Преодоление плато AI: призыв к ориентации на ROI
Стремительный взлет искусственного интеллекта привел к всплеску экспериментов в различных отраслях. Однако многие компании испытывают «усталость от концептуальных доказательств», когда первоначальные испытания не приводят к ощутимой коммерческой ценности. Иван Чжан, соучредитель Cohere, ведущей компании в области больших языковых моделей (LLM), обратился к этой растущей проблеме во время недавнего саммита Web Summit, призвав потенциальных клиентов сохранить веру в AI, подчеркнув при этом критическую необходимость сосредоточиться на окупаемости инвестиций (ROI).
Ловушка подтверждения концепции
Чжан отметил разочарование среди предприятий, которые вложили значительные средства в пилотные проекты AI, не получив при этом соответствующей отдачи. Он признал, что многие клиенты Cohere, несмотря на создание первоначальных приложений, изо всех сил пытались внедрить их в производство из-за проблем, начиная от стоимости и управления и заканчивая безопасностью данных и конфиденциальностью. Это мнение отражает более широкую тенденцию, когда обещания AI часто сталкиваются с практическими реалиями реализации.
Он указал на проблемы расходов, соответствия нормативным требованиям, защиты данных и протоколов конфиденциальности, которые Cohere надеется решить с помощью своей новой платформы рабочего пространства North.
Императив ROI
В интервью Чжан подчеркнул, что следующий этап внедрения AI должен определяться ощутимым ROI. Компаниям необходимо увидеть четкое финансовое обоснование своих инвестиций в AI, гарантируя, что выгоды перевешивают затраты. Он предупредил, что некоторые системы AI настолько дороги в эксплуатации, что сводят на нет любую потенциальную экономию средств от автоматизации задач.
«Иногда системы, которые они в конечном итоге строят, стоимость самой модели обходится дороже, чем люди, которые ее фактически запускают», — сказал он.
Необходимо решить существенный вопрос о том, действительно ли есть улучшения при внедрении AI, чтобы преодолеть сожженные мосты AI-компаний, реализующих проекты, которые никогда не оправдались.
Увеличение AI против производительности
Чжан также отметил случаи, когда компании пытались расширить существующую рабочую силу с помощью AI, но не увидели никакого улучшения в производительности. В некоторых случаях сотрудники просто снижали свою рабочую нагрузку, не увеличивая объем производства, что фактически сводило на нет преимущества AI. Это подчеркивает важность тщательного рассмотрения того, как AI интегрируется в существующие рабочие процессы и обеспечивает ли он реальный прирост эффективности.
Преодоление ранних неудач
Чжан ожидает, что теперь перед AI-стартапами будет поставлена задача вернуть компании, «обожженные» проектами, которые не оправдались. «Следующий этап выхода на рынок для этой технологии – «где ROI?»». Он считает, что AI-компаниям необходимо будет восстановить доверие, продемонстрировавощутимую ценность своих решений и сосредоточившись на достижении измеримых результатов.
Отклики из исследовательского сообщества
Наблюдения Чжана подтверждаются исследованиями таких организаций, как Национальное бюро экономических исследований, которые не обнаружили «существенного влияния на заработок или количество часов, зарегистрированных в какой-либо профессии» после опроса 7000 рабочих мест, использующих AI-чат-боты. Аналогичным образом, исследование Boston Consulting Group показало, что только четверть опрошенных руководителей увидели значительную выгоду от AI, что говорит о том, что компании часто слишком тонко распределяют свои инвестиции по многочисленным пилотным проектам.
Приоритет бизнес-задач над эффектными решениями
Совет Чжана компаниям, рассматривающим LLM, состоит в том, чтобы сосредоточиться на решении конкретных бизнес-задач, а не на создании сложных решений без четких вариантов использования. Он предостерег от того, чтобы «заблудиться в создании чего-то и поиске проблемы», подчеркнув важность согласования инвестиций в AI со стратегическими бизнес-целями.
AI как инструмент в ящике с инструментами
Чжан утверждал, что AI следует рассматривать только как один инструмент в ящике с инструментами для решения бизнес-задач и создания ценности для клиентов. Он предостерег от чрезмерного ажиотажа вокруг потенциала технологии для решения всех мировых проблем, подчеркнув, что она наиболее эффективна при использовании стратегически и в сочетании с другими решениями.
Проблема галлюцинаций
Несмотря на значительные успехи AI, проблемы остаются, особенно в области «галлюцинаций», когда LLM генерируют ложную или сфабрикованную информацию. Несмотря на прогресс в этой области, показатели галлюцинаций LLM остаются на удивление высокими, и даже последние модели от ведущих компаний выдают ошибки. Эта проблема подчеркивает важность прозрачности и предоставления пользователям информации о том, как модели AI приходят к своим выводам.
Соучредитель признал многочисленным специалистам, что галлюцинации остаются проблемой в генеративном AI. Он заявил, что компания попыталась помочь, внедрив прозрачность, в том числе показывая пользователям «сырое мышление» своих LLM, а также какие инструменты используют ее системы, вместе с тем, как и цитаты к производным ответам.
Конкурентная среда
Cohere сталкивается с жесткой конкуренцией со стороны более финансируемых конкурентов в сфере AI. Однако Чжан считает, что больше не всегда лучше, когда речь идет о создании экономически эффективных и энергоэффективных моделей AI. Он утверждал, что модель «хороша настолько, насколько хороши данные и системы, к которым она может получить доступ», подчеркивая важность создания решений, которые могут быть запущены полностью в среде клиентов. Чжан рекламировал «интенсивный рост» Cohere и сказал, что «относительно зарождающийся» характер пространства оставляет компании много возможностей для расширения.
Рост доходов и проблемы
Рост Cohere в последнее время стал предметом пристального внимания со стороны технологических СМИ. В этом месяце годовой доход Cohere достиг 100 миллионов долларов США (138 миллионов канадских долларов) после более чем двукратного увеличения продаж с начала 2025 года, а генеральный директор Эйдан Гомес недавно заявил Bloomberg, что компания «недалека» от прибыльности. Но The Information сообщила, что это все еще на 350 миллионов долларов США меньше, чем Cohere сообщила инвесторам в 2023 году, и, как ожидалось, будет зарабатывать ежегодно к настоящему времени. Целевые показатели доходов и жесткая конкуренция - не единственные проблемы, с которыми должна бороться Cohere.
Судебный процесс о нарушении авторских прав
У AI-стартапа также есть то, что один эксперт назвал потенциально «создающим прецедент» судебным разбирательством о нарушении авторских прав со стороны крупных медиа-компаний. Группа медиа-организаций, в том числе Toronto Star, Condé Nast и Vox, заявила, что Cohere без согласия собирала медиа-контент и использовала его для обучения моделей AI, получала доступ к контенту в режиме реального времени без разрешения и генерировала нарушающие авторские права результаты. Cohere — лишь один из многих AI-стартапов, сталкивающихся с аналогичными исками. Cohere отвергла эти утверждения, утверждая, что подавшие иск издатели сделали все возможное, чтобы «сфабриковать» дело, и оспорили понятие о том, что произошло какое-либо практическое нарушение авторских прав.
Чжан отказался давать какие-либо комментарии по этому поводу, указав BetaKit на запись в блоге, подробно описывающую размышления Cohere. «Мы уверены в этом», — сказал он.
Более глубокое погружение в проблемы внедрения AI
Многие предприятия изначально погружаются в AI-инициативы с большим энтузиазмом, полагая, что AI быстро революционизирует их операции и создаст ранее неслыханные эффективности. Но многие сталкиваются с серьезными проблемами, которых они не ожидали. Эти трудности могут принимать различные формы, от технической сложности до организационного сопротивления. Понимание этих проблем необходимо для предприятий, надеющихся успешно внедрить AI и получить положительную отдачу от своих инвестиций.
Техническая сложность и требования к данным
Одним из первых препятствий, с которыми часто сталкиваются предприятия, является техническая сложность AI-систем. Модели AI, особенно основанные на глубоком обучении, требуют больших вычислительных мощностей и специализированных знаний для создания, обучения и развертывания. Также требуются данные. Качество и количество данных обучения оказывают существенное влияние на производительность моделей AI. Сбор и подготовка огромных наборов данных может быть трудоемким и ресурсоемким процессом. Проектам AI может помешать недостаток высококачественных маркированных данных, что приводит к неточным или предвзятым моделям.
Кроме того, обеспечение совместимости AI-систем с существующей ИТ-инфраструктурой создает дополнительную сложность. Различные платформы и фреймворки AI могут быть несовместимы с устаревшими системами, что требует существенных изменений в существующих рабочих процессах и архитектурах. Интеграция AI в сложные организационные среды часто требует значительного опыта и твердого понимания как AI-технологий, так и основных коммерческих операций.
Организационные и культурные барьеры
Помимо технических препятствий, организации могут столкнуться со значительными организационными и культурными препятствиями для внедрения AI. Одной из распространенных проблем является нежелание работников принимать изменения, вызванные AI. Сотрудники могут быть обеспокоены перемещением рабочих мест, а также необходимостью осваивать новые таланты и адаптироваться к новым методам работы. Сопротивление со стороны работников может помешать AI-инициативам и воспрепятствовать реализации ожидаемых преимуществ.
Кроме того, развертывание AI требует значительного сотрудничества между отделами и командами. Специалисты по данным, ИТ-специалисты, бизнес-аналитики и эксперты в предметной области должны сотрудничать для определения проблем, создания AI-решений и развертывания их в производство. Разрозненность и недостаток коммуникации могут подавить сотрудничество и воспрепятствовать эффективной интеграции AI в коммерческие операции. Преодоление этих организационных и культурных препятствий требует сильного лидерства, эффективной коммуникации и приверженности управлению изменениями.
Этические и управленческие проблемы
По мере того как AI становится все более распространенным, этические и управленческие вопросы становятся все более важными. AI-системы имеют возможность увековечивать предрассудки, выносить несправедливые суждения и нарушать частную жизнь людей. Организации должны решать эти проблемы путем разработки надежных этических руководств и процедур управления для проектирования, разработки и развертывания AI. Прозрачность, подотчетность и справедливость являются ключевыми принципами ответственного AI.
Конфиденциальность данных является важным вопросом, который следует учитывать. Правила конфиденциальности данных должны соблюдаться при создании AI-систем, а также меры безопасности для защиты конфиденциальной информации от нежелательного доступа или злоупотребления. Организации должны получать согласие пользователей на сбор и использование данных, а также обеспечивать прозрачность того, как модели AI принимают решения. Кроме того, организации должны иметь механизмы для мониторинга и аудита AI-систем для выявления и смягчения любых этических рисков или нежелательных последствий.
Измерение и демонстрация ROI
В конечном счете, успех любого AI-проекта зависит от его способности приносить количественно измеримую отдачу от инвестиций (ROI). Однако определение ROI AI-проектов может быть трудным, особенно когда преимущества являются нематериальными или долгосрочными. Организации должны установить четкие цели и показатели для своих AI-инициатив, а также регулярно отслеживать прогресс и измерять результаты. Это требует тщательного понимания коммерческой ценности, которую AI должен принести, а также ресурсов, необходимых для достижения этой ценности.
Кроме того, передача преимуществ AI заинтересованным сторонам имеет решающее значение для получения поддержки и установления уверенности в инвестициях в AI. Это может повлечь за собой представление вариантов использования, демонстрацию ранних триумфов и количественную оценку влияния AI на основные бизнес-показатели. Чтобы успешно количественно оценить и показать ROI AI, предприятия должны создать определенную базу для измерения производительности и четко выразить ценностное предложение заинтересованным сторонам.
Будущее внедрения AI: сбалансированная перспектива
Взгляды Ивана Чжана подчеркивают важность сбалансированного подхода к внедрению AI, подхода, который признает потенциал технологии, оставаясь при этом основанным на практических реалиях. По мере того как AI продолжает развиваться, компаниям необходимо будет сосредоточиться на создании решений, которые обеспечивают ощутимый ROI, решают этические проблемы и органично интегрируются в существующие рабочие процессы. Отдавая приоритет бизнес-задачам над эффектными решениями и рассматривая AI как инструмент в ящике с инструментами, организации могут раскрыть истинный потенциал AI и добиться значимых бизнес-результатов.