AI ve velkém měřítku: Proč je skutečnou výzvou řízení hodnoty, nikoli snižování nákladů

AI mění ekonomiku technologií

Tradiční podnikové technologie se obecně nakupovaly prostřednictvím relativně předvídatelných dohod: licence, předplatná, závazky k infrastruktuře a implementační programy. Náklady obvykle bylo možné odhadnout podle počtu zaměstnanců, kapacity systému nebo dohodnutého rozsahu prací.

AI se do takového modelu pohodlně nevejde.

Její cena je formována skutečnou spotřebou. Může se lišit podle používaného modelu, množství zpracovávaných informací, délky odpovědi, návrhu pracovního postupu a počtu volání dalších systémů či modelů ze strany automatizovaného agenta.

Dvě zjevně podobné úlohy proto mohou mít velmi odlišné náklady.

To nabývá na významu zejména tehdy, když je AI zabudována do obchodních procesů. Jediná interakce může spustit sekvenci vyhledávání, volání modelů, validací a opakování. To, co vypadá jako jeden jednoduchý požadavek uživatele, se v zákulisí může proměnit v překvapivě náročný pracovní postup z hlediska zdrojů.

Zároveň už přístup k AI nekontroluje výhradně technologické oddělení. Zaměstnanci si mohou předplatit nové nástroje, vytvářet vlastní asistenty a s poměrně malými technickými znalostmi budovat automatizované procesy. Tato dostupnost je mocným zdrojem inovací, ale může také vést k fragmentovanému nakupování, duplicitním schopnostem a spotřebě, kterou nikdo nevidí v celku.

Proto běžné roční rozpočtování nestačí. AI vyžaduje aktivní řízení poptávky.

Začněte tím, že zviditelníte spotřebu

Organizace nemůže AI efektivně řídit, pokud neví, kde se používá.

První prioritou by mělo být vytvoření konsolidovaného přehledu spotřeby AI napříč odděleními, aplikacemi, dodavateli a cloudovými platformami. Tento pohled musí jít nad rámec faktur. Vedoucí pracovníci by měli vidět, který obchodní proces AI používá, kdo jej vlastní, kolik stojí a jaký přináší výsledek.

Technická měření, jako jsou volání modelů nebo objemy zpracování, jsou užitečná pro inženýry, ale pro obchodní rozhodnutí nestačí. Významnějšími měřítky budou pravděpodobně:

• Náklady na jeden vyřešený dotaz zákazníka
• Náklady na jeden zkontrolovaný dokument
• Náklady na jednu kvalifikovanou obchodní příležitost
• Náklady na jedno vydání softwaru
• Náklady na jednu zpracovanou pojistnou událost, případ nebo transakci
• Příjmy, kapacita nebo snížení rizika vytvořené pracovním postupem s podporou AI

To mění rozhovor. Místo otázky, zda organizace nepoužívá příliš mnoho AI, se mohou vedoucí pracovníci ptát, zda konkrétní využití AI vytváří dostatečnou hodnotu.

Viditelnost rovněž vytváří odpovědnost. Když je spotřeba spojena s konkrétním identifikovatelným produktem, procesem nebo obchodní jednotkou, AI přestává vystupovat jako nevysvětlený centrální technologický náklad. Stává se obchodní investicí s vlastníkem a očekávaným výnosem.

Používejte pro úlohu správnou úroveň inteligence

Organizace nepoužívají své nejkvalifikovanější lidi na každou činnost. Stejně tak by neměly pro každý požadavek používat svůj nejvýkonnější — a obvykle i nejdražší — model AI.

Mnohé rutinní úlohy, včetně klasifikace, extrakce, základního shrnování a strukturovaného vytváření návrhů, mohou efektivně zvládnout menší nebo levnější modely. Výkonnější modely pak mohou zůstat vyhrazeny pro práci, která skutečně vyžaduje hlubší uvažování, vyšší přesnost nebo specializovaný výkon.

Cílem není v každé situaci vybrat nejlevnější model. Cílem je vybrat nejúspornější variantu, která spolehlivě splňuje požadovaný standard.

Toto rozhodnutí by mělo zohlednit víc než jen cenu. Důležitá je kvalita, rychlost, soukromí, odolnost i riziko. V některých případech bude prémiový model plně oprávněnou volbou. V jiných může být vhodnější menší hostovaný model, interně provozovaný model nebo dokonce model běžící lokálně na zařízení.

Důležitou schopností je flexibilita: schopnost směrovat různé úlohy do různých modelů a tato rozhodnutí měnit s tím, jak se vyvíjejí technologie, ceny a požadavky.

Vylepšete pracovní postup dříve, než začnete optimalizovat model

Výběru modelu se věnuje velká pozornost, ale neefektivní návrh pracovního postupu může být ještě větším zdrojem plýtvání.

Systémy AI mohou opakovaně zpracovávat informace, které nepotřebují, uchovávat zbytečně dlouhé historie konverzací nebo vytvářet odpovědi mnohem podrobnější, než úloha vyžaduje. Automatizovaní agenti mohou upadnout do neproduktivních smyček, opakovat neúspěšné akce nebo volat drahé služby tam, kde by stačilo jednodušší pravidlo.

Tyto problémy jen zřídkakdy vyřeší samotné zadávání zakázek. Vyžadují promyšlené inženýrství a návrh procesů.

Organizace by měly prověřit, zda dokáží:

• Odesílat pouze informace relevantní pro danou úlohu
• Znovu využívat již vygenerované výsledky
• Definovat jasné formáty odpovědí a odpovídající limity délky
• Stanovit hranice pro automatizované opakování a používání nástrojů
• Směrovat přímočaré požadavky přes jednodušší modely
• Eskalovat pouze skutečně složité případy
• Předělat chybný proces dříve, než do něj přidáte AI

Tento poslední bod je důležitý. Automatizace neefektivního procesu z něj nutně nedělá efektivní. Může pouze umožnit, aby neefektivita fungovala rychleji a ve větším měřítku.

Zabudujte governance do samotného zážitku

Zásady a školení zůstanou důležité, ale nemohou nést celou tíhu řízení podnikové AI.

Od většiny zaměstnanců nelze rozumně očekávat, že budou rozumět ekonomice každého modelu, promptu nebo automatizovaného pracovního postupu. Ani by neměli muset při každém použití služby AI nahlížet do dokumentu se zásadami.

Dobrá governance by proto měla být zabudována přímo do samotné technologie.

AI prostředí organizace by mělo umět uplatňovat schválená přístupová pravidla, rozpoznávat neobvyklou spotřebu, vymáhat rozumné limity a směrovat požadavky do nejvhodnější služby. Tam, kde jsou dodatečné náklady nebo riziko oprávněné, měla by existovat jasná cesta ke schválení nebo eskalaci.

Díky tomu se odpovědná spotřeba stává pro uživatele přirozenou cestou. Umožňuje to také, aby governance probíhala v místě aktivity, kdy může ovlivnit výsledek, a ne až o týdny později, kdy dorazí faktura.

Stejný princip platí pro rady a vedení. Kontextová doporučení poskytnutá v okamžiku, kdy někdo vytváří pracovní postup s AI, budou pravděpodobně užitečnější než jednorázové školení absolvované o měsíce dříve.

Považujte ekonomiku AI za trvalou schopnost

Řízení poptávky po AI by se nemělo stát dočasným cvičením ve snižování nákladů vedeným pouze technologickým týmem.

Vyžaduje průběžnou spolupráci mezi technologiemi, financemi, zadáváním zakázek, řízením rizik a obchodním vedením. Tyto funkce společně potřebují prognózovat poptávku, monitorovat spotřebu, hodnotit dodavatele a propojovat výdaje s měřitelnými výsledky.

Tato schopnost musí také počítat s tím, že se trh bude dál měnit. Model, který dnes podává nejlepší výkony, nemusí zítra nabízet nejlepší hodnotu. Noví dodavatelé, komerční struktury a možnosti nasazení se budou i nadále objevovat.

Dlouhodobá závislost na jediném modelu nebo poskytovateli tak může přinášet jak finanční, tak provozní riziko. Organizace by si měly zachovat schopnost přesouvat úlohy, přehodnocovat rozhodnutí o zdrojích a kombinovat nakoupené, interně vyvinuté i hostované schopnosti.

Stará otázka, zda kupovat, nebo budovat, se stává příliš úzkou. Lepší otázkou je, jak sestavit — a průběžně upravovat — správnou kombinaci služeb, modelů a provozních přístupů pro každou úlohu.

Kontrola nákladů by měla podporovat ambice

Hrozí nebezpečí, že rostoucí výdaje na AI povedou organizace k nadměrné opatrnosti právě ve chvíli, kdy technologie začíná přinášet smysluplné výsledky.

To by byla chyba.

Silné finanční řízení není nepřítelem inovací. Právě ono totiž umožňuje trvalé inovace. Když organizace dokáže identifikovat plýtvání, může přesměrovat zdroje k pracovním postupům s největším potenciálem. Když rozumí nákladům na dosažený výsledek, může informovaně rozhodovat o tom, kde škálovat. A když je governance zabudována do prostředí, mohou zaměstnanci inovovat v rámci jasných a praktických hranic.

Organizace, které s AI uspějí, nebudou nutně ty, které utrácejí nejvíce — ani ty, které škrtají nejtvrději. Budou to ty, které rozumí tomu, kde AI vytváří jedinečnou hodnotu, a dokáží podle toho řídit svou spotřebu.

Další etapa podnikové AI proto bude definována méně přístupem k modelům a více manažerskou disciplínou.

Otázkou už není pouze: „Kolik AI používáme?“ Jde o to: „Co s ní dosahujeme — a stojí tento výsledek za investici?“