Generatieve AI heeft ons naar het AI-kantelpunt geduwd

Voordat kunstmatige intelligentie (AI) in mainstream-populariteit werd gelanceerd vanwege de toegankelijkheid van Generatieve AI (GenAI), waren data-integratie en -staging gerelateerd aan Machine Learning een van de trendy zakenprioriteiten. In het verleden creëerden bedrijven en consultants eenmalige AI/ML-projecten voor specifieke use cases, maar het vertrouwen in de resultaten was beperkt en deze projecten werden bijna uitsluitend onder IT-teams gehouden. Deze vroege AI-use cases vereisten gewijdde data scientist-teams, te veel tijd en moeite om resultaten te produceren, ontbeerden transparantie en de meerderheid van de projecten was onsuccesvol.

Van daaruit, toen ontwikkelaars meer comfortabel en vertrouwd raakten met de technologie, werden AI en Machine Learning (ML) vaker gebruikt, opnieuw, meestal door IT-teams vanwege de complexe aard van het bouwen van modellen, het schoonmaken en invoeren van gegevens en het testen van resultaten. Vandaag, met GenAI die onvermijdelijk is in professionele en persoonlijke omgevingen over de hele wereld, is AI-technologie toegankelijk geworden voor de massa. We zijn nu op het AI-kantelpunt, maar hoe zijn we hier gekomen en waarom duwde GenAI ons naar bredere adoptie?

De waarheid over AI

Met “OpenAI” en “ChatGPT” die huishoudnamen worden, zijn gesprekken over GenAI overal en vaak onvermijdelijk. Van zakelijke toepassingen zoals chatbots, data-analyse en samenvattingen van rapporten tot persoonlijke toepassingen zoals reisplanning en contentcreatie, wordt GenAI snel de meest besproken technologie ter wereld en de snelle ontwikkeling verloopt sneller dan die van andere technologische innovaties.

Terwijl de meeste mensen weten wat AI is, en sommigen weten hoe het werkt en kan worden geïmplementeerd, spelen openbare en particuliere organisaties nog steeds catch-up als het gaat om het ontgrendelen van de volledige voordelen van de technologie. Volgens gegevens van Alphasense, prezen 40% van de winstcalls de voordelen en opwinding van AI, maar slechts 1 op 6 (16%) S&P 500-bedrijven noemde AI in kwartaalrapporten. Dit roept de vraag op: wat zijn de financiële gevolgen van AI en hoeveel bedrijven zijn echt geïnvesteerd in de adoptie ervan?

In plaats van op de AI-bandwagon te springen alleen omdat het trendy is, moeten ondernemingen nadenken over de waarde die AI intern en voor hun klanten zal brengen en welke problemen het kan oplossen voor gebruikers. AI-projecten zijn over het algemeen duur, en als een bedrijf in AI investeert zonder de use cases en ROI goed te evalueren, kan het een verspilling van tijd en middelen zijn. Klantprivévoorbeelden bieden een gecontroleerde manier om product-marktfit te bevestigen en de bijbehorende ROI van specifieke use cases te valideren om de waardepropositie van een AI-oplossing te valideren voordat deze op de markt wordt gebracht.

Wat leveranciers moeten weten voordat ze in AI investeren

Om in AI te investeren, of niet? Dit is een belangrijke vraag voor SaaS-leveranciers om te overwegen voordat ze volledig inzetten op het ontwikkelen van AI-oplossingen. Bij het afwegen van uw opties, houd rekening met waarde, snelheid, vertrouwen en schaal.

Verbind waarde met snelheid. Het is onwaarschijnlijk dat uw klanten alleen maar onder de indruk zullen zijn van de enkele vermelding van een AI-oplossing; in plaats daarvan zullen ze meetbare waarde willen. SaaS-productteams moeten beginnen met het vragen of er een echte zakelijke behoefte of probleem is dat ze voor hun klanten willen aanpakken, en of AI de juiste oplossing is. Probeer geen vierkante peg (AI) in een ronde hole (uw technologieaanbod) te passen. Zonder te weten hoe AI waarde toevoegt aan eindgebruikers, is er geen garantie dat iemand voor die mogelijkheden zal betalen.

Vertrouwen opbouwen, dan schalen. Het vergt veel vertrouwen om systemen te veranderen. Leveranciers moeten prioriteit geven aan het opbouwen van vertrouwen in hun AI-oplossingen voordat ze deze schalen. Transparantie en zichtbaarheid in de datamodellen en resultaten kunnen wrijving oplossen. Laat gebruikers op de modelbron klikken zodat ze zien hoe de inzichten van de oplossing worden afgeleid. De meeste betrouwbare leveranciers kunnen ook beste praktijken voor AI-adoptie delen om mogelijke pijnlijke punten te verlichten.

Veelvoorkomende obstakels voor tech-leveranciers: AI-editie

Voor organisaties die klaar zijn om de AI-reis te beginnen, zijn er een paar valkuilen om te vermijden om een optimale impact te garanderen. Vermijd groupthink en volg de menigte niet zonder te weten waar je naartoe gaat. Heb een duidelijke strategie voor AI-adoptie zodat je je einddoelen kunt reflecteren en bevestigen dat de strategie overeenkomt met de missie en klantwaarden van je organisatie.

Het brengen van een AI-product naar de markt is geen eenvoudige taak en de mislukkingen overtreffen de successen. De beveiligings-, economische en talentrisico’s zijn talrijk.

Alleen al bij beveiligingszorgen, bevatten AI-modellen vaak gevoelige materialen en gegevens, die SaaS-organisaties moeten kunnen beheren. Dingen om te overwegen zijn:

• Omgaan met gevoelige materialen: het delen van gevoelige materialen met algemene doelmodellen (LLM’s) creëert het risico dat het model onbewust gevoelige materialen lekt naar andere gebruikers. Bedrijven moeten beste praktijken voor gebruikers – zowel intern als extern – vaststellen om gevoelige materialen te beschermen.
• Gegevens opslaan en gevolgen voor de privacy: naast de zorgen over delen, kan het opslaan van gevoelige materialen binnen AI-systemen de gegevens blootstellen aan potentiële inbreuken of ongeoorloofde toegang. Gebruikers moeten gegevens in beveiligde locaties opslaan met beveiligingsmaatregelen om gegevensinbreuken te beschermen.
• Onnauwkeurige informatie mitigeren: AI-modellen verzamelen en synthetiseren grote hoeveelheden gegevens en onnauwkeurige informatie kan gemakkelijk worden verspreid. Monitoring, toezicht en menselijke validatie zijn noodzakelijk om ervoor te zorgen dat correcte en nauwkeurige informatie wordt gedeeld. Critisch denken en analyse zijn van cruciaal belang om misinformatie te voorkomen.

Naast de beveiligingsimplicaties, vereisen AI-programma’s aanzienlijke middelen en budget. Overweeg de hoeveelheid energie en infrastructuur die nodig is voor efficiënte en effectieve AI-ontwikkeling. Dit is waarom het cruciaal is om een duidelijke waardepropositie voor klanten te hebben, anders is de tijd en middelen die in productontwikkeling worden gestoken, verspild. Begrijp of uw organisatie de basis heeft om met AI te beginnen en zo niet, identificeer het budget dat nodig is om bij te blijven.

Ten slotte mogen de talent- en vaardigheidsrisico’s niet worden genegeerd. Algemene AI-ontwikkeling omvat een gewijd groep van data scientists, ontwikkelaars en data-engineers, evenals functionele businessanalisten en productmanagement. Echter, bij het werken met GenAI, hebben organisaties additionele beveiligings- en compliance-toezicht nodig vanwege de beveiligingsrisico’s die eerder zijn genoemd. Als AI geen langetermijndoelstelling is, zijn de kosten voor het werven en omscholen van talent waarschijnlijk onnodig hoog en zullen ze niet resulteren in een goede ROI.

Conclusie

AI is hier om te blijven. Maar, als je niet strategisch nadenkt voordat je je bij de beweging aansluit en AI-projecten financiering, kan het potentieel meer kwaad dan goed doen voor je organisatie. Deze nieuwe AI-tijdperk is net begonnen, en veel van de risico’s zijn nog onbekend. Als je AI-ontwikkeling voor je organisatie evalueert, krijg dan een duidelijk beeld van de waarde van AI voor je interne en externe klanten, bouw vertrouwen in AI-modellen op en begrijp de risico’s.