Pokonywanie Barier AI: Wezwanie do Koncentracji na ROI
Gwałtowny rozwój sztucznej inteligencji doprowadził do fali eksperymentów w różnych branżach. Jednak wiele firm doświadcza „zmęczenia koncepcją Proof-of-Concept (POC)”, gdzie wstępne próby nie przekładają się na wymierną wartość biznesową. Ivan Zhang, współzałożyciel Cohere, wiodącej firmy specjalizującej się w korporacyjnych dużych modelach językowych (LLM), odniósł się do tej rosnącej frustracji podczas niedawnego Web Summit, wzywając potencjalnych klientów do zachowania wiary w AI, podkreślając jednocześnie krytyczną potrzebę koncentracji na zwrocie z inwestycji (ROI).
Pułapka Proof-of-Concept
Zhang zwrócił uwagę na rozczarowanie wśród przedsiębiorstw, które zainwestowały znaczne środki w pilotażowe projekty AI, nie widząc odpowiadającego im wynagrodzenia. Przyznał, że wielu klientów Cohere, pomimo budowy wstępnych aplikacji, miało trudności z przeniesieniem ich do produkcji z powodu problemów od kosztów i zarządzania po bezpieczeństwo i prywatność danych. To odzwierciedla szerszy trend, w którym obietnica AI często zderza się z praktycznymi realiami wdrażania.
Wskazał na kwestie kosztów, zgodności z przepisami, ochrony danych i protokołów prywatności, które Cohere ma nadzieję rozwiązać dzięki swojej nowej platformie roboczej North.
Imperatyw ROI
W wywiadzie Zhang podkreślił, że następna faza adopcji AI musi być napędzana przez wymierne ROI. Firmy muszą widzieć jasne uzasadnienie finansowe dla swoich inwestycji w AI, zapewniając, że korzyści przewyższają koszty. Ostrzegł, że niektóre systemy AI są tak drogie w eksploatacji, że niwelują wszelkie potencjalne oszczędności kosztów wynikające z automatyzacji zadań.
"Czasami systemy, które kończą budować, koszt samego modelu jest droższy niż ludzie, którzy faktycznie go uruchamiają," powiedział.
Kluczowe pytanie, czyli czy wdrożenia AI faktycznie przynoszą poprawę, musi zostać rozpatrzone, aby pokonać spalone mosty firm AI, które podejmują się projektów, które nigdy się nie sprawdzają.
Augmentacja AI a Produktywność
Zhang zauważył również przypadki, w których firmy próbowały wzmocnić istniejącą kadrę pracowniczą za pomocą AI, ale nie zauważyły żadnej poprawy produktywności. W niektórych przypadkach pracownicy po prostu zmniejszyli swoje obciążenie pracą, nie zwiększając wydajności, co efektywnie niweczy korzyści z AI. Podkreśla to wagę starannego rozważenia, w jaki sposób AI jest integrowana z istniejącymi przepływami pracy i zapewnienia, że prowadzi to do rzeczywistych zysków efektywności.
Pokonywanie Wczesnych Niepowodzeń
Zhang przewiduje, że startupy AI będą teraz miały za zadanie odzyskanie firm "oparzonętych" projektami, które się nie sprawdziły. "Następna faza wprowadzenia tej technologii na rynek to ‘gdzie jest ROI?’" Uważa, że firmy AI będą musiały odbudować zaufanie, wykazując wymierną wartość swoich rozwiązań i koncentrując się na dostarczaniu mierzalnych wyników.
Echa ze Środowiska Naukowego
Obserwacje Zhanga są poparte badaniami organizacji takich jak National Bureau of Economic Research, które wykazały "brak znaczącego wpływu na zarobki lub rejestrowane godziny pracy w jakimkolwiek zawodzie" po przebadaniu 7 000 miejsc pracy korzystających z chatbotów AI. Podobnie badanie Boston Consulting Group ujawniło, że tylko jedna czwarta ankietowanych menedżerów dostrzegła znaczącą wartość z AI, co sugeruje, że firmy często rozpraszają swoje inwestycje zbyt cienko na wiele projektów pilotażowych.
Priorytetowe Traktowanie Problemów Biznesowych zamiast Modnych Rozwiązań
Rada Zhanga dla firm rozważających LLM polega na skupieniu się na rozwiązywaniu konkretnych problemów biznesowych, a nie na budowaniu skomplikowanych rozwiązań bez jasnych przypadków użycia. Ostrzegł przed "zagubieniem się w budowaniu czegoś i szukaniu problemu", podkreślając wagę dostosowania inwestycji w AI do strategicznych celów biznesowych.
AI jako Narzędzie w Zestawie Narzędzi
Zhang argumentował, że AI należy postrzegać jako tylko jedno narzędzie w zestawie narzędzi do rozwiązywania problemów biznesowych i tworzenia wartości dla klientów. Ostrzegł przed przesadnym nagłaśnianiem potencjału technologii do rozwiązywania wszystkich problemów świata, podkreślając, że jest ona najbardziej efektywna, gdy jest stosowana strategicznie i w połączeniu z innymi rozwiązaniami.
Wyzwanie Halucynacji
Chociaż AI poczyniła znaczne postępy, wyzwania pozostają, szczególnie w obszarze "halucynacji", gdzie LLM generują fałszywe lub zmyślone informacje. Pomimo postępów w tej dziedzinie, wskaźniki halucynacji LLM pozostają uporczywie wysokie, a nawet najnowsze modele wiodących firm popełniają błędy. Kwestia ta podkreśla wagę przejrzystości i zapewnienia użytkownikom wglądu w to, w jaki sposób modele AI dochodzą do swoich wniosków.
Współzałożyciel przyznał licznym specjalistom, że halucynacje pozostają problemem w generatywnej AI. Stwierdził, że firma próbowała pomóc, będąc transparentną, w tym pokazując użytkownikom "surowe myślenie" swoich LLM i jakie narzędzia wykorzystują jej systemy, wraz ze sposobem i cytatami do uzyskanych odpowiedzi.
Krajobraz Konkurencyjny
Cohere stoi w obliczu ostrej konkurencji ze strony lepiej finansowanych rywali w przestrzeni AI. Jednak Zhang uważa, że większe nie zawsze oznacza lepsze, jeśli chodzi o budowanie opłacalnych i energooszczędnych modeli AI. Argumentował, że model jest "tylko tak dobry, jak dane i systemy, do których ma dostęp", podkreślając wagę budowania rozwiązań, które można w pełni uruchomić w środowiskach klientów. Zhang zachwalał "intensywny wzrost" Cohere i powiedział, że "stosunkowo początkujący" charakter przestrzeni pozostawia firmie dużo miejsca na rozwój.
Wzrost Przychodów i Wyzwania
Wzrost Cohere był ostatnio tematem zainteresowania mediów technologicznych. Cohere osiągnął w tym miesiącu 100 milionów dolarów USD (138 milionów dolarów CAD) w rocznych przychodach po ponad dwukrotnym zwiększeniu sprzedaży od początku 2025 roku, a dyrektor generalny Aidan Gomez powiedział niedawno Bloombergowi, że firma jest "niedaleko" od rentowności. Jednak The Information donosiło, że jest to nadal 350 milionów dolarów USD mniej niż to, co Cohere powiedział inwestorom w 2023 roku, że spodziewa się zarabiać rocznie do tej pory. Cele przychodów i ostra konkurencja to nie jedyne wyzwania, z którymi musi się zmierzyć Cohere.
Pozew o Naruszenie Praw Autorskich
Startup AI ma również na talerzu to, co jeden z ekspertów nazwał potencjalnym "precedensowym" pozwem o naruszenie praw autorskich od głównych firm medialnych. Grupa organizacji medialnych, w tym Toronto Star, Condé Nast i Vox, zarzuciła Cohere zdrapywanie treści medialnych bez zgody i wykorzystywanie ich do szkolenia modeli AI, uzyskiwanie dostępu do treści w czasie rzeczywistym bez pozwolenia i generowanie naruszających prawa autorskie wyjść. Cohere jest tylko jednym z wielu startupów AI stojących w obliczu podobnych pozwów. Cohere zaprzeczył tym twierdzeniom, argumentując, że wydawcy, którzy złożyli pozew, wyszli ze swoich sił, aby "wyprodukować" sprawę, i zakwestionował pogląd, że doszło do jakiegokolwiek praktycznego naruszenia praw autorskich.
Zhang odmówił komentarza w tej sprawie, odsyłając BetaKit do wpisu na blogu szczegółowo opisującego myślenie Cohere. "Jesteśmy o tym przekonani," powiedział.
Głębokie Zanurzenie w Wyzwania Wdrażania AI
Wiele firm początkowo zanurza się we wdrożeniach AI z dużym entuzjazmem, wierząc, że AI szybko zrewolucjonizuje ich działania i stworzy wcześniej niespotykane efektywności. Ale wiele z nich napotyka znaczne wyzwania, których się nie spodziewały. Trudności te mogą przybierać różne formy, od złożoności technicznej po opór organizacyjny. Zrozumienie tych wyzwań jest niezbędne dla firm, które mają nadzieję na pomyślne wdrożenie AI i uzyskanie pozytywnego zwrotu z swoich inwestycji.
Złożoność Techniczna i Wymagania Dotyczące Danych
Jedną z pierwszych przeszkód, które firmy często napotykają, jest złożoność techniczna systemów AI. Modele AI, szczególnie te oparte na głębokim uczeniu się, są wymagające obliczeniowo i wymagają specjalistycznej wiedzy do tworzenia, szkolenia i wdrażania. Wymagane są również dane. Jakość i ilość danych do szkolenia mają znaczący wpływ na wydajność modeli AI. Gromadzenie i przygotowywanie ogromnych zbiorów danych może być czasochłonnym i zasobochłonnym procesem. Projekty AI mogą być utrudnione przez brak wysokiej jakości, oznaczonych danych, co skutkuje niedokładnymi lub uprzedzonymi modelami.
Ponadto zagwarantowanie interoperacyjności systemów AI z istniejącą infrastrukturą IT wprowadza dalszą złożoność. Różne platformy i ramy AI mogą nie być kompatybilne z systemami starszego typu, co wymaga znacznych zmian w istniejących przepływach pracy i architekturach. Integracja AI ze skomplikowanymi środowiskami organizacyjnymi często wymaga znacznego doświadczenia i silnego zrozumienia zarówno technologii AI, jak i podstawowych operacji handlowych.
Bariery Organizacyjne i Kulturowe
Oprócz przeszkód technicznych, organizacje mogą napotkać znaczne przeszkody organizacyjne i kulturowe we wdrażaniu AI. Jednym z powszechnych problemów jest niechęć pracowników do zaakceptowania zmian napędzanych przez AI. Pracownicy mogą być zaniepokojeni utratą miejsc pracy, a także koniecznością uczenia się nowych talentów i dostosowywania się do nowych metod pracy. Opór ze strony pracowników może utrudniać wdrożenia AI i utrudniać realizację oczekiwanych korzyści.
Ponadto wdrożenie AI wymaga znacznej współpracy między działami i zespołami. Naukowcy zajmujący się danymi, specjaliści IT, analitycy biznesowi i eksperci merytoryczni muszą współpracować, aby definiować problemy, tworzyć rozwiązania AI i wdrażać je do produkcji. Silaże i brak komunikacji mogą tłumić współpracę i utrudniać skuteczne integrowanie AI z operacjami komercyjnymi. Pokonywanie tych przeszkód organizacyjnych i kulturowych wymaga silnego przywództwa, skutecznej komunikacji i zaangażowania w zarządzanie zmianami.
Kwestie Etyczne i Dotyczące Zarządzania
W miarę jak AI staje się bardziej powszechne, kwestie etyczne i dotyczące zarządzania stają się coraz ważniejsze. Systemy AI mają zdolność utrwalania uprzedzeń, podejmowania niesprawiedliwych osądów i naruszania prywatności ludzi. Organizacje muszą reagować na te obawy, opracowując solidne wytyczne etyczne i procedury zarządzania dla projektowania, rozwoju i wdrażania AI. Przejrzystość, odpowiedzialność i sprawiedliwość to kluczowe zasady odpowiedzialnej AI.
Prywatność danych jest ważną kwestią do rozważenia. Przepisy dotyczące prywatności danych muszą być przestrzegane podczas budowania systemów AI, wraz ze zabezpieczeniami chroniącymi wrażliwe informacje przed niepożądanym dostępem lub nadużyciem. Organizacje muszą uzyskać zgodę użytkownika na gromadzenie i wykorzystywanie danych, a także zapewnić przejrzystość w zakresie tego, jak modele AI podejmują decyzje. Ponadto organizacje powinny mieć mechanizmy monitorowania i audytu systemów AI, aby odkrywać i łagodzić wszelkie ryzyka etyczne lub niepożądane konsekwencje.
Pomiar i Wykazanie ROI
Ostatecznie sukces każdego projektu AI zależy od jego zdolności do wygenerowania wymiernego zwrotu z inwestycji (ROI). Jednak określenie ROI projektów AI może być trudne, szczególnie gdy korzyści są niematerialne lub długoterminowe. Organizacje muszą ustanowić jasne cele i wskaźniki dla swoich wdrożeń AI, a także regularnie śledzić postępy i mierzyć wyniki. Wymaga to gruntownego zrozumienia wartości biznesowej, jaką AI powinna zapewnić, a także zasobów niezbędnych do osiągnięcia tej wartości.
Ponadto komunikacja korzyści z AI zainteresowanym stronom ma kluczowe znaczenie dla uzyskania wsparcia i budowania zaufania do inwestycji w AI. Może to obejmować prezentowanie przypadków użycia, pokazywanie wczesnych triumfów i kwantyfikowanie wpływu AI na zasadnicze wskaźniki biznesowe. Aby pomyślnie kwantyfikować i wykazać ROI z AI, firmy muszą stworzyć zdefiniowane ramy pomiaru wydajności i jasno określić propozycję wartości zainteresowanym stronom.
Przyszłość Adopcji AI: Zrównoważona Perspektywa
Przemyślenia Ivana Zhanga podkreślają wagę zrównoważonego podejścia do adopcji AI, które uznaje potencjał technologii, pozostając jednocześnie zakorzenionym w praktycznych realiach. W miarę jak AI ewoluuje, firmy będą musiały skupić się na budowaniu rozwiązań, które zapewniają wymierne ROI, uwzględniają obawy etyczne i bezproblemowo integrują się z istniejącymi przepływami pracy. Priorytetowo traktując problemy biznesowe nad modnymi rozwiązaniami i postrzegając AI jako narzędzie w zestawie narzędzi, organizacje mogą odblokować prawdziwy potencjał AI i napędzać znaczące wyniki biznesowe.