ตรวจสอบรายงาน MIT NANDA กรกฎาคม 2025: ทำไมอัตราการล้มเหลวของ AI Pilot 95% ไม่ใช่จุดสิ้นสุด

ฉันเป็นคนมองโลกในแง่ดี และฉันพยายามที่จะเรียนรู้เทคโนโลยีใหม่ๆ ที่เข้ามาในโลกของฉัน ความหลงใหลล่าสุดของฉันที่จะอยู่กับฉันไปนานๆ คือ AI

MIT NANDA ได้ตีพิมพ์เอกสารชื่อ ‘The GenAI Divide. State of AI in Business in 2025’ และฉันคิดว่าเอกสารนี้มีค่าควรอ่าน มันให้มุมมองที่สมจริงเกี่ยวกับ AI และบทบาทของมันในธุรกิจในปัจจุบัน ฟีดของ LinkedIn อาจดูเหมือนตื่นตระหนกเกี่ยวกับวิธีที่ AI มาเปลี่ยนแปลงทุกอย่าง แต่รายงานนี้วาดภาพที่แตกต่าง

ก่อนอื่น สิ่ง gì คือ MIT NANDA?

Networked Agents and Decentralized AI (หรือ NANDA) เป็นโครงการวิจัยที่มีความทะเยอทะยานจาก MIT Media Lab โครงการนี้ครอบคลุมมากกว่า 18 สถาบันวิจัยชั้นนำจาก 6 ทวีป และมีบริษัทชั้นนำในอุตสาหกรรมเทคโนโลยี เช่น Meta, Dell, Microsoft เป็นต้น เป้าหมายของ NANDA เป็นเรื่องที่น่าสนใจ หากไม่พูดว่าเป็นเรื่องที่เปลี่ยนแปลงโลก โครงการนี้มุ่งหมายที่จะสร้างโครงสร้างพื้นฐานสำหรับอินเทอร์เน็ตของเอเย่นต์ AI ที่กระจายอำนาจ หรือเครือข่ายที่เอเย่นต์ AI ค้นพบ ยืนยัน และร่วมมือกันออนไลน์ข้ามพื้นที่ขององค์กร โดยพื้นฐานแล้ว NANDA กำลังทำงานเกี่ยวกับกฎเกณฑ์ โพรโทคอล แนวทาง และกรอบการทำงานที่ช่วยให้เอเย่นต์ AI สามารถโต้ตอบกับเอเย่นต์อื่นๆ ในนามของมนุษย์และองค์กร โครงการ NANDA เป็นโอเพ่นซอร์ส ซึ่งหมายความว่ามันรับเอาผู้ประกอบการ ผู้มองการณ์ไกล ผู้เชี่ยวชาญด้านเทคโนโลยี และนักกำหนดนโยบายมาเป็นผู้ร่วมงานในระดับเต็ม

ฉันบอกคุณเกี่ยวกับสิ่งนี้เพราะรายงานของ MIT NANDA เป็นผลลัพธ์ของการวิจัยเมื่อถึงเวลาของมัน เมื่อพูดถึง AI ผู้เขียน报告เหล่านี้อยู่ที่แนวหน้าของโลก AI และผลการวิจัยของพวกเขาควรได้รับการพิจารณาอย่างจริงจัง (แม้ว่าจะมีการพิจารณาในบางด้าน)

รายงานนี้ถูกสร้างขึ้นตั้งแต่เดือนมกราคม และตีพิมพ์ในวันที่ 2025 มันขึ้นอยู่กับการทบทวนระบบของโครงการ AI ที่เปิดเผยต่อสาธารณะมากกว่า 300 โครงการ และการสัมภาษณ์ของผู้นำจาก 52 องค์กร เช่นเดียวกับการสำรวจผู้นำอาวุโส 153 คนจากสี่การประชุมอุตสาหกรรมหลัก

5% อัตราความสำเร็จของ AI Pilot

รายงานนี้แนะนำคำว่า ‘The GenAI Divide’ เพื่ออธิบายถึงการเปลี่ยนแปลงที่เกิดขึ้น (หรือไม่เกิดขึ้น) กับองค์กรและอุตสาหกรรมที่ใช้ AI อย่างสำเร็จ (หรือไม่สำเร็จ) หากธุรกิจอยู่ใน ‘ด้านที่ผิดของการแบ่งแยก’ ตามที่ NANDA ระบุ ธุรกิจล้มเหลวในการเปลี่ยนแปลง วิวัฒนาการ และคิดใหม่เกี่ยวกับโครงสร้างและการดำเนินธุรกิจของตนเอง เพื่อให้อยู่ใน ‘ด้านที่ถูกต้องของการแบ่งแยก’ จึงหมายถึงการมีผลลัพธ์ที่เป็นรูปธรรมจากการใช้ AI — “การมีอคติในการลงทุนนี้ทำให้เกิดการแบ่งแยก GenAI โดยการนำทรัพยากรไปสู่กรณีการใช้งานที่มองเห็นได้แต่มักจะน้อยกว่ากรณีการใช้งานที่มีผลตอบแทนสูงสุด ในขณะที่โอกาสที่มีผลตอบแทนสูงสุดในฟังก์ชันหลังบ้านยังคงไม่ได้รับการสนับสนุน”

สาเหตุที่รายงานนี้ได้รับการโปรโมตมากคือการค้นพบหลักของมัน สารบัญผู้บริหารระบุว่า: “尽管มีการลงทุน 30-40 พันล้านดอลลาร์ใน GenAI แต่รายงานนี้พบผลลัพธ์ที่น่าประหลาดใจคือ 95% ขององค์กรไม่ได้รับผลตอบแทน … เพียง 5% ของการบิน AI ที่รวมกันสามารถสร้างมูลค่าหลายล้านได้ ในขณะที่ส่วนใหญ่ยังคงไม่มีผลกระทบต่อมาตรการ P&L” ไม่น่าให้กำลังใจมากนักใช่ไหม?

ข้อจำกัดพื้นฐานที่ป้องกันไม่ให้องค์กรสามารถใช้ประโยชน์จาก AI ได้อย่างแท้จริงคือสิ่งที่รายงานนี้เรียกว่า ‘ช่องว่างการเรียนรู้’ ระบบ GenAI ส่วนใหญ่ขาดความสามารถในการรักษาคำติชม ปรับให้เข้ากับบริบท หรือปรับปรุงตัวเองเมื่อเวลาผ่านไป

• ระบบไม่ได้เรียนรู้จากคำติชม. ในความเป็นจริงหมายความว่าผู้จัดการให้ข้อมูลชุดเดียวกันกับระบบ AI ซ้ำๆ แต่ไม่มีการปรับปรุงประสิทธิภาพ ผู้จัดการการผลิตระดับกลางอธิบายว่าเขาอัปโหลดคู่มือผลิตภัณฑ์เดียวกันเข้าไปในระบบ AI ของเขาซ้ำๆ เพื่อปรับปรุงรายการตรวจสอบการเติม แต่แต่ละครั้งที่ทำซ้ำก็ไม่มีการปรับปรุงคุณภาพของผลลัพธ์尽管มีการให้คำติชมหลายครั้ง
• ต้องการบริบทการควบคุมด้วยมือมากเกินไปทุกครั้ง. เครื่องมือ AI ขาดความทรงจำระหว่างเซสชัน ดังนั้นทุกครั้งที่โต้ตอบจึงต้องให้ความรู้ในอดีตและบริบทในอดีตอีกครั้ง การทำงานที่ซับซ้อน ไม่เหมือนกับงานแบบครั้งเดียว ที่ลากยาวและล้มเหลวในการสนับสนุนโครงการที่กำลังดำเนินอยู่ รายงานอ้างถึงทีมกฎหมายขององค์กรที่สำหรับการร่างสัญญาแต่ละครั้ง ต้องป้อนความชอบของลูกค้า หมายเหตุการเจรจาในอดีต และข้อจำกัดด้านกฎระเบียบเข้าไปในเครื่องมือ AI — ทำให้กระบวนการที่ควรเป็นแบบสนับสนุนกลายเป็นงานที่ใช้เวลานานซึ่งทำลายประสิทธิภาพในการทำงานโครงการที่ซับซ้อนหลายขั้นตอน
• การปรับแต่งที่ไม่เพียงพอสำหรับบางกระบวนการทางธุรกิจ. แทนที่จะได้เครื่องมือที่ตอบสนองและปรับให้เข้ากับบริบทที่กว้างขึ้น บริบทที่กว้างขึ้นก็ปรับให้เข้ากับเครื่องมือนั้นแทน ทำให้ผู้ใช้ต้องหาทางแก้ปัญหาโดยทำงานรอบๆ ระบบที่ไม่ยืดหยุ่น ผู้อำนวยการฝ่ายข้อมูล (CIO) ระบุว่าเครื่องมือวิเคราะห์ความเสี่ยง AI ที่ผู้ขายให้มา “ดูเหมือนกล่องที่มีขนาดเหมาะกับทุกคน” ซึ่งบังคับให้ทีมต้องปรับกระบวนการอนุมัติเครดิตให้เข้ากับการป้อนข้อมูลที่ไม่ยืดหยุ่นของเครื่องมือ AI แทนที่จะให้ AI ปรับให้เข้ากับกระบวนการที่กำหนดไว้ การไม่ตรงกันสุดท้ายทำให้การทดลองล้มเหลว

สิ่งที่ฉันพบจากรายงานของ NANDA

1. เศรษฐกิจ AI ที่ซ่อนอยู่เจริญรุ่งเรือง

รายงานนี้แนะนำคำว่า ‘เศรษฐกิจ AI ที่ซ่อนอยู่’ เพื่ออธิบายว่าพนักงานใช้ AI ในระดับของตนเองเป็นเครื่องมือส่วนบุคคล ไม่ใช่เครื่องมือที่ได้รับการอนุมัติในระดับองค์กร สิ่งนี้ดูคุ้นเคยสำหรับฉันจริงๆ เพื่อนของฉันจากสาขาแบรนด์รถยนต์จีนใน CIS แชร์ว่าเธอใช้ ChatGPT เพื่อเขียนเนื้อหาสำหรับแอป (โพสต์ข่าว โฆษณา ฯลฯ) เธอบอกว่าในระดับสำนักงานใหญ่ ไม่มีเครื่องมือ AI ที่ได้รับการอนุมัติสำหรับการใช้งานทั่วไป ดังนั้นการใช้ AI ของเธอจึงเป็นตัวเร่งและช่วยให้ประหยัดเวลา ซึ่งเธอไม่ได้พูดคุยกับหัวหน้าเกี่ยวกับเรื่องนี้

รายงานให้ตัวเลขที่เฉพาะเจาะจง ในขณะที่เพียง 40% ของบริษัทซื้อการสมัครสมาชิก LLM อย่างเป็นทางการ พนักงานจากบริษัทที่สำรวจมากกว่า 90% รายงานการใช้เครื่องมือ AI ส่วนบุคคลสำหรับงานอย่างสม่ำเสมอ การใช้งานที่ซ่อนอยู่นี้มักจะให้ผลตอบแทนที่ดีกว่าโครงการองค์กรอย่างเป็นทางการ

2. การจัดสรรการลงทุนสะท้อนถึงลำดับความสำคัญที่สับสน

รายงานเผยให้เห็นถึงการไม่สอดคล้องกันอย่างมีนัยสำคัญระหว่างการลงทุน AI และโอกาสในการได้รับผลตอบแทนจริง ประมาณ 50% ของงบประมาณ GenAI ไหลไปสู่ฟังก์ชันการขายและการตลาด เนื่องจากผลลัพธ์สามารถวัดได้ง่ายและตรงกับ KPI ระดับคณะกรรมการ อย่างไรก็ตาม ผลตอบแทนที่สูงสุดมักจะเกิดขึ้นจากกระบวนการอัตโนมัติหลังบ้าน เช่น การกำจัด BPO ซึ่งสามารถช่วยประหยัดได้ถึง 10 ล้านดอลลาร์ต่อปี การลดค่าใช้จ่ายในการสร้างสรรค์ภายนอก 30% และการประหยัดเงิน 1 ล้านดอลลาร์ต่อปีในการจัดการความเสี่ยงภายนอก การมีอคติในการลงทุนนี้ทำให้เกิดการแบ่งแยก GenAI โดยการนำทรัพยากรไปสู่กรณีการใช้งานที่มองเห็นได้แต่มักจะน้อยกว่า

อย่างไรก็ตาม ความเชื่อส่วนบุคคลของฉันคือสิ่งนี้ จากที่ฉันจำได้จากประสบการณ์ของฉันที่บริษัทธนาคารระหว่างประเทศที่เป็นเจ้าของธนาคารค้าปลีกทั่วโลก การนำเครื่องมือที่เจาะลึกเข้าสู่องค์กร ซึ่งดูดข้อมูลและ (ไม่ทราบว่า) รั่วไหลข้อมูลภายในออกไปนั้นเป็นความเสี่ยงอย่างมาก ดังนั้นฉันเข้าใจว่าทำไมการลงทะเบียนสำหรับโรงงานเนื้อหาอัตโนมัติ AI สำหรับเนื้อหาสำหรับโฆษณา Facebook จึงเป็นเรื่องง่าย ในขณะที่การเปลี่ยนแปลงหลังบ้านที่ซับซ้อนไม่ได้รับการต้อนรับอย่าง热烈 เว้นแต่จะเป็นคำสั่งโดยตรงจาก C-เลเวล การนำเครื่องมือ AI ที่เปลี่ยนแปลงอย่างจริงจังเข้าสู่กระบวนการหลักของบริษัทจะใช้เวลาอย่างน้อย 12 เดือน

幸运ที่ฉันมีโอกาสเห็นภายในเครื่องมืออัตโนมัติ AI ที่ทำสำหรับทีมขายของบริษัทผลิตหน้าต่างท้องถิ่น พวกเขาได้ว่าจ้างฟรีแลนซ์จาก n8n และเขาสร้างเครื่องมือวิเคราะห์โทรศัพท์และแชทที่มีพลังงาน AI สำหรับธุรกิจ ตอนนี้ธุรกิจสามารถค้นหาประเด็นขัดข้องในฟันเนลได้เร็วขึ้น และจุดเจ็บปวดมากขึ้นได้มาเปิดเผยเมื่อ AI ช่วยให้ธุรกิจประมวลผลข้อมูลที่เขียนและพูดได้เร็วขึ้น อัตราความพึงพอใจของพวกเขาสูงมาก โดยมีข้อมูลที่ประมวลผลได้มากขึ้นเร็วขึ้น

3. การสร้างภายในแพ้ให้กับผู้ขายภายนอก

เพื่อความจริง ฉันพบว่าการค้นพบครั้งนี้น่าประหลาดใจ การวิจัยแสดงให้เห็นว่าการร่วมมือเชิงกลยุทธ์กับผู้ขายภายนอกน่าจะไปถึงการนำไปใช้ได้มากกว่าการพัฒนาภายในสองเท่า ใครจะคิดว่ามันจะอย่างนั้นบ้าง? ดูเหมือนว่าไม่ใช่ฉัน

องค์กรที่ปฏิบัติต่อผู้ขาย AI เหมือนผู้ให้บริการทางธุรกิจ — โดยต้องการการปรับแต่งลึกและถือว่าพวกเขามีความรับผิดชอบต่อผลการดำเนินงานมากกว่ามาตรฐานแบบจำลอง — มีอัตราความสำเร็จที่สูงกว่าและเวลาที่จะไปถึงมูลค่าที่สูงกว่า

4. การลงทุนสูงหมายถึงการเปลี่ยนแปลงสูง? ไม่จำเป็นต้องเป็นเช่นนั้น

โดยใช้ดัชนีการเปลี่ยนแปลงตลาด AI ที่เป็นของประกอบ รายงานเผยให้เห็นว่าเพียงสองอุตสาหกรรม — เทคโนโลยีและโทรคมนาคมสื่อ — แสดงให้เห็นถึงการเปลี่ยนแปลงโครงสร้างที่ชัดเจนจาก GenAI ส่วนอุตสาหกรรมอื่นๆ ส่วนใหญ่แสดงให้เห็นถึงการเปลี่ยนแปลงโครงสร้างที่น้อยมาก โดยอุตสาหกรรมต่างๆ เช่น การดูแลสุขภาพ บริการทางการเงิน และพลังงานแสดงคะแนนการเปลี่ยนแปลงต่ำกว่า 0.5 ในมาตราส่วน 5 คะแนน ช่องว่างระหว่างการมองเห็นการลงทุนและความเปลี่ยนแปลงที่แท้จริงเป็นตัวอย่างของการแบ่งแยก GenAI ในระดับอุตสาหกรรม

ทำไมอัตราการล้มเหลว 95% เป็นเพียงชั่วคราว

แม้ว่าผลลัพธ์ระหว่างกาลจะดูเหมือนไร้ความหวัง แต่ก็มีความหวังที่ปลายอุโมงค์ รายงานอธิบายว่าการแบ่งแยก GenAI เป็นเพียงชั่วคราวและจะถูก克服ผ่านการพัฒนาที่เกิดขึ้น

NANDA เองเป็นหนึ่งในผู้ร่วมให้ข้อมูลที่นำไปสู่โลก AI ที่เชื่อมต่อกันมากขึ้น กลไกที่รายงานอ้างถึงคือ โพรโทคอลบริบทแบบจำลอง (หรือ MCP) และ Agent-to-Agent (หรือ A2A) เป็นพื้นฐานโครงสร้างสำหรับการทำงานร่วมกันของเอเย่นต์อย่างอิสระและประสานงานข้ามระบบ

ความพยายามของ NANDA และเครื่องมือเหล่านี้เป็นเส้นทางไปสู่สิ่งที่ NANDA ตั้งเป้าไว้ — Agentic Web ซึ่งเป็นเครือข่ายของเอเย่นต์ที่สามารถประสานงานกันเองข้ามอินเทอร์เน็ตได้ การโต้ตอบของพวกเขาจะถูกออกแบบมาเพื่อแทนที่การทำงานที่คงที่ด้วยระบบที่เรียนรู้ด้วยตนเองได้อย่างมีพลัง

มันฟังดูเหมือนเรื่องดีเกินจริงหรือแม้แต่เวทมนตร์? ดูเหมือนว่า Microsoft Copilot Studio’s Multi-Agent Orchestration เป็นตัวอย่างที่ใกล้เคียงที่สุดกับวิสัยทัศน์ ระบบนี้ช่วยสร้างต้นไม้ของเอเย่นต์ โดยที่เอเย่นต์หลัก Copilot จัดสรรให้เอเย่นต์ย่อยๆ ที่รับผิดชอบงานเฉพาะ เช่น การจัดตารางหรือการสร้างเอกสาร แต่ละเอเย่นต์ยังคงอยู่ในขอบเขตความเชี่ยวชาญของตนเอง ในขณะที่ประสานงานกับคนอื่นๆ เพื่ออธิบายให้เข้าใจง่ายขึ้น เมื่อผู้ใช้ขอ “วางแผนการเปิดตัวผลิตภัณฑ์ Q4” เอเย่นต์ผู้กำกับจะจัดสรรให้กับเอเย่นต์เฉพาะด้าน — หนึ่งจัดการการวิจัยตลาด อีกหนึ่งจัดการการสร้างตารางเวลา และอีกหนึ่งประสานงานกับเครื่องมือการจัดการโครงการ งานดำเนินไปอย่างสอดคล้องกัน แต่ด้วยความเป็นอิสระ

ดังนั้น รายงานของ NANDA จะให้อะไรแก่เรา? ช่องโหว่ในการข้ามการแบ่งแยก GenAI กำลังแคบลงอย่างรวดเร็ว เนื่องจากองค์กรเริ่มล็อกความสัมพันธ์กับผู้ขายที่มีเครื่องมือที่สามารถเรียนรู้ ซึ่งสร้างการเปลี่ยนแปลงและพัฒนากระบวนการทางธุรกิจในหลังบ้าน โดยเพิ่มความเร็วให้กับแก่นแท้ขององค์กร ความสำเร็จอยู่ที่การซื้อระบบเอเย่นต์ AI แทนที่จะสร้างขึ้นภายในองค์กรเอง เมื่อระบบการเรียนรู้ของเอเย่นต์ การจดจำ และระบบที่มีประสิทธิภาพและเป็นอิสระมากขึ้น อัตราการล้มเหลว 95% ในปัจจุบันจะเปลี่ยนไปสู่ยุคใหม่ที่ระบบ AI โต้ตอบกันอย่างราบรื่นข้ามผู้ขาย โดเมน และขอบเขตขององค์กร นั่นคือผลตอบแทนที่แท้จริงของการลงทุนในปัจจุบัน

มุมมองที่แตกต่างเกี่ยวกับการนำ AI ไปใช้

โครงการ NANDA ได้ทำการรวบรวมข้อมูลจากแหล่งต่างๆ และสำรวจผู้นำจากหลายสาขา แต่สิ่งนี้คือเสียงที่เป็นหนึ่งเดียวสำหรับการนำ AI ไปใช้ทั่วโลกหรือไม่? หากคุณเหมือนกับฉันพบว่า The GenAI Divide น่าเสียใจ หากไม่พูดว่าน่าหดหู่ ฉันพบมุมมองที่แตกต่างเกี่ยวกับการนำ AI ไปใช้เพื่อให้ไฟแห่งความเชื่อมั่นใน AI ของฉันยังคงลุกโชน

• Jed Nykolle Harme of IT Brief UK วิเคราะห์ CIO Playbook 2025 โดย Lenovo การศึกษานี้รวมถึงข้อคิดเห็นจากผู้นำด้าน IT ทั่ว EMEA (ยุโรป ตะวันออกกลาง และแอฟริกา) และข้อสรุปของมันนั้นให้ความหวังมากกว่า มันปรากฏว่าอุตสาหกรรมค้าปลีกเป็นผู้นำในด้านความพึงพอใจของ AI โดย 96% ของประสิทธิภาพการบิน AI อยู่ในหรือเกินความคาดหวัง
• ก่อนหน้านี้ฉันแสดงความเห็นอกเห็นใจต่อผู้เล่นตลาดองค์กรขนาดใหญ่ที่พบว่า AI ยากที่จะนำไปใช้ และไม่ได้เปิดกว้างสำหรับการบูรณาการอย่างเข้มข้น Lenovo เสนอตัวอย่างที่แตกต่าง โดยในอุตสาหกรรมธนาคาร บริการทางการเงิน และประกัน (BFIS) ซึ่งมีอัตราการนำ AI ไปใช้น้อยที่สุด 7% 33% ของผู้ทดสอบ AI รายงานว่าการทดลองของพวกเขามีผลลัพธ์ที่เกินความคาดหวัง “แนวทางที่ระมัดระวัง” ตามที่ Arabian Business ระบุ เป็นกุญแจสำคัญของแนวโน้มเชิงบวกเหล่านี้
• รายงานที่ให้ความมั่นใจอีกอย่างหนึ่ง IBM CEO Study เริ่มต้นด้วยคำนำที่กล้าได้กล้าเสียโดย IBM Vice Chairman Gary Cohn: “เมื่อการนำ AI ไปใช้เร็วขึ้น … ผลตอบแทนที่แท้จริงจะมาถึง CEO ที่มีความกล้าเสี่ยงในการใช้โอกาส … เมื่อสภาพแวดล้อมทางธุรกิจไม่แน่นอน การใช้ AI และข้อมูลขององค์กรเพื่อระบุจุดที่คุณมีอำนาจคือความได้เปรียบในการแข่งขัน ในจุดนี้ ผู้นำที่ไม่ได้ใช้ AI และข้อมูลของตนเองเพื่อเคลื่อนไปข้างหน้านั้นกำลังตัดสินใจทางธุรกิจที่จะไม่แข่งขัน”
• การศึกษาของ IBM CEO แสดงให้เห็นถึงข้อเท็จจริงที่น่าประทับใจ ตัวอย่างเช่น การเติบโตของการลงทุน AI คาดว่าจะเพิ่มขึ้นมากกว่าสองเท่าในสองปีถัดไป โดยที่เกือบ 20% ของงบประมาณ IT จะถูกจัดสรรให้กับ AI — การมุ่งมั่นนี้แสดงให้เห็นว่าแม้จะมีการท้าทายที่เห็นได้ชัดและพิสูจน์แล้ว ความเชื่อมั่นใน AI ยังคงแข็งแกร่ง และเป็นการลงทุนที่มีกลยุทธ์มากกว่าการใช้จ่ายแบบตอบสนอง
• สุดท้าย 64% ของ CEO ในรายงานเห็นด้วยว่าความเสี่ยงของการถูกทิ้งไว้ข้างหลังเป็นตัวขับเคลื่อนการลงทุนในเทคโนโลยีใหม่ๆ ก่อนที่จะมีความเข้าใจที่ชัดเจนเกี่ยวกับผลกระทบของมัน อย่างไรก็ตาม ไม่มีการตัดสินใจอย่างรวดเร็ว ผู้ตัดสินใจเลือก “การป้องกันเชิงกลยุทธ์” แทน ในคำพูดที่เรียบง่าย เมื่อคู่แข่งเปิดตัว AI ชาตบอทสำหรับการแนะนำส่วนบุคคล คุณก็ทำเช่นเดียวกันสำหรับเว็บไซต์ของคุณ คุณอาจไม่แน่ใจเกี่ยวกับการเพิ่มรายได้ แต่คุณรู้ว่าหากคุณชะลอไปอีกสองปีจนกว่า “ชุดข้อมูลที่สมบูรณ์แบบ” จะถูกสร้างขึ้น คุณจะสูญเสียโมเมนตัมไปอย่างไม่กลับกัน ดังนั้นกฎจึงง่าย: คัดลอกอย่างต่อเนื่อง จากนั้นจึงดูผลลัพธ์

สรุป

ในการสรุป ฉันอยากจะแสดงความเชื่อมั่นใน AI ของฉัน ในฐานะผู้ประกอบการ ผู้จัดการฝ่ายการตลาด ผู้พัฒนาองค์กร และอดีตพนักงานสำนักงานในธนาคาร ฉันเห็นหลายวิธีที่ AI สามารถช่วยให้การทำงานมีประสิทธิภาพ ปรับปรุงกระบวนการ และ boost teams อนาคตเป็นของการเพิ่มประสิทธิภาพและเร่งความเร็ว หากธุรกิจต้องการแข่งขัน มันจะต้องมีความชำนาญใน AI ในขณะที่การค้นพบที่ฉันนำเสนออาจเป็นที่ถกเถียง ฉันเชื่อมั่นว่าภูมิทัศน์ AI ปัจจุบันพร้อมกับจุดสูงสุดและหุบเหวของมัน เป็นช่วงเวลาการเรียนรู้ตามธรรมชาติที่ซ้ำๆ กันสำหรับทุกเทคโนโลยีใหม่