สิ่งที่ผู้ที่หวังจะพัฒนา AI ที่สร้างสรรค์สามารถเรียนรู้จากการทดลองผิดพลาดของการประมวลผลแบบคลาวด์

AI ที่สร้างสรรค์ (GenAI) มาอยู่แล้ว โดยมีองค์กรทั่วโลกที่ชื่นชมความสามารถของเทคโนโลยีนี้แล้ว โดยปัจจุบัน 72% ขององค์กร รายงานว่าใช้ GenAI อย่างกว้างขวางหรือบางส่วน และอีก 26% กำลังทดลองใช้เทคโนโลยีนี้ อย่างไรก็ตาม การนำ GenAI มาใช้ในระดับนี้ยังคงอยู่ในช่วงเริ่มต้น

ตาม McKinsey เพียง 1% ของผู้บริหารระดับสูงของบริษัทอธิบายถึงการนำ GenAI ไปใช้ว่าเป็น “เต็มที่” หมายความว่าเทคโนโลยีนี้ได้รับการรวมเข้ากับกระบวนการทำงานและผลิตผลธุรกิจที่สำคัญ การปิดช่องว่างด้านความเต็มที่นี้ต้องการการปรับเปลี่ยนเส้นทางอย่างต่อเนื่อง ซึ่งมักจะกลายเป็นอุปสรรคในการใช้งาน เช่น ค่าใช้จ่ายที่สูง ความไม่ไว้วางใจในเทคโนโลยีที่ไม่ได้รับการพิสูจน์ และความเสี่ยงด้านกฎระเบียบ หากความท้าทายเหล่านี้ดูคุ้นเคย พวกมันควรจะคุ้นเคย – เมื่อทีมไอทีเริ่มใช้คลาวด์เป็นเทรนด์ใหม่ อุปสรรคเหล่านี้เกิดขึ้นในหลายๆ ด้าน

สองคลื่นของความกระตือรือร้นในเทคโนโลยีใหม่นี้แตกต่างกันในบางด้าน ในขณะที่การประมวลผลแบบคลาวด์ถูกนำไปใช้ในระบบที่สำคัญต่อภารกิจมากขึ้น GenAI ถูกนำมาใช้เร็วขึ้นในขั้นตอนการทดลองและสำหรับการใช้งานที่อุทิศให้กับการเพิ่มประสิทธิภาพและผลผลิตเป็นหลัก อย่างไรก็ตาม การเรียนรู้เป็นคลื่นเดียวกัน ทั้งสองต้องการให้องค์กรคิดและทำงานในแบบที่แตกต่าง

โดยการสะท้อนถึงประสบการณ์ของผู้ที่นำคลาวด์มาใช้ก่อนหน้านี้ ผู้ที่หวังจะพัฒนา AI ที่สร้างสรรค์สามารถเตรียมตัวให้พร้อมสำหรับอนาคตที่ดีขึ้น

การบริหารจัดการต้นทุน ความเสี่ยง และการเปลี่ยนแปลง: การเรียนรู้จากข้อผิดพลาดของคลาวด์

เมื่อเราเลื่อนเวลาไปสู่ช่วงเวลาที่เทคโนโลยีคลาวด์เริ่มได้รับความนิยม องค์กรหลายแห่งมองข้ามความซับซ้อนของการย้ายระบบและประมาณการต้นทุนการประหยัดในระยะสั้นเป็นอย่างมาก ดังนั้น องค์กรเหล่านั้นจึงตกเป็นเหยื่อของอุปสรรคหลักๆ สามประการ ได้แก่ การจัดการต้นทุนที่ไม่ดี, การตั้งค่าความปลอดภัยที่ไม่ถูกต้อง และการดื้อแพ้ตามธรรมชาติที่เกิดขึ้นพร้อมกับการเปลี่ยนแปลงทางวัฒนธรรมและองค์กร

ยุคคลาวด์สอนเราให้รู้ว่าการ “ยกและย้าย” งาน (ย้ายไปที่คลาวด์โดยไม่ปรับปรุง) มักจะล้มเหลวในการส่งมอบคุณค่า ในทำนองเดียวกัน โครงการ GenAI บ่อยครั้งหยุดชะงักเมื่อองค์กรพยายามเสียบข้อมูลที่มีอยู่แล้วที่ไม่มีโครงสร้างหรือไม่ได้รับการจัดทำเอกสารเข้าไปในโมเดลใหม่ที่มีพลังโดยไม่อัปเดตพื้นฐานข้อมูล ในความเป็นจริง โครงการ GenAI สามารถส่งผลลัพธ์ที่น่าผิดหวังหรือแม้กระทั่งเสริมสร้างความไม่มีประสิทธิภาพที่มีอยู่แล้ว บทเรียนคือ เทคโนโลยีเพียงอย่างเดียวไม่สามารถเอาชนะความอ่อนแอของพื้นฐานได้

เช่นเดียวกับเทคโนโลยีคลาวด์ที่เปิดเผยช่องว่างในด้านการกำกับดูแล ทักษะ และกลยุทธ์ระยะยาว GenAI ก็ทำเช่นเดียวกัน หากพนักงานใช้เครื่องมือ GenAI โดยไม่มีการกำกับดูแลหรือใช้เทคโนโลยีนอกเหนือจากนโยบายการใช้ที่ยอมรับได้ ความเสี่ยงของ IT ที่ไม่ได้รับการควบคุมอาจกลับมาอีกครั้ง พร้อมกับความยากลำบากในการรักษาความปลอดภัยของ GenAI และการรับรองความสอดคล้องในระดับใหญ่ ความคล้ายคลึงกันเหล่านี้จะยังคงปรากฏขึ้นเมื่อ GenAI เคลื่อนจากการทดลองไปสู่การรวมเข้ากับองค์กรอย่างกว้างขวาง ซึ่งต้องการโครงสร้างการรักษาความปลอดภัยที่เข้มแข็ง แผนการตอบสนองต่อเหตุการณ์ และโครงสร้างการกำกับดูแลที่พบในคลาวด์

นอกเหนือจากการบริหารความเสี่ยง การขยายต้นทุนที่ไม่ได้รับการจัดการเป็นปัญหาที่ยาวนานในด้านเทคโนโลยี คลาวด์ก็ไม่ยกเว้น และเมื่อธุรกิจต่างๆ ต่อท่อ GenAI เข้ากับกระบวนการทำงาน พวกเขาก็เผชิญกับการเพิ่มขึ้นของต้นทุนในทำนองเดียวกัน

จำนวนองค์กรที่พยายามปรับปรุงกลยุทธ์การจัดการต้นทุนกำลังหันไปใช้ FinOps เป็นคำตอบ โดยใช้ข้อมูลเชิงลึกที่มีประสิทธิภาพและขับเคลื่อนด้วยข้อมูลเพื่อปรับปรุงการคาดการณ์และส่งเสริมความรับผิดชอบและความร่วมมือระหว่างหน่วยงานต่างๆ โครงสร้าง FinOps ที่ครอบคลุมได้พิสูจน์แล้วว่ามีคุณค่าในการลดการเพิ่มขึ้นของต้นทุนและเพิ่มคุณค่าทางธุรกิจ FinOps ไม่ได้จำกัดอยู่แค่การบริหารจัดการต้นทุนคลาวด์เท่านั้น แต่ยังเป็นตัวเลือกที่ใช้ได้สำหรับการใช้จ่าย GenAI เช่นกัน

การนำบทเรียนจากคลาวด์มาใช้กับ GenAI

จนถึงสิ้นปีนี้ Gartner คาดการณ์ว่าอย่างน้อย 30% ของโครงการ GenAI จะถูกทิ้งหลังจากการแสดงแนวคิด เมื่อความตื่นเต้นเกินความเป็นจริง รูปแบบที่ซ่อนอยู่เบื้องหลังความล้มเหลวของโครงการ GenAI เช่น ข้อมูลที่ไม่พร้อมใช้งาน การเป็นเจ้าของธุรกิจที่ไม่ชัดเจน หรือความซับซอนที่ไม่จำเป็น มักจะไม่ได้รับการสังเกตเห็นในการรีบนำเทคโนโลยีใหม่มาใช้ การตระหนักและแก้ไขสัญญาณเหล่านี้ในระยะแรกสามารถหมายถึงความแตกต่างระหว่างความสำเร็จของ GenAI และโครงการที่ถูกทิ้งอีกโครงการหนึ่ง ผู้นำที่ติดตามสัญญาณเหล่านี้อย่างกระตือรือร้น แทนที่จะข้ามขั้นตอนนี้ ตั้งค่าทีมของตนให้พร้อมสำหรับความสำเร็จในระยะยาว

เมื่อการนำไปใช้ได้รับการอนุมัติแล้ว บริษัทควรเน้นไปที่โครงการ GenAI ที่เล็กและสามารถทดสอบได้จริงเพื่อให้แน่ใจว่ามีคุณค่าในโลกแห่งความเป็นจริง แทนที่จะกระโดดไปสู่การขยายขนาดองค์กรทันที เป็นสิ่งสำคัญที่บริษัทต่างๆ จะเริ่มต้นด้วยกรณีการใช้งานที่ชัดเจนและเน้นผลกระทบสูงเพียงไม่กี่กรณี โดยมีเป้าหมาย ROI ที่ชัดเจนเชื่อมโยงกับความต้องการทางธุรกิจที่แท้จริง

สิ่งนี้รับประกันชัยชนะในระยะแรก สร้างความมั่นใจภายในและหลีกเลี่ยงการเสียเวลาและทรัพยากรไปกับการทดลองแบบทั่วไป โดยการยึดการนำ GenAI มาใช้กับผลลัพธ์ที่เป็นรูปธรรม เช่น การสร้างสรรค์สรุปการสนับสนุนลูกค้าโดยอัตโนมัติหรือเร่งการตรวจสอบโค้ด องค์กรสามารถแสดงคุณค่าได้อย่างรวดเร็ว ปรับปรุงแนวทางของตน และขยายขนาดในเชิงกลยุทธ์มากขึ้น นอกจากนี้ยังช่วยให้ความพยายามทางเทคนิคสอดคล้องกับเป้าหมายทางธุรกิจ ซึ่งเป็นจุดที่หลายๆ โครงการ GenAI ปัจจุบันล้มเหลว

จากตรงนั้น การสร้างการตรวจสอบและถ่วงดุลที่เข้มแข็ง การติดตามอย่างต่อเนื่อง และนโยบายการกำกับดูแลที่ชัดเจนเป็นขั้นตอนสำคัญถัดไปสำหรับการใช้งานที่รับผิดชอบและปฏิบัติตามกฎระเบียบ การมีส่วนร่วมกับผู้เชี่ยวชาญภายนอกสามารถเป็นขั้นตอนแรกที่ดีในการนำทางภูมิทัศน์ทางกฎระเบียบที่ซับซ้อนและเปลี่ยนแปลงอย่างต่อเนื่อง โดยการลงทุนในเครื่องมือและโครงสร้างพื้นฐานที่เหมาะสมในช่วงแรกของกระบวนการนำ GenAI ไปใช้ รวมถึงการฝึกอบรมอย่างต่อเนื่อง องค์กรสามารถสร้างรากฐานสำหรับความสำเร็จที่ยั่งยืน

การสร้างสมดุลที่ถูกต้องด้วยนวัตกรรม GenAI

โดยการนำบทเรียนจากยุคคลาวด์มาใช้ด้วยความมีวินัยและความมองการณ์ไกล องค์กรสามารถหลีกเลี่ยงข้อผิดพลาดที่มีค่าใช้จ่ายและปลดปล่อยพลังของ GenAI ได้อย่างเต็มที่ – อย่างปลอดภัย ยั่งยืน และในระดับใหญ่

GenAI มีแนวโน้มที่จะยังคงเป็นพลังที่มีอำนาจ โดย 70% ของซีอีโอ รายงานว่าคาดว่าเทคโนโลยีนี้จะส่งผลกระทบต่อรูปแบบธุรกิจของตนในช่วงสามปีข้างหน้า เป็นตัวเลขที่เพิ่มขึ้นเป็น 89% ในหมู่ผู้ที่ใช้เทคโนโลยีนี้แล้ว แน่นอนว่าศักยภาพในการเปลี่ยนแปลงของ GenAI กำลังพิสูจน์คุณค่าให้กับผู้ตัดสินใจระดับสูง แต่ผลกระทบที่ยั่งยืนในระดับใหญ่ยังคงต้องอาศัยการแก้ไขปัญหาด้านความไว้วางใจ การกำกับดูแล และการรวมเข้าด้วยกัน