Dlaczego AI w przedsiębiorstwach się zatrzymuje i co jest potrzebne, aby przejść od pilotażu do skali

Trzy lata temu większość liderów przedsiębiorstw zaprzeczała istnieniu AI. Panujące przekonanie było takie, że to tylko szum rynkowy lub sprytna zabawka, ale nie technologia klasy korporacyjnej. „Halucynacje” były słowem, które gościło w myślach wszystkich. W ciągu ostatniego roku sceptycyzm prawie całkowicie się odwrócił. Oczekiwania są teraz na szczycie, a zarządy są przekonane, że AI przekształci każde stanowisko i każdy proces.

Jednak oba skrajne podejścia nie trafiają w sedno. AI nie jest ani chwilową modą, ani magiczną różdżką. To najbardziej wszechstronna transformacja, jaką branża widziała; większa niż chmura, która zasadniczo dotyczyła efektywności i elastyczności. AI to transformacja biznesowa. To właśnie dlatego tak wiele organizacji, po przeprowadzeniu olśniewających pilotaży, znajduje się w martwym punkcie. State of AI ankieta McKinsey & Company ukazuje skalę problemu: prawie dwie trzecie respondentów twierdzi, że ich organizacje jeszcze nie rozpoczęły skalowania AI w całym przedsiębiorstwie.

Prawdziwym wąskim gardłem nie jest zdolność

Kuszące jest obwinianie technologii, ale to byłoby błędne. Na tym etapie modele frontier posiadają ogromne możliwości. Trudność polega na włączeniu AI do rzeczywistych procesów biznesowych, aby dostarczyć wymierne wyniki.

Badania IDC wykazały, że 88 % dowodów koncepcji AI nie przechodzi do wdrożenia produkcyjnego, co oznacza, że na każde 33 uruchomione, tylko cztery przechodzą. Powód rzadko leży po stronie samej technologii. Pilotaż pokazuje, co jest możliwe; skalowanie wymaga, aby organizacja zmieniła sposób, w jaki praca jest faktycznie wykonywana. To znacznie bardziej złożone przedsięwzięcie niż przewidują większość liderów. Obejmuje zarządzanie zmianą, tarcia między funkcjami, cykle budżetowe nigdy nie projektowane pod tego rodzaju inwestycje oraz trudne zadanie przearanżowania przepływów pracy od początku do końca. Dlatego podróż od dowodu koncepcji do produkcji trwa dłużej niż sugeruje hype: przedsiębiorstwa są złożone, a złożoność opiera się przeciwko skrótom.

Liderzy powinni oprzeć się odruchowi „adoptuj AI teraz”, który prowadzi do rozproszonych, odłączonych eksperymentów. Zamiast tego zacznij od zdefiniowania konkretnego problemu i oczekiwanego wyniku, na przykład skrócenia czasu rozwiązywania zgłoszeń, szybszego pozyskiwania wiedzy, skrócenia cyklu rozwoju. Gdy AI jest projektowane wokół określonego przepływu pracy, wpływ staje się wymierny, a wymierny wpływ zyskuje prawo do skalowania.

Widoczne i niewidoczne

Agenci to sposób, w jaki AI ożywa w przedsiębiorstwie, i dzielą się na dwie klasy. Po pierwsze, agenci asystenci to widoczni pomocnicy, którzy podsumowują e-maile lub pomagają programiście pisać kod. Po drugie, agenci są niewidocznie wpleceni w przepływy pracy, uzgadniają konta, prowadzą łańcuchy zatwierdzeń i wykrywają oszustwa. Muszą być naprawdę klasy korporacyjnej: skalować się do dużych wolumenów, zapewniać dokładność, oferować pełną możliwość śledzenia i działać w ramach zasad odpowiedzialnej AI.

Nagłówki ogłaszające „liczbę agentów” niewiele znaczą, ponieważ nie ma standardowego sposobu liczenia agenta. Liczy się praca, jaką osiąga połączenie człowiek‑plus‑agent. Produktywność napędzana przez agentów może zaoszczędzić milion dolarów; przemyślenie procesu biznesowego z zespołami ludzie‑plus‑agenci może wygenerować sto milionów przy tym samym nakładzie, co jest tym, na co powinni patrzeć liderzy.

Zarządzanie, zaufanie i test na niepogodę

Własność wyniku jest kluczowa dla zapewnienia sukcesu. Łatwo wdrożyć AI, gdy toleruje się dziesięć błędów; inną sprawą jest, gdy proces musi działać bezbłędnie w skali. Kierującą zasadą jest test na niepogodę: gdy AI odmawia współpracy, a biznes nadal funkcjonuje. Zarządzanie nie jest więc wrogiem szybkości, lecz jej umożliwiaczem. Z kolei elastyczność bez zarządzania prowadzi do chaosu, a zarządzanie bez elastyczności dusi innowacje. Ostatecznie AI hamuje strach, zaufanie, bezpieczeństwo i kontrola nad własnymi danymi. Te obawy decydują, czy przedsiębiorstwo skaluje się, czy zamarza.

Dopasowanie architektury do potrzeb

Kluczowe jest to, że w 80‑90 % przypadków użycia w przedsiębiorstwach model frontier jest niepotrzebny. Mały model językowy oparty na danych organizacji, często współpracujący z modelem frontier, jest rozsądniejszym rozwiązaniem. Koszty per token spadają wykładniczo, ale modele rozumowania i rosnące okna kontekstowe zwiększają zużycie, co czyni optymalizację tokenów znaczącą szansą samą w sobie.

Budowanie pod następną falę

W każdej fali technologicznej wartość realizuje się na krawędzi, gdy firmy faktycznie wykorzystują technologię. Dzisiejsze wydatki koncentrują się na warstwie infrastruktury, jak to zawsze bywa na wczesnym etapie cyklu technologicznego. Następna, większa fala to przyjęcie w skali.

Liderzy biznesu powinni zauważyć, że AI w przedsiębiorstwach nie zapaść, ponieważ technologia jest słaba. Zapaść następuje, gdy organizacje traktują transformację biznesową jako projekt technologiczny. Zwycięzcy uczynią AI zaufanym, powtarzalnym i rozliczalnym procesem biznesowym, a następnie będą mieli cierpliwość, aby go skalować i wykorzystać większą nadchodzącą falę.