Розрив циклу: як організації можуть уникнути фатальних наслідків та досягти успіху

З моменту появи теоретичної концепції в 1950-х роках, штучний інтелект (ШІ) проклав шлях для бізнесу до розширених можливостей та продуктивності завдяки різним методам, особливо системам машинного навчання. Ці інструменти/технології покращили прогнозування та прийняття рішень, закладаючи основу для майбутніх технічних досягнень. Останнім часом генеративний ШІ обіцяє перевернути все, що ми знаємо про роботу, та демократизував досвід ШІ. Користувачі тепер взаємодіють з моделями ШІ, такими як ChatGPT, через «підказки», де людина взаємодіє туди-сюди з моделлю ШІ. Однак ці переваги також пов'язані з новим викликом: підказками до смерті. Це еквівалентно прокручування онлайн-контенту без визначеної мети, що заманює користувачів у кролячі нори. Однак у випадку ШІ кроляча нора говорить у відповідь. Цей акт постійного вдосконалення підказок ШІ як для генеративних, так і для агентних моделей, зумовлений амбіцією отримати ідеальний результат (а іноді й підказками без будь-якої конкретної мети), призводить до збільшення витрат та зменшення віддачі. Це створює головну перешкоду на шляху до успіху та зводить нанівець мету використання самої технології ШІ.

Оскільки компанії збільшують свої бюджети, пов'язані зі штучним інтелектом, особам, які приймають рішення, необхідно розуміти шлях до реальної віддачі від своїх інвестицій та яку цінність це генерує. Звіт IEEE за 2025 рік, Приховані витрати штучного інтелекту: як невеликі недоліки накопичуються«…» демонструє, як незначні коригування можуть накопичуватися у значні економічні тягарі. Щоб уникнути участі в цій дороговартісній боротьбі, організації повинні вдосконалювати навчання своїх співробітників, використовуючи LLM, щоб досягти повного потенціалу своїх інвестицій у штучний інтелект.

Генеративний ШІ обіцяє оптимізацію та ефективність. Однак, коли команди потрапляють у пастку циклу нескінченного вдосконалення (або блукання без радара), неефективність підриває цей фундамент.

Прибирання «робочого місця»

Одна з причин, чому команди постійно вдосконалюють результати, щоб отримати ідеальну відповідь, – це робоча складова. Вперше описана в Harvard Business Review, робоча складова охоплює «робочий контент, створений штучним інтелектом, який маскується під хорошу роботу, але не має змісту для значущого просування поставленого завдання».

Цей «відходи», створений штучним інтелектом, є першою кісткою доміно в довгому ряду, що створює цикл, що провокує загибель. Хоча модифікація неякісного контенту за допомогою ітерацій або редагувань є важливою, потрібно розуміти, коли зупинитися, перш ніж це почне спадати. Організації повинні підходити до інвестицій у навчання ШІ з делікатним балансом. З одного боку, команди повинні усвідомлювати необхідну якість; з іншого боку, вони повинні знати, коли це забагато. Навчання співробітників розумнішому використанню моделей ШІ за допомогою оптимальних підказок та чітких цілей також стане в нагоді.

Використання агентного ШІ для уникнення фатальних наслідків

В останні роки компанії значно зросли інтерес та інвестиції в агентний ШІ, який визнаний за свою здатність підвищувати операційну ефективність. Агентний ШІ може виконувати складні завдання, узгоджувати дії з кількома агентами (включаючи RAG та агенти дій) для визначення курсу дій та виконувати завдання для завершення загального завдання автономно.

Ці якості можуть допомогти ШІ зменшити ризики невдалого завершення завдання або взагалі уникнути їх. Це може усунути необхідність вказувати інтерфейсам GenAI кілька разів для виконання завдання. Прикладом цього можна назвати ІТ-операції на базі ШІ або AIOps, які модернізують ІТ, впроваджуючи ШІ в щоденні завдання. Традиційно команди витрачають свій час на ручне налаштування систем. Відділи 21 століття використовують ШІ для автономного виконання критично важливих функцій, таких як усунення несправностей, реагування на інциденти та розподіл ресурсів.

Ще одним влучним прикладом є те, як агентні системи штучного інтелекту можуть автономно обробляти складний інцидент. Ці агенти, разом з IT-фахівцями, здатні розуміти проблему контекстуально, узгоджувати дії з агентами міркування, щоб визначити курс дій, використовувати агенти дій для виконання «останньої милі» в ІТ-системах і, нарешті, використовувати агенти навчання для розуміння рішення та його ефективнішого застосування в майбутніх інцидентах.

Інтелектуальна автоматизація Agentic AI допомагає зменшити взаємодію з людиною та виконувати завдання автономно. Щоб відповідати мінливим потребам бізнесу, повторювані завдання та операції слід передати автономному ШІ. Таке делегування усуває цикл повторного запуску та повторюваного вдосконалення, що часто призводить до невдалого завершення. Автономні операції дозволяють моделям ШІ постійно оптимізуватися та реагувати на змінні змінні без ручного втручання, що призводить до швидших результатів з мінімальним втручанням людини.

Хоча кваліфіковані фахівці й надалі відіграватимуть важливу роль у щоденних операціях завдяки підходу «людина в циклі», їхній час буде краще використано для сканування для перевірки результатів. Такий підхід мінімізує ризик виникнення помилок або надмірного налаштування.

Роль управління у запобіганні фатальним наслідкам

В одному з останніх Опитування McKinsey88% респондентів повідомили про використання штучного інтелекту принаймні в одній бізнес-функції. Це стрибок на 10% порівняно з 2024 роком і вражаючі 33% порівняно з 2023 роком. Для агентного ШІ цей стрибок був ще більш значним. З лише 33% у 2023 році до майже 80% у 2025 році.

Таке широке впровадження спонукає бізнес шукати нові рішення для боротьби з фатальними змінами. Одним із таких інструментів є надійні структури управління. Вони повинні бути ретельно розроблені, щоб забезпечити відповідність проектів ШІ бізнес-цілям і не стати жертвою нескінченного вальсу оптимізації. Розробляючи ці структури, команди повинні враховувати:

• Встановлення керівних принципівПотоки даних до та з моделей ШІ стають дедалі складнішими. Щоб спростити це, рекомендації щодо ШІ повинні створити основу для команд, щоб вони могли відповідально обробляти дані, приймати рішення та керувати результатами ШІ.
• Навчання користувачів: Правильне навчання швидкому використанню може допомогти досягти оптимальної продуктивності
• Використання спеціалізованих моделей: Галузеві та цільові моделі штучного інтелекту, ймовірно, швидше надаватимуть контекстуальні та змістовні результати
• Навчання моделей штучного інтелекту: Навчання моделей ШІ з використанням даних, специфічних для галузі/завдання/організації (де це можливо), може призвести до зменшення трудомісткості та швидшого отримання більш відповідних результатів.
• Розробка правилРозробка та впровадження чіткого набору правил є важливим для керівництва розробкою та розгортанням штучного інтелекту. Коли команди встановлюють операційні межі, вони забезпечують відповідність прийнятих систем цілям організації, етичним стандартам та нормативним вимогам.

Хоча темпи впровадження рішень штучного інтелекту зростають, управління не зростає. Згідно зі звітом PEX Industry Report за 2025 рікменше половини мають політику управління ШІ. Тим часом лише 25% перебували в процесі впровадження такої політики, а майже третина не мала жодної політики управління ШІ. Ці рамки можуть бути визначальним фактором, який допоможе компаніям встановити чіткі межі того, що вважається прийнятною продуктивністю.

Вихід із циклу, що натякає на загибель

Щоб уникнути потрапляння в цикл прогнозування, компанії повинні застосовувати стратегії штучного інтелекту, які надають пріоритет результатам, а не досконалості. Використання оперативного навчання, цільових моделей штучного інтелекту та моделей, навчених на контекстних корпоративних даних, може зменшити потребу в ретельному повторному прогнозуванні. Компанії, які використовують агентний штучний інтелект, автономні ІТ-операції та сильні структури управління, можуть перерозподілити критично важливі ресурси для досягнення своїх бізнес-цілей, не загрузаючи в нескінченних циклах оптимізації. Успіх прийде, коли команди змінять свій менталітет від постійного вдосконалення до цілеспрямованого виконання та вимірюваних результатів.