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

We hebben een keerpunt bereikt met kunstmatige intelligentie (AI) waarbij 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 als we bedenken dat het tempo van verandering nooit zo langzaam zal zijn als nu. Volgens BCG, ondanks de mondiale economische onzekerheid, steeg innovatie als een van de belangrijkste bedrijfsprioriteiten in 2023, met 79% van de bedrijven die het als een van hun top drie doelen rangschikten.

Maar innovatie omwille van innovatie is geen solide bedrijfsstrategie, en organisaties die meegesleept worden in de AI-hype riskeren te investeren in hype, in plaats van oplossingen die langetermijnwaarde creëren. Het begrijpen van het verschil vereist zorgvuldige overweging van de huidige capaciteiten en de geduld om duurzame groei te prioriteren boven korte-termijntrends.

De Goudlokzone

De bedrijfsgeschiedenis is bezaaid met voorbeelden van bedrijven waarvan de strategische beslissingen op cruciale momenten gevolgen hebben gehad voor hun bestaan. Bijvoorbeeld, Amazon overleefde de dot-com-bubbel door te erkennen hoe belangrijk het was om zijn boekhoudstrategie aan te passen en reserves te verhogen, terwijl andere bedrijven door geld heen gingen alsof er geen morgen was. Het punt is, solide bedrijfsbeslissingen zijn nu meer kritiek dan ooit tijdens tijden van massale enthousiasme, en plannen voor morgen vereisen een scherpe capaciteit om alle mogelijke scenario’s te doorlopen.

Over het algemeen is er een algemeen 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 echt gevaar is. (Vraag het maar aan Kodak.) Hier zijn 3 overwegingen voor bedrijven die op zoek zijn naar die “Goudlokzone” van AI – niet te snel of te langzaam investeren, maar de zoete plek van duurzame innovatie vinden.

1. Focus op gegevensgroei 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 zijn grote taalmodellen (LLM’s) vertrouwen op een enorme hoeveelheid diverse gegevenspunten om patronen, context en linguïstische nuances te leren. De grote omvang en complexiteit van LLM’s vereisen uitgebreide trainingsgegevens om effectief te functioneren in verschillende domeinen en taken. De kwaliteit en kwantiteit van deze gegevens zullen de prestaties van LLM’s en bij uitbreiding een bedrijfsuite van AI-hulpmiddelen aanzienlijk beïnvloeden.

Het creëren van meer robuuste gegevensecosystemen is daarom een verstandige eerste investering voor elk bedrijf dat een AI-transformatie plant, en deze gegevens zullen dienen als de basis voor LLM’s terwijl ze groeien en evolueren. Het is in deze evolutie waar hoge kwaliteit gegevens nog kritieker worden. Terwijl studies hebben aangetoond dat LLM’s competent kunnen zijn met minimale gegevens, zeggen experts nu dat “de impact van gegevenskwaliteit en diversiteit op zowel afstemming als andere wegen 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 het sleutelwoord hier, wat betekent dat bedrijven niet moeten verwachten om AI-software te gebruiken om hun output te verbeteren. In plaats daarvan zijn enkele van de meest succesvolle AI-gevallen het analyseren van gegevens om waardevolle inzichten te onthullen over 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 focussen op specifieke problemen die ze nodig hebben om hun AI op te lossen. (d.w.z. begin met de naald die je wilt bewegen, 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, zegt 90% van degenen die AI gebruiken om nieuwe KPI’s te maken 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, tijdgevoelig en afgestemd op de organisatiedoelstellingen.”

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 deze weg te vermijden. Echter, de licentie kan beperken hoe de LLM kan worden gebruikt, en licentiekosten kunnen erg duur worden in de loop van de tijd. 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 heeft aan populariteit gewonnen omdat bedrijven proberen om gevoelige informatie op hun netwerk te houden en meer controle over hun gegevens te behouden. Open-source LLM’s geven bedrijven deze transparantie en flexibiliteit, samen met de extra voordelen van vermindering van latentieproblemen en verbeterde prestaties. IBM en NASA werkten onlangs samen om een open-source LLM getraind op geospatiale gegevens te ontwikkelen om wetenschappers te helpen de strijd tegen klimaatverandering, onderdeel van NASA’s decennialange Open-Source Science Initiatief om een meer toegankelijke, inclusieve en samenwerkende wetenschappelijke gemeenschap op te bouwen.

Net als bij elke open-source technologie zijn er risico’s verbonden aan open-source LLM’s, waaronder potentiële beveiligingslekken/schendingen, hallucinaties/vooringenomenheid op basis van onnauwkeurige of gebrekkige informatie, en slechte actoren die gegevens opzettelijk manipuleren. Maar open-source modellen worden slimmer en veiliger in de loop van de tijd, waardoor sommige experts voelen dat open-source LLM’s binnenkort het niveau van de beste gesloten 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 zijn in een marathon

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