Tránh Kiệt Quệ Trong Dự Án Gen AI: Lãnh Đạo Với Mục Đích

Chúng ta đã thấy câu chuyện này trước đây: công nghệ phá vỡ thu hút trí tưởng tượng của các nhà lãnh đạo kinh doanh trên các ngành công nghiệp, hứa hẹn chuyển đổi quy mô. Vào đầu những năm 2010, đó là tự động hóa quy trình robot (RPA). Ngay sau đó, tính toán đám mây đã có turno của nó. Ngày nay, trí tuệ nhân tạo sinh (Gen AI) nắm giữ tâm điểm – và các tổ chức đang lao đầu vào các dự án thí điểm mà không có một con đường rõ ràng phía trước.

Kết quả? Một làn sóng ngày càng tăng của những gì có thể được gọi là Kiệt Quệ Trong Dự Án Gen AI. Đó là trạng thái kiệt sức, thất vọng và mất đà mà xuất hiện khi quá nhiều sáng kiến AI được khởi động mà không có cấu trúc, mục đích hoặc mục tiêu đo lường. Các công ty chạy hàng chục dự án thí điểm đồng thời, thường với ý định chồng chéo nhưng không có tiêu chí thành công rõ ràng. Họ theo đuổi tiềm năng trên các bộ phận, nhưng thay vì mở khóa hiệu suất hoặc ROI, họ tạo ra sự混乱, trùng lặp và đổi mới bị đình trệ.

Định Nghĩa Kiệt Quệ Trong Dự Án Gen AI

Kiệt quệ trong dự án Gen AI phản ánh một thách thức tổ chức rộng lớn hơn: tham vọng vô tận mà không có cấu trúc hữu hạn. Nguyên nhân gốc rễ là quen thuộc với bất kỳ ai đã chứng kiến các đợt công nghệ trước đây:

• Các khả năng vô tận: Gen AI có thể được áp dụng trên mọi chức năng – tiếp thị, vận hành, nhân sự, tài chính – điều này làm cho nó cám dỗ để khởi động nhiều trường hợp sử dụng mà không có ranh giới rõ ràng.
• Dễ dàng triển khai: Các công cụ như mô hình GPT của OpenAI và Gemini của Google cho phép các đội khởi động dự án thí điểm nhanh chóng mà không có sự phụ thuộc vào kỹ thuật – đôi khi trong vòng vài giờ.
• Thiếu kế hoạch duy trì: Gen AI đòi hỏi dữ liệu chất lượng tốt để có hiệu quả. Trong nhiều trường hợp, dữ liệu có thể trở nên cũ mà không có quy trình để đảm bảo dữ liệu vẫn chính xác và cập nhật.
• Khả năng đo lường kém: Không giống như các triển khai IT truyền thống, rất khó để xác định khi nào một công cụ Gen AI là “đủ tốt” để chuyển từ dự án thí điểm sang sản xuất. ROI thường mơ hồ hoặc bị trì hoãn.
• Ngăn trở tích hợp: Nhiều tổ chức gặp khó khăn trong việc cắm các công cụ Gen AI vào các hệ thống hiện có, đường ống dữ liệu hoặc quy trình làm việc, thêm thời gian, phức tạp và thất vọng.
• Nhu cầu tài nguyên cao: Dự án thí điểm thường đòi hỏi đáng kể thời gian, tiền bạc và đầu tư nhân lực – đặc biệt là xung quanh đào tạo và duy trì các tập dữ liệu sạch và có thể sử dụng.

Tóm lại, kiệt quệ Gen AI xuất hiện khi thí nghiệm vượt qua chiến lược.

Tại Sao Điều Này Tiếp Tục Xảy Ra?

Trong nhiều trường hợp, đó là vì các tổ chức bỏ qua công việc nền tảng. Trước khi triển khai bất kỳ công nghệ tiên tiến nào, bạn phải tối ưu hóa các quy trình bạn đang cố gắng cải thiện. Tại Accruent, chúng tôi đã thấy rằng chỉ bằng cách tinh chỉnh các quy trình làm việc và đảm bảo chất lượng dữ liệu, các công ty có thể đạt được lợi ích hiệu suất lên đến 50% trước khi giới thiệu AI. Lớp Gen AI trên một hệ thống đã được tinh chỉnh, và sự cải thiện có thể tăng gấp đôi. Nhưng nếu không có nền tảng đó, ngay cả những mô hình AI ấn tượng nhất cũng sẽ không mang lại giá trị có ý nghĩa.

Một cái bẫy khác là sự vắng mặt của các rào cản rõ ràng. Dự án thí điểm Gen AI không nên được đối xử như các thí nghiệm vô tận. Thành công nên được đo lường bằng các kết quả được xác định – thời gian được tiết kiệm, chi phí giảm hoặc khả năng mở rộng. Phải có các cổng để tiến hành, thay đổi hoặc chấm dứt dự án dựa trên đánh giá dựa trên dữ liệu. Nửa số ý tưởng Gen AI có thể cuối cùng chứng minh là phù hợp hơn với các công nghệ khác như RPA hoặc công cụ không mã – và điều đó ổn. Mục tiêu không phải là triển khai AI vì lợi ích của việc triển khai AI, mà là giải quyết các vấn đề kinh doanh một cách hiệu quả.

Bài Học Từ RPA Và Di Cư Đám Mây

Đây không phải là lần đầu tiên các tổ chức bị cuốn vào sự hào hứng về công nghệ. RPA đã hứa hẹn sẽ loại bỏ các nhiệm vụ lặp đi lặp lại; di cư đám mây đã hứa hẹn sự linh hoạt và quy mô. Cả hai đều đã thực hiện – cuối cùng – nhưng chỉ đối với những người đã áp dụng kỷ luật vào triển khai.

Một trong những bài học chính? Đừng bỏ qua nền tảng. Chúng tôi đã chứng kiến trực tiếp rằng các tổ chức có thể đạt được lợi ích hiệu suất lên đến 50% chỉ bằng cách tinh chỉnh các quy trình làm việc hiện có và cải thiện độ sạch của dữ liệu trước khi giới thiệu AI. Khi AI được áp dụng cho một hệ thống đã được tối ưu hóa, lợi ích có thể tăng gấp đôi. Nhưng khi AI được áp dụng cho các quy trình bị hỏng, tác động là không đáng kể.

Điều tương tự cũng đúng với dữ liệu. Các mô hình Gen AI chỉ tốt như dữ liệu mà chúng tiêu thụ. Dữ liệu bẩn, lỗi thời hoặc không nhất quán sẽ dẫn đến kết quả kém – hoặc tệ hơn, thiên vị và đánh lừa. Đó là lý do tại sao các công ty phải đầu tư vào các khuôn khổ quản lý dữ liệu mạnh mẽ, một quan điểm được hỗ trợ bởi các chuyên gia trong ngành và nhấn mạnh trong các báo cáo của McKinsey.

Sự Cám Dỗ Của “AI Dễ Dàng”

Một trong những thanh kiếm hai lưỡi của trí tuệ nhân tạo sinh là rào cản thấp để tham gia. Với các mô hình đã được xây dựng và giao diện người dùng thân thiện, bất kỳ ai trong một tổ chức có thể khởi động một dự án thí điểm trong vòng vài ngày – đôi khi trong vài giờ hoặc thậm chí vài phút. Mặc dù sự dễ dàng này rất mạnh mẽ, nhưng nó cũng mở ra các cổng. Đột nhiên, bạn có các đội trên các bộ phận thí nghiệm trong các silo, với rất ít giám sát hoặc phối hợp. Điều này không phổ biến khi thấy hàng chục dự án Gen AI đang chạy đồng thời, mỗi dự án có các bên liên quan, tập dữ liệu và định nghĩa về thành công hoặc thiếu sót khác nhau.

Cách tiếp cận phân mảnh này dẫn đến kiệt sức – không chỉ từ góc độ nguồn lực, mà còn từ sự thất vọng ngày càng tăng khi không thấy lợi ích cụ thể. Không có quản lý tập trung và tầm nhìn rõ ràng, ngay cả các trường hợp sử dụng hứa hẹn nhất cũng có thể kết thúc trong các vòng lặp vô tận của lặp lại, tinh chỉnh và đánh giá lại.

Phá Vỡ Chu Kỳ: Xây Dựng Với Mục Đích

Bắt đầu bằng cách đối xử với Gen AI như với bất kỳ khoản đầu tư công nghệ doanh nghiệp nào – dựa trên chiến lược, quản lý và tối ưu hóa quy trình. Dưới đây là một số nguyên tắc tôi đã tìm thấy quan trọng:

1. Bắt đầu với vấn đề, không phải công nghệ. Quá thường, các tổ chức theo đuổi các trường hợp sử dụng Gen AI vì chúng thú vị – không phải vì chúng giải quyết một thách thức kinh doanh được xác định. Bắt đầu bằng cách xác định các điểm ma sát hoặc kém hiệu quả trong các quy trình làm việc của bạn, và sau đó hỏi: Gen AI có phải là công cụ tốt nhất cho công việc không?
2. Tối ưu hóa trước khi bạn đổi mới. Trước khi áp dụng AI lên một quy trình bị hỏng, hãy sửa quy trình. Tinh chỉnh các hoạt động có thể mở khóa các lợi ích lớn trên riêng của chúng – và làm cho nó dễ dàng hơn để đo lường tác động phụ thêm của AI. Như Công ty Bain & Company đã lưu ý trong một báo cáo gần đây, các doanh nghiệp tập trung vào sự sẵn sàng cơ bản sẽ thấy thời gian đến giá trị từ Gen AI nhanh hơn.
3. Xác thực dữ liệu của bạn. Đảm bảo các mô hình của bạn được đào tạo trên dữ liệu chính xác,相关 và được thu thập một cách đạo đức. Chất lượng dữ liệu kém là một trong những lý do hàng đầu khiến các dự án thí điểm không thể mở rộng, theo Gartner.
4. Định nghĩa “tốt” trông như thế nào. Mỗi dự án thí điểm nên có các KPI rõ ràng gắn với mục tiêu kinh doanh. Cho dù đó là giảm thời gian dành cho các nhiệm vụ thường xuyên hay cắt giảm chi phí vận hành, thành công phải được đo lường – và các dự án thí điểm phải có các cổng quyết định để tiếp tục, thay đổi hoặc chấm dứt.
5. Giữ một bộ công cụ rộng. Gen AI không phải là câu trả lời cho mọi vấn đề. Trong một số trường hợp, tự động hóa thông qua RPA, ứng dụng thấp mã hoặc học máy có thể nhanh hơn, rẻ hơn hoặc bền vững hơn. Hãy sẵn sàng nói không với AI nếu ROI không hợp lý.

Nhìn Về Tương Lai: Điều Gì Sẽ Giúp So Với Điều Gì Có Thể Hại

Trong những năm tới, kiệt quệ trong dự án thí điểm có thể trở nên tồi tệ hơn trước khi nó trở nên tốt hơn. Tốc độ đổi mới chỉ đang tăng tốc, đặc biệt là với các công nghệ mới nổi như Agentic AI. Áp lực để “làm điều gì đó với AI” là khổng lồ – và nếu không có các rào cản đúng, các tổ chức có nguy cơ bị choáng ngợp bởi số lượng khả năng.

Tuy nhiên, có lý do để lạc quan. Các thực hành phát triển đang trưởng thành. Các đội đang bắt đầu đối xử với Gen AI với cùng một sự nghiêm túc mà họ áp dụng cho các dự án phần mềm truyền thống. Chúng tôi cũng đang thấy sự cải thiện trong công cụ. Các tiến bộ trong các nền tảng tích hợp AI và điều khiển API đang làm cho nó dễ dàng hơn để cắm Gen AI vào các ngăn xếp công nghệ hiện có. Các mô hình được đào tạo trước của các nhà cung cấp như OpenAI, Meta và Mistral giảm bớt gánh nặng cho các đội nội bộ. Và các khuôn khổ xung quanh AI đạo đức và có trách nhiệm, như những khuôn khổ được đề xướng bởi Viện AI Now, đang giúp giảm sự mơ hồ và rủi ro. Có lẽ quan trọng nhất, chúng tôi đang thấy sự gia tăng của khả năng hiểu biết AI xuyên chức năng – một sự hiểu biết ngày càng tăng giữa các nhà lãnh đạo kinh doanh và kỹ thuật về những gì AI có thể (và không thể) làm.

Suy Nghĩ Cuối Cùng: Đó Là Về Mục Đích, Không Phải Là Về Dự Án Thí Điểm

Vào cuối ngày, thành công của AI phụ thuộc vào ý định. Trí tuệ nhân tạo sinh có tiềm năng mang lại lợi ích hiệu suất lớn, mở khóa các khả năng mới và chuyển đổi các ngành công nghiệp – nhưng chỉ khi nó được hướng dẫn bởi chiến lược, được hỗ trợ bởi dữ liệu sạch và được đo lường bằng kết quả.

Nếu không có những neo ấy, nó chỉ là một sự ưa chuộng công nghệ khác được định sẵn để kiệt sức các đội của bạn và làm thất vọng hội đồng quản trị của bạn.

Nếu bạn muốn tránh kiệt quệ trong dự án Gen AI, đừng bắt đầu với công nghệ. Bắt đầu với một mục đích. Và xây dựng từ đó.