AI는 새롭지 않습니다. 인간은 1940년대에 AI를 연구하기 시작했으며, John McCarthy와 같은 컴퓨터 과학자들은 이 기술이 달성할 수 있는 가능성을 우리에게 보여주었습니다. 그러나 상대적으로 새로운 것은 호재의 양입니다. 그것은 기하급수적으로 느껴집니다. ChatGPT는 2022년에 큰 환영을 받으며 출시되었으며, 이제 DeepSeek와 Qwen 2.5가 세계를 강타하고 있습니다.

호재는 이해할 수 있습니다. 계산 능력의 증가, 더 큰 데이터셋에 대한 액세스, 개선된 알고리즘 및 훈련 기술로 인해 AI 및 ML 모델은 거의毎월 두 배로 효과가 증가하고 있습니다. 매일 우리는推論 및 콘텐츠 생성과 같은 분야에서 큰 도약을 보고 있습니다. 우리는 흥미진진한 시대에 살고 있습니다!

그러나 호재는 역효과를 낼 수 있으며, AI에 대해 소음보다 실질적인 내용이 더 많다는 것을 암시할 수 있습니다. 우리는 모두 이러한 획기적인 발전에 따른 정보 과부하에 너무 익숙해져서 부주의하게 무시하게 됩니다. 그렇게 함으로써 우리는 우리 앞에 있는驚異的な 기회를 잃어버립니다.

아마도 생성형 AI에 대한 “소음”의 과잉으로 인해 일부 리더는 이 기술이 미성숙하고 투자할 가치가 없다고 생각할 수 있습니다. 그들은 결정하기 전에 중요한 수준의 채택을 기다리고 싶을 수 있습니다. 또는 그들은 안전하게 chơi하고 싶을 수 있으며 생성형 AI를 비즈니스에서 최저 영향 영역에만 사용하고 싶을 수 있습니다.

그들은 틀렸습니다. 생성형 AI에서 실험하고 빠르게 실패하는 것이 전혀 시작하지 않는 것보다 낫습니다. 리더가 되는 것은 기회를 활용하여 변형하고 다시 생각하는 것을 의미합니다. AI는 매우 빠르게 이동하고 발전합니다. 물결을 타지 않으면, 주의의 구실로 앉아 있으면, 완전히 놓치게 됩니다.

이 기술은 내일의 비즈니스 세계의 기초가 될 것입니다. 지금 뛰어드는 사람들은 미래가 어떤 모습일지 결정할 것입니다. 생성형 AI를 사용하여 점진적인 이익을 얻지 마십시오. 그것을 사용하여 도약하십시오. 그것이 승리자가 할 것입니다.

얼마나 나쁠 수 있나요?

생성형 AI 채택은 단순히 위험 관리 문제입니다. 이 기술을 다른 새로운 투자와 마찬가지로 다루십시오. 과도한 위험에 노출되지 않으면서 앞으로 나아가는 방법을 찾으십시오. 그냥 어떤 것을 하십시오. 그것이 작동하는지 여부는 곧 알 수 있을 것입니다. AI가 프로세스를 개선하거나 그렇지 않은 경우가 될 것입니다.それは 명백할 것입니다.

분석 마비에 빠지지 않도록 주의하십시오. 무엇을 성취하려고 하는지에 대해 너무 오래 생각하지 마십시오. 볼테르가 말했다. 완벽한 것이 좋은의 적이 되지 않도록 하십시오. 처음에 수용할 수 있는 결과의 범위를 생성하십시오. 그런 다음 그것을 자신에게 고수하고, 더 나은 방향으로 반복하고, 계속 앞으로 나아가십시오. 완벽한 기회, 완벽한 사용 사례, 실험할 완벽한 시간을 기다리는 것은 더 많은 해를 끼칠 것입니다. 기다리는 시간이 길어질수록 기회 비용이 더 커지게 됩니다.

얼마나 나쁠 수 있나요? 몇 가지 시험용 풍선을 선택하고, 그것을 시작하고, 무슨 일이 일어나는지 보십시오. 실패하더라도 조직은 더 나아질 것입니다.

실패는 실제로 성격과 탄력을 만들어냅니다.

조직이 생성형 AI 실험에 실패한다고 가정해 보십시오. 그래서 어떻습니까? 시도하고, 방향을 전환하고, 팀이 어떻게 어려움을 극복하는지 보는 데에는 엄청난 가치가 있습니다. 삶은 학습하고 하나하나의 장애물을 극복하는 것입니다. 팀과 도구를 실패의 지점까지 밀어붙이지 않으면, 조직의 한계를 어떻게 결정할 수 있습니까? 무엇이 가능한지 어떻게 알 수 있습니까?

올바른 사람들을 올바른 역할에 두고, 그리고 그들을 신뢰한다면, 잃을 것이 없습니다. 팀에 실제적인 도전과 영향을 미치는 목표를 주면, 전문가로서 성장하고, 일에서 더 많은 가치를 얻을 수 있습니다.

생성형 AI 실험에 실패하더라도, 다음 번에 시도할 때 더 잘 준비될 것입니다.

실험할 수 있는 경로를 식별하십시오.

시작하려면, 비즈니스에서 가장 큰 도전을 일으키는 영역을 식별하십시오: 일관된 병목 현상, 자발적인 오류, 잘못 관리된 기대, 발견되지 않은 기회. 데이터 분석과 어려운 문제를 해결하는 데 많은 시간이 걸리는 활동이나 워크플ロー는 생성형 AI 실험에 좋은 후보가 될 수 있습니다.

私の 업계인 공급망 관리에는 모든 곳에 기회가 있습니다. 예를 들어, 창고 관리는 생성형 AI를 시작하기 위한 훌륭한 출발점입니다. 창고 관리에는 수많은 이동 부분을 조율하는 것이 포함되며, 이는 종종 거의 실시간으로 수행됩니다. 제품을 처리, 저장 및 검색하기 위해 올바른 사람들을 올바른 시간에 올바른 위치에 두어야 하며, 냉장 식품의 경우와 같이 특별한 저장 요구 사항이 있을 수 있습니다.

이러한 모든 변수를 관리하는 것은 엄청난 업무입니다. 전통적으로 창고 관리자는 별과 시간을 맞추기 위해 노동과 상품 보고서를 검토하는 시간이 없습니다. 그것은 상당한 시간이 걸리고, 창고 관리자는 실시간 중단을 처리하는 것을 포함하여 다른 일을 해야 할 수도 있습니다.

그러나 생성형 AI 에이전트는 생성되는 모든 보고서를 검토하고 통찰력과 근본 원인에 따라 정보에 기반한 액션 플랜을 생성할 수 있습니다. 그들은 잠재적인 문제를 식별하고 효과적인 솔루션을 구축할 수 있습니다. 관리자가 절약하는 시간은 과장할 수 없습니다.

이것은 생성형 AI를 사용하여 최적화할 수 있는 비즈니스 영역의 주요 예입니다. 데이터 또는 정보를 처리한 후 결정하는 데 시간이 걸리는 워크플ロー, 특히 좋은 후보입니다.

그냥 사용 사례를 선택하고 시작하십시오.

그냥 뛰어들어라.

생성형 AI는 여기 있게 될 것입니다. 그리고 그것은 혁신의 속도로 이동하고 있습니다. 매일 새로운 사용 사례가 등장합니다. 매일, 기술은 더 좋아지고 더 강력해집니다. 이점은 명백합니다. 내부에서 변형된 조직, 데이터와 함께 최적의 효율성을 발휘하는 인간, 더 빠르고 더 현명한 비즈니스 결정; 계속할 수 있습니다.

소위 “완벽한 조건”이 발생하기를 기다리는 시간이 길어질수록, 당신과 당신의 비즈니스도 더 뒤처질 것입니다.

좋은 팀, 현실적인 비즈니스 전략, 실제적인 개선 기회가 있다면, 잃을 것이 없습니다.

무엇을 기다리고 있나요?