Sztuczna inteligencja Gen AI: Przesunięcie firm od dużych marek w kierunku rozwiązań startupów

Sztuczna inteligencja generatywna i czatboty nie są czymś, co świat widział po raz pierwszy w 2022 roku. Nie chodzi nawet o Siri czy Alexa, ale o starego ELIZA, jednego z pierwszych przykładów przetwarzania języka naturalnego, który miałby dziś 57 lat. Jednak dopiero pół wieku później, kiedy Chat GPT i inne znaczące duże modele językowe udowodniły, że technologia jest komercyjnie wykonalna w szerokim spektrum branż, biznes zrozumiał, że potrzebuje rozwiązań sztucznej inteligencji generatywnej, jak najszybciej.

Nieliczni z nich jednak zdają sobie sprawę, czego potrzebują sztuczna inteligencja generatywna, a jeszcze mniej rozumie złożoność zadania i wymagane zasoby. To tutaj wkraczamy – akceleratory i firmy konsultingowe.

Made-to-measure czy ready-to-wear?

Dobry garnitur, uszyty według indywidualnych pomiarów, z wybranego materiału, koloru i z myślą o okazji, to godna inwestycja. Ludzie, którzy noszą takie garnitury, nie martwią się o swój wygląd. Wiedzą, że wyglądają idealnie i czują się odpowiednio. Dostosowane rozwiązanie technologiczne sztucznej inteligencji, które jest zaprojektowane, aby osiągnąć konkretny cel biznesowy, ma zwiększone bezpieczeństwo i idealnie integruje się z systemami korporacyjnymi, to prawdziwy garnitur Jamesa Bonda.

To dobry porównanie, które daje ogólne pojęcie. Ale zanurzmy się nieco głębiej w powody, dla których większość firm korporacyjnych nie chce wdrażać gotowych rozwiązań sztucznej inteligencji, nawet od liderów rynku:

Po pierwsze, skuteczna integracja sztucznej inteligencji generatywnej jest niemożliwa bez wysoko indywidualnej pracy dla każdej firmy, co wymaga odrębnego zespołu, poinformowanego o planach strategicznego rozwoju firmy, celach i dostępności zasobów. Rozwiązanie sztucznej inteligencji generatywnej, które okazało się skuteczne dla jednej firmy, najprawdopodobniej okaże się bezużyteczne dla innej.

Po drugie, mniejszy startup całkowicie zanurzy się w specyfikach firmy i zaproponuje dostosowane rozwiązanie od zespołu ekspertów sztucznej inteligencji, którzy są w stanie pracować z modelami open-source, szkolić je bezpiecznie na danych korporacyjnych i umieszczać je na serwerach klienta. To pozwala stworzyć rozwiązanie on-premise i spełnić wymagania bezpiecznego wdrożenia i przechowywania danych, co jest priorytetem dla firm korporacyjnych.

Czego firmy potrzebują sztucznej inteligencji generatywnej?

Ponieważ sztuczna inteligencja generatywna jest stosunkowo nową dziewczyną na rynku korporacyjnym, głównym sposobem zdobycia doświadczenia i poczynienia postępów jest próba i błąd, co oznacza uruchamianie pilotów. Dopóki nie mamy wystarczającej liczby benchmarków w różnych sektorach, jest to najbardziej produktywny sposób, aby znaleźć rozwiązanie, które idealnie odpowiada unikalnym potrzebom firmy.

Jednak istnieją pewne trendy w korporacyjnych wnioskach o rozwiązania sztucznej inteligencji generatywnej:

1. Inteligentne boty tekstowe i głosowe oparte na dużych modelach językowych, aby zapewnić wysokiej jakości wsparcie dla zapytań serwisowych i pomocy o różnym poziomie złożoności.

2. Asystent AI dla pracowników (np. pomocnik menedżera sprzedaży, który analizuje rozmowę w czasie rzeczywistym z potencjalnym klientem i jednocześnie generuje pomysły i oferty dla specjalisty)

3. Współpilot dla deweloperów

4. Rozwiązania HR dla automatyzacji rekrutacji i wdrożenia

5. Narzędzia marketingowe: generowanie obrazów i awatarów, pisanie artykułów i recenzji produktów.

“Nie potrzebuję sztucznej inteligencji” – to wniosek, do którego niektórzy klienci nie spodziewają się dojść, ale chętnie zgadzają się po analizie stanu firmy i celów biznesowych. Sztuczna inteligencja dla samej sztucznej inteligencji to marnowanie zasobów, których technologia ma za zadanie wyeliminować.

Rynkowe możliwości sztucznej inteligencji generatywnej

Według szacunków PitchBook, rynek sztucznej inteligencji generatywnej osiągnie 42,6 miliarda dolarów do końca 2023 roku i ma wzrosnąć o 32% do 98,1 miliarda dolarów do 2026 roku. Te prognozy nie uwzględniają potencjału sztucznej inteligencji generatywnej do rozszerzenia całkowitego rynku oprogramowania sztucznej inteligencji.

To w porównaniu z 22,6% tempem wzrostu dla branży sztucznej inteligencji jako całości, co oznacza, że sztuczna inteligencja generatywna będzie nadal przewyższać większą branżę.

Jeśli szacunki nie są wystarczająco przekonywujące, oto ilustrujący fakt z naszego doświadczenia jako akceleratora. Po burzliwym 2022 roku, które jest związane z recesją gospodarczą i gwałtownym spadkiem inwestycji venture, programy przyspieszania Intema zmieniły focus z pozyskiwania funduszy na uruchamianie pilotów z korporacjami.

W 2023 roku Intema przeprowadziła dwa programy przyspieszania z absolutnie różnymi dominującymi technologiami: Metaverse i sztuczna inteligencja generatywna. W trakcie programu łączymy startupy z klientami korporacyjnymi, aby omówić potencjalne rozwiązania technologiczne, zorganizować demonstracje i, jeśli są one udane, zawrzeć umowy o potencjalnych pilotach. Program przyspieszania Metaverse wyniósł 4 pilotaże z klientami korporacyjnymi, co jest świetne, biorąc pod uwagę specyfikę i złożoność technologii.

Program sztucznej inteligencji generatywnej, nawet kilka tygodni przed jego zakończeniem, miał 7 pilotów w dyskusji z różnymi korporacjami. Czy jest to tylko efekt hossy, która otaczała wcześniej Blockchain i Metaverse? Czy jest to dlatego, że sztuczna inteligencja generatywna jest prawdziwym graczem?

Wszystko sprowadza się do pytania: Czy sztuczna inteligencja generatywna jest warta hossy?

Po pierwsze, nie jest rzadkością, gdy nowa obiecująca technologia lub pomysł staje się przereklamowany w krótkim terminie, być może ze szkodą dla długoterminowych perspektyw. Jeśli będziemy kontynuować rysowanie paraleli między sztuczną inteligencją generatywną a Blockchain, na wstępnym etapie dojrzałości, Blockchain został opisany przez wielu jako rewolucja technologiczna, która zmieni świat, podobnie jak sztuczna inteligencja generatywna jest reklamowana dzisiaj. Jednak kilka lat później, w 2018 roku, Gartner ogłosił, że Blockchain wszedł w tzw. “przełęcz rozczarowania”, co odpowiada również spadkowi zainteresowania konsumentów o ponad 30% od poziomów szczytowych i 45% spadku inwestycji venture od 2018 do 2019 roku.

W przeciwieństwie do Blockchain, na wczesnym etapie dojrzałości, sztuczna inteligencja generatywna ma już wiele przypadków użycia w różnych branżach, które są komercyjnie wykonalne. Ich liczba ma wzrosnąć, gdy więcej branż przyjmie rozwiązania sztucznej inteligencji generatywnej. W swojej ostatniej publikacji Gartner umieścił technologię sztucznej inteligencji generatywnej na szczycie tzw. “krzywej hossy”, co wskazuje, że może nastąpić korekta oczekiwań i pewnego rodzaju rozczarowanie w najbliższej przyszłości.

Podsumowanie

Czy oznacza to, że po tak dużym popycie na rozwiązania sztucznej inteligencji generatywnej, technologia jest skazana na to, aby zniknąć z radaru? Ten scenariusz jest mało prawdopodobny, ponieważ sztuczna inteligencja generatywna już udowodniła swoją fundamentalną trwałość i elastyczność w różnych dziedzinach ludzkiej aktywności, od nauki do sztuki i łańcucha dostaw.

Jednak spowolnienie rozwoju technologii jest nieuniknione, a główną przyczyną jest pilna potrzeba kontroli i regulacji użycia sztucznej inteligencji generatywnej. Do tej pory ten instrument był wykorzystywany stosunkowo swobodnie, bez żadnych ograniczeń prawnych. Prawne regulacje ustanowią nowy kierunek w ewolucji technologii, a trudno przewidzieć, dokąd ona zmierza, ponieważ sztuczna inteligencja generatywna z jej bieżącymi możliwościami jest całkowicie bezprecedensowa w historii ludzkości.

Innym czynnikiem, który ma ograniczyć sztuczną inteligencję generatywną w przyszłości, jest ironicznie rosnący rozmiar dużych modeli językowych. Wkrótce możliwości chipów AI nie będą mogły nadążyć za rozwojem technologii, a aspiracja do budowy sztucznej inteligencji ogólnej i rosnące objętości danych wymagają wysoko zaawansowanego inżynierii i znacznie większej mocy obliczeniowej.

Te ograniczenia jednak otwierają ogromne pole do badań, eksperymentów i nietypowych podejść do kompresji bezstratnej modeli językowych, wzrostu mocy obliczeniowej, przechowywania danych itp.