Chociaż coraz więcej organizacji pracuje z oprogramowaniem sztucznej inteligencji (AI) w jakimś kształcie lub formie, według nowych badań bardzo niewiele z nich generuje znaczące korzyści finansowe, wdrażając je w poważny sposób.
Badanie przeprowadzone przez MIT Sloan Management Review i firma konsultingowa w zakresie zarządzania, Boston Consulting Group ujawniło, że aż 57% z 3000 ankietowanych menedżerów, dyrektorów i naukowców obecnie albo pilotuje, albo wdraża technologię. Kolejne 59% opracowało strategię sztucznej inteligencji, a 70% uważa, że rozumie, w jaki sposób oprogramowanie może generować wartość biznesową.
Mimo tej sytuacji w raporcie Rozszerzanie wpływu sztucznej inteligencji poprzez organizacyjne uczenie się, wskazał, że tylko jedna na 10 organizacji czerpie znaczną wartość finansową z technologii.
Badając powody, dla których naukowcy odkryli, że po prostu właściwe przygotowanie podstaw – to znaczy posiadanie odpowiedniej strategii z odpowiednimi danymi pomocniczymi, technologią i umiejętnościami – nie wystarczyło. Tylko co piąta organizacja uzyskała w ten sposób znaczne korzyści finansowe.
Prawidłowe opanowanie podstaw przy jednoczesnym budowaniu systemów sztucznej inteligencji, których firma faktycznie chciała, spowodowało, że sukces osiągnął nawet 39%, ale aby naprawdę wygenerować wartość finansową, sekret okazał się trojaki:
- Zapewnienie maszynom nie tylko możliwości samodzielnego uczenia się, ale także ciągłego uczenia się przez ludzi i ciągłego uczenia maszyn przez maszyny.
- Opracowanie wielu sposobów interakcji ludzi i maszyn w oparciu o kontekst.
- Wprowadzenie szeroko zakrojonej zmiany procesu w odpowiedzi na to, czego nauczyliśmy się w całej organizacji w wyniku zastosowania sztucznej inteligencji.
David Semach, partner i szef AI i automatyzacji w Infosys Consulting na Europę, Bliski Wschód i Afrykę (EMEA), zgadza się z badaczami, że zadowolenie z technologii w sensie finansowym jest często dość niskie, częściowo dlatego, że organizacje „są w większości wciąż eksperymentuję ”z tym. Oznacza to, że jest on raczej wdrażany w kieszeniach, a nie szeroko w całej firmie.
„Inwestycja wymagana w sztuczną inteligencję jest znacząca, ale jeśli zostanie wykonana tylko w silosach, nie uzyskasz korzyści skali, nie możesz skorzystać z synergii i nie zdajesz sobie sprawy z korzyści kosztowych, co oznacza, że staje się to kosztem – w wielu przypadkach wygórowany model biznesowy ”- mówi Semach.
Kolejną kluczową kwestią jest fakt, że większość firm „omyłkowo” koncentruje się na używaniu oprogramowania do zwiększania wydajności wewnętrznych procesów i procedur operacyjnych, a nie do generowania nowych strumieni przychodów.
„Firmy mają trudności, jeśli koncentrują się na wydajności procesów i wynikach finansowych ze względu na wymagany poziom inwestycji” – mówi Semach. „Ale ci, którzy koncentrują się na wykorzystaniu sztucznej inteligencji do tworzenia nowych firm i wzrostu przychodów, zaczynają dostrzegać długoterminowe korzyści”.
Problem polega jednak na tym, że ludzie zarówno w IT, jak i biznesie „ograniczają swoje myślenie ze względu na opór wobec zmian”, a także „obawy o własną pracę i zastępowanie” – dodaje.
„Tak więc nie chodzi tylko o nieodpowiednie interakcje między człowiekiem a maszyną – chodzi o firmy, które nie przyjmują właściwego strategicznego nastawienia i podejścia. Problem polega na tym, że ludzie tak naprawdę nie rozumieją, co może umożliwić sztuczna inteligencja, aby wspierać strategię biznesową, zmiany biznesowe i potencjalne zakłócenia na dobre ”.
Według Angela Eager, dyrektor ds. Badań w TechMarketView, kolejną kwestią jest to, że przyjęcie sztucznej inteligencji wiąże się ze stromą krzywą uczenia się, ale większość brytyjskich organizacji jest „dość wcześnie na krzywej dojrzałości”.
Jedno z głównych wyzwań, przed którymi stoją, dotyczy danych oraz ich czystości, dokładności i „dostosowania do Twoich celów”. Kluczową kwestią jest tutaj to, że opracowanie i przeszkolenie odpowiednich modeli danych wymaga czasu i wysiłku, zwłaszcza biorąc pod uwagę, że obecnie istnieje niewiele narzędzi, które mogą pomóc – chociaż MLOps (operacje uczenia maszynowego) zaczyna się tutaj sprawdzać.
„Dużą przeszkodą w dzisiejszych czasach jest to, jak operacjonalizować sztuczną inteligencję, wprowadzać ją do produkcji i utrzymywać aktualność w produkcji” – mówi Eager.
Wyjaśnia, że podczas tworzenia modelu danych ważne jest, aby dane były „świeże i odpowiednie” oraz odpowiednio wyczyszczone.
„Ale musisz też wiedzieć, jak wytrenować model danych, zmienić go w trakcie lotu i zarządzać cyklem życia po wdrożeniu – i to nie tylko jednorazowo” – mówi Eager. „Dane zmieniają się przez cały czas, więc musisz stale upewnić się, że generują właściwe wyniki biznesowe, a jeśli tak nie jest, szybko je zmienić”.
Wymaga to nie tylko dostępu do właściwych danych, ale także odpowiednich umiejętności, zarówno na poziomie technicznym, jak i bardziej ogólnym poziomie analizy danych. Oznacza to, że podnoszenie umiejętności może być potrzebne równolegle z wszelkimi inicjatywami technicznymi, nie tylko w celu edukacji użytkowników biznesowych i pomocy w zrozumieniu możliwych przypadków użycia.
Ale takie działanie musi mieć również miejsce w ramach szerszej inicjatywy zarządzania zmianą, aby pomóc pracownikom rozwiązać ich lęk przed transformacją i opór przed nią. Równie ważne jest stworzenie centrum doskonałości sztucznej inteligencji lub funkcji sztucznej inteligencji, której zadaniem będzie nadzorowanie tworzenia synergii między różnymi funkcjami biznesowymi w całym przedsiębiorstwie, co prowadzi do korzyści skali.
„Ostatecznie nie jest to tylko projekt techniczny” – mówi Semach. „Chodzi o generowanie zmian kulturowych, co oznacza, że stawianie ludzi na pierwszym miejscu jest absolutnie kluczowe”.