Активація даних для закриття розриву між інвестиціями в штучний інтелект та отриманням прибутку: 4 кроки для реалізації бізнес-цінності через агентські рішення штучного інтелекту

Відразу ж після четвертого поспіль «року штучного інтелекту» багато лідерів організацій розглядають два суперечливих питання. По-перше, чи є генеративний штучний інтелект найпереворотнішим технологічним досягненням 21-го століття? По-друге, чи є штучний інтелект переоціненим? Я б парадоксально відповів «так» на обидва питання. Але я вважаю, що ці лідери повинні ставити собі інше питання: як моя організація може отримати бізнес-цінність від штучного інтелекту прямо зараз?

Реальність така, що багато компаній протягом останніх трьох років інвестували в нові технології штучного інтелекту та експериментували з новими інструментами штучного інтелекту, але вони ще не отримали передбачені результати. Незважаючи на тиск з боку керівників компанії щодо «штучного інтелекту всіх речей», організації не бачать повернення інвестицій, яких вони бажають. Це не повинно бути несподіванкою. Історія вчить нас, що найдосконаліші технічні інновації потребують часу, перш ніж вони окупляться. Є затримка між технічним винаходом та бізнес-інновацією.

Томас Едісон продемонстрував силу електрики в Манхеттені в 1882 році, але лише тоді, коли Форд представив електрифіковану збірку в 1913 році, електрика повністю витіснила парову енергію в виробництві. Чи можете ви уявити собі керівника підприємства в 1885 році, який закликає своїх робітників почати експериментувати з електричною енергією? Тим не менш, електрична енергія перемогла і проложила шлях багатьом революційним інноваціям 20-го століття, від радіопередач до цифрових обчислень.

Як більш недавній приклад, Всесвітня павутина стала популярною на початку 90-х років. Використання споживачами вибухнуло одразу, але прийняття бізнесом відставало. Пройшло півдесятиліття, перш ніж більшість підприємств почали отримувати вигоду від Всесвітньої павутини через електронну комерцію. Тим не менш, Всесвітня павутина проложила шлях соціальним медіа, мобільному взаємодіянню, обчисленням в хмарі та, врешті-решт, штучному інтелекту. Бізнес-цінність генерується інкрементально з нових технологій.

Якщо електрична епоха бізнесу почалася з збірки, а епоха Всесвітньої павутини почалася з електронної комерції, то яка буде вирішальною програмою для епохи бізнесу штучного інтелекту? Запуск ChatGPT у кінці 2022 року продемонстрував силу великих мовних моделей загальній публіці. Через свою популярність «чат-бот, який розуміє мене і звучить як людина», став архетипом того, як штучний інтелект міг бути застосований. В результаті багато підприємств почали з штучного інтелекту, вводячи подібних помічників, налаштованих на свою версію ChatGPT. У багатьох випадках результати були добре прийняті користувачами, але повернення інвестицій у продуктивність важко виміряти.

Одним з найбільш розвинених застосувань великих мовних моделей для бізнесу є область помічників з кодуванням. Claude Code, Cursor та інші інструменти здобули широкую популярність, демонструючи майже магічні результати. Однак дослідження вказують на те, що продуктивні вигоди окремих розробників ще не перекладалися в загальну продуктивність організації. Крім того, прискорення розробки не допомагає організації в її бізнесовій діяльності, якщо те, що створюється, не самі по собі приносять бізнес-цінність. Помічники з кодуванням допоможуть масштабувати прийняття штучного інтелекту з часом, але вони не є вирішальною програмою.

Щоб знайти найбільш впливаюче застосування штучного інтелекту, організації повинні зосередитися на механізмах, які рухають їхні власні бізнес-моделі. У нашій книзі «Розпакування підприємства» Стівен Фішман і я розглядаємо концепцію «цінових динамік», методу розбиття бізнес-моделей на набір взаємопов’язаних цінностей. Цінності включають кілька «валют», включаючи плату, економію часу, охоплення та покращення якості. Найунікальнішою валютою є дані. У книзі ми показуємо, як компанії, такі як Google та Meta, перетворили накопичення даних у цифрову домінацію. Їхній успіх прийшов завдяки забезпеченню реального часу, автоматичних зв’язків у їхніх цінностях. Вони пов’язали збір даних з генерацією доходу у добродійному колі. Обидві компанії контекстуалізували дані клієнтів у вигляді таргетованої реклами, а потім використали це для стимулювання свого основного доходу та збору ще більше даних через взаємодію користувачів.

Хоча багато організацій протягом останніх двох десятиліть збирали та уточнювали дані, вони ще не повністю використали потенційну віддачу даних через такий маховик. У своєму ядрі велика мовна модель є просто застосованими даними. Вона має потенціал бути двигуном, який рухає такий маховик цінності для організацій, але цей двигун потребує палива у вигляді контекстуалізованих даних та повинен бути прикріплений до механізмів бізнес-моделі організації. Цей «процес активації даних» робить дані довіреними та доступними у масштабі, створюючи основу для більш динамічної автоматизації в підприємстві та, врешті-решт, розкриваючи вирішальну програму штучного інтелекту для таких організацій.

Що будуть виглядатити організації, які активували свої дані для епохи штучного інтелекту? Розгляньте наступні сценарії:

• Фармацевтична компанія, яка зараз повинна робити багатомільйонні, багаторічні ставки на нові лікарські засоби, перетворюється у більш гнучку компанію з коротшими, паралельними клінічними циклами, забезпеченими динамічною, штучно-інтелектуальною автоматизацією
• Рітейл-банк, який зараз надсилає «надію та молитву» пропозиції продуктам усім своїм клієнтам з малим прийняттям та ручною подальшою обробкою, перетворюється у персоналізовані пропозиції з оптимізованою кредитною видачею, що призводить до вищого прийняття прибуткових кредитних продуктів
• Рітейлер, чия поточна система управління запасами наповнена як надмірними, так і недостатніми запасами, перетворюється у компанію, яка розуміє свою позицію запасів у реальному часі, завдяки прямим з’єднанням з виходом, складом та постачальниками, проаналізованими через постійно діючих агентів штучного інтелекту

Дорога до повернення інвестицій, викладена в цих сценаріях, слідує цій новій формі динамічної автоматизації та рухається активацією даних.

Як організації можуть почати цей шлях? Ось чотири кроки, щоб почати…

Крок 1: Пізнайте ціннісні динаміки своєї організації

Розбиття бізнес-моделі організації на її основні цінності є безцінним за кількох причин. Результатом є карта цінностей, яка показує, які можливості рухають бізнес, які бізнес-функції є найбільш критичними, та як кожен елемент організації внесок у створення, захоплення та розподіл цінності. Для наших цілей карта цінностей може бути використана для візуалізації основних бізнес-процесів, які будуть кандидатами на динамічну автоматизацію. Як наступний рівень вниз, ви можете відобразити кожну цінність та компонент того, як вони реалізовані в організації. Це може бути у вигляді програмних застосунків, сховищ даних або навіть завдань працівників. Можливості автоматизації можуть бути зважені за впливом та складністю реалізації, щоб зосередитися на найкращому місці для застосування штучного інтелекту та активації даних.

Крок 2: Поширення варіантів через шар активації даних

Спроможність організації активувати дані залежить від варіантів її цифрового ландшафту. Варіанти існують, коли цифрові активи — програмні функції, джерела даних, послуги третіх сторін — доступні в реальному часі. У контексті штучного інтелекту це означає дві речі. По-перше, організація повинна бути здатною синтезувати дані з різних джерел, щоб забезпечити точний контекст великим мовним моделям, які призводять до точного висновку та уникнення галюцинацій. По-друге, програмні компоненти, які виконують основні бізнес-функції — такі як служба кредитної оцінки банку або система живих запасів рітейлера — повинні бути доступними для застосунків, заснованих на великих мовних моделях, щоб виконувати автоматизацію. У обидвох випадках API є найкращим механізмом для забезпечення належного доступу до даних та функцій. Протокол моделі контексту (MCP) набуває популярності як протокол API вибору для активації даних. Цей набір доступних можливостей може бути перетворений у контекстну платформу для вашої організації. Трансформація вашого цифрового ландшафту з набору ізольованих застосунків та даних у шар бізнес-орієнтованих API є важливою для досягнення повернення інвестицій через активацію даних.

Крок 3: Прийняття парадигми агентських рішень цифрових технологій

Домінуюча архітектура програмного забезпечення епохи штучного інтелекту виникає. Оптимізовані рішення програмного забезпечення вимагають балансу компонентів, наповнених штучним інтелектом, та не-штучним інтелектом. Агенти штучного інтелекту — компоненти, наповнені штучним інтелектом, у цій архітектурі — використовують висновок великих мовних моделей, заснований на контекстному усвідомленні, для виконання завдань через інструменти, які вони мають. Вони є інструментами активації даних та динамічної автоматизації. Цифровий ландшафт,_optionalізований через API (включаючи інструменти MCP), є найбільш родючою землею для таких агентів, щоб процвітати. Архітектура агентів дозволяє численні моделі, які поєднують детермінічні компоненти програмного забезпечення у існуючій інфраструктурі з такими агентами штучного інтелекту. Ці моделі варіюються від простих чат-ботів та агентів працівників до агентських робочих процесів та аж до автономних багатоцільових систем. Організації, які приймають цей архітектурний підхід, будуть здатні зібрати найбільшу цінність зі своїх існуючих цифрових активів, одночасно приймаючи штучний інтелект у темпі, який дозволяє їм керувати зростаючою складністю рішень, які приносять все більше цінності.

Крок 4: Використання штучного інтелекту як інструменту продуктивності для побудови агентських автоматизацій

Застосування штучного інтелекту для продуктивності працівників може не принести найвищих поверненів для бізнесу самостійно. Використання вигод штучного інтелекту у продуктивності в службі активації даних організації та забезпечення агентської автоматизації, однак, може прискорити справжні повернення. Це не означає лише прискорення роботи розробників. Навіть до вибуху штучного інтелекту одним з найбільших бар’єрів для доставки була організаційна пропасть між експертами бізнес-домену, які розуміють застосування технологій, та командами IT, які будують рішення. Організаційні тенденції, такі як DevOps, допомогли звузити цю пропасть, але штучний інтелект може допомогти ще більш відчутним чином. Як мовна технологія, великі мовні моделі здатні перекладати між вимогами та рішеннями у безпрецедентний спосіб. Багатомодальний штучний інтелект дозволяє захоплення бізнес-ескетчів, які можуть генерувати придатні артефакти для подальшої розробки. Транскрипти можуть бути перетворені у прототипи. Це новий тип активації даних: перетворення знань бізнес-домену у каркас рішення в реальному часі.

Слідуючи цим чотирьом крокам, організації можуть активувати свої дані та почати бачити повернення інвестицій у свій штучний інтелект. Крім того, вони будуть краще підготовлені до нових екосистем, робочих місць та можливостей, створених економікою штучного інтелекту. Пізнавши ціннісні динаміки свого бізнесу, перетворивши свої цифрові активи у виконувані варіанти та орієнтуючись на агентську архітектуру, ви підготуєте свою організацію до майбутнього штучного інтелекту, винаходячи його самостійно.