AI ในองค์กร: การคำนวณต้นทุนเต็มรูปแบบ

AI ได้พัฒนาไปแล้วจากทฤษฎีและความแปลกใหม่ สำหรับหลายองค์กร มันอยู่ข้างๆ ระบบหลักเป็นส่วนหนึ่งของโครงสร้างพื้นฐาน มีหลายคนที่ยังคิดถึง AI ในแง่ของ LLM สาธารณะและช่องทางสนทนา – สิ่งที่คุณสามารถใช้งานได้และทิ้งไปเมื่อคุณเสร็จสิ้น การมอง AI ผ่านเลนส์นี้อาจทำให้พลาดช่วงกว้างของโมเดลและเทคนิคที่สามารถปรับปรุงผลลัพธ์ได้อย่างมีประสิทธิภาพมากขึ้นด้วยความเสี่ยงที่น้อยลง

ความจริงแล้ว AI ควรได้รับการประเมินเหมือนกับการลงทุนโครงสร้างพื้นฐานขนาดใหญ่อื่นๆ – ด้วยมุมมองที่ชัดเจนของต้นทุน ผลประโยชน์ และความเสี่ยงในการดำเนินงานตั้งแต่ต้น การนำ AI มาใช้ในการทำงานจริงหมายถึงการลงทุนในคุณภาพของข้อมูล การสังเกตการณ์ การกำกับดูแล และบุคคลที่รักษาให้ AI สอดคล้องกับผลลัพธ์ทางธุรกิจที่ต้องการ หากตัดมุมในจุดนี้ ค่าใช้จ่ายจะถูกย้ายไปสู่อนาคตพร้อมดอกเบี้ยที่เพิ่มขึ้น

วิธีที่ต้นทุน AI เพิ่มขึ้นจริงๆ

ทีมงานอาจคิดว่าต้นทุน AI เพิ่มขึ้นตามเส้นตรง: ทำงานสองเท่า จ่ายเงินสองเท่า ในความเป็นจริง การทำงาน ต้นทุน และผลลัพธ์สามารถเคลื่อนไหวได้อย่างอิสระจากกันในลักษณะที่น่าประหลาดใจ เมื่อขอให้ AI อ่านเอกสารยาวทั้งหมดในครั้งเดียว มันจะต้องพิจารณาทุกคำในความสัมพันธ์กับคำอื่นๆ ใน LLM ที่ได้รับความนิยมส่วนใหญ่ หมายความว่าการทำงานที่เกี่ยวข้องและดังนั้นต้นทุนจึงไม่เพิ่มขึ้นตามที่คาดไว้ – เพิ่มสองเท่าของอินพุต ค่าใช้จ่ายสองเท่า – แต่เพิ่มขึ้นประมาณกำลังสองของความยาวอินพุต ความเข้าใจในหลักการเช่นนี้สามารถมีผลกระทบต่อด้านล่างของการ_deploy AI ใดๆ หากองค์กรที่จัดการข้อมูลข้อความขนาดใหญ่ทุกวัน เช่น องค์กรกำกับดูแล ออกแบบระบบจากจุดเริ่มต้นโดยใช้การค้นหาแบบกราฟหรือการดึงข้อมูลแทนการส่งเอกสารทั้งหมดไปยังโมเดล ประสบการณ์ของผู้ใช้จะยังคงเป็น “ถามคำถาม ได้รับคำตอบในไม่กี่วินาที” เช่นเดียวกับช่องทางสนทนาสาธารณะ นั่นจะทำให้ผู้บริหารที่ชื่นชอบ AI มีความสุขด้วยการโต้ตอบทันที ในขณะที่ใต้พื้นผิว ระบบกำลังทำงานที่ไม่จำเป็นน้อยลงและค่าใช้จ่ายในการคำนวณก็ลดลงตามผล

วิธีการใช้จ่าย AI ที่กระจายไปทั่วองค์กร

การเลือกเทคโนโลยีเป็นเพียงส่วนหนึ่งของเรื่องราว ส่วนที่เหลือคือวิธีการที่องค์กรเข้าใกล้ AI ในการเริ่มต้น ในหลายองค์กร การเตรียมข้อมูลอยู่กับทีมวิศวกรรม การทบทวนการปฏิบัติตามกฎระเบียบอยู่กับทีมกฎหมาย ค่าใช้จ่ายในการใช้คลาวด์อยู่กับทีมแพลตฟอร์มหรือโครงสร้างพื้นฐาน การเลือกแบบจำลอง การกำหนดค่า และการปรับให้เหมาะสมส่วนใหญ่จะอยู่กับผู้ดำเนินการที่มีประสบการณ์ไม่มากนัก แต่ละกลุ่มจะเห็นเฉพาะส่วนของงานและงบประมาณของตนเอง ค่าใช้จ่ายจะปรากฏในหลายรูปแบบ เช่น ค่าใช้จ่ายในการคำนวณที่นี่ ค่าใช้จ่ายในการจ้างที่นั่น และเวลาของบุคคลที่ดูดซับเข้าไปใน “ธุรกิจตามปกติ” ในหลายทีม ด้วยตัวเลขที่กระจายไปทั่วศูนย์ต้นทุน การได้รับต้นทุนการลงจอดเต็มรูปแบบของโครงการ AI เพียงโครงการเดียวอาจไม่ปรากฏในจุดใดจุดหนึ่งและง่ายต่อการประมาณต่ำเกินไป ในสภาพแวดล้อมดังกล่าว ค่าใช้จ่าย AI สามารถเพิ่มขึ้นอย่างเงียบๆ โดยไม่มีใครติดตามตัวเลขทั้งหมดในจุดเดียว

แนวทางปฏิบัติที่เป็นรูปธรรมในการจัดการต้นทุน AI

การหลีกเลี่ยง AI ไม่ใช่การเคลื่อนไหวที่ถูกต้องสำหรับองค์กร แต่การรักษา AI เหมือนเทคโนโลยีที่ครอบคลุมก็ไม่ใช่เช่นกัน กลยุทธ์ที่ดีคือการเริ่มต้นด้วยผลลัพธ์ที่ต้องการและย้อนกลับ ไม่ใช่ทุกกรณีที่ต้องการแบบจำลองที่ทันสมัยและแพงในการใช้งาน แบบจำลองหลายรูปแบบสามารถจัดการได้ด้วยเทคนิคการเรียนรู้ของเครื่องจักรที่เข้าใจได้ดีและสามารถใช้งานได้บนโครงสร้างพื้นฐานที่มีอยู่

เริ่มต้นด้วยโครงการนำร่องขนาดเล็กที่วัดต้นทุนการเป็นเจ้าของทั้งหมด ไม่ใช่แค่การใช้แบบจำลองเท่านั้น ซึ่งหมายถึงการดูที่ค่าใช้จ่ายในการคำนวณ แต่ยังรวมถึงการทำงานในการรวมระบบ เวลาในการวิศวกรรม การจัดการการเปลี่ยนแปลง และความพยายามในการปฏิบัติตามกฎระเบียบ เป้าหมายคือการเลือกแบบจำลองที่เล็กที่สุดและง่ายที่สุดที่ให้ผลลัพธ์ที่ยอมรับได้ แทนที่จะคิดว่า “แบบจำลองที่ดีกว่า” หมายถึง “ผลประโยชน์ที่ดีกว่า”

AI ไม่ใช่สิ่งเดียว มันเป็นชุดของเทคนิคและเครื่องมือที่สามารถใช้ได้ในหลายวิธี การมอง AI ในลักษณะนี้ช่วยลดความน่าประทับใจของผลลัพธ์ที่น่าประทับใจและช่วยให้ธุรกิจสามารถใช้พลังของ AI ได้อย่างมีความรับผิดชอบและประสิทธิผลมากขึ้น

คน เวลา และ AI

ทุกๆ การใช้งาน AI ในทางปฏิบัติเป็นการทำงานร่วมกันระหว่างคนและซอฟต์แวร์ ไม่ว่าจะได้รับการยอมรับอย่างเป็นทางการหรือไม่ นี่คือวิธีการทำงาน การเปลี่ยนแปลงไปสู่ AI ที่มีพลังในการกระทำ – เครื่องมือที่สามารถเชื่อมต่อขั้นตอน เรียกระบบอื่น และกระทำการโดยไม่ต้องมีการกระตุ้น – ไม่ได้เปลี่ยนแปลงสิ่งนี้ แต่เพิ่มความเสี่ยงในการทำให้ฝั่งคนในกระบวนการทำงานได้อย่างถูกต้อง

เครื่องมือเหล่านี้สามารถไว้วางใจได้ง่ายเกินไป เมื่อระบบนำเสนอคำตอบอย่างคล่องแคล่วและมั่นใจ มันจะทำให้ผู้คนคิดว่ามันถูกต้องเสมอ หากเครื่องมือประเภทนี้ถูกนำไปใช้ในกระบวนการทำงานโดยไม่มีการฝึกอบรมที่เหมาะสม ขอบเขตที่ชัดเจน และการตรวจสอบที่สมเหตุสมผล มันสามารถสร้างกระแสข้อผิดพลาดเล็กๆ ได้อย่างเงียบๆ แต่ละข้อผิดพลาดจะต้องถูกค้นพบ เข้าใจ และแก้ไขโดยบุคคล ในกระดาษ AI ดูเหมือนมีประสิทธิภาพ แต่ในทางปฏิบัติ มีค่าใช้จ่ายที่ซ่อนอยู่ในการใช้เวลาเพิ่มเติมของมนุษย์ในการทำความสะอาดหลัง AI ในสภาพแวดล้อมที่ต้องเผชิญกับลูกค้าหรือมีการควบคุม ข้อผิดพลาดเล็กๆ เหล่านี้ยังสามารถมีค่าใช้จ่ายด้านชื่อเสียงได้ อย่างไรก็ตาม ไม่ว่าเครื่องมือจะถูกส่งมอบหรือใช้งานอย่างไร ความรับผิดชอบต่อผลลัพธ์ของมันยังคงอยู่กับองค์กรและในแต่ละวันกับคนงานที่ใช้เครื่องมือเหล่านี้ สิ่งนี้ต้องได้รับการทำความเข้าใจอย่างชัดเจนเพื่อให้เครื่องมือเหล่านี้มีประโยชน์จริงๆ

รูปแบบที่ดีกว่าคือการร่วมมือกันโดยเจตนา: คนงานที่มีทักษะยังคงอยู่ในความควบคุมของผลลัพธ์ และ AI ถูกใช้เพื่อเร่งความเร็วส่วนของงานที่เหมาะสม เช่น การสรุป การเขียนแบบอย่าง การจัดเรียง การค้นหา แม้ว่าจะต้องมีการตรวจสอบและแก้ไขบางส่วน ผลกระทบโดยรวมของ AI ที่นำมาใช้และจัดการได้ดีในกระบวนการทำงานสามารถมีผลกระทบได้มากกว่าที่ทีมคนสามารถทำได้ด้วยตนเอง

การกำกับดูแลเป็นส่วนหนึ่งของงบประมาณ AI

แม้ว่าการเลือกทางเทคนิคจะดีและใช้งานได้อย่างมีประสิทธิภาพ ส่วนหนึ่งของการใช้จ่าย AI ที่เพิ่มขึ้นจะถูกผูกไว้กับการกำกับดูแลมากกว่าการคำนวณที่ดิบ สำหรับองค์กรที่ดำเนินงานใน EU พระราชบัญญัติ AI ทำให้สิ่งนี้ชัดเจน มันใช้มุมมองความเสี่ยงต่อ AI และสิ่งสำคัญคือไม่ได้ใช้เฉพาะกับผลิตภัณฑ์ที่เผยแพร่สู่สาธารณะเท่านั้น ระบบภายในที่ใช้ในพื้นที่ เช่น การจ้างงานและการเลื่อนตำแหน่ง การจัดการและติดตามพนักงาน และการตัดสินใจที่เกี่ยวข้องกับการรับรองบางอย่างสามารถเข้าข่ายและนำความคาดหวังเกี่ยวกับการจัดการความเสี่ยง การจัดทำเอกสาร การบันทึก และการกำกับดูแลของมนุษย์มาด้วย ประเทศอื่นๆ กำลังเคลื่อนไหวในทิศทางที่คล้ายกัน แม้ว่ากฎจะดูแตกต่างกันเล็กน้อย แต่ทิศทางโดยรวมจะเท่ากัน: องค์กรขนาดใหญ่คาดหวังให้รู้ว่า AI ถูกใช้ทำอะไร ที่ไหน และควบคุมอย่างไร

ผลกระทบเชิงปฏิบัติของสิ่งนี้คือโครงการ AI ภายในสามารถมีภาระการทำงานด้านการกำกับดูแลของตนเองซึ่งไม่สามารถเลือกได้ แต่ละกรณีการใช้งานใหม่อาจหมายถึงการประเมินความเสี่ยงหรือผลกระทบใหม่ การติดตามมากขึ้น และคำถามมากขึ้นจากทีมการปฏิบัติตามกฎระเบียบ การตรวจสอบหรือความเสี่ยง ไม่มีอะไรจะปรากฏในเมตริกการใช้แบบจำลอง แต่เป็นความพยายามจริงที่ต้องจ่าย

อีกครั้ง สิ่งนี้ไม่ใช่เหตุผลในการหลีกเลี่ยง AI แต่เป็นการเตือนให้ระลึกว่าค่าใช้จ่ายในการดำเนินการ AI ที่เปิดใช้งานภายในไม่ใช่แค่ราคาในการเรียกใช้แบบจำลองเท่านั้น การกำกับดูแลและความคาดหวังด้านกฎระเบียบเป็นส่วนหนึ่งของต้นทุนการเป็นเจ้าของทั้งหมด

ที่ที่การเปิดตัว AI ผิดพลาด

รูปแบบที่คุ้นเคยในโครงการ AI คือช่องว่างระหว่างวิธีการทำงานของระบบในตัวอย่างและวิธีการทำงานในระดับใหญ่ในโลกแห่งความเป็นจริง ในสภาพแวดล้อมที่ควบคุมได้ ด้วยชุดคำถามที่แคบและข้อมูลที่เป็นมิตร ผลลัพธ์สามารถดูเหมือนไร้ข้อผิดพลาดได้ ในช่วงเวลานั้น มันง่ายที่จะคิดว่าระบบพร้อมที่จะรับมือกับงานทั้งหมดนี้

ปัญหาเหล่านี้มักจะปรากฏตัวในภายหลัง เมื่อระบบถูกส่งออกไปสู่ความหลากหลายและปริมาณการใช้งานจริง: คำถามที่ไม่ธรรมดา ผู้ใช้ที่เครียด บันทึกที่ไม่สมบูรณ์ กรณีชายขอบที่ยุ่งยาก รอยแตกที่มองไม่เห็นในตัวอย่างเริ่มปรากฏตัวขึ้นในรูปแบบของคำตอบที่ไม่ถูกต้อง การสูญเสียความแตกต่าง การวนซ้ำการสนับสนุน เวลาในการจัดการที่นานขึ้น และความเสียหายต่อความไว้วางใจอย่างเงียบๆ เมตริกภายใน เช่น “คำถามที่จัดการ” และ “เวลาที่ประหยัด” อาจดูดีบนกระดาษ แต่ประสบการณ์ที่มีชีวิตของผู้ใช้ปลายทางอาจเล่าเรื่องราวที่แตกต่างออกไป

การกระโดดจากตัวอย่างที่มีการดูแลหรือการทดลองขนาดเล็กโดยตรง โดยที่ความสำเร็จภายใต้สภาพแวดล้อมที่ควบคุมถือเป็นหลักฐานว่าระบบพร้อมสำหรับการเปิดตัวในวงกว้างแล้ว อาจเป็นข้อผิดพลาดที่มีค่าใช้จ่าย ในโลกแห่งความเป็นจริง ผู้ใช้นำคำถามที่ยุ่งยาก มีข้อมูลที่ไม่สมบูรณ์ และสมมติฐานของตนเองเกี่ยวกับสิ่งที่เครื่องมือสามารถทำได้ หากความคาดหวังไม่ได้รับการจัดการ และกระบวนการทำงานรอบๆ ระบบไม่ได้รับการออกแบบด้วยการถอยหลังและยกระดับแล้ว องค์กรจะจ่ายสองครั้ง: ครั้งหนึ่งสำหรับการสร้าง และอีกครั้งในการสนับสนุน การทำงานซ้ำ ข้อร้องเรียน และความสูญเสียความไว้วางใจ เทคโนโลยีอาจดูน่าประทับใจบนกระดาษ แต่หากไม่มีมุมมองที่เป็นจริงเกี่ยวกับวิธีการทำงานของมันในการพบปะผู้คนและกระบวนการจริง การลงทุนในเทคโนโลยีนั้นจะลดลงอย่างรวดเร็ว

ด้านตรงกันข้ามคือระบบที่ได้รับการออกแบบอย่างดี โดยมีขอบเขตที่ชัดเจนและความเป็นเจ้าของของมนุษย์ที่สร้างขึ้นตั้งแต่เริ่มต้น สามารถทำสิ่งที่ทีมมนุษย์ไม่สามารถจัดการได้ด้วยตนเอง: สแกนปริมาณข้อมูลขนาดใหญ่ในไม่กี่วินาที ตรวจจับรูปแบบทั่วหลายปีของข้อมูล และจัดการการตัดสินใจที่เป็นประจำในระดับที่จะอยู่นอกเหนือความสามารถของทีมมนุษย์ จุดสำคัญคือเพื่อให้ได้รับประโยชน์เหล่านี้ องค์กรต้องจับคู่ความทะเยอทะยานของตนเองด้วยมุมมองที่เป็นจริงของวิธีการทำงานของเทคโนโลยีหนึ่งครั้งเมื่อออกสู่โลก

ความคิดสุดท้าย

ไม่มีสิ่งใดที่เป็นข้อโต้แย้งกับ AI มันเป็นข้อโต้แย้งในการรักษา AI ไว้ด้วยความจริงจังเหมือนกับระบบอื่นๆ ที่สามารถเปลี่ยนแปลงการดำเนินงานของธุรกิจได้อย่างมีนัยสำคัญ

เมื่อใช้อย่างดี AI ช่วยให้ทีมขนาดเล็กสามารถทำงานในระดับที่ใหญ่ขึ้น ค้นหาปฏิสัมพันธ์ที่ยากต่อการค้นหาได้ด้วยตนเอง และทำให้การตัดสินใจโดยผู้เชี่ยวชาญไปไกลกว่าเดิม แต่การไปถึงจุดนั้นต้องมีมุมมองที่ชัดเจนของที่ที่ AI ถูกใช้ ต้นทุนทั้งหมด และวิธีการกำกับดูแล มันหมายถึงการตัดสินใจอย่างตั้งใจเกี่ยวกับแบบจำลองและสถาปัตยกรรม การลงทุนในข้อมูลและการสังเกตการณ์ และการออกแบบกระบวนการทำงานที่คนยังคงอยู่ในวงจร

“เคลื่อนที่เร็วและทำลายสิ่ง” เป็นคำขวัญที่เขียนไว้สำหรับทีมมนุษย์ที่ทำงานในระบบขนาดมนุษย์: หากสิ่งใดผิดพลาด คุณจะกลับไปที่จุดก่อนหน้า แก้ไข และดำเนินการต่อ เมื่อ AI ถูกนำไปใช้ในการตัดสินใจเกี่ยวกับลูกค้า พนักงาน หรือพลเมือง ทัศนคติเดียวกันสามารถสร้างปัญหาได้เร็วขึ้น ตีแรงขึ้น และยากต่อการแก้ไขมากกว่า ความเร็วยังคงมีความสำคัญ และ AI สามารถช่วยได้ แต่ต้องจับคู่กับมุมมองที่ชัดเจนของความเสี่ยง ต้นทุน และความรับผิดชอบ

ไม่มีวิธีการที่จะลบต้นทุนหรือความเสี่ยงออกไปได้ทั้งหมด แต่มีความแตกต่างที่ชัดเจนระหว่างองค์กรที่พึ่งพาการทดลองแบบไม่มีแบบแผนและองค์กรที่สร้าง AI เข้ากับการดำเนินงานของตนเองในลักษณะที่วัดผลได้ โดยมีมุมมองที่ชัดเจนจากค่าใช้จ่ายถึงความสำเร็จ ในช่วงของปัญหาและผลลัพธ์ที่องค์กรต้องเผชิญ ไม่มีทางแก้ไข AI เดียวที่สามารถแก้ปัญหาได้ทั้งหมด การใช้ AI ในองค์กรอย่างมีประสิทธิผลควรเป็นการเฉพาะเจาะจง มีการกำกับดูแล และมีการวางแผนอย่างรอบคอบเสมอ