AI vo veľkom rozsahu: Skutočnou výzvou je riadenie hodnoty, nie znižovanie nákladov

AI mení ekonomiku technológií

Tradičné podnikové technológie sa zvyčajne nakupovali prostredníctvom pomerne predvídateľných zmluvných vzťahov: licencií, predplatných, infraštruktúrnych záväzkov a implementačných programov. Náklady bolo možné obvykle odhadnúť podľa počtu zamestnancov, kapacity systému alebo dohodnutého rozsahu prác.

AI do tohto modelu nezapadá pohodlne.

Jej náklady určuje skutočná spotreba. Môžu sa líšiť podľa použitého modelu, objemu spracúvaných informácií, dĺžky odpovede, dizajnu pracovného postupu a počtu prípadov, keď automatizovaný agent volá iné systémy alebo modely.

Dve na pohľad podobné úlohy preto môžu mať veľmi odlišné náklady.

Toto nadobúda osobitný význam, keď je AI zabudovaná do podnikových procesov. Jedna interakcia môže spustiť sériu vyhľadávaní, volaní modelov, validácií a opakovaných pokusov. To, čo vyzerá ako jedna jednoduchá požiadavka používateľa, sa na pozadí môže zmeniť na prekvapivo náročný pracovný postup.

Zároveň prístup k AI už nekontroluje výlučne technologické oddelenie. Zamestnanci si môžu predplatiť nové nástroje, vytvárať vlastných asistentov a budovať automatizované procesy s relatívne malými technickými znalosťami. Táto dostupnosť je silným zdrojom inovácií, ale môže viesť aj k roztrieštenému nákupu, duplicitným schopnostiam a spotrebe, ktorú nikto nevidí celú.

Preto bežné ročné rozpočtovanie nestačí. AI vyžaduje aktívne riadenie dopytu.

Začnite tým, že spotrebu zviditeľníte

Organizácia nemôže AI efektívne riadiť, ak nevie, kde sa používa.

Prvou prioritou by malo byť vytvorenie konsolidovaného pohľadu na spotrebu AI naprieč oddeleniami, aplikáciami, dodávateľmi a cloudovými platformami. Tento pohľad musí ísť nad rámec faktúr. Vedúci pracovníci by mali vidieť, ktorý obchodný proces AI využíva, kto ho vlastní, koľko stojí a aký výsledok prináša.

Technické metriky, ako sú volania modelov alebo objemy spracovania, sú užitočné pre inžinierov, ale na obchodné rozhodnutia nestačia. Zmysluplnejšie ukazovatele budú pravdepodobne tieto:

• Náklady na jeden vyriešený zákaznícky dopyt
• Náklady na jeden skontrolovaný dokument
• Náklady na jednu kvalifikovanú obchodnú príležitosť
• Náklady na jedno vydanie softvéru
• Náklady na jeden spracovaný nárok, prípad alebo transakciu
• Tržby, kapacita alebo zníženie rizika vytvorené pracovným postupom podporovaným AI

Toto mení diskusiu. Namiesto otázky, či organizácia používa príliš veľa AI, sa môžu vedúci pracovníci pýtať, či konkrétne použitie AI prináša dostatočnú hodnotu.

Prehľad vytvára aj zodpovednosť. Keď je spotreba priradená k identifikovateľnému produktu, procesu alebo obchodnej jednotke, AI prestáva byť nevysvetliteľným centrálnym technologickým výdavkom. Stáva sa obchodnou investíciou s vlastníkom a očakávanou návratnosťou.

Používajte správnu úroveň inteligencie pre danú úlohu

Organizácie nevyužívajú svojich najkvalifikovanejších ľudí na každú činnosť. Nemali by ani pre každú požiadavku používať svoj najvýkonnejší – a zvyčajne najdrahší – model AI.

Mnohé rutinné úlohy, vrátane klasifikácie, extrakcie, základného sumarizovania a štruktúrovaného písania návrhov, môžu byť efektívne zvládnuté menšími alebo lacnejšími modelmi. Schopnejšie modely sa potom môžu vyhradiť pre prácu, ktorá skutočne vyžaduje hlbšie uvažovanie, vyššiu presnosť alebo špecializovaný výkon.

Cieľom nie je vybrať v každej situácii najlacnejší model. Je ním vybrať najekonomickejšiu možnosť, ktorá spoľahlivo spĺňa požadovaný štandard.

Toto rozhodnutie by malo zohľadňovať viac než cenu. Záleží na kvalite, rýchlosti, súkromí, odolnosti a riziku. V niektorých prípadoch bude prémiový model plne opodstatnený. V iných môže byť vhodnejší menší hostovaný model, interne prevádzkovaný model alebo dokonca model bežiaci lokálne na zariadení.

Dôležitá je flexibilita: schopnosť smerovať rôzne záťaže na rôzne modely a meniť tieto rozhodnutia podľa vývoja technológií, cien a požiadaviek.

Zlepšite pracovný postup skôr, než začnete optimalizovať model

Výber modelu získava veľkú pozornosť, ale neefektívny dizajn pracovného postupu môže byť väčším zdrojom plytvania.

Systémy AI môžu opakovane spracúvať informácie, ktoré nepotrebujú, uchovávať zbytočne dlhé históriu konverzácií alebo produkovať odpovede oveľa podrobnejšie, než úloha vyžaduje. Automatizovaní agenti môžu uviaznuť v neproduktívnych slučkách, opakovať neúspešné akcie alebo volať drahé služby, keď by stačilo jednoduchšie pravidlo.

Tieto problémy sa len zriedka vyriešia samotným obstarávaním. Vyžadujú premyslené inžinierstvo a návrh procesov.

Organizácie by mali preskúmať, či môžu:

• Posielať len informácie relevantné pre danú úlohu
• Opätovne využívať už vygenerované výsledky
• Definovať jasné formáty odpovedí a primerané limity dĺžky
• Stanoviť hranice pre automatizované opakované pokusy a používanie nástrojov
• Smerovať jednoduché požiadavky cez jednoduchšie modely
• Eskalovať len skutočne zložité prípady
• Prepracovať slabý proces skôr, než do neho pridajú AI

Tento posledný bod je dôležitý. Automatizácia neefektívneho procesu ho nemusí nutne zefektívniť. Môže len umožniť, aby neefektívnosť fungovala rýchlejšie a vo väčšom rozsahu.

Zabudujte governance do používateľskej skúsenosti

Politiky a školenia zostanú dôležité, ale nemôžu niesť celú záťaž riadenia podnikovej AI.

Od väčšiny zamestnancov nemožno rozumne očakávať, že budú rozumieť ekonomike každého modelu, promptu alebo automatizovaného pracovného postupu. Ani by nemali musieť nahliadať do dokumentu s politikami zakaždým, keď použijú službu AI.

Dobrý governance by mal byť preto zabudovaný do samotnej technológie.

Prostredie AI v organizácii by malo vedieť uplatňovať schválené pravidlá prístupu, identifikovať neobvyklú spotrebu, vynucovať rozumné limity a smerovať požiadavky na najvhodnejšiu službu. Tam, kde je dodatočný náklad alebo riziko opodstatnené, by mala existovať jasná cesta na schválenie alebo eskaláciu.

Vďaka tomu sa zodpovedná spotreba stáva pre používateľa prirodzenou cestou. Umožňuje to aj, aby governance prebiehal v mieste činnosti, keď môže ovplyvniť výsledok, a nie o niekoľko týždňov neskôr, keď príde faktúra.

Rovnaký princíp platí pre usmernenia. Kontextové rady poskytnuté počas vytvárania pracovného postupu AI budú pravdepodobne užitočnejšie než jednorazové školenie absolvované pred mesiacmi.

Ekonomiku AI berte ako trvalú schopnosť

Riadenie dopytu po AI by sa nemalo stať dočasným cvičením na znižovanie nákladov, ktoré vedie iba technologický tím.

Vyžaduje trvalú spoluprácu medzi technológiami, financiami, obstarávaním, riadením rizík a obchodným vedením. Tieto funkcie spolu musia prognózovať dopyt, monitorovať spotrebu, hodnotiť dodávateľov a prepájať výdavky s merateľnými výsledkami.

Táto schopnosť musí tiež rátať s tým, že trh sa bude naďalej meniť. Najvýkonnejší model dnes nemusí zajtra ponúkať najlepšiu hodnotu. Budú sa objavovať noví dodávatelia, komerčné štruktúry a možnosti nasadenia.

Dlhodobá závislosť od jediného modelu alebo poskytovateľa preto môže priniesť finančné aj prevádzkové riziko. Organizácie by si mali zachovať schopnosť presúvať záťaže, prehodnocovať rozhodnutia o zdrojoch a kombinovať nakupované, interne vyvinuté a hostované schopnosti.

Stará otázka, či kupovať, alebo vyvíjať, sa stáva príliš úzkou. Lepšou otázkou je, ako zostaviť – a priebežne upravovať – správnu kombináciu služieb, modelov a prevádzkových prístupov pre každú záťaž.

Kontrola nákladov by mala podporovať ambície

Hrozí nebezpečenstvo, že rastúce výdavky na AI povedú organizácie k prílišnej opatrnosti práve vtedy, keď technológia začína prinášať zmysluplné výsledky.

To by bola chyba.

Silné finančné riadenie nie je nepriateľom inovácií. Je tým, čo umožňuje trvalé inovácie. Keď organizácia dokáže identifikovať plytvanie, môže presmerovať zdroje na pracovné postupy s najväčším potenciálom. Keď rozumie nákladom na dosiahnutie výsledku, môže sa informovane rozhodovať, kde škálovať. Keď je governance zabudovaný do prostredia, zamestnanci môžu inovovať v jasných a praktických hraniciach.

Organizácie, ktoré s AI uspejú, nebudú nevyhnutne tie, ktoré minú najviac – ani tie, ktoré škrtajú najtvrdšie. Budú to tie, ktoré rozumejú tomu, kde AI vytvára výnimočnú hodnotu, a vedia podľa toho usmerňovať svoju spotrebu.

Ďalšia etapa podnikovej AI preto bude definovaná menej prístupom k modelom a viac manažérskou disciplínou.

Otázka už nie je len „Koľko AI používame?“. Znie: „Čo s ňou dosahujeme – a stojí tento výsledok za investíciu?“