Perangkap Bukti Konsep
Zhang menekankan kekecewaan di kalangan perusahaan yang telah melabur banyak dalam projek perintis AI tanpa melihat pulangan yang sepadan. Beliau mengakui bahawa ramai pelanggan Cohere, walaupun membina aplikasi awal, telah bergelut untuk memindahkannya ke pengeluaran disebabkan isu-isu yang terdiri daripada kos dan tadbir urus kepada keselamatan dan privasi data. Sentimen ini mencerminkan trend yang lebih luas di mana janji AI sering bertentangan dengan realiti pelaksanaan praktikal.
Beliau menunjukkan isu-isu perbelanjaan, pematuhan peraturan, perlindungan data dan protokol privasi, yang Cohere berharap dapat diselesaikan dengan tawaran platform ruang kerja baharunya, North.
Keperluan ROI
Dalam satu temu bual, Zhang menegaskan bahawa fasa seterusnya penggunaan AI mesti didorong oleh ROI yang boleh ditunjukkan. Syarikat perlu melihat justifikasi kewangan yang jelas untuk pelaburan AI mereka, memastikan bahawa manfaatnya melebihi kos. Beliau memberi amaran bahawa beberapa sistem AI sangat mahal untuk dikendalikan sehingga mereka menafikan apa-apa potensi penjimatan kos daripada mengautomasikan tugas.
"Kadang-kadang sistem yang akhirnya mereka bina, kos model itu sendiri lebih mahal daripada manusia yang sebenarnya menjalankannya," katanya.
Soalan penting sama ada terdapat peningkatan sebenar dengan pelaksanaan AI perlu ditangani untuk mengatasi jambatan terbakar syarikat AI yang mengambil projek yang tidak pernah menjadi kenyataan.
Augmentasi AI vs. Produktiviti
Zhang juga menyatakan contoh di mana syarikat telah cuba menambah tenaga kerja sedia ada dengan AI tetapi gagal melihat sebarang peningkatan dalam produktiviti. Dalam beberapa kes, pekerja hanya mengurangkan beban kerja mereka tanpa meningkatkan output, dengan berkesan menafikan manfaat AI. Ini menekankan kepentingan mempertimbangkan dengan teliti bagaimana AI disepadukan ke dalam aliran kerja sedia ada dan memastikan ia membawa kepada keuntungan kecekapan yang tulen.
Mengatasi Halangan Awal
Zhang menjangkakan bahawa syarikat permulaan AI kini akan ditugaskan untuk memenangi kembali syarikat-syarikat yang "terbakar" oleh projek-projek yang tidak menjadi kenyataan. "Fasa seterusnya untuk pergi ke pasaran untuk teknologi ini ialah, ‘di manakah ROI?’" Beliau percaya bahawa syarikat AI perlu membina semula kepercayaan dengan menunjukkan nilai ketara penyelesaian mereka dan memberi tumpuan kepada menyampaikan hasil yang boleh diukur.
Gema daripada Komuniti Penyelidikan
Pemerhatian Zhang disokong oleh penyelidikan daripada organisasi seperti Biro Penyelidikan Ekonomi Negara, yang mendapati "tiada impak yang ketara terhadap pendapatan atau jam yang direkodkan dalam mana-mana pekerjaan" selepas meninjau 7,000 tempat kerja menggunakan chatbot AI. Begitu juga, kajian Boston Consulting Group mendedahkan bahawa hanya satu perempat daripada eksekutif yang ditinjau telah melihat nilai yang ketara daripada AI, menunjukkan bahawa syarikat sering menyebarkan pelaburan mereka terlalu nipis di beberapa projek perintis.
Mengutamakan Masalah Perniagaan berbanding Penyelesaian yang Mewah
Nasihat Zhang kepada syarikat yang mempertimbangkan LLM adalah untuk memberi tumpuan kepada menyelesaikan masalah perniagaan tertentu dan bukannya membina penyelesaian yang rumit tanpa kes penggunaan yang jelas. Beliau memberi amaran terhadap "tersesat dalam membina sesuatu dan mencari masalah," menekankan kepentingan menjajarkan pelaburan AI dengan matlamat perniagaan strategik.
AI sebagai Alat dalam Kotak Alat
Zhang berpendapat bahawa AI harus dilihat sebagai hanya satu alat dalam kotak alat untuk menyelesaikan masalah perniagaan dan mewujudkan nilai untuk pelanggan. Beliau memberi amaran terhadap terlalu menguar-uarkan potensi teknologi untuk menyelesaikan semua masalah dunia, menekankan bahawa ia paling berkesan apabila digunakan secara strategik dan bersempena dengan penyelesaian lain.
Cabaran Halusinasi
Walaupun AI telah membuat kemajuan yang ketara, cabaran tetap ada, terutamanya dalam bidang "halusinasi," di mana LLM menjana maklumat palsu atau rekaan. Walaupun terdapat kemajuan dalam bidang ini, kadar halusinasi LLM kekal degil tinggi, dengan model terkini dari syarikat terkemuka menghasilkan kesilapan. Isu ini menggariskan kepentingan ketelusan dan menyediakan pengguna dengan pandangan tentang bagaimana model AI mencapai kesimpulan mereka.
Pengasas bersama mengakui kepada ramai profesional bahawa halusinasi kekal menjadi masalah dalam AI generatif. Beliau menyatakan bahawa syarikat itu telah cuba membantu dengan bersikap telus, termasuk menunjukkan kepada pengguna "pemikiran mentah" LLMnya, dan alat apa yang digunakan oleh sistemnya, bersama-sama dengan bagaimana dan petikan untuk jawapan yang diperoleh.
Landskap Persaingan
Cohere menghadapi persaingan sengit daripada pesaing yang dibiayai dengan lebih baik dalam ruang AI. Walau bagaimanapun, Zhang percaya bahawa lebih besar tidak semestinya lebih baik apabila membina model AI yang kos efektif dan cekap tenaga. Beliau berhujah bahawa model adalah "hanya sebaik data dan sistem yang boleh diaksesnya," menekankan kepentingan membina penyelesaian yang boleh dijalankan sepenuhnya dalam persekitaran pelanggan. Zhang memuji "pertumbuhan pesat" Cohere dan berkata sifat ruang "yang agak baru lahir" meninggalkan banyak ruang untuk syarikat itu berkembang.
Pertumbuhan Hasil dan Cabaran
Pertumbuhan Cohere telah menjadi topik tumpuan baru-baru ini untuk media teknologi. Cohere mencapai hasil tahunan $100 juta USD ($138 juta CAD) bulan ini selepas lebih daripada menggandakan jualannya sejak awal 2025, dan CEO Aidan Gomez baru-baru ini memberitahu Bloomberg syarikat itu "tidak jauh" daripada keuntungan. Tetapi The Information telah melaporkan ini masih $350 juta USD di belakang apa yang Cohere memberitahu pelabur pada tahun 2023 yang dijangka akan dibuat setiap tahun sekarang. Sasaran hasil dan persaingan yang sengit bukanlah satu-satunya cabaran yang perlu diatasi oleh Cohere.
Tuntutan Mahkamah Pelanggaran Hak Cipta
Syarikat permulaan AI itu juga mempunyai apa yang dipanggil oleh seorang pakar sebagai tuntutan mahkamah pelanggaran hak cipta yang berpotensi "menetapkan duluan" daripada syarikat media besar di atas platnya. Sekumpulan organisasi media termasuk Toronto Star, Condé Nast, dan Vox telah mendakwa Cohere telah mengikis kandungan media tanpa kebenaran dan menggunakannya untuk melatih model AI, mengakses kandungan dalam masa nyata tanpa kebenaran, dan menjana output yang melanggar. Cohere hanyalah salah satu daripada banyak syarikat permulaan AI yang menghadapi saman yang sama. Cohere telah menafikan tuntutan ini, dengan berhujah bahawa penerbit yang menyaman telah bersusah payah untuk "membuat" kes dan membantah tanggapan bahawa sebarang pelanggaran hak cipta praktikal telah berlaku.
Zhang enggan menawarkan banyak komen mengenai perkara itu, menuding BetaKit ke catatan blog yang memperincikan pemikiran Cohere. "Kami yakin mengenainya," katanya.
Penerokaan Lebih Mendalam tentang Cabaran Pelaksanaan AI
Banyak perniagaan pada mulanya terjun ke dalam inisiatif AI dengan semangat yang besar, percaya bahawa AI dengan cepat akan merevolusikan operasi mereka dan mewujudkan kecekapan yang tidak pernah didengari sebelum ini. Tetapi ramai yang mendapati diri mereka menghadapi cabaran besar yang tidak mereka jangkakan. Kesukaran ini boleh mengambil pelbagai bentuk, daripada kerumitan teknikal hingga penentangan organisasi. Memahami cabaran ini adalah penting bagi perniagaan yang berharap untuk melaksanakan AI dengan jayanya dan mendapatkan pulangan positif ke atas pelaburan mereka.
Kerumitan Teknikal dan Keperluan Data
Salah satu halangan pertama yang sering dihadapi oleh perniagaan ialah kerumitan teknikal sistem AI. Model AI, terutamanya yang berasaskan pembelajaran mendalam, menuntut pengiraan dan memerlukan pengetahuan khusus untuk mencipta, melatih dan menggunakan. Data juga diperlukan. Kualiti dan kuantiti data latihan mempunyai impak yang besar terhadap prestasi model AI. Mengumpul dan menyediakan set data yang besar mungkin merupakan proses yang memakan masa dan intensif sumber. Projek AI mungkin terhalang oleh kekurangan data berlabel berkualiti tinggi, yang mengakibatkan model yang tidak tepat atau berprasangka.
Tambahan pula, menjamin interoperabiliti sistem AI dengan infrastruktur IT sedia ada memperkenalkan kerumitan selanjutnya. Platform dan rangka kerja AI yang berbeza mungkin tidak serasi dengan sistem warisan, memerlukan perubahan besar pada aliran kerja dan seni bina sedia ada. Mengintegrasikan AI ke dalam persekitaran organisasi yang rumit sering memerlukan pengalaman yang besar dan pemahaman yang kuat tentang kedua-dua teknologi AI dan operasi komersial yang mendasari.
Halangan Organisasi dan Budaya
Selain halangan teknikal, organisasi mungkin menghadapi halangan organisasi dan budaya yang besar untuk pengambilan AI. Satu isu lazim ialah keengganan pekerja untuk menerima perubahan yang dipacu oleh AI. Pekerja mungkin bimbang tentang anjakan pekerjaan serta keperluan untuk mempelajari bakat baharu dan menyesuaikan diri dengan kaedah kerja baharu. Penentangan daripada pekerja boleh menghalang inisiatif AI dan menghalang kesedaran kelebihan yang dijangkakan.
Tambahan pula, penggunaan AI memerlukan kerjasama yang besar antara jabatan dan pasukan. Saintis data, profesional IT, penganalisis perniagaan, dan pakar bidang perlu bekerjasama untuk mentakrifkan masalah, mencipta penyelesaian AI, dan menggunakannya ke dalam pengeluaran. Silo dan kekurangan komunikasi boleh menyekat kerjasama dan menghalang penyepaduan AI yang berkesan ke dalam operasi komersial. Mengatasi halangan organisasi dan budaya ini memerlukan kepimpinan yang kukuh, komunikasi yang berkesan, dan dedikasi untuk mengurus perubahan.
Kebimbangan Etika dan Tadbir Urus
Apabila AI menjadi lebih meluas, isu etika dan tadbir urus menjadi semakin penting. Sistem AI mempunyai keupayaan untuk mengekalkan prasangka, membuat pertimbangan yang tidak adil, dan melanggar privasi orang ramai. Organisasi mesti menangani kebimbangan ini dengan membangunkan garis panduan etika dan prosedur tadbir urus yang teguh untuk reka bentuk, pembangunan, dan penggunaan AI. Ketelusan, akauntabiliti, dan keadilan adalah prinsip utama untuk AI yang bertanggungjawab.
Privasi data adalah isu penting untuk dipertimbangkan. Peraturan privasi data mesti dipatuhi semasa membina sistem AI, bersama-sama dengan perlindungan untuk melindungi maklumat sensitif daripada akses atau penyalahgunaan yang tidak diingini. Organisasi mesti mendapatkan kebenaran pengguna untuk pengumpulan dan penggunaan data, serta memberikan ketelusan tentang bagaimana model AI membuat pilihan. Tambahan pula, organisasi harus mempunyai mekanisme untuk memantau dan mengaudit sistem AI untuk menemui dan mengurangkan sebarang risiko etika atau akibat yang tidak diingini.
Mengukur dan Menunjukkan ROI
Akhirnya, kejayaan mana-mana projek AI bergantung pada kapasitinya untuk menghasilkan pulangan pelaburan (ROI) yang boleh diukur. Walau bagaimanapun, menentukan ROI projek AI mungkin sukar, terutamanya apabila manfaatnya tidak ketara atau jangka panjang. Organisasi mesti mewujudkan matlamat dan penunjuk yang jelas untuk inisiatif AI mereka, serta menjejaki kemajuan dan mengukur hasil dengan kerap. Ini memerlukan pemahaman yang teliti tentang nilai perniagaan yang dijangka akan disampaikan oleh AI serta sumber yang diperlukan untuk mencapai nilai tersebut.
Tambahan pula, menyampaikan manfaat AI kepada pihak berkepentingan adalah penting untuk mendapatkan sokongan dan mewujudkan keyakinan terhadap pelaburan AI. Ini mungkin memerlukan mempersembahkan kes penggunaan, mempamerkan kemenangan awal, dan mengira impak AI ke atas penunjuk perniagaan penting. Untuk berjaya mengira dan menunjukkan ROI AI, perniagaan mesti mewujudkan rangka kerja yang ditakrifkan untuk mengukur prestasi dan menyatakan dengan jelas cadangan nilai kepada pihak berkepentingan.
Masa Depan Pengambilan AI: Perspektif yang Seimbang
Pandangan Ivan Zhang menyerlahkan kepentingan pendekatan yang seimbang terhadap pengambilan AI, satu yang mengiktiraf potensi teknologi sambil kekal berasaskan realiti praktikal. Apabila AI terus berkembang, syarikat perlu memberi tumpuan kepada membina penyelesaian yang menyampaikan ROI yang ketara, menangani