Å løse hvordan og når: Infusjon av forretningsstrategi i AI-adoptsjon

Vi har nådd et vendepunkt med kunstig intelligens (AI) hvor diskusjonene i styret har skiftet fra å debattere effektivitet til å akselerere adopsjon. Dette er en spennende tid, særlig når man tar hensyn til at tempoet av endring aldri vil være så langsomt igjen. Ifølge BCG, til tross for global økonomisk usikkerhet, økte innovasjon som en topprioritet for bedrifter i 2023, med 79% av bedriftene rangerte det blant sine topp tre mål.

Innovasjon for innovasjons skyld er imidlertid ikke en lykkesstrategi, og organisasjoner som blir fanget opp i AI-hysteriet risikerer å investere i hype istedenfor løsninger som skaper langvarig verdi. Å forstå forskjellen krever en nøye vurdering av nåværende evner og tålmodighet til å prioritere bærekraftig vekst over kortsiktige trender.

The Goldilocks Zone

Forretningshistorien er full av eksempler på bedrifter hvis strategiske beslutninger på nøkkeløyeblikk har vært konsekvenseriktige for deres eksistens. For eksempel overlevde Amazon dot-com-boblen ved å erkjenne viktigheten av å justere sin regnskapsstrategi og øke reservene mens andre bedrifter brente gjennom penger som om det ikke var noen morgen. Poenget er at lykkesrike forretningsbeslutninger er mer kritiske enn noen gang under tider av massentusiame, og planlegging for i morgen krever en skarp evne til å tenke gjennom alle mulige scenarier.

Overhodet, finnes det en generell følelse av AI-FOMO (“frykt for å gå glipp av”) som har penetrert ledelseslag, ytterligere komplisert av virkeligheten at å ikke gjøre noe (dvs. å underkaste seg “lammelse ved analyse”) også er en reell trussel. (Spør Kodak.) Her er 3 overveielser for bedrifter som søker etter den “Goldilocks-sonen” for AI – ikke å investere for raskt eller for langsomt, men å finne det søte punktet for bærekraftig innovasjon.

1. Fokus på datavekst først

Liksom alle maskiner, er det viktig å forstå deres indre virkemåte for å kunne utlede hvor verdien kommer fra. Det betyr at AI ikke er et fullt utviklet produkt, men at store språkmodeller (LLM) avhenger av store mengder diverse datapunkter for å lære mønster, kontekst og språklig nyanser. Den store størrelsen og kompleksiteten til LLM krever omfattende treningdata for å fungere effektivt over ulike domener og oppgaver. Kvaliteten og mengden av disse dataene vil ha en stor innvirkning på ytelsen til LLM, og dermed en bedrifts samling av AI-verktøy.

Å skape mer robuste dataøkosystemer er derfor en vis investering for enhver bedrift som planlegger en AI-transformasjon, og disse dataene vil tjene som grunnlaget for LLM som vokser og utvikles. Det er i denne utviklingen at høykvalitetsdata blir enda mer kritisk. Mens studier har funnet at LLM kan være kompetente med minimalt data, sier ekspertene nå at “effekten av datakvalitet og diversitet på både alignering og andre av LLM-trening (pre-trening, fin-trening, styrbare, osv.) er absolutt massiv”.

2. Identifiser en forretningsanvendelse

Mens AI uten tvil har kapasitet for bred ekstern anvendelse, fokuserer de fleste bedrifter på å bruke teknologien til å optimalisere sine interne prosesser. “Optimalisere” er nøkkelordet her, det betyr at bedrifter ikke bør forvente å bare plugge og spille AI-programvare for å forbedre output. Snarere, noen av de mest suksessfulle AI-anvendelsene involverer å analysere data for å avsløre verdifulle innsikter i kundeatferd, markedstrender og potensielle risikoer. Det har også vært bevist å være effektivt i å strømlinje interne aktiviteter, inkludert ting som å automatisere manuelle oppgaver for å tildele ansattes tid til høyere aktiviteter.

Kort sagt, istedenfor å sløse tid på å finne ut hvilke AI-modeller å bruke, må bedrifter fokusere på spesifikke problemer de trenger sin AI å løse. (dvs. start med nålen du vil flytte, sette opp KPI du vil påvirke, og deretter jobbe bakover mot hva AI-verktøyene vil oppnå disse målene.) Ifølge MITs globale AI-undersøkelse, sier 90% av de som bruker AI til å skape nye KPI at de ser sine KPI forbedre. “Disse AI-informerte KPI gir forretningsfordeler og demonstrerer nye evner: de ofte fører til mer effisiens og større finansiell fordel og er mer detaljerte, tidsensitive og tilpasset organisatoriske mål.”

3. Bygg skreddersydd AI-verktøy med åpne kildekodemodeller

Å bygge eller å kjøpe – det er spørsmålet. Å bygge en tilpasset AI-løsning kan synes skremmende, og mange bedrifter velger å kjøpe en lisens fra en ekstern leverandør med en proprietær LLM for å unngå å gå ned denne veien. Imidlertid kan lisensen begrense hvordan LLM kan brukes, og lisensavgiftene kan bli svært dyre over tid. Alternativt er åpne kildekodemodeller gratis, og den underliggende arkitekturen er tilgjengelig for utviklere til å aksessere, bygge og modifisere basert på selskapets spesifikke behov.

Dette åpne kildekodemodell-økosystemet har økt i popularitet mens bedrifter forsøker å holde sensitive informasjoner på sine nettverk og beholde mer kontroll over sine data. Åpne kildekodemodeller gir bedrifter denne transparensen og fleksibiliteten, sammen med de tilleggsfordelene med redusert latency-problemer og økt ytelse. IBM og NASA samarbeidet nylig om å utvikle en åpen kildekodemodell trent på geospasiale data for å hjelpe forskerne å bekjempe klimaendringer, en del av NASAs tiårige åpne vitenskapelige initiativ for å bygge en mer tilgjengelig, inkluderende og samarbeidende vitenskapelig samfunn.

Som med alle åpne kildekodeteknologier, finnes det risikoer forbundet med åpne kildekodemodeller, inkludert potensielle sikkerhetslekkasjer/brott, hallusinasjoner/forvrengning basert på ufullstendig eller feilaktig informasjon, og dårlige aktører som bevisst manipulerer data. Men åpne modeller blir smartere og mer sikre over tid, noe som får noen eksperter til å føle at åpne kildekodemodeller snart vil nå nivået til de beste lukkede kildekodemodellene, og rettferdiggjør investeringen i tidlig adopsjon og tid brukt på å oppgradere team.

AI-adoptsjon vil være flere korte sprinter i et maraton

Basert på nye tall, finnes det rundt 15 000 AI-selskaper i USA, mer enn dobbelt så mange som i 2017. Verden over øker disse tallene nesten fire ganger. Med så mange leverandører og nye startups som fremmer sine tjenester, er det ingen tvil om at bedrifter kan slite med å bestemme hvor de skal investere sin tid og penger. Men ved å nøye vurderingen av sine behov og risiko/belønningene presentert av innovasjon, vil ledere finne riktig blanding av AI for å skyve sine bedrifter inn i en fremtid med bærekraftig vekst.