Utviklingen av generativ AI i 2025: Fra nysgjerrighet til nødvendighet

Året 2025 markerer et vendepunkt i reisen til Generative AI (Gen AI). Det som begynte som en fasiniserende teknologisk nysgjerrighet har nå utviklet seg til et kritisk verktøy for bedrifter over hele verden.

Generativ AI: Fra løsningssøking for et problem til problemløsningssentral

Den initielle bølgen av Gen AI-entusiasme ble drevet av den rene nysgjerrigheten ved å samhandle med store språkmodeller (LLM), som er trent på store offentlige datasamlinger. Bedrifter og enkeltpersoner ble like rettferdig fengslet av evnen til å skrive inn naturlige språkliga påstander og motta detaljerte, sammenhengende svar fra offentlige grensemodeller. Den menneskelige kvaliteten på utdataene fra LLM ledet mange bransjer til å storme inn i prosjekter med denne nye teknologien, ofte uten et klart forretningsproblem å løse eller noen virkelig KPI å måle suksessen. Mens det har vært noen store verdi-låser i de tidlige dagene av Gen AI, er det et klart signal at vi er i en innovasjons- (eller hype-) syklus når bedrifter forlater praksisen med å identifisere et problem først, og deretter søke en fungerende teknologiløsning for å løse det.

I 2025 forventer vi at pendelen skal svinge tilbake. Organisasjoner vil se på Gen AI for forretningsverdi ved først å identifisere problemer som teknologien kan løse. Det vil uten tvil være mange flere godt finansierte vitenskapsprosjekter, og den første bølgen av Gen AI-brukstilfeller for sammenfatting, chatbots, innhold og kodegenerering vil fortsette å blomstre, men ledere vil begynne å holde AI-prosjekter ansvarlige for ROI i år. Teknologifokuset vil også skifte fra offentlige, generelle språkmodeller som genererer innhold til en ensemble av smalere modeller som kan kontrolleres og kontinuerlig trenes på det distinkte språket til en bedrift for å løse virkelige problemer som påvirker bunnskaret på en målbar måte.

2025 vil være året AI flytter til kjerne av bedriften. Bedriftsdata er veien til å låse opp virkelig verdi med AI, men treningdataene som trengs for å bygge en transformasjonsstrategi er ikke på Wikipedia, og det kommer aldri til å være. Det bor i kontrakter, kunde- og pasientjournaler og i de ustrukturerte interaksjonene som ofte strømmer gjennom bakkontoret eller lever i papirbokser.. Å få tak i disse dataene er komplisert, og generelle LLM er en dårlig teknologisk tilpasning her, til tross for de privacy-, sikkerhets- og datagovernance-bekymringene. Bedrifter vil i økende grad adoptere RAG-arkitekturer og små språkmodeller (SLM) i private skyinnstillinger, som lar dem utnytte interne organisatoriske datasamlinger for å bygge proprietære AI-løsninger med en portefølje av treningable modeller. Targetede SLM kan forstå det spesifikke språket til en bedrift og nyansene i dens data og gi høyere nøyaktighet og gjennomsiktighet til en lavere kostnad – samtidig som de holder seg i linje med datavern- og sikkerhetskrav.

Den kritiske rollen til datasøking i AI-implementering

Etterhvert som AI-initiativene øker, må organisasjonene prioritere datakvalitet. Den første og mest kritiske steget i implementering av AI, enten ved å bruke LLM eller SLM, er å sikre at interne data er fri for feil og uakkurater. Denne prosessen, kjent som “datasøking”, er essensiell for kurasjon av en ren datasamling, som er nøkkelen til suksessen for AI-prosjektene.

Mange organisasjoner avhenger fortsatt av papirdokumenter, som må digitaliseres og renses for dag-til-dag-drift. Ideelt sett ville denne dataen flyte inn i merkte treningssett for en organisasjons proprietære AI, men vi er tidlige dager i å se dette skje. I faktum, i en nylig undersøkelse vi gjennomførte i samarbeid med Harris Poll, hvor vi intervjuet over 500 IT-beslutningstakere mellom august og september, fant vi at 59% av organisasjonene ikke engang bruker hele sin datasamling. Den samme rapporten fant at 63% av organisasjonene er enige om at de mangler forståelse av sine egne data, og dette hemmer deres evne til å maksimere potensialet for GenAI og lignende teknologier. Privacy-, sikkerhets- og styringsbekymringene er uten tvil hindringer, men nøyaktig og ren data er kritisk, selv små treningsfeil kan føre til kompliserende problemer som er vanskelige å løse når en AI-modell får det galt. I 2025 vil datasøking og pipelines for å sikre datakvalitet bli et kritisk investeringsområde, som sikrer at en ny generasjon av bedrifts AI-systemer kan operere på pålitelig og nøyaktig informasjon.

Den utvidede rollen til CTO

Rollen til Chief Technology Officer (CTO) har alltid vært kritisk, men dens påvirkning er satt til å utvide seg ti ganger i 2025. Ved å trekke paralleller til “CMO-æraen”, hvor kundeopplevelsen under Chief Marketing Officer var overordnet, vil de kommende årene være “generasjonen til CTO”.

Mens de grunnleggende ansvarlige for CTO forblir uendret, vil påvirkningen av deres beslutninger være mer betydelig enn noensinne. Suksessfulle CTOer må ha en dyp forståelse av hvordan fremvoksende teknologier kan omforme deres organisasjoner. De må også forstå hvordan AI og relaterte moderne teknologier driver forretningstransformasjon, ikke bare effektivitet innenfor selskapets fire vegger. Beslutningene som CTOer tar i 2025 vil bestemme fremtidens retning for deres organisasjoner, og gjøre deres rolle mer påvirkende enn noensinne.

Forutsigelsene for 2025 høydepunkter et transformasjonsår for Gen AI, datahåndtering og rollen til CTO. Etterhvert som Gen AI flytter fra å være en løsning i søking etter et problem til en problemløsningssentral, vil viktigheten av datasøking, verdien av bedriftsdatasamlinger og den utvidede rollen til CTO forme fremtiden for bedrifter. Organisasjoner som omfavner disse endringene vil være godt posisjonert for å trives i den utviklende teknologiske landskapet.