עסקים אוהבים לומר שהם "בעניין" של בינה מלאכותית. כלים חדשים, מודלים חדשים, לוחות מחוונים חדשים – הכל חכם יותר, מהיר יותר, אוטומטי יותר. לפחות, זה מה שההבטחה על הנייר.  אך על פי המחקר העדכני ביותר של גרטנר, משהו לא מסתדר: אימוץ הבינה המלאכותית גואה, אך השפעה מדידה על השורה התחתונה עדיין נותרת חמקמקה באופן עקשני. אם תהיתם פעם מדוע החברה שלכם מיישמת בינה מלאכותית בכל מקום אך אינה רואה את המחט הפיננסית זזה, אתם רחוקים מלהיות לבד. ובכנות? זה שאלה ששווה להתעכב עליה. מאמר זה יפרט מדוע הפער קיים, מה חושף המחקר של גרטנר, וכיצד עסקים יכולים סוף סוף לגשר על הפער.  בדרך, נבחן שילוב מערכות משולבות בינה מלאכותית – הבסיס הלא-נוצץ אך החיוני שגורם לבינה מלאכותית לעבוד בעולם האמיתי. הגילוי הגדול: הרבה בינה מלאכותית אך מעט ROI תובנותיו האחרונות של גרטנר מספקות בדיקת מציאות שרבים מאיתנו חשו אך לא רצו להודות בה. חברות הבונה פתרונות בינה מלאכותית בסופו של דבר נוטשות אותם או נכשלות בתפעולם. גרטנר צופה כי   מכיוון שהם פשוט אינם מביאים ערך עסקי משמעותי.  יותר מ-40% מפרויקטי בינה מלאכותית סוכנתית יבוטלו עד סוף 2027 חברות אינן רואות ניצחונות ברורים בהכנסות, חיסכון בעלויות, או שיפורי פרודוקטיביות. במקום זאת, הן מתמודדות עם עלויות מתנפחות, בעלות לא ברורה, ושילובים מורכבים שלעולם לא מתממשים לתנועה בשורה התחתונה. זוהי הגרסה הארגונית של קניית גאדג'ט המטבח האחרון והבנה חודשים לאחר מכן... שאתם עדיין חותכים ירקות בסכין. בינתיים, מחוץ לגרטנר, MIT וחוקרי תעשייה אחרים מהדהדים את אותו המסר. הרבה פיילוטים. הרבה הייפ. אך מעט מאוד תוצאות מדידות פיננסיות. אז מה קורה? הבעיה המרכזית: בינה מלאכותית ללא שילוב אמיתי היא רק הדגמה אתם יכולים להחזיק במודל הבינה המלאכותית המבריק ביותר בעולם, אך אם הוא לא מתחבר לאופן שבו העסק שלכם פועל באמת, הוא לא יכול להגדיל הכנסות, להפחית עלויות, או להפוך את הלקוחות שלכם למאושרים יותר. כאן נכנס   – ומדוע כל כך הרבה חברות נכשלות.  שילוב מערכות משולב בינה מלאכותית במקום לבנות צינור מקצה לקצה שבו תובנות בינה מלאכותית זורמות אוטומטית להחלטות אמיתיות, ארגונים רבים מרכיבים בינה מלאכותית למערכות קיימות כמו מדבקות דקורטיביות.  הם מריצים הוכחת היתכנות, מתפעלים מלוח המחוונים, עושים כמה סדנאות... ואז שום דבר בעסק באמת לא משתנה. התוצאה הטרגית? מודל בינה מלאכותית מעוצב להפליא שלעולם לא נוגע ברווח והפסד שלכם. חמש סיבות מדוע חברות אינן רואות השפעה פיננסית לאחר סקירת מחקר גרטנר וניתוח תעשייתי רחב יותר, חמש בעיות גדולות מופיעות שוב ושוב.  זו הבעיה מספר אחת. אם עובדים צריכים לעזוב את הכלים הרגילים שלהם, לפתוח ממשק נפרד, להריץ שאילתה ידנית, ואז להבין מה לעשות עם התוצאות, הם פשוט מפסיקים לעשות זאת. בינה מלאכותית הופכת לרעשי רקע ולא למניע ביצועים. בינה מלאכותית אינה מוטמעת בזרימות עבודה אמיתיות:  גרטנר ממשיכה להדגיש כי חברות מעריכות יתר על המידה את בגרות הנתונים שלהן. אם התובנות שלכם מפוזרות, לא עקביות, או מיושנות, בינה מלאכותית תפיק תוצאות שאנשים לא יסמכו עליהן. וכאשר לאנשים אין אמון במערכת, הם לא משתמשים בה. נתונים גרועים:  מודל שמנבא משהו מעניין אך נכשל בשינוי מדד בעל ערך גבוה לא יזיז את התוצאות הפיננסיות שלכם. חברות נכנסות ל'מלכודת הפיילוט' – בונות הוכחת היתכנות אחר הוכחת היתכנות מבלי להפעיל אי פעם משהו באופן מלא. זה כמו לבדוק הליכון במשך שישה חודשים אך לעולם לא באמת לרוץ עליו. פיילוטים של בינה מלאכותית קטנים מדי או תיאורטיים מדי:  בינה מלאכותית היא יותר מהשקעה טכנולוגית. זהו שינוי התנהגותי. גרטנר מדגיש כי ארגונים בעלי בגרות גבוהה בבינה מלאכותית לא רק משיקים כלים – הם יוצרים תוכניות אימוץ, הדרכה, ממשל ומערכות מדידה. ללא זה, השימוש של העובדים נותר כאוטי, והתוצאות נותרות בלתי נראות. אין תוכנית לניהול שינויים:  הרבה מנהלים רוצים שבינה מלאכותית תניב הכנסות באופן מיידי. אך ניצחונות ראשוניים הם לעיתים קרובות עדינים: פחות שגיאות, זמני עיבוד מהירים יותר, פחות עבודה ידנית חוזרת, מיקוד טוב יותר בלקוחות. כאשר מנהיגים אינם עוקבים אחר המדדים הנכונים, הערך מסתתר לעין. מנהיגים מצפים לסוג ה-ROI הלא נכון: מה גרטנר אומר שעליכם להתמקד בו  המלצות גרטנר פרגמטיות באופן מרענן אך אנושיות באופן מפתיע. הם קוראים לארגונים להאט, לכוון טוב יותר, ולבחור פרויקטי בינה מלאכותית המבוססים על היגיון כלכלי ברור ולא על התלהבות. החברות שמקבלות תשואות אמיתיות עושות כמה דברים באופן עקבי: מתעדפות תוצאות עסקיות מוחשיות, לא 'מקרים שימוש מגניבים'. משקיעות בהנדסה, ModelOps, ושכבת האינטגרציה כך שהפלט יהיה אמין וניתן לקריאה על ידי יישומים עסקיים. רואות בבינה מלאכותית יכולת תפעולית לטווח ארוך – לא תכונה חד-פעמית. מחזקות אמון ואימוץ, כך שעובדים ינצלו את הכלים מדי יום. בקיצור, חברות מצליחות מתייחסות לבינה מלאכותית יותר כמלאכה של בניית מפעל מאשר קניית גאדג'ט. כיצד סוף סוף להפוך בינה מלאכותית לרווח פיננסי אמיתי אם העסק שלכם ממשיך להשקיע בבינה מלאכותית אך אינו רואה את התשואה, הנה מפת דרכים לשבור את המעגל – הדפוסים שאנו עדים להם בממצאי גרטנר ובפריסות משגשגות ברחבי העולם.  לפני בניית כל דבר, הגדירו את התוצאה העסקית שלכם בדולרים או אחוזים. מה בדיוק אתם מנסים לשפר? הכנסות? שימור לקוחות? רווחיות? זמן מחזור? אם אי אפשר למדוד – אי אפשר לשפר. התחילו עם מדד פיננסי יחיד:  כאן שילוב מערכות משולב בינה מלאכותית הופך ליותר מסתם מילת באז. המודל שלכם חייב להיות מסוגל לצרוך נתונים בזמן אמת, לדחוף תוצאות לכלי זרימת עבודה, ולהפעיל פעולות. אחרת, זו רק תרגיל אקדמי. צרו את שכבת האינטגרציה תחילה:  בינה מלאכותית בעלת ערך גבוה דורשת נתונים באיכות גבוהה. עליכם למקם במרכז את צינורות הנתונים, תהליכי התיוג, ושערי האיכות כדי להשיג ROI מדיד. הפכו את הנתונים לעדיפות שלכם, לא למחשבה שלאחר מעשה:  שליטה בבינה מלאכותית מתורגמת למעקב אחר שימוש, השפעת החלטות, והתנהגות אנושית-בלולאה. ספקו הדרכה וכוונו ממשקים כך שמשתמשים עסקיים יאמצו פלט של בינה מלאכותית כחלק מהחלטות שגרתיות. דלקו KPIs אימוץ:  הארגונים המצליחים ביותר משלבים מומחיות עסקית פנימית עם תמיכה חיצונית במוצרי בינה מלאכותית, אינטגרציה והנדסה. זה מקצר לוחות זמנים ומונע טעויות יקרות בהמשך הדרך. שלבו כישרונות פנימיים עם שותפים אסטרטגיים: מחשבות אחרונות: הפער אמיתי – אך ניתן לתיקון המחקר העדכני ביותר של גרטנר מאיר באור בהיר ולעיתים לא נוח את מציאות הבינה המלאכותית: עסקים מיישמים בינה מלאכותית בכל מקום, אך אינם חווים את התשואה שציפו לה. עדיין, זו אינה כישלון של בינה מלאכותית. זהו כישלון של אינטגרציה, תזמור, ויישור קו של הנהגה. כאשר ארגונים משקיעים באינטגרציה, מתייחסים לבינה מלאכותית כמערכת – לא כתכונה – ומטילים אחריות על כל יוזמה לערך פיננסי מדיד, התוצאות מתחילות להופיע סוף סוף. החברות שיעשו זאת נכון יהיו אלו שיהפכו את שלב ניסוי הבינה המלאכותית של היום ליתרון תחרותי של מחר. אולי זו תהיו אתם?

This story contains new, firsthand information uncovered by the writer.

האודיו הזה מופק בשפת המקור של הסיפור!

למה כל כך הרבה בינה מלאכותית, ובכל זאת כל כך מעט רווח? מבט מקרוב על מה שעסקים ממשיכים לפספס

About Author

הערות

תלו תגים

מאמר זה הוצג ב

Related Stories

Meet ScyllaDB: HackerNoon Company of the Week

Fortunate Son From Our Neighborhood

ברכות עונות מ-HackerNoon: Boost Stories עם תרגומים, דיבור לטקסט ועוד

The TechBeat: Everything You Need to Know to Implement Generative AI for Your Enterprise (3/12/2024)

Meet ScyllaDB: HackerNoon Company of the Week

Fortunate Son From Our Neighborhood

ברכות עונות מ-HackerNoon: Boost Stories עם תרגומים, דיבור לטקסט ועוד

The TechBeat: Everything You Need to Know to Implement Generative AI for Your Enterprise (3/12/2024)

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps