Het hoe en wanneer oplossen: bedrijfsstrategie integreren in de adoptie van AI

We hebben een omslagpunt bereikt met kunstmatige intelligentie (AI), waarbij discussies in de bestuurskamer zijn verschoven van het bespreken van de doeltreffendheid naar het versnellen van de adoptie. Het is een opwindende tijd, vooral omdat het tempo van de veranderingen nooit meer zo langzaam zal zijn. Volgens BCGOndanks de mondiale economische onzekerheid groeide innovatie in 2023 uit tot topprioriteit van het bedrijfsleven, waarbij 79% van de bedrijven dit tot hun top drie doelstellingen rekende.

Maar innovatie omwille van de innovatie is geen gezonde bedrijfsstrategie, en organisaties die verstrikt raken in de AI-heisa lopen het risico te investeren in een hype, in plaats van in oplossingen die waarde op de lange termijn creëren. Om dit verschil te begrijpen, is een zorgvuldige afweging nodig van de huidige mogelijkheden en het geduld om duurzame groei voorrang te geven boven kortetermijntrends.

De Goudlokjezone

De bedrijfsgeschiedenis is bezaaid met voorbeelden van bedrijven waarvan de strategische beslissingen op belangrijke momenten een gevolg zijn geweest van hun bestaan. Bijvoorbeeld, Amazon overleefde de dotcom-crisis door het belang in te zien van het aanpassen van de boekhoudstrategie en het vergroten van de reserves, terwijl andere bedrijven hun geld opbrandden alsof er geen morgen meer was. Het punt is dat goede zakelijke beslissingen belangrijker zijn dan ooit in tijden van massaal enthousiasme, en dat plannen voor morgen een scherp vermogen vereist om alle mogelijke scenario's te overdenken.

Over het geheel genomen is er een algemeen gevoel van AI FOMO (“angst om iets te missen”) dat de leiderschapsteams heeft doordrongen, verder gecompliceerd door de realiteit dat niets doen (dat wil zeggen bezwijken voor “verlamming door analyse”) ook een reële bedreiging is. (Gewoon vragen Kodak.) Hier zijn drie overwegingen voor bedrijven die op zoek zijn naar die ‘Goudlokje-zone’ van AI: niet te snel of te langzaam investeren, maar de goede plek van duurzame innovatie vinden.

1. Focus eerst op datagroei

Zoals bij elke machine is het belangrijk om de innerlijke werking ervan te begrijpen om te kunnen achterhalen waar de waarde vandaan komt. Dit betekent dat AI geen volledig ontwikkeld product is, maar dat de grote taalmodellen (LLM’s) ervan afhankelijk zijn van enorme hoeveelheden verschillende datapunten om patronen, context en taalkundige nuances te leren. De enorme omvang en complexiteit van LLM's vereisen uitgebreide trainingsgegevens om effectief te kunnen werken in verschillende domeinen en taken. De kwaliteit en kwantiteit van deze gegevens zullen een grote invloed hebben op de prestaties van LLM’s, en bij uitbreiding op de AI-tools van een bedrijf.

Het creëren van robuustere data-ecosystemen is daarom een ​​verstandige eerste investering voor elk bedrijf dat een AI-transformatie plant, en deze data zullen als basis dienen voor LLM's terwijl ze groeien en evolueren. Het is in deze evolutie dat data van hoge kwaliteit nog belangrijker wordt. Hoewel uit onderzoek is gebleken dat LLM’s competent kunnen zijn met minimale gegevens, zeggen experts nu dat “de impact van datakwaliteit en diversiteit op zowel de afstemming als andere mogelijkheden van LLM-training (vooropleiding, verfijning, bestuurbaarheid, enz.) absoluut enorm is.”

2. Identificeer een zakelijk gebruiksscenario

Hoewel AI zeker de capaciteit heeft voor brede externe toepassingen, zijn de meeste bedrijven meer gericht op het gebruik van de technologie om hun interne processen te optimaliseren. ‘Optimaliseren’ is hier het sleutelwoord, wat betekent dat bedrijven niet mogen verwachten dat ze alleen maar plug-and-play AI-software zullen gebruiken om de output op magische wijze te verbeteren. Enkele van de meest succesvolle AI-gebruiksscenario's omvatten eerder het analyseren van gegevens om waardevolle inzichten in klantgedrag, markttrends en potentiële risico's aan het licht te brengen. Het is ook effectief gebleken bij het stroomlijnen van interne activiteiten, waaronder zaken als het automatiseren van handmatige taken om de tijd van werknemers toe te wijzen aan activiteiten op een hoger niveau.

Kortom, in plaats van tijd te verspillen aan het uitzoeken welke AI-modellen ze moeten gebruiken, moeten organisaties zich concentreren op specifieke problemen waarvoor ze hun AI nodig hebben. (Dat wil zeggen: begin met de naald die u wilt verplaatsen, stel de KPI in die u wilt beïnvloeden en werk vervolgens achteruit in de richting van welke AI-tools deze doelstellingen zullen bereiken.) Volgens MIT's Global Executive AI-onderzoek90% van degenen die AI gebruiken om nieuwe KPI’s te creëren, zegt dat ze hun KPI’s zien verbeteren. “Deze AI-geïnformeerde KPI’s bieden zakelijke voordelen en demonstreren nieuwe mogelijkheden: ze leiden vaak tot meer efficiëntie en grotere financiële voordelen en zijn gedetailleerder, tijdgevoeliger en afgestemd op de doelstellingen van de organisatie.”

3. Bouw op maat gemaakte AI-tools met behulp van open source LLM's

Bouwen of kopen – dat is de vraag. Het bouwen van een op maat gemaakte AI-oplossing kan ontmoedigend lijken, en veel bedrijven kiezen ervoor om een ​​licentie aan te schaffen bij een externe leverancier met een eigen LLM om te voorkomen dat ze die weg inslaan. De licentie kan echter beperken hoe de LLM kan worden gebruikt, en licentiekosten kunnen in de loop van de tijd erg duur worden. Als alternatief zijn open-source LLM's gratis en is de onderliggende architectuur beschikbaar voor ontwikkelaars om deze te openen, te bouwen en aan te passen op basis van de specifieke bedrijfsbehoeften.

Dit open-source model-ecosysteem is aan populariteit gewonnen nu bedrijven proberen gevoelige informatie op hun netwerk te houden en meer controle over hun gegevens te behouden. Open-source LLM's bieden bedrijven deze transparantie en flexibiliteit, samen met de extra voordelen van verminderde latentieproblemen en betere prestaties. IBM en NASA werkten onlangs samen om een open-source LLM getraind op georuimtelijke gegevens om wetenschappers te helpen de klimaatverandering te bestrijden, onderdeel van NASA's tien jaar durende Open-Source Science initiatief om een ​​meer toegankelijke, inclusieve en samenwerkende wetenschappelijke gemeenschap op te bouwen.

Zoals bij elke open-sourcetechnologie zijn er risico's verbonden aan open-source LLM's, waaronder potentiële beveiligingslekken/-inbreuken, hallucinaties/vooroordelen op basis van onnauwkeurige of gebrekkige informatie, en slechte actoren die opzettelijk gegevens manipuleren. Maar open-sourcemodellen worden in de loop van de tijd slimmer en veiliger enkele experts om het gevoel te hebben dat open-source LLM's binnenkort het niveau zullen bereiken van de beste closed-source LLM's, wat de investering in vroege adoptie en de tijd die wordt besteed aan het bijscholen van teams rechtvaardigt.

AI-adoptie zal meerdere snelle sprints in een marathon zijn

Gebaseerd op recente cijferszijn er ongeveer 15,000 AI-bedrijven in de Verenigde Staten, meer dan het dubbele van het aantal in 2017. Wereldwijd zijn deze aantallen bijna verviervoudigd. Met zoveel leveranciers en nieuwe startups die hun diensten promoten, is het geen wonder dat bedrijven moeite hebben om te beslissen waar ze hun tijd en geld in willen investeren. Maar door zorgvuldig uw behoeften en de risico’s/beloningen van innovatie te beoordelen, zullen leiders de juiste mix van AI vinden om hun bedrijven naar een toekomst van duurzame groei te stuwen.