Utvecklingen av generativ AI 2025: Från nyhet till nödvändighet

Året 2025 markerar en vändpunkt i utvecklingen av generativ AI (Gen AI). Det som började som en fascinerande teknisk nyhet har nu utvecklats till ett kritiskt verktyg för företag inom olika branscher.

Generativ AI: Från lösningssökande till problemlösning

Den initiala entusiasmen för Gen AI drevs av den råa nyheten att interagera med stora språkmodeller (LLM), som tränas på stora offentliga datamängder. Företag och individer blev rättmätigt fascinerade av möjligheten att skriva in naturliga språkliga prompter och få detaljerade, sammanhängande svar från offentliga modeller. Den mänskliga kvaliteten på utdata från LLM ledde många branscher att gå in i projekt med denna nya teknologi, ofta utan en tydlig affärsproblem att lösa eller någon verklig KPI att mäta framgång. Medan det har funnits några stora värdeökningar i de tidiga dagarna av Gen AI, är det ett tydligt tecken att vi är i en innovations- eller hypecykel när företag överger metoden att identifiera ett problem först och sedan söka en fungerande teknisk lösning för att lösa det.

Under 2025 förväntar vi oss att pendeln kommer att svänga tillbaka. Organisationer kommer att se Gen AI som ett verktyg för affärsnytta genom att först identifiera problem som tekniken kan lösa. Det kommer att finnas många fler välfinansierade vetenskapliga projekt, och den första vågen av Gen AI-användningsfall för sammanfattning, chattbotar, innehålls- och kodgenerering kommer att fortsätta att blomstra, men chefer kommer att börja hålla AI-projekt ansvariga för ROI i år. Teknologifokuset kommer också att skifta från offentliga allmänna språkmodeller som genererar innehåll till en ensemble av smalare modeller som kan kontrolleras och kontinuerligt tränas på ett företags specifika språk för att lösa verkliga problem som påverkar resultaträkningen på ett mätbart sätt.

2025 kommer att vara året då AI flyttar till kärnan av företaget. Företagsdata är nyckeln till att låsa upp den verkliga värdet av AI, men den träningsdata som behövs för att bygga en omvandlande strategi finns inte på Wikipedia, och den kommer aldrig att finnas där. Den finns i kontrakt, kund- och patientjournaler och i de ostrukturerade interaktioner som ofta flödar genom backkontoret eller levereras i papperslådor. Att få tillgång till denna data är komplicerat, och allmänna LLM är en dålig teknisk lösning här, trots de säkerhets- och dataskyddsmässiga problemen. Företag kommer att i allt högre grad anta RAG-arkitekturer och små språkmodeller (SLM) i privata molnmiljöer, vilket gör det möjligt för dem att utnyttja interna organisationsdatamängder för att bygga egna AI-lösningar med en portfölj av tränbara modeller. Målade SLM kan förstå det specifika språket i ett företag och nyanserna i dess data, och ge högre precision och transparens till en lägre kostnad – samtidigt som de följer dataskydds- och säkerhetskraven.

Den kritiska rollen för datarengöring i AI-implementering

När AI-initiativ sprids måste organisationer prioritera datakvalitet. Det första och mest kritiska steget i att implementera AI, oavsett om det är LLM eller SLM, är att säkerställa att intern data är fri från fel och inkonsekvenser. Denna process, som kallas “datarengöring”, är avgörande för att skapa en ren datamängd, som är en förutsättning för framgångsrika AI-projekt.

Många organisationer förlitar sig fortfarande på pappersdokument, som måste digitaliseras och rengöras för dagliga affärsverksamheter. Idealiskt sett skulle denna data flöda in i märkta träningsuppsättningar för ett företags egna AI, men vi är fortfarande i början av att se detta hända. I själva verket fann en nyligen genomförd undersökning som vi genomförde i samarbete med Harris Poll, där vi intervjuade över 500 IT-beslutsfattare mellan augusti och september, att 59% av organisationerna inte ens använder hela sin datamängd. Samma rapport fann att 63% av organisationerna är överens om att de har en brist på förståelse för sin egen data, och detta hindrar deras förmåga att maximera potentialen för GenAI och liknande tekniker. Säkerhets-, sekretess- och dataskyddsmässiga problem är säkert hinder, men exakt och ren data är avgörande, även små träningsfel kan leda till kumulativa problem som är svåra att lösa när en AI-modell får det fel. Under 2025 kommer datarengöring och pipelines för att säkerställa datakvalitet att bli en kritisk investeringsområde, vilket säkerställer att en ny generation av företags AI-system kan fungera med tillförlitlig och exakt information.

Den utvidgade påverkan av CTO-rollen

CTO-rollen har alltid varit avgörande, men dess påverkan kommer att öka tiofaldigt under 2025. I likhet med “CMO-eran”, där kundupplevelse under CMO var av största vikt, kommer de kommande åren att vara “CTO-generationen”.

Medan CTO:s kärnansvar förblir oförändrade, kommer deras besluts påverkan att bli mer betydande än någonsin. Framgångsrika CTO:er kommer att behöva en djup förståelse av hur ny teknik kan omvandla deras organisationer. De måste också förstå hur AI och relaterad modern teknik driver affärsomvandling, inte bara effektivitet inom företagets fyra väggar. De beslut som CTO:er fattar under 2025 kommer att bestämma deras organisationers framtida riktning, vilket gör deras roll mer betydande än någonsin.

Prognoserna för 2025 lyfter fram ett omvandlande år för Gen AI, datahantering och CTO-rollen. När Gen AI flyttar från att vara en lösning i sökandet efter ett problem till en problemlösning, kommer vikten av datarengöring, värdet av företagsdatamängder och den utvidgade påverkan av CTO att forma framtiden för företag. Organisationer som omfamnar dessa förändringar kommer att vara väl positionerade för att trivas i den föränderliga tekniska landskapsbilden.