Løsning av hvordan og når: Innføring av forretningsstrategi i AI-tilpasning

Vi har nådd et vendepunkt med kunstig intelligens (AI) der diskusjonene i styret har skiftet fra å debattere effikasitet til å accelerere tilpasning. Dette er en spennende tid, særlig når man tar hensyn til at tempoet i endringene 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 som rangerte det blant sine tre øverste mål.

Men innovasjon for innovasjons skyld er ikke en sun forretningsstrategi, og organisasjoner som blir fanget opp i AI-hysteriet risikerer å investere i hype, i stedet for løsninger som skaper langvarig verdi. Å forstå forskjellen krever nøye overveielse av nåværende evner og tålmodighet til å prioritere bærekraftig vekst over kortvarige trender.

Gulliloks-sonen

Forretningshistorien er full av eksempler på bedrifter hvis strategiske beslutninger på nøkkeløyeblikk har vært avgjørende 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 kontanter som om det ikke var noen morgen. Poenget er at solide forretningsbeslutninger er mer kritiske enn noen gang under tider med masse-entusiasme, og planlegging for i morgen krever en skarp evne til å tenke gjennom alle mulige scenarier.

Totalt sett er 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 gi etter for “lammelse ved analyse”) også er en reell trussel. (Spør Kodak.) Her er 3 overveielser for bedrifter som søker etter den “Gulliloks-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 noen maskiner, er det viktig å forstå deres indre funksjoner for å kunne utlede hvor verdien kommer fra. Det betyr at AI ikke er et fullt utviklet produkt, men at dets store språkmodeller (LLM) avhenger av enorme mengder diverse datapunkter for å lære mønster, kontekst og lingvistiske nyanser. Den enorme størrelsen og kompleksiteten til LLM krever omfattende treningsdata for å fungere effektivt over forskjellige domener og oppgaver. Kvaliteten og mengden av disse dataene vil ha en stor innvirkning på ytelsen til LLM, og ved utvidelse, et selskaps samling av AI-verktøy.

Å skape mer robuste data-økosystemer er derfor en vis investering for noen selskap som planlegger en AI-transformasjon, og disse dataene vil tjene som grunnlaget for LLM når de vokser og utvikler seg. Det er i denne utviklingen hvor høykvalitetsdata blir enda mer kritisk. Mens studier har funnet at LLM kan være kompetente med minimalt data, sier nå eksperter at “påvirkningen av datakvalitet og diversitet på både LLM-trening og andre områder er absolutt massiv”.

2. Identifiser en forretningsanvendelse

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

Kort sagt, i stedet for å sløse tid på å finne ut hvilke AI-modeller å bruke, trenger organisasjonene å fokusere på spesifikke problemer de trenger sin AI å løse. (dvs. start med nålen du ønsker å flytte, sett opp KPI som du ønsker å 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 opprette nye KPI at de ser sine KPI forbedre. “Disse AI-informerte KPI gir forretningsfordeler og demonstrerer nye evner: de fører ofte til mer effisiens og større finansiell fordel og er mer detaljerte, tidssensitive og tilpasset organisatoriske mål.”

3. Bygg skreddersydde AI-verktøy med åpne kilde-LLM

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. Men lisensen kan begrense hvordan LLM kan brukes, og lisensgebyrene kan bli svært dyre over tid. Som alternativ er åpne kilde-LLM gratis, og den underliggende arkitekturen er tilgjengelig for utviklere å aksessere, bygge og modifisere basert på selskapets spesifikke behov.

Dette åpne kilde-modell-økosystemet har økt i popularitet ettersom bedrifter forsøker å holde følsom informasjon på nettverket og beholde mer kontroll over sine data. Åpne kilde-LLM gir bedrifter denne transparensen og fleksibiliteten, samt de tilleggede fordelene med reduserte latency-problemer og økt ytelse. IBM og NASA samarbeidet nylig om å utvikle en åpen kilde-LLM trent på geospasiale data for å hjelpe forskere å bekjempe klimaendringer, en del av NASAs tiårige åpne vitenskapelige initiativ for å bygge en mer tilgjengelig, inkluderende og samarbeidende vitenskapelig samfunn.

AI-tilpasning vil være flere korte sprint i et maraton

Basert på nye tall, er det rundt 15 000 AI-selskaper i USA, mer enn dobbelt så mange som i 2017. Verden over øker disse tallene nærmere fire ganger. Med så mange leverandører og nye startups som fremmer sine tjenester, er det ingen wonder at bedrifter kan struggle med å bestemme hvor de skal investere sin tid og penger. Men ved å nøye vurdere deres behov og risiko/avkastning presentert av innovasjon, vil ledere finne den riktige blandingen av AI for å drive sine bedrifter inn i en fremtid med bærekraftig vekst.