu, dan selaras dengan tujuan organisasi.”

3. Bangun Alat AI Khusus Menggunakan LLM Sumber Terbuka

Untuk membangun, atau membeli – itulah pertanyaannya. Membangun solusi AI yang disesuaikan dapat tampak menakutkan, dan banyak perusahaan memilih untuk membeli lisensi dari vendor luar dengan LLM proprietary untuk menghindari jalur itu. Namun, lisensi tersebut mungkin membatasi bagaimana LLM dapat digunakan, dan biaya lisensi dapat menjadi sangat mahal dari waktu ke waktu. Sebaliknya, LLM sumber terbuka gratis dan arsitektur dasarnya tersedia untuk pengembang untuk mengakses, membangun, dan memodifikasi berdasarkan kebutuhan perusahaan yang spesifik.

Model ekosistem sumber terbuka ini telah mendapatkan popularitas karena perusahaan berusaha untuk menjaga informasi sensitif di jaringan mereka dan mempertahankan lebih banyak kontrol atas data mereka. LLM sumber terbuka memberikan perusahaan transparansi dan fleksibilitas ini, serta manfaat tambahan seperti masalah latensi yang berkurang dan kinerja yang lebih tinggi. IBM dan NASA baru-baru ini bekerja sama untuk mengembangkan LLM sumber terbuka yang dilatih pada data geospasial untuk membantu ilmuwan melawan perubahan iklim, bagian dari Inisiatif Sains Terbuka NASA untuk membangun komunitas ilmiah yang lebih dapat diakses, inklusif, dan kolaboratif.

Seperti dengan teknologi sumber terbuka apa pun, ada risiko yang terkait dengan LLM sumber terbuka, termasuk kebocoran atau pelanggaran keamanan potensial, halusinasi/bias berdasarkan informasi yang tidak akurat atau cacat, dan aktor jahat yang sengaja memanipulasi data. Namun, model sumber terbuka menjadi lebih pintar dan lebih aman seiring waktu, menyebabkan beberapa ahli merasa bahwa LLM sumber terbuka akan segera mencapai tingkat LLM sumber tertutup terbaik, yang membenarkan investasi dalam adopsi awal dan waktu yang dihabiskan untuk meningkatkan kemampuan tim.

Adopsi AI Akan Menjadi Banyak Lari Cepat dalam Maraton

Berdasarkan angka-angka terbaru, ada sekitar 15.000 perusahaan AI di Amerika Serikat, lebih dari dua kali lipat jumlahnya pada tahun 2017. Di seluruh dunia, angka-angka tersebut meningkat hampir empat kali lipat. Dengan banyak vendor dan perusahaan rintisan baru yang mempromosikan layanan mereka, tidak mengherankan bahwa perusahaan dapat kesulitan memutuskan di mana harus menginvestasikan waktu dan uang mereka. Namun, dengan menilai kebutuhan mereka dan risiko/hadiah yang ditawarkan oleh inovasi dengan hati-hati, para pemimpin akan menemukan campuran AI yang tepat untuk mendorong perusahaan mereka ke masa depan pertumbuhan yang berkelanjutan.