Zastosowanie sztucznej inteligencji w biznesie

Zastosowanie sztucznej inteligencji w pracy jest możliwe już obecnie. Dyrektorzy generalni powinni uznać wykorzystanie generatywnej sztucznej inteligencji za konieczność, a nie możliwość. Generatywna sztuczna inteligencja może tworzyć wartość w szerokim zakresie przypadków użycia. Początkowe wydatki oraz wymagania techniczne na starcie nie są wygórowane, podczas gdy wadą braku adopcji może być szybkie pozostawanie w tyle za konkurencją. Każdy CEO powinien współpracować z zespołem wykonawczym, aby zastanowić się, gdzie i jak wykorzystać AI w firmie. Niektórzy dyrektorzy generalni mogą zdecydować, że generatywna sztuczna inteligencja stanowi transformacyjną szansę dla ich firm, oferując szansę na ponowne wyobrażenie sobie wszystkiego, od badań i rozwoju, przez marketing i sprzedaż, po obsługę klienta. Inni mogą zdecydować się na rozpoczęcie na małą skalę i skalowanie sztucznej inteligencji później. Po podjęciu decyzji istnieją techniczne ścieżki, którymi eksperci AI mogą podążać, aby zrealizować strategię, w zależności od przypadku użycia.

Znaczna część wykorzystania (choć niekoniecznie cała wartość) generatywnej sztucznej inteligencji w organizacji będzie pochodzić od pracowników wykorzystujących funkcje wbudowane w oprogramowanie, które już posiadają. Systemy poczty e-mail zapewnią opcję pisania pierwszych wersji roboczych wiadomości. Aplikacje zwiększające produktywność stworzą pierwszy szkic prezentacji na podstawie opisu. Oprogramowanie finansowe wygeneruje opis istotnych cech raportu finansowego. Systemy zarządzania relacjami z klientami – CRM zasugeruje sposoby interakcji z klientami. Funkcje te mogą przyspieszyć produktywność każdego pracownika wiedzy.

Ale generatywna sztuczna inteligencja może być również bardziej transformacyjna w niektórych przypadkach użycia. Poniżej przyjrzymy się czterem przykładom tego, jak firmy z różnych branż wykorzystują dziś generatywną sztuczną inteligencję, aby zmienić sposób wykonywania pracy w swojej organizacji. Przykłady obejmują zarówno te wymagające minimalnych zasobów, jak i przedsięwzięcia wymagające dużych zasobów.

Zastosowanie sztucznej inteligencji w biznesie, pracy programistów, deweloperów

Pierwszy przykład jest stosunkowo mało złożonym przypadkiem z natychmiastowymi korzyściami w zakresie produktywności, ponieważ wykorzystuje gotowe rozwiązanie generatywnej sztucznej inteligencji i nie wymaga dostosowywania we własnym zakresie.

Największą częścią pracy dewelopera, inżyniera oprogramowania jest pisanie kodu. Jest to pracochłonny proces, który wymaga intensywnych prób i błędów oraz sprawdzania dokumentacji. W firmie niedobór wykwalifikowanych deweloperów doprowadził do dużych zaległości w żądaniach funkcji i poprawek błędów.

Aby poprawić produktywność deweloperów, firma wdraża oparty na sztucznej inteligencji produkt do uzupełniania kodu, który integruje się z oprogramowaniem używanym przez deweloperów do kodowania. Sztuczna inteligencja pozwala deweloperom na pisanie opisów kodu w języku naturalnym, podczas gdy sztuczna inteligencja sugeruje kilka wariantów bloków kodu, które będą zgodne z opisem. Programiści mogą wybrać jedną z propozycji sztucznej inteligencji, wprowadzić niezbędne poprawki i kliknąć ją, aby wstawić kod.

Takie narzędzia mogą przyspieszyć generowanie kodu przez programistę nawet o 50%. Mogą również pomóc w debugowaniu, co może poprawić jakość opracowanego produktu. Jednak obecnie generatywna sztuczna inteligencja nie może zastąpić wykwalifikowanych inżynierów oprogramowania. W rzeczywistości bardziej doświadczeni inżynierowie wydają się czerpać największe korzyści z produktywności narzędzi, a niedoświadczeni programiści widzą mniej imponujące - a czasem negatywne - wyniki. Znanym ryzykiem jest to, że kod wygenerowany przez sztuczną inteligencję może zawierać luki w zabezpieczeniach lub inne błędy, więc programiści muszą być zaangażowani w zapewnienie jakości i bezpieczeństwa kodu.

Koszt gotowego narzędzia do kodowania generatywnej sztucznej inteligencji jest stosunkowo niski, a czas wprowadzenia na rynek bardzo krótki, ponieważ produkt jest dostępny i nie wymaga znacznego rozwoju wewnętrznego. Koszt różni się w zależności od dostawcy oprogramowania, ale subskrypcje ze stałą opłatą wahają się od 10 do 30 USD na użytkownika miesięcznie. Wybierając narzędzie, ważne jest, aby omówić kwestie licencyjne i własności intelektualnej z dostawcą, aby upewnić się, że wygenerowany kod nie spowoduje naruszeń.

Wsparciem dla nowego narzędzia jest mały wielofunkcyjny zespół skupiony na wyborze dostawcy oprogramowania i monitorowaniu wydajności, co powinno obejmować sprawdzanie własności intelektualnej i kwestii bezpieczeństwa. Wdrożenie wymaga jedynie zmian w przepływie pracy i zasadach. Ponieważ narzędzie jest wyłącznie gotowym oprogramowaniem jako usługa (SaaS), dodatkowe koszty obliczeniowe i przechowywania są minimalne lub nie istnieją.

Zastosowanie sztucznej inteligencji w biznesie, pracy menedżerów ds. relacji

Firmy mogą zdecydować się na zbudowanie własnych generatywnych aplikacji AI, wykorzystujących modele fundamentalne (za pośrednictwem interfejsów API lub otwartych modeli), zamiast korzystać z gotowego narzędzia. Wymaga to zwiększenia inwestycji w porównaniu z poprzednim przykładem, ale ułatwia bardziej spersonalizowane podejście w celu spełnienia specyficznego kontekstu i potrzeb firmy.

W tym przykładzie duży bank chce wykorzystać sztuczną inteligencję do poprawy produktywności menedżerów ds. relacji (Relationship Manager - RM). RM spędzają dużo czasu na przeglądaniu dużych dokumentów, takich jak raporty roczne i transkrypcje rozmów o zyskach, aby być na bieżąco z sytuacją i priorytetami klienta. Umożliwia to RM oferowanie usług dostosowanych do konkretnych potrzeb klienta.

Bank zdecydował się zbudować rozwiązanie, które uzyskuje dostęp do modelu fundamentalnego za pośrednictwem interfejsu API. Rozwiązanie skanuje dokumenty i szybko dostarcza syntetyczne odpowiedzi na pytania zadawane przez RM. Dodatkowe warstwy wokół modelu są budowane w celu usprawnienia doświadczenia użytkownika, zintegrowania narzędzia z systemami firmy oraz zastosowania kontroli ryzyka i zgodności. W szczególności wyniki modelu muszą zostać zweryfikowane, podobnie jak organizacja sprawdziłaby wyniki młodszego analityka, ponieważ niektóre duże modele językowe są znane z podawania niewłaściwych wyników. RM są również szkoleni, aby zadawać pytania w sposób, który zapewni najdokładniejsze odpowiedzi z rozwiązania (zwane inżynierią podpowiedzi), a procesy są wdrażane w celu usprawnienia walidacji wyników narzędzia i źródeł informacji.

W tym przypadku generatywna sztuczna inteligencja może przyspieszyć proces analizy RM (z dni do godzin), poprawia satysfakcję z pracy i prezentuje spostrzeżenia, które RM mógłby w przeciwnym razie przeoczyć.

Koszt rozwoju sztucznej inteligencji wynika głównie z budowy interfejsu użytkownika i integracji, które wymagają czasu naukowca zajmującego się danymi, inżyniera uczenia maszynowego lub inżyniera danych, projektanta i programisty front-end. Bieżące wydatki obejmują utrzymanie oprogramowania i koszty korzystania z interfejsów API. Koszty zależą od wyboru modelu i opłat zewnętrznych dostawców, wielkości zespołu i czasu do uzyskania minimalnego realnego produktu.

Zastosowanie sztucznej inteligencji w biznesie, obsłudze klienta

Kolejnym poziomem zaawansowania jest dopracowanie modelu podstawowego. Firma wykorzystuje model podstawowy sztucznej inteligencji zoptymalizowany pod kątem konwersacji i dostosowuje go do własnych wysokiej jakości czatów z klientami oraz pytań i odpowiedzi specyficznych dla sektora. Firma działa w sektorze ze specjalistyczną terminologią nieruchomości i finanse. Szybka obsługa klienta jest wyróżnikiem konkurencyjnym.

Przedstawiciele obsługi klienta firmy obsługują setki przychodzących zapytań dziennie. Czas odpowiedzi był czasami zbyt długi, co powodowało niezadowolenie użytkowników. Firma zdecydowała się wprowadzić generatywnego bota obsługi klienta AI do obsługi większości zapytań klientów. Celem była szybka odpowiedź w tonie dopasowanym do marki firmy i preferencji klientów. Część procesu dostrajania i testowania modelu podstawowego obejmuje zapewnienie, że odpowiedzi są dostosowane do języka specyficznego dla domeny, obietnicy marki i tonu ustalonego dla firmy; wymagane jest ciągłe monitorowanie w celu weryfikacji wydajności systemu w wielu wymiarach, w tym satysfakcji klienta.

Firma stworzyła mapę drogową produktu składającą się z kilku fal, aby zminimalizować potencjalne błędy modelu. W pierwszej fali chatbot był pilotowany wewnętrznie. Pracownicy mogli udzielać odpowiedzi "kciuk w górę" lub "kciuk w dół" na sugestie modelu, a model był w stanie uczyć się na podstawie tych danych wejściowych. W kolejnym kroku model "słuchał" rozmów z obsługą klienta i oferował sugestie. Gdy technologia została wystarczająco przetestowana, rozpoczęła się druga fala, a model został przesunięty w kierunku przypadków użycia skierowanych do klienta z człowiekiem w pętli. Ostatecznie, gdy liderzy są całkowicie przekonali się do sztucznej inteligencji, pewni technologii, można ją w dużej mierze zautomatyzować.

W tym przypadku generatywna sztuczna inteligencja pozwoliła przedstawicielom obsługi klienta skupić się na bardziej wartościowych i złożonych zapytaniach klientów, poprawiła ich wydajność i satysfakcję z pracy, a także podniosła standardy obsługi i zadowolenie klientów. Bot ma dostęp do wszystkich wewnętrznych danych o kliencie i może "pamiętać" wcześniejsze rozmowy (w tym rozmowy telefoniczne), co stanowi krok naprzód w stosunku do obecnych chatbotów dla klientów.

Aby uchwycić korzyści, ten przypadek użycia wymagał znacznych inwestycji w oprogramowanie, infrastrukturę chmurową i talenty techniczne, a także wyższego stopnia wewnętrznej koordynacji w zakresie ryzyka i operacji. Dopracowanie modeli fundamentalnych kosztuje dwa do trzech razy więcej niż zbudowanie jednej lub więcej warstw oprogramowania na API. Koszty związane z talentem i kosztami zewnętrznymi w zakresie przetwarzania w chmurze (w przypadku dostrajania modelu hostowanego samodzielnie) lub interfejsu API (w przypadku dostrajania za pośrednictwem interfejsu API innej firmy) odpowiadają za zwiększone koszty. Aby wdrożyć rozwiązanie, firma potrzebowała pomocy ekspertów DataOps i MLOps, a także wkładu innych funkcji, takich jak zarządzanie produktem, projektowanie, prawo i specjaliści ds. obsługi klienta.

Zastosowanie sztucznej inteligencji w biznesie, procesie tworzenia leków

Najbardziej złożone i niestandardowe przypadki użycia generatywnej sztucznej inteligencji pojawiają się, gdy nie są dostępne odpowiednie modele fundamentalne i firma musi je zbudować od podstaw. Taka sytuacja może wystąpić w wyspecjalizowanych sektorach lub podczas pracy z unikalnymi zestawami danych, które znacznie różnią się od danych wykorzystywanych do trenowania istniejących modeli podstawowych, jak pokazuje przykład farmaceutyczny. Trenowanie modelu fundamentalnego od podstaw wiąże się z poważnymi wyzwaniami technicznymi, inżynieryjnymi i zasobowymi. Dodatkowy zwrot z inwestycji wynikający z zastosowania modelu o wyższej wydajności powinien przewyższać koszty finansowe i koszty kapitału ludzkiego.

Naukowcy zajmujący się opracowywaniem nowych leków w firmie farmaceutycznej musieli zdecydować, które eksperymenty przeprowadzić w następnej kolejności, w oparciu o obrazy mikroskopowe. Dysponowali oni zestawem danych składającym się z milionów takich obrazów, zawierających bogactwo informacji wizualnych na temat cech komórek, które są istotne dla odkrywania leków, ale trudne do zinterpretowania przez człowieka. Obrazy te były wykorzystywane do oceny potencjalnych kandydatów na terapię.

Firma postanowiła stworzyć narzędzie, które pomogłoby naukowcom zrozumieć związek między składem chemicznym leku a zarejestrowanymi wynikami mikroskopii, aby przyspieszyć prace badawczo-rozwojowe. Ponieważ takie multimodalne modele są wciąż w powijakach, firma zdecydowała się na stworzenie własnego. Aby zbudować model, członkowie zespołu wykorzystali zarówno rzeczywiste obrazy, które są używane do trenowania podstawowych modeli opartych na obrazach, jak i ich duży wewnętrzny zestaw danych obrazów mikroskopowych.

Wytrenowany model wniósł wartość dodaną, przewidując, którzy kandydaci na leki mogą prowadzić do korzystnych wyników i poprawiając zdolność do dokładnego identyfikowania odpowiednich cech komórek do odkrywania leków. Może to prowadzić do bardziej wydajnych i skutecznych procesów odkrywania leków, nie tylko poprawiając czas uzyskania wartości, ale także zmniejszając liczbę niedokładnych, mylących lub nieudanych analiz.

Szkolenie modelu od podstaw kosztuje od dziesięciu do dwudziestu razy więcej niż tworzenie oprogramowania wokół modelu API. Większe zespoły (w tym na przykład eksperci uczenia maszynowego na poziomie doktora) oraz wyższe wydatki na obliczenia i pamięć masową odpowiadają za różnice w kosztach. Przewidywany koszt szkolenia modelu fundamentalnego różni się znacznie w zależności od pożądanego poziomu wydajności modelu i złożoności modelowania. Czynniki te wpływają na wymagany rozmiar zestawu danych, skład zespołu i zasoby obliczeniowe. W tym przypadku zespół inżynierów i bieżące wydatki na chmurę stanowiły większość kosztów.

Firma stwierdziła, że potrzebne będą znaczne aktualizacje infrastruktury technicznej i procesów, w tym dostęp do wielu instancji GPU w celu trenowania modelu, narzędzia do dystrybucji szkoleń w wielu systemach oraz najlepsze praktyki MLOps w celu ograniczenia kosztów i czasu trwania projektu. Niezbędne były również znaczne prace związane z przetwarzaniem danych w celu ich gromadzenia, integracji (zapewnienie, że pliki różnych zestawów danych mają ten sam format i rozdzielczość) oraz czyszczenia (filtrowanie danych o niskiej jakości, usuwanie duplikatów i zapewnienie, że dystrybucja jest zgodna z przeznaczeniem). Ponieważ model bazowy został wyszkolony od podstaw, konieczne było rygorystyczne przetestowanie ostatecznego modelu, aby upewnić się, że dane wyjściowe są dokładne i bezpieczne w użyciu.

Zastosowanie sztucznej inteligencji w biznesie, w łańcuchu wartości

Idee, które dyrektorzy generalni mogą wyciągnąć z tych przykładów

Przedstawione przypadki użycia sztucznej inteligencji oferują istotne wnioski dla dyrektorów generalnych, którzy rozpoczynają wdrożenie generatywnej sztucznej inteligencji:

• Transformacyjne przypadki użycia, które oferują praktyczne korzyści dla miejsc pracy, już istnieją. Firmy z różnych sektorów, od farmaceutycznego przez finanse, bankowość po handel detaliczny, przygotowują szereg przypadków użycia, aby wykorzystać potencjał tworzenia wartości. Firmy mogą zaczynać od małych lub dużych przedsięwzięć, w zależności od ich aspiracji.
• Koszty wdrożenia generatywnej sztucznej inteligencji są bardzo zróżnicowane, w zależności od przypadku użycia i danych wymaganych dla oprogramowania, infrastruktury chmurowej, wiedzy technicznej i ograniczania ryzyka. Firmy muszą wziąć pod uwagę kwestie ryzyka, niezależnie od przypadku użycia, a niektóre będą wymagały więcej zasobów niż inne.
• Chociaż warto zacząć szybko, zbudowanie najpierw podstawowego uzasadnienia biznesowego pomoże firmom lepiej poruszać się po ich generatywnej sztucznej inteligencji.

Zastosowanie sztucznej inteligencji w biznesie

CEO ma do odegrania kluczową rolę w katalizowaniu koncentracji firmy na generatywnej sztucznej inteligencji. Strategie, o których CEO powinni pamiętać, rozpoczynając wdrożenie sztucznej inteligencji w biznesie. Wiele z nich odzwierciedla reakcje kadry kierowniczej wyższego szczebla na poprzednie fale nowych technologii. Generatywna sztuczna inteligencja stawia jednak własne wyzwania, w tym zarządzanie technologią zmieniającą się z prędkością niespotykaną w poprzednich transformacjach technologicznych.

Zastosowanie sztucznej inteligencji w biznesie

Wiele organizacji zaczęło badać możliwości tradycyjnej sztucznej inteligencji poprzez odizolowane eksperymenty. Generatywna sztuczna inteligencja wymaga bardziej przemyślanego i skoordynowanego podejścia, biorąc pod uwagę unikalne względy ryzyka i zdolność modeli fundamentalnych do wspierania wielu przypadków użycia w całej organizacji. Na przykład model dopracowany przy użyciu zastrzeżonych materiałów w celu odzwierciedlenia tożsamości marki przedsiębiorstwa może zostać wdrożony w kilku przypadkach użycia (na przykład generowanie spersonalizowanych kampanii marketingowych i opisów produktów) oraz funkcjach biznesowych, takich jak rozwój produktu i marketing.

Firma, powinna stworzyć wielofunkcyjną grupę liderów firmy (na przykład reprezentujących naukę o danych, inżynierię, prawo, cyberbezpieczeństwo, marketing, projektowanie i inne funkcje biznesowe). Taka grupa może nie tylko pomóc zidentyfikować i nadać priorytet przypadkom użycia o najwyższej wartości, ale także umożliwić skoordynowane i bezpieczne wdrożenie w całej organizacji.

Identyfikacja głównych obszarów zamiast skupienie się na przypadkach użycia

Generatywna sztuczna inteligencja to potężne narzędzie, które może zmienić sposób działania firmy, ze szczególnym wpływem na niektóre domeny biznesowe w łańcuchu wartości. Łatwość wdrażania generatywnej sztucznej inteligencji może kusić firmy do stosowania jej w sporadycznych przypadkach użycia w całej firmie. Ważne jest, aby mieć perspektywę na grupę przypadków użycia według specjalizacji firmy, które będą miały największy potencjał transformacyjny w różnych funkcjach biznesowych. Firmy na nowo wyobrażają sobie stan docelowy umożliwiony przez generatywną sztuczną inteligencję działającą w synchronizacji z innymi tradycyjnymi aplikacjami sztucznej inteligencji, wraz z nowymi sposobami pracy, które wcześniej mogły nie być możliwe.

Zastosowanie sztucznej inteligencji w biznesie. Technologia

Nowoczesny stos danych i technologii jest kluczem do niemal każdego udanego podejścia do generatywnej sztucznej inteligencji. Dyrektorzy generalni powinni zwrócić się do swoich dyrektorów ds. technologii, aby ustalić, czy firma ma wymagane możliwości techniczne w zakresie zasobów obliczeniowych, systemów danych, narzędzi i dostępu do modeli (open source za pośrednictwem centrów modeli lub komercyjnych za pośrednictwem interfejsów API).

Przykładowo, siłą napędową generatywnej sztucznej inteligencji jest stały dostęp do danych dostosowanych do konkretnego kontekstu biznesowego lub problemu. Firmy, które nie znalazły jeszcze sposobów na skuteczną harmonizację i zapewnienie łatwego dostępu do swoich danych, nie będą w stanie dostroić generatywnej sztucznej inteligencji, aby odblokować więcej jej potencjalnie transformacyjnych zastosowań. Równie ważne jest zaprojektowanie skalowalnej architektury danych, która obejmuje zarządzanie danymi i procedury bezpieczeństwa. W zależności od przypadku użycia, istniejąca infrastruktura obliczeniowa i narzędziowa (która może być pozyskiwana za pośrednictwem dostawcy usług w chmurze lub konfigurowana wewnętrznie) może również wymagać modernizacji. Kluczowe znaczenie będzie miała klarowna strategia dotycząca danych i infrastruktury, oparta na wartości biznesowej i przewadze konkurencyjnej wynikającej z generatywnej sztucznej inteligencji.

Zastosowanie sztucznej inteligencji w biznesie. Tworzenie wzorca

Zarządy firm będą chciały uniknąć utknięcia na etapie planowania. Nowe modele i aplikacje są szybko opracowywane i wydawane. Na przykład GPT-4 został wydany w marcu 2023 roku, po wydaniu ChatGPT (GPT-3.5) w listopadzie 2022 roku i GPT-3 w 2020 roku. W świecie biznesu czas jest najważniejszy, a szybki charakter technologii generatywnej sztucznej inteligencji wymaga od firm szybkiego działania, aby z niej skorzystać. Istnieje kilka sposobów, dzięki którym kadra kierownicza może utrzymać stałe tempo.

Chociaż generatywna sztuczna inteligencja jest wciąż na wczesnym etapie rozwoju, ważne jest, aby wewnętrznie zaprezentować, w jaki sposób może ona wpłynąć na model operacyjny firmy, być może poprzez "podejście latarni morskiej". „Tak zwane projekty lighthouse są zwykle definiowane jako małe wysiłki skoncentrowane na wynikach w wąskim obszarze, mające na celu ustanowienie ścieżki dla większych przedsięwzięć w przyszłości. Ponieważ jednak wdrożenie sztucznej inteligencji postępuje w szybkim tempie, wraz z szybką akceptacją narzędzi takich jak sztuczna inteligencja i uczenie maszynowe, niektóre projekty obiecują wywrzeć wpływ na znacznie szerszą skalę.”

Na przykład, jednym ze sposobów jest zbudowanie "wirtualnego eksperta", który umożliwi pracownikom pierwszej linii korzystanie z zastrzeżonych źródeł wiedzy i oferowanie klientom najbardziej odpowiednich treści. Może to potencjalnie zwiększyć produktywność, wywołać entuzjazm i umożliwić organizacji przetestowanie generatywnej sztucznej inteligencji wewnętrznie przed skalowaniem do aplikacji skierowanych do klientów.

Podobnie jak w przypadku innych fal innowacji technicznych, pojawi się zmęczenie weryfikacją koncepcji i wiele przykładów firm, które utknęły w "czyśćcu pilotażowym". Jednak zachęcanie do weryfikacji koncepcji jest nadal najlepszym sposobem na szybkie przetestowanie i dopracowanie wartościowego uzasadnienia biznesowego przed skalowaniem do sąsiednich przypadków użycia. Koncentrując się na wczesnych zwycięstwach, które przynoszą znaczące wyniki, firmy mogą tworzyć zmianę, a następnie skalować i zwiększać skalę, wykorzystując wielofunkcyjny charakter generatywnej sztucznej inteligencji. Takie podejście może umożliwić firmom promowanie szerszego zastosowania sztucznej inteligencji i stworzenie kultury innowacji, która jest niezbędna do utrzymania przewagi konkurencyjnej. Wielofunkcyjny zespół kierowniczy będzie chciał upewnić się, że takie dowody koncepcji są celowe i skoordynowane.

Zastosowanie sztucznej inteligencji w biznesie. Równoważenie ryzyka i tworzenia wartości

Liderzy biznesowi muszą zrównoważyć możliwości tworzenia wartości z ryzykiem związanym z generatywną sztuczną inteligencją. Generatywna sztuczna inteligencja zwraca uwagę na wiele z tych samych zagrożeń, takich jak możliwość utrwalenia stronniczości ukrytej w danych szkoleniowych, jednocześnie prezentując nowe, takie jak skłonność do tworzenia nierealnych sytuacji – halucynacji.

W rezultacie wielofunkcyjny zespół kierowniczy będzie chciał nie tylko ustanowić nadrzędne zasady etyczne i wytyczne dotyczące generatywnego wykorzystania sztucznej inteligencji, ale także dogłębnie zrozumieć ryzyko związane z każdym potencjalnym przypadkiem użycia. Ważne będzie, aby szukać początkowych przypadków użycia, które są zarówno zgodne z ogólną tolerancją ryzyka firmy, jak i mają struktury mające na celu złagodzenie wynikającego z tego ryzyka. Na przykład, firma handlowa może nadać priorytet przypadkowi użycia, który ma nieco niższą wartość, ale także niższe ryzyko - takie jak tworzenie wstępnych szkiców treści marketingowych i innych zadań, które utrzymują klientów w pętli. Jednocześnie firma może odłożyć na bok przypadek użycia o wyższej wartości i wysokim ryzyku, taki jak narzędzie, które automatycznie przygotowuje i wysyła hiperpersonalizowane e-maile marketingowe. Takie praktyki ukierunkowane na ryzyko mogą umożliwić organizacjom ustanowienie kontroli niezbędnych do prawidłowego zarządzania generatywną sztuczną inteligencją i utrzymania zgodności.

Zarządy firm i ich zespoły będą również chcieli być na bieżąco z najnowszymi zmianami w przepisach dotyczących generatywnej sztucznej inteligencji, w tym z zasadami związanymi z ochroną danych konsumentów i prawami własności intelektualnej, aby chronić firmę przed kwestiami odpowiedzialności. Kraje mogą przyjmować różne podejścia do regulacji, tak jak często już to robią w przypadku sztucznej inteligencji i danych. Firmy mogą potrzebować dostosować swoje podejście do pracy, aby skalibrować zarządzanie procesami, kulturę i zarządzanie talentami w sposób zapewniający, że poradzą sobie z szybko zmieniającym się środowiskiem regulacyjnym i ryzykiem związanym z generatywną sztuczną inteligencją na dużą skalę.

Zastosowanie sztucznej inteligencji w biznesie. Podejście ekosystemowe do partnerstw

Liderzy biznesowi powinni skupić się na budowaniu i utrzymywaniu zrównoważonych sojuszy. Strategia przejęć i sojuszy firmy powinna koncentrować się na budowaniu ekosystemu partnerów dostosowanych do różnych kontekstów i zajmujących się tym, czego wymaga generatywna sztuczna inteligencja na wszystkich poziomach technologii przy jednoczesnym zachowaniu ostrożności, aby zapobiec uzależnieniu od dostawcy.

Współpraca z firmami zewnętrznymi może pomóc przyspieszyć realizację. Firmy nie muszą samodzielnie tworzyć wszystkich aplikacji lub modeli fundamentalnych. Zamiast tego mogą współpracować z dostawcami i ekspertami w dziedzinie generatywnej sztucznej inteligencji, aby działać szybciej. Mogą współpracować z dostawcami modeli w celu dostosowania modeli do konkretnego sektora lub współpracować z dostawcami infrastruktury, którzy oferują możliwości wsparcia, takie jak skalowalne przetwarzanie w chmurze.

Firmy mogą korzystać z wiedzy innych i działać szybko, aby skorzystać z najnowszej technologii generatywnej sztucznej inteligencji. Modele generatywnej sztucznej inteligencji to jednak tylko wierzchołek góry lodowej: do tworzenia wartości potrzeba wielu dodatkowych elementów.

Zastosowanie sztucznej inteligencji w biznesie. Koncentracja na talentach i umiejętnościach

Aby skutecznie stosować generatywną sztuczną inteligencję w celu uzyskania przewagi konkurencyjnej, wartości biznesowej, firmy muszą budować swoje kompetencje techniczne i podnosić kwalifikacje obecnych pracowników. Wymaga to wspólnego wysiłku ze strony kierownictwa w celu zidentyfikowania wymaganych zdolności w oparciu o priorytetowe przypadki użycia firmy, które prawdopodobnie wykroczą poza role techniczne i obejmą mieszankę talentów w zakresie inżynierii, danych, projektowania, ryzyka, produktu i innych funkcji biznesowych.

Potrzeby techniczne i talenty różnią się znacznie w zależności od charakteru wdrożenia - od korzystania z gotowych rozwiązań po budowanie modelu fundamentalnego od podstaw. Na przykład, aby zbudować model generatywny, firma może potrzebować ekspertów uczenia maszynowego na poziomie doktora; z drugiej strony, aby opracować generatywne narzędzia sztucznej inteligencji przy użyciu istniejących modeli i aplikacji SaaS, inżynier danych i deweloper aplikacji mogą być wystarczający do kierowania wysiłkiem.

Oprócz zatrudniania odpowiednich talentów, firmy będą chciały szkolić i edukować swoich pracowników. Konwersacyjne interfejsy użytkownika oparte na podpowiedziach mogą sprawić, że generatywne aplikacje AI będą łatwe w użyciu. Jednak użytkownicy nadal muszą zoptymalizować swoje podpowiedzi, zrozumieć ograniczenia technologii i wiedzieć, gdzie i kiedy mogą w akceptowalny sposób zintegrować aplikację ze swoimi przepływami pracy. Liderzy firm powinni zapewnić jasne wytyczne dotyczące korzystania z narzędzi generatywnej sztucznej inteligencji oraz oferować ciągłą edukację i szkolenia, aby informować pracowników o ryzyku. Wspieranie kultury samodzielnych badań i eksperymentów może również zachęcić pracowników do wprowadzania innowacji w procesach i produktach, które skutecznie wykorzystują te narzędzia.

Firmy od lat realizują ambicje związane ze sztuczną inteligencją, a wiele z nich osiągnęło nowe źródła przychodów, ulepszenia produktów i wyższą efektywność operacyjną. Wiele sukcesów w tych obszarach wynikało z technologii AI, które pozostają najlepszym narzędziem do wybranego zadania, a firmy powinny kontynuować skalowanie takich wysiłków. Generatywna sztuczna inteligencja stanowi kolejny obiecujący krok naprzód i otwiera świat nowych możliwości.

Drobne zmiany w operacjach i ryzyko związane ze sztuczną inteligencją jest wciąż budowane, liderzy biznesowi wiedzą, że powinni wyruszyć w podróż generatywnej sztucznej inteligencji. Ale gdzie i jak powinni zacząć? Odpowiedź będzie się różnić w zależności od firmy, a także działu w firmie w organizacji. Niektórzy zaczną na dużą skalę, inni mogą podjąć mniejsze eksperymenty. Najlepsze podejście będzie zależeć od aspiracji firmy i jej akceptacji ryzyka. Niezależnie od ambicji, kluczem jest rozpoczęcie i uczenie się poprzez działanie.