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

We hebben een keerpunt bereikt met kunstmatige intelligentie (AI) waarin de discussies in de boardroom zijn verschoven van het debatteren over de effectiviteit naar het versnellen van de adoptie. Het is een spannende tijd, vooral gezien het tempo van verandering nooit zo langzaam zal zijn als nu. Volgens BCG, ondanks de globale economische onzekerheid, steeg innovatie als een van de belangrijkste doelstellingen van bedrijven in 2023, met 79% van de bedrijven die het als een van hun top drie doelen rangschikten.

Innovatie omwille van innovatie is echter geen solide bedrijfsstrategie, en organisaties die zich laten meeslepen in de AI-hype riskeren te investeren in hype in plaats van oplossingen die langetermijnwaarde creëren. Het begrijpen van het verschil vereist een zorgvuldige evaluatie van de huidige capaciteiten en de patiëntie om duurzame groei te prioriteren boven korte-termijntrends.

De Goudlokjeszone

De bedrijfsgeschiedenis is bezaaid met voorbeelden van bedrijven waarvan de strategische beslissingen op cruciale momenten consequenties hebben gehad voor hun bestaan. Zo overleefde Amazon de dot-com-bubbel door te erkennen dat het aanpassen van de boekhoudkundige strategie en het verhogen van de reserves belangrijk was, terwijl andere bedrijven geld als water verbrandden. Het punt is dat solide bedrijfsbeslissingen nu meer dan ooit essentieel zijn in tijden van massale enthousiasme, en plannen voor morgen vereisen een scherpe vermogen om alle mogelijke scenario’s te doorgronden.

Over het algemeen heerst er een gevoel van AI-FOMO (“angst om iets te missen”) dat leidinggevende teams heeft doordrongen, nog verergerd door de realiteit dat niets doen (d.w.z. toegeven aan “paralyse door analyse”) ook een echte bedreiging vormt. (Vraag het maar aan Kodak.) Hier zijn drie overwegingen voor bedrijven die op zoek zijn naar die “Goudlokjeszone” van AI – niet te snel of te langzaam investeren, maar de zoete plek van duurzame innovatie vinden.

1. Focus op datagroei eerst

Net als bij elke machine is het belangrijk om de interne werking te begrijpen om te begrijpen waar de waarde vandaan komt. Met andere woorden, AI is geen volledig gevormd product, maar de grote taalmodellen (LLM’s) zijn afhankelijk van een enorme hoeveelheid diverse datapunten om patronen, context en linguïstische nuances te leren. De grote omvang en complexiteit van LLM’s vereisen uitgebreide trainingsdata om effectief te functioneren in verschillende domeinen en taken. De kwaliteit en kwantiteit van deze data zullen de prestaties van LLM’s aanzienlijk beïnvloeden en, bij uitbreiding, de suite van AI-hulpmiddelen van een bedrijf.

Het creëren van robuustere dataecosystemen is daarom een verstandige eerste investering voor elk bedrijf dat een AI-transformatie plant, en deze data zal dienen als de basis voor LLM’s naarmate ze groeien en evolueren. Het is in deze evolutie waar hoge kwaliteit data nog kritischer wordt. Terwijl studies hebben aangetoond dat LLM’s competent kunnen zijn met minimale data, zeggen deskundigen nu dat “de impact van datakwaliteit en -diversiteit op zowel afstemming als andere aspecten van LLM-training (pre-training, fine-tuning, stuurbaarheid, enz.) absoluut enorm is.”

2. Identificeer een bedrijfsgeval

Hoewel AI zeker de capaciteit heeft voor brede externe toepassingen, zijn de meeste bedrijven meer gefocust op het gebruik van de technologie om hun interne processen te optimaliseren. “Optimaliseren” is hier het sleutelwoord, wat betekent dat bedrijven niet moeten verwachten dat ze AI-software kunnen aansluiten en plotseling betere resultaten behalen. In plaats daarvan zijn enkele van de meest succesvolle AI-gevallen het analyseren van data om waardevolle inzichten te verkrijgen in klantgedrag, markttrends en potentiële risico’s. Het is ook bewezen effectief gebleken bij het stroomlijnen van interne activiteiten, waaronder dingen als het automatiseren van handmatige taken om de tijd van werknemers toe te wijzen aan hogere activiteiten.

Kortom, in plaats van tijd te verspillen aan het proberen te achterhalen welke AI-modellen te gebruiken, moeten organisaties zich richten op specifieke problemen die ze met hun AI willen oplossen. (d.w.z. begin met de naald die je wilt verplaatsen, stel de KPI op die je wilt beïnvloeden en werk dan terug naar welke AI-hulpmiddelen die doelen zullen bereiken.) Volgens MIT’s Global Executive AI Survey zeggen 90% van degenen die AI gebruiken om nieuwe KPI’s te creëren dat ze hun KPI’s zien verbeteren. “Deze AI-geïnformeerde KPI’s bieden bedrijfsvoordelen en demonstreren nieuwe capaciteiten: ze leiden vaak tot meer efficiëntie en groter financieel voordeel en zijn meer gedetailleerd, tijdsgevoelig en afgestemd op de doelstellingen van de organisatie.”

3. Bouw maatwerk AI-hulpmiddelen met open-source LLM’s

Om te bouwen of te kopen – dat is de vraag. Het bouwen van een aangepaste AI-oplossing kan ontmoedigend lijken, en veel bedrijven kiezen ervoor om een licentie te kopen van een externe leverancier met een propriëtaire LLM om die weg te vermijden. Echter, de licentie kan beperkingen opleggen aan hoe de LLM kan worden gebruikt, en licentiekosten kunnen over tijd erg duur worden. Als alternatief zijn open-source LLM’s gratis en is de onderliggende architectuur beschikbaar voor ontwikkelaars om toegang te krijgen, te bouwen en te modificeren op basis van de specifieke bedrijfsbehoeften.

Dit open-source model-ecosysteem is in populariteit toegenomen omdat bedrijven proberen om gevoelige informatie op hun netwerk te houden en meer controle over hun data te behouden. Open-source LLM’s geven bedrijven deze transparantie en flexibiliteit, samen met de extra voordelen van minder latentieproblemen en verbeterde prestaties. IBM en NASA werkten onlangs samen om een open-source LLM getraind op geospatiale data te ontwikkelen om wetenschappers te helpen bij het bestrijden van klimaatverandering, onderdeel van NASA’s tienjarige Open-Source Science Initiatief om een meer toegankelijke, inclusieve en samenwerkende wetenschappelijke gemeenschap op te bouwen.

Zoals bij elke open-source technologie zijn er risico’s verbonden aan open-source LLM’s, waaronder mogelijke beveiligingslekken/inbreuken, hallucinaties/vooringenomenheid op basis van onnauwkeurige of gebrekkige informatie en slechte actoren die data opzettelijk manipuleren. Maar open-source modellen worden slimmer en veiliger met de tijd, waardoor sommmige experts menen dat open-source LLM’s binnenkort het niveau van de beste closed-source LLM’s zullen bereiken, waardoor de investering in vroege adoptie en de tijd die wordt besteed aan het omscholen van teams wordt gerechtvaardigd.

AI-adoptie zal meerdere korte sprinten in een marathon zijn

Op basis van recente cijfers zijn er ongeveer 15.000 AI-bedrijven in de Verenigde Staten, meer dan het dubbele aantal in 2017. Wereldwijd nemen deze aantallen bijna viermaal toe. Met zo veel leveranciers en hot new startups die hun diensten aanbieden, is het geen wonder dat bedrijven moeite hebben om te beslissen waar ze hun tijd en geld in willen investeren. Maar door zorgvuldig hun behoeften en de risico’s/rewards die door innovatie worden aangeboden te evalueren, zullen leiders de juiste mix van AI vinden om hun bedrijven naar een toekomst van duurzame groei te brengen.