Η τεχνητή νοημοσύνη σε κλίμακα: Γιατί η πραγματική πρόκληση είναι η διαχείριση της αξίας και όχι η περικοπή του κόστους

Η τεχνητή νοημοσύνη αλλάζει τα οικονομικά της τεχνολογίας

Η παραδοσιακή εταιρική τεχνολογία αγοραζόταν γενικά μέσω σχετικά προβλέψιμων σχημάτων: άδειες χρήσης, συνδρομές, δεσμεύσεις υποδομών και προγράμματα υλοποίησης. Το κόστος μπορούσε συνήθως να εκτιμηθεί με βάση τον αριθμό των εργαζομένων, τη χωρητικότητα των συστημάτων ή ένα συμφωνημένο αντικείμενο εργασιών.

Η τεχνητή νοημοσύνη δεν ταιριάζει άνετα σε αυτό το μοντέλο.

Το κόστος της διαμορφώνεται από την πραγματική κατανάλωση. Μπορεί να διαφέρει ανάλογα με το μοντέλο που χρησιμοποιείται, τον όγκο των πληροφοριών που επεξεργάζονται, το μήκος της απάντησης, τον σχεδιασμό της ροής εργασίας και τον αριθμό των φορών που ένας αυτοματοποιημένος πράκτορας καλεί άλλα συστήματα ή μοντέλα.

Δύο φαινομενικά παρόμοιες εργασίες μπορεί επομένως να έχουν πολύ διαφορετικό κόστος.

Αυτό καθίσταται ιδιαίτερα σημαντικό όταν η τεχνητή νοημοσύνη ενσωματώνεται στις επιχειρηματικές διαδικασίες. Μία μόνο αλληλεπίδραση μπορεί να πυροδοτήσει μια αλληλουχία αναζητήσεων, κλήσεων μοντέλων, επικυρώσεων και επαναλήψεων. Ένα φαινομενικά απλό αίτημα χρήστη μπορεί να εξελιχθεί, στο παρασκήνιο, σε μια εξαιρετικά απαιτητική σε πόρους ροή εργασίας.

Ταυτόχρονα, η πρόσβαση στην τεχνητή νοημοσύνη δεν ελέγχεται πλέον αποκλειστικά από το τμήμα τεχνολογίας. Οι εργαζόμενοι μπορούν να εγγράφονται σε νέα εργαλεία, να δημιουργούν δικούς τους βοηθούς και να χτίζουν αυτοματοποιημένες διαδικασίες με σχετικά περιορισμένες τεχνικές γνώσεις. Αυτή η προσβασιμότητα είναι μια ισχυρή πηγή καινοτομίας, αλλά μπορεί επίσης να οδηγήσει σε αποσπασματικές αγορές, διπλότυπες δυνατότητες και κατανάλωση που κανείς δεν βλέπει στο σύνολό της.

Γι' αυτό ο συμβατικός ετήσιος προϋπολογισμός δεν αρκεί. Η τεχνητή νοημοσύνη απαιτεί ενεργή διαχείριση της ζήτησης.

Ξεκινήστε κάνοντας την κατανάλωση ορατή

Ένας οργανισμός δεν μπορεί να διαχειριστεί αποτελεσματικά την τεχνητή νοημοσύνη αν δεν γνωρίζει πού χρησιμοποιείται.

Η πρώτη προτεραιότητα θα πρέπει να είναι η δημιουργία μιας ενοποιημένης εικόνας της κατανάλωσης τεχνητής νοημοσύνης σε τμήματα, εφαρμογές, προμηθευτές και πλατφόρμες cloud. Αυτή η εικόνα πρέπει να ξεπερνά τα τιμολόγια. Τα στελέχη θα πρέπει να μπορούν να βλέπουν ποια επιχειρηματική διαδικασία χρησιμοποιεί τεχνητή νοημοσύνη, ποιος την έχει στην ευθύνη του, πόσο κοστίζει και ποιο αποτέλεσμα παράγει.

Τεχνικές μετρήσεις, όπως οι κλήσεις μοντέλων ή οι όγκοι επεξεργασίας, είναι χρήσιμες για τους μηχανικούς, αλλά δεν επαρκούν για επιχειρηματικές αποφάσεις. Οι πιο ουσιαστικοί δείκτες είναι πιθανότατα οι εξής:

• Κόστος ανά επιλυμένο αίτημα πελάτη
• Κόστος ανά έγγραφο που ελέγχθηκε
• Κόστος ανά ευκαιρία πώλησης που αξιολογήθηκε
• Κόστος ανά έκδοση λογισμικού
• Κόστος ανά αξίωση, υπόθεση ή συναλλαγή που επεξεργάστηκε
• Έσοδα, δυναμικότητα ή μείωση κινδύνου που δημιουργούνται από μια ροή εργασίας με τεχνητή νοημοσύνη

Αυτό αλλάζει τη συζήτηση. Αντί να αναρωτιούνται αν ο οργανισμός χρησιμοποιεί υπερβολική τεχνητή νοημοσύνη, τα στελέχη μπορούν να ρωτούν αν μια συγκεκριμένη χρήση της παράγει επαρκή αξία.

Η ορατότητα δημιουργεί επίσης λογοδοσία. Όταν η κατανάλωση συνδέεται με ένα συγκεκριμένο προϊόν, μια διαδικασία ή μια επιχειρηματική μονάδα, η τεχνητή νοημοσύνη παύει να εμφανίζεται ως ανεξήγητη κεντρική τεχνολογική δαπάνη. Γίνεται μια επιχειρηματική επένδυση με υπεύθυνο και αναμενόμενη απόδοση.

Χρησιμοποιήστε το σωστό επίπεδο νοημοσύνης για κάθε εργασία

Οι οργανισμοί δεν αξιοποιούν τους πιο ειδικευμένους ανθρώπους τους για κάθε δραστηριότητα. Δεν θα πρέπει ούτε να χρησιμοποιούν το πιο ισχυρό — και συνήθως το πιο ακριβό — μοντέλο τεχνητής νοημοσύνης για κάθε αίτημα.

Πολλές ρουτίνας εργασίες, όπως η ταξινόμηση, η εξαγωγή δεδομένων, η βασική σύνοψη και η δομημένη σύνταξη κειμένων, μπορούν να αντιμετωπιστούν αποτελεσματικά από μικρότερα ή φθηνότερα μοντέλα. Τα πιο ικανά μοντέλα μπορούν τότε να προορίζονται για εργασίες που πραγματικά απαιτούν βαθύτερη συλλογιστική, μεγαλύτερη ακρίβεια ή εξειδικευμένες επιδόσεις.

Ο στόχος δεν είναι να επιλέγεται το φθηνότερο μοντέλο σε κάθε περίπτωση. Είναι να επιλέγεται η πιο οικονομική επιλογή που πληροί αξιόπιστα το απαιτούμενο επίπεδο.

Αυτή η απόφαση πρέπει να λαμβάνει υπόψη περισσότερα από την τιμή. Η ποιότητα, η ταχύτητα, το απόρρητο, η ανθεκτικότητα και ο κίνδυνος έχουν όλα σημασία. Σε ορισμένες περιπτώσεις, ένα premium μοντέλο θα δικαιολογείται πλήρως. Σε άλλες, ένα μικρότερο φιλοξενούμενο μοντέλο, ένα μοντέλο που λειτουργεί εσωτερικά ή ακόμη και ένα μοντέλο που εκτελείται τοπικά σε μια συσκευή μπορεί να είναι καταλληλότερο.

Η σημαντική ικανότητα είναι η ευελιξία: η δυνατότητα να κατευθύνονται διαφορετικά φορτία εργασίας σε διαφορετικά μοντέλα και να αλλάζουν αυτές οι αποφάσεις καθώς εξελίσσονται η τεχνολογία, οι τιμές και οι απαιτήσεις.

Βελτιώστε τη ροή εργασίας πριν βελτιστοποιήσετε το μοντέλο

Η επιλογή μοντέλου τραβά μεγάλη προσοχή, όμως ο αναποτελεσματικός σχεδιασμός της ροής εργασίας μπορεί να αποτελεί μεγαλύτερη πηγή σπατάλης.

Τα συστήματα τεχνητής νοημοσύνης μπορεί να επεξεργάζονται επανειλημμένα πληροφορίες που δεν χρειάζονται, να διατηρούν αδικαιολόγητα μακρούς ιστορικούς συνομιλιών ή να παράγουν απαντήσεις πολύ πιο αναλυτικές από όσο απαιτεί η εργασία. Οι αυτοματοποιημένοι πράκτορες μπορεί να εμπλέκονται σε μη παραγωγικούς βρόχους, να επαναλαμβάνουν ενέργειες που απέτυχαν ή να καλούν ακριβές υπηρεσίες όταν θα αρκούσε ένας απλούστερος κανόνας.

Αυτά τα ζητήματα σπάνια λύνονται μόνο μέσω προμηθειών. Απαιτούν στοχαστική μηχανική και σχεδιασμό διαδικασιών.

Οι οργανισμοί θα πρέπει να εξετάζουν αν μπορούν να:

• Στέλνουν μόνο τις πληροφορίες που σχετίζονται με την εργασία
• Επαναχρησιμοποιούν αποτελέσματα που έχουν ήδη παραχθεί
• Ορίζουν σαφείς μορφές απάντησης και κατάλληλα όρια μήκους
• Θέτουν όρια στις αυτοματοποιημένες επαναλήψεις και στη χρήση εργαλείων
• Δρομολογούν τα απλά αιτήματα σε απλούστερα μοντέλα
• Κλιμακώνουν μόνο τις πραγματικά σύνθετες περιπτώσεις
• Επανασχεδιάζουν μια ελλιπή διαδικασία πριν προσθέσουν τεχνητή νοημοσύνη σε αυτήν

Αυτό το τελευταίο σημείο έχει σημασία. Ο αυτοματισμός μιας αναποτελεσματικής διαδικασίας δεν την κάνει απαραίτητα αποτελεσματική. Μπορεί απλώς να επιτρέψει στην αναποτελεσματικότητα να λειτουργεί ταχύτερα και σε μεγαλύτερη κλίμακα.

Ενσωματώστε τη διακυβέρνηση στην εμπειρία

Οι πολιτικές και η εκπαίδευση θα παραμείνουν σημαντικές, αλλά δεν μπορούν να σηκώσουν ολόκληρο το βάρος της διαχείρισης της εταιρικής τεχνητής νοημοσύνης.

Δεν είναι λογικό να αναμένεται ότι οι περισσότεροι εργαζόμενοι θα κατανοούν τα οικονομικά κάθε μοντέλου, prompt ή αυτοματοποιημένης ροής εργασίας. Ούτε θα πρέπει να χρειάζεται να συμβουλεύονται ένα έγγραφο πολιτικής κάθε φορά που χρησιμοποιούν μια υπηρεσία τεχνητής νοημοσύνης.

Η καλή διακυβέρνηση θα πρέπει επομένως να είναι ενσωματωμένη στην ίδια την τεχνολογία.

Το περιβάλλον τεχνητής νοημοσύνης του οργανισμού θα πρέπει να μπορεί να εφαρμόζει εγκεκριμένους κανόνες πρόσβασης, να εντοπίζει ασυνήθιστη κατανάλωση, να επιβάλλει εύλογα όρια και να κατευθύνει τα αιτήματα στην καταλληλότερη υπηρεσία. Όπου δικαιολογείται πρόσθετο κόστος ή κίνδυνος, θα πρέπει να υπάρχει σαφής διαδρομή έγκρισης ή κλιμάκωσης.

Έτσι η υπεύθυνη κατανάλωση γίνεται η φυσική επιλογή για τον χρήστη. Επιτρέπει επίσης στη διακυβέρνηση να ασκείται τη στιγμή της δραστηριότητας, όταν μπορεί να επηρεάσει το αποτέλεσμα, και όχι εβδομάδες αργότερα, όταν φτάνει το τιμολόγιο.

Η ίδια αρχή ισχύει και για την καθοδήγηση. Η συμβουλή που δίνεται στο πλαίσιο της εργασίας, την ώρα που κάποιος δημιουργεί μια ροή εργασίας τεχνητής νοημοσύνης, είναι πιθανότερο να αποδειχθεί πιο χρήσιμη από ένα εφάπαξ εκπαιδευτικό σεμινάριο που ολοκληρώθηκε μήνες νωρίτερα.

Αντιμετωπίστε τα οικονομικά της τεχνητής νοημοσύνης ως μόνιμη ικανότητα

Η διαχείριση της ζήτησης για τεχνητή νοημοσύνη δεν θα πρέπει να γίνει μια προσωρινή άσκηση περικοπής κόστους με επικεφαλής μόνο την ομάδα τεχνολογίας.

Απαιτεί διαρκή συνεργασία ανάμεσα στην τεχνολογία, τα οικονομικά, τις προμήθειες, τη διαχείριση κινδύνου και την επιχειρηματική ηγεσία. Μαζί, αυτές οι λειτουργίες χρειάζεται να προβλέπουν τη ζήτηση, να παρακολουθούν την κατανάλωση, να αξιολογούν τους προμηθευτές και να συνδέουν τις δαπάνες με μετρήσιμα αποτελέσματα.

Αυτή η ικανότητα πρέπει επίσης να αναγνωρίζει ότι η αγορά θα συνεχίσει να αλλάζει. Το μοντέλο με τις καλύτερες επιδόσεις σήμερα μπορεί να μην προσφέρει την καλύτερη αξία αύριο. Νέοι προμηθευτές, εμπορικές δομές και επιλογές ανάπτυξης θα συνεχίσουν να εμφανίζονται.

Η μακροπρόθεσμη εξάρτηση από ένα μόνο μοντέλο ή πάροχο μπορεί επομένως να εισαγάγει τόσο οικονομικό όσο και επιχειρησιακό κίνδυνο. Οι οργανισμοί θα πρέπει να διατηρούν τη δυνατότητα να μετακινούν φορτία εργασίας, να επαναξιολογούν τις αποφάσεις προμήθειας και να συνδυάζουν αγορασμένες, εσωτερικά αναπτυγμένες και φιλοξενούμενες δυνατότητες.

Το παλιό ερώτημα του αν πρέπει να αγοράσει κανείς ή να αναπτύξει μόνος του γίνεται πολύ στενό. Το καλύτερο ερώτημα είναι πώς να συνθέσει — και να προσαρμόζει διαρκώς — το σωστό μείγμα υπηρεσιών, μοντέλων και λειτουργικών προσεγγίσεων για κάθε φορτίο εργασίας.

Ο έλεγχος του κόστους πρέπει να υποστηρίζει τη φιλοδοξία

Υπάρχει ο κίνδυνος οι αυξανόμενες δαπάνες για την τεχνητή νοημοσύνη να κάνουν τους οργανισμούς υπερβολικά επιφυλακτικούς, ακριβώς τη στιγμή που η τεχνολογία αρχίζει να παράγει ουσιαστικά αποτελέσματα.

Αυτό θα ήταν λάθος.

Η ισχυρή οικονομική διαχείριση δεν είναι εχθρός της καινοτομίας. Είναι αυτό που κάνει εφικτή τη διαρκή καινοτομία. Όταν ένας οργανισμός μπορεί να εντοπίζει τη σπατάλη, μπορεί να ανακατευθύνει πόρους προς τις ροές εργασίας με το μεγαλύτερο δυναμικό. Όταν κατανοεί το κόστος ενός αποτελέσματος, μπορεί να κάνει τεκμηριωμένες επιλογές για το πού θα κλιμακώσει. Όταν η διακυβέρνηση είναι ενσωματωμένη στο περιβάλλον, οι εργαζόμενοι μπορούν να καινοτομούν εντός σαφών και πρακτικών ορίων.

Οι οργανισμοί που θα πετύχουν με την τεχνητή νοημοσύνη δεν θα είναι απαραίτητα εκείνοι που ξοδεύουν τα περισσότερα — ούτε εκείνοι που περικόπτουν πιο σκληρά. Θα είναι εκείνοι που κατανοούν πού η τεχνητή νοημοσύνη δημιουργεί διακριτή αξία και μπορούν να κατευθύνουν ανάλογα την κατανάλωσή τους.

Το επόμενο στάδιο της εταιρικής τεχνητής νοημοσύνης θα προσδιοριστεί επομένως λιγότερο από την πρόσβαση σε μοντέλα και περισσότερο από την πειθαρχία στη διαχείριση.

Το ερώτημα δεν είναι πλέον απλώς «Πόση τεχνητή νοημοσύνη χρησιμοποιούμε;» Είναι «Τι επιτυγχάνουμε με αυτήν — και αξίζει το αποτέλεσμα την επένδυση;»