Utviklingen av generativ AI i 2025: Fra nysgjerrighet til nødvendighet

Året 2025 markerer et avgjørende øyeblikk i reisen til generativ AI (Gen AI). Det som begynte som en fascinerende 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 innledende bølgen av entusiasme for Gen AI var drevet av den rene nysgjerrigheten ved å interagere 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 språkliggende og motta detaljerte, koherente svar fra offentlige grensemodeller. Den menneskelige kvaliteten på utdataene fra LLM ledet mange bransjer til å gå headlong inn i prosjekter med denne nye teknologien, ofte uten en klar forretningsproblematikk å løse eller noen virkelig KPI å måle suksess. Mens det har vært noen store verdi-låser i de tidlige dagene av Gen AI, er det et tydelig 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 teknologisk løsning 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 vitenskapelige prosjekter, og den første bølgen av Gen AI-anvendelser for sammenfatting, chatbots, innhold og kodegenerering vil fortsatt 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 bunnskillet på en målbart måte.

2025 vil være året AI flytter til kjernen av bedriften. Bedriftsdata er veien til å låse opp virkelig verdi med AI, men treningdataene som er nødvendige for å bygge en transformasjonsstrategi er ikke på Wikipedia, og det kommer aldri til å være det. Det bor i kontrakter, kunder og pasienter, og i de ustrukturerte interaksjonene som ofte flyter gjennom bakkontoret eller bor i bokser med papir. Å få tak i disse dataene er komplisert, og generelle LLM er en dårlig teknologisk passform her, til tross for privatlivs-, sikkerhets- og datagovernance-bekymringer. 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 kostnadsnivå – samtidig som de holder seg i linje med dataprivacy- og sikkerhetskrav.

Den kritiske rollen til datarensing i AI-implementering

Etterhvert som AI-initiativene utbreder seg, må organisasjoner 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 uakkuratheter. Denne prosessen, kjent som “datarensing”, er essensiell for kurering av en ren datasamling, som er nøkkelen til suksessen for AI-prosjekter.

Mange organisasjoner er fortsatt avhengige av papirdokumenter, som må digitaliseres og renses for dag-til-dag-drift. Ideelt sett ville disse dataene flyte inn i merkte treningssamlinger for en organisasjons proprietære AI, men vi er tidlige dager i å se dette skje. Faktisk, 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 hindrer deres evne til å maksimere potensialet for GenAI og lignende teknologier. Privatlivs-, sikkerhets- og styringsbekymringer er uten tvil hindringer, men nøyaktig og ren data er kritisk, selv små treningfeil kan føre til kompaktere problemer som er vanskelige å løse når en AI-modell får det galt. I 2025 vil datarensing og pipeline-tilgangene for å sikre datakvalitet bli et kritisk investeringsområde, som sikrer at en ny generasjon av bedrifts-AI-systemer kan operere på pålitelige og nøyaktige opplysninger.

Den utvidende impakten av CTO-rollen

Rollen til Chief Technology Officer (CTO) har alltid vært kritisk, men dens impakt er satt til å utvide seg tidoblet 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 nye teknologier kan omforme deres organisasjoner. De må også forstå hvordan AI og relaterte moderne teknologier driver forretnings-transformasjon, ikke bare effektivitet innenfor selskapets fire vegger. Beslutningene som CTOer tar i 2025 vil bestemme den fremtidige banen for deres organisasjoner, og gjøre deres rolle mer betydelig enn noensinne.

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