การแก้ปัญหาเรื่องวิธีการและเวลาที่เหมาะสม: การผสมผสานกลยุทธ์ธุรกิจเข้ากับการนำ AI มาใช้

เรามาถึงจุดเปลี่ยนสำคัญของปัญญาประดิษฐ์ (AI) โดยที่การอภิปรายในห้องประชุมคณะกรรมการได้เปลี่ยนจากการตั้งคำถามถึงประสิทธิผลไปสู่การเร่งการนำไปใช้แล้ว นี่เป็นช่วงเวลาที่น่าตื่นเต้น โดยเฉพาะเมื่อพิจารณาถึงอัตราการเปลี่ยนแปลงที่จะไม่ช้าลงอีกต่อไป ตามรายงานของ BCG แม้จะมีความไม่แน่นอนทางเศรษฐกิจทั่วโลก แต่นวัตกรรมก็เพิ่มขึ้นเป็นลำดับความสำคัญอันดับต้นๆ ขององค์กรในปี 2023 โดย 79% ของบริษัทจัดให้นวัตกรรมเป็นหนึ่งในสามเป้าหมายหลัก

การมุ่งเน้นไปที่นวัตกรรมเพียงอย่างเดียวไม่ใช่กลยุทธ์ธุรกิจที่ดี และองค์กรที่หลงใหลในกระแส AI อาจลงทุนในเรื่องที่ไม่ได้สร้างมูลค่าระยะยาว การทำความเข้าใจความแตกต่างนี้ต้องใช้การประเมินความสามารถในปัจจุบันอย่างรอบคอบและความอดทนในการจัดลำดับความสำคัญของการเติบโตที่ยั่งยืนมากกว่ากระแสระยะสั้น

เขต Goldilocks

ประวัติศาสตร์ธุรกิจเต็มไปด้วยตัวอย่างของบริษัทที่การตัดสินใจเชิงกลยุทธ์ในเวลาสำคัญมีผลกระทบต่อการดำรงอยู่ของพวกเขา ตัวอย่างเช่น แอมะซอนรอดพ้นจากฟองสบู่ดอทคอม โดยการรับรู้ถึงความสำคัญของการปรับกลยุทธ์การบัญชีและเพิ่มเงินสำรองในขณะที่บริษัทอื่นๆ กำลังเผาเงินสดเหมือนไม่มีวันพรุ่ง จุดสำคัญคือการตัดสินใจธุรกิจที่ดีเป็นสิ่งสำคัญกว่าเดิมในช่วงเวลาของความกระตือรือร้น และการวางแผนสำหรับอนาคตต้องใช้ความสามารถในการคิดผ่านสถานการณ์ที่เป็นไปได้ทั้งหมด

โดยรวมแล้ว มีความรู้สึกทั่วไปของ AI FOMO (“ความกลัวที่จะพลาด”) ที่ซึมซับเข้าไปในทีมผู้นำ ซึ่งยิ่งซับซ้อนโดยความเป็นจริงที่ว่าการไม่ทำอะไรเลย (เช่น การยอมจำนนต่อ “การวิเคราะห์โดยการวิเคราะห์”) ก็เป็นภัยคุกคามที่แท้จริงเช่นกัน (เพียงถาม โคดัก.) นี่คือ 3 ข้อพิจารณาสำหรับบริษัทที่กำลังมองหาพื้นที่ “Goldilocks” ของ AI – ไม่ใช่การลงทุนเร็วหรือช้าเกินไป แต่การค้นหาจุดที่เหมาะสมของนวัตกรรมที่ยั่งยืน

1. มุ่งเน้นไปที่การเติบโตของข้อมูลก่อน

เหมือนกับเครื่องจักรอื่นๆ การทำความเข้าใจกลไกภายในเพื่อทำความเข้าใจว่าประโยชน์มาจากที่ใด คือ AI ไม่ใช่ผลิตภัณฑ์ที่สมบูรณ์แบบ แต่โมเดลภาษาขนาดใหญ่ (LLMs) ขึ้นอยู่กับข้อมูลจุดหลากหลายเพื่อเรียนรู้รูปแบบ บริบท และความแตกต่างทางภาษา ขนาดและความซับซ้อนของ LLMs ต้องการข้อมูลการฝึกอบรมอย่างกว้างขวางเพื่อทำงานได้อย่างมีประสิทธิภาพในโดเมนต่างๆ และงานต่างๆ คุณภาพและปริมาณของข้อมูลนี้จะมีผลกระทบอย่างมากต่อประสิทธิภาพของ LLMs และโดยการขยายไปยังชุดเครื่องมือ AI ของบริษัท

การสร้างระบบนิเวศข้อมูลที่มีประสิทธิภาพมากขึ้นจึงเป็นการลงทุนที่ชาญฉลาดสำหรับบริษัทใดๆ ที่วางแผนการเปลี่ยนแปลง AI และข้อมูลนี้จะทำหน้าที่เป็นพื้นฐานสำหรับ LLMs เมื่อพวกมันเติบโตและพัฒนา นี่คือที่ที่ข้อมูลคุณภาพสูงมีความสำคัญมากขึ้น ในขณะที่การศึกษาพบว่า LLMs สามารถทำงานได้ดีแม้จะใช้ข้อมูลน้อย แต่ผู้เชี่ยวชาญบอกว่า “ผลกระทบของคุณภาพและความหลากหลายของข้อมูลต่อการฝึกอบรม LLMs (การฝึกอบรมก่อน การฝึกอบรมละเอียด การควบคุม ฯลฯ) มีความสำคัญอย่างมาก”

2. ระบุกรณีการใช้งานทางธุรกิจ

ในขณะที่ AI มีความสามารถในการใช้งานภายนอก แต่บริษัทส่วนใหญ่มุ่งเน้นไปที่การใช้เทคโนโลยีนี้เพื่อเพิ่มประสิทธิภาพกระบวนการภายใน “เพิ่มประสิทธิภาพ” คือคำสำคัญที่นี่ หมายความว่าบริษัทไม่ควรคาดหวังที่จะแค่เสียบปลั๊กและเล่น AI เพื่อปรับปรุงผลลัพธ์ แต่บางกรณีการใช้ AI ที่ประสบความสำเร็จที่สุดเกี่ยวข้องกับการวิเคราะห์ข้อมูลเพื่อเปิดเผยข้อมูลเชิงลึกที่มีคุณค่าเกี่ยวกับพฤติกรรมของลูกค้า รูปแบบตลาด และความเสี่ยง ที่ได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพในการปรับกระบวนการภายใน รวมถึงสิ่งต่างๆ เช่น การทำให้กระบวนการทำงานอัตโนมัติเพื่อจัดสรรเวลาให้พนักงานให้ทำงานที่มีมูลค่าสูงกว่า

โดยสรุป แทนที่จะเสียเวลาในการค้นหาว่าควรใช้โมเดล AI ใด องค์กรควรเน้นไปที่ปัญหาที่เฉพาะเจาะจงที่ต้องการให้ AI ช่วยแก้ไข (เช่น เริ่มต้นด้วยสิ่งที่ต้องการเปลี่ยนแปลง ตั้งค่า KPI ที่ต้องการมีอิทธิพล และจากนั้นย้อนกลับไปหาทools AI ที่จะบรรลุวัตถุประสงค์เหล่านั้น) ตาม การสำรวจผู้บริหารระดับสูงของ MIT 90% ของผู้ที่ใช้ AI เพื่อสร้าง KPI ใหม่บอกว่าพวกเขาเห็น KPI ดีขึ้น “KPI ที่ได้รับแรงบันดาลใจจาก AI เหล่านี้นำเสนอผลประโยชน์ทางธุรกิจและแสดงให้เห็นถึงความสามารถใหม่ๆ: พวกมันนำไปสู่ประสิทธิภาพที่ดีขึ้นและผลประโยชน์ทางการเงินที่มากขึ้น และมักจะมีรายละเอียดมากขึ้น รวดเร็ว และสอดคล้องกับวัตถุประสงค์ขององค์กร”

3. สร้างเครื่องมือ AI ที่กำหนดเองโดยใช้ LLMs ที่เปิดกว้าง

การสร้างหรือซื้อ – นั่นคือคำถาม การสร้างโซลูชัน AI ที่กำหนดเองอาจดูเหมือนยาก และหลายบริษัทเลือกที่จะซื้อลิขสิทธิ์จากผู้ขายภายนอกที่มี LLM ที่เป็นกรรมสิทธิ์เพื่อหลีกเลี่ยงการเดินไปในเส้นทางนั้น อย่างไรก็ตาม ลิขสิทธิ์อาจจำกัดวิธีการใช้ LLM และค่าลิขสิทธิ์อาจมีราคาแพงมากในระยะยาว ในทางกลับกัน LLMs ที่เปิดกว้างนั้นฟรี และโครงสร้างพื้นฐานที่ซ่อนอยู่มีให้สำหรับนักพัฒนาที่จะเข้าถึง สร้างและปรับเปลี่ยนตามความต้องการเฉพาะของบริษัท

ระบบนิเวศแบบเปิดกว้างนี้ได้รับความนิยมมากขึ้นเมื่อบริษัทต่างๆ พยายามที่จะเก็บข้อมูลที่ละเอียดอ่อนไว้บนเครือข่ายของตนเองและรักษาการควบคุมข้อมูลของตน LLMs ที่เปิดกว้างให้บริษัทมีความโปร่งใสและความยืดหยุ่นนี้ พร้อมกับประโยชน์ในการลดปัญหาความล่าช้าและเพิ่มประสิทธิภาพ IBM และ NASA ร่วมมือกันเพื่อสร้าง LLMs ที่เปิดกว้างที่ฝึกอบรมด้วยข้อมูลทางภูมิศาสตร์ เพื่อช่วยนักวิทยาศาสตร์ต่อสู้กับการเปลี่ยนแปลงสภาพภูมิอากาศ ซึ่งเป็นส่วนหนึ่งของโครงการ Open-Source Science ของ NASA ที่มีอายุ 10 ปี เพื่อสร้างชุมชนวิทยาศาสตร์ที่เข้าถึงได้ มีความ包容 และมีการทำงานร่วมกันมากขึ้น

เช่นเดียวกับเทคโนโลยีที่เปิดกว้างอื่นๆ มีความเสี่ยงที่เกี่ยวข้องกับ LLMs ที่เปิดกว้าง รวมถึงการรั่วไหลของข้อมูล การละเมิดความปลอดภัย การบิดเบือนข้อมูลที่ไม่ถูกต้องหรือมีข้อบกพร่อง และผู้กระทำความผิดที่จงใจบิดเบือนข้อมูล แต่โมเดลที่เปิดกว้างกำลังฉลาดและปลอดภัยมากขึ้น ซึ่งนำไปสู่ ผู้เชี่ยวชาญบางคน ที่รู้สึกว่า LLMs ที่เปิดกว้างจะถึงระดับของ LLMs ที่ดีที่สุดในไม่ช้า ซึ่งทำให้การลงทุนในการนำไปใช้เร็วๆ นี้และเวลาในการเพิ่มทักษะทีมมีความสมเหตุสมผล

การนำ AI มาใช้จะเป็นการแข่งขันสปรินท์หลายๆ ครั้งในมาราธอน

ตาม ตัวเลขล่าสุด มีบริษัท AI ประมาณ 15,000 แห่งในสหรัฐอเมริกา ซึ่งมากกว่าจำนวนที่มีในปี 2017 ถึงสองเท่า ทั่วโลก ตัวเลขเหล่านี้เพิ่มขึ้นเกือบสี่เท่า ด้วยจำนวนผู้ขายและ สตาร์ทอัพใหม่ๆ ที่กำลังโปรโมตบริการของตน จึงไม่น่าแปลกใจที่บริษัทต่างๆ จะต้องดิ้นรนในการตัดสินใจว่าจะลงทุนเวลาและเงินไปที่ไหน แต่ด้วยการประเมินความต้องการและความเสี่ยง/ผลตอบแทนจากการนำนวัตกรรมมาใช้อย่างรอบคอบ ผู้นำจะพบส่วนผสมที่ถูกต้องของ AI ที่จะผลักดันบริษัทของตนไปสู่อนาคตของการเติบโตที่ยั่งยืน