Գեներատիվ արհեստական բանականության (AI) շուրջ ձևավորված ներկայիս պատումը մեծապես թելադրված է այն կազմակերպությունների կողմից, որոնք ստեղծում են այդ գործիքները: Երբ OpenAI-ը, Anthropic-ը կամ Google-ը հրապարակում են օգտագործման վերաբերյալ հաշվետվություններ, դրանք հաճախ ներկայացվում են որպես «աշխատանքի ապագայի» վերաբերյալ վերջնական պատկերացումներ: Սակայն ձեռնարկությունների ղեկավարների համար, ովքեր պատասխանատու են կապիտալի բաշխման և աշխատանքային հոսքերի վերակազմակերպման համար, այս հաշվետվությունները տեսանելիության լուրջ խնդիր են առաջացնում. դրանք սեփականություն հանդիսացող, խմբագրված և բնույթով կողմնակալ տվյալներ են՝ ուղղված հենց ընկերությունների աճի ցուցանիշներին:

Մենք ապրում ենք «սև արկղի վիճակագրության» դարաշրջանում: Երբ կարդում ենք, որ խոշոր լեզվական մոդելը (LLM) օգտագործվում է «բարդ տրամաբանական մտահանգումների» կամ «տվյալների վերլուծության» համար, հազվադեպ ենք տեսնում պրոմպտների (հրահանգների) գրանցամատյանների մանրամասն իրականությունը կամ այդ առաջադրանքների հաջողության ցուցանիշները: Ինչպես նշել են Սթենֆորդի համալսարանի անկախ հետազոտողները, հիմնարար մոդելներ մատակարարողների պնդումների համար արտաքին հաստատման պակաս կա: Բիզնեսի ղեկավարների համար սա ստեղծում է վտանգավոր կախվածություն մարքեթինգային պատմություններից՝ փորձարարական, կատարողական վրա հիմնված ապացույցների փոխարեն:

Կույր կետը ձեռնարկատիրական ռազմավարության մեջ

Անկախ օգտագործման տվյալների բացակայությունը ուղղակի մարտահրավեր է նետում Ներդրումների վերադարձելիության (ROI) հաշվարկին: Եթե ընկերությունը իր թվային փոխակերպման ռազմավարությունը հիմնում է այն ենթադրության վրա, որ AI-ն համընդհանուր կերպով «լուծում» է ծրագրավորման կամ հաճախորդների սպասարկման խնդիրները, ապա այն կարող է անտեսել ձախողման բարձր մակարդակը կամ չվերահսկվող ներդրումների հետ կապված «հալյուցինացիաների հարկը»:

Ներկայիս միտումները ցույց են տալիս, որ բիզնեսները շտապում են AI-ն ինտեգրել իրենց Հաճախորդների հետ հարաբերությունների կառավարման (CRM) համակարգերում և ներքին գիտելիքների բազաներում: Այնուամենայնիվ, առանց հստակ պատկերացման, թե ինչպես են աշխատակիցներն իրականում փոխազդում այդ մոդելների հետ՝ որտեղ են դրանք ձախողվում, որտեղ են պահանջում մարդկային միջամտություն և որտեղ են արժեք ստեղծում, CIO-ները (ՏՏ տնօրենները) ըստ էության «կույր են վարում»: Մենք տեսնում ենք «ստվերային AI»-ի օրինաչափություն, որտեղ աշխատակիցներն օգտագործում են այդ գործիքներն այնպիսի եղանակներով, որոնք ՏՏ բաժինները չեն հաստատել կամ նույնիսկ լիարժեք չեն հաշվարկել, ինչը գրեթե անհնար է դարձնում տվյալների կառավարումը:

Երբ մենք դուրս ենք գալիս գրավիչ մարքեթինգային PDF-ների սահմաններից, պարզում ենք, որ AI-ի իրական օգտակարությունը հաճախ կապված է կոնկրետ, նեղ առաջադրանքների հետ, այլ ոչ թե ընդհանուր բանականության: Այն ընկերությունները, որոնք չեն աուդիտում, թե ինչպես են իրենց թիմերն օգտագործում այդ գործիքները, հավանաբար կբախվեն հետևյալ խնդիրներին.

  • Ավտոմատացման սխալ թիրախներ: Ներդրումներ ընդհանուր, անորոշ գործիքների մեջ, որոնք չեն լուծում ներքին աշխատանքային հոսքերի կոնկրետ խոչընդոտները:
  • Թաքնված տեխնիկական պարտք: Կախվածություն այն մոդելներից, որոնք կարող են փոխվել, փոխել իրենց վարքագիծը կամ ներկայացնել անվտանգության խոցելիություններ՝ առանց թափանցիկության:
  • Արտադրողականության սխալ գնահատում: «Արագ նախագծումը» «բարձր որակի արդյունքի» հետ շփոթելը, ինչը կարող է հանգեցնել որոշումների կայացման մեջ սխալների:

Դեպի դիտարկելի AI էկոհամակարգեր

«AI լավատեսության» ներկայիս վիճակից «AI օգտակարության» անցնելու համար բիզնեսները պետք է LLM-ները դիտարկեն որպես ավելի մեծ, դիտարկելի ճարտարապետության ընդամենը մեկ բաղադրիչ: Շեշտադրումը պետք է տեղափոխվի վաճառողների հաշվետվություններին հավատալուց դեպի ներքին Դիտարկելիության խողովակաշարերի (Observability Pipelines) կառուցում: Վերահսկելով ընկերության ֆայրվոլի ներսում գործող AI գործակալների մուտքային և ելքային տվյալները՝ ղեկավարները կարող են վերջապես ստանալ հստակ, չխմբագրված պատկերացում այն մասին, թե որտեղ է մոդելը հաջողում, և որտեղ է մարդկային միջամտությունը մնում վճռորոշ գործոն:

Թվային փոխակերպման էվոլյուցիան կախված է ընդհանուր նշանակության չաթ-բոտերի ինտերֆեյսներից հեռանալուց և դեպի բարձր մասնագիտացված, նպատակային ավտոմատացում անցնելուց: AI գործակալը, որը չի չափվում իր կոնկրետ առաջադրանքների կատարման տոկոսով, ընդամենը թանկարժեք նորույթ է: Բիզնեսները պետք է առաջնահերթություն տան այնպիսի համակարգերի մշակմանը, որոնք ապահովում են.

  • Աուդիտի հետքեր: Գրանցամատյաններ, որոնք հստակ փաստագրում են, թե ինչպես է AI-ն մշակել հարցումը, ինչ համատեքստ է վերցրել և ինչ տրամաբանություն է կիրառել:
  • Կատարողականի բենչմարկինգ: Բիզնես KPI-ներին համապատասխանող հատուկ չափորոշիչներ, ինչպիսիք են հաճախորդների հարցումների «լուծման ժամանակը» կամ «տվյալների դասակարգման ճշգրտությունը»:
  • Մոդելային անկախություն (Agnosticism): Հիմքում ընկած մոդելները փոխելու հնարավորություն, երբ շուկայում հայտնվում է ավելի արդյունավետ կամ ճշգրիտ լուծում, ինչը կանխում է վաճառողից կախվածությունը:

Ժամանակակից ձեռնարկության համար նպատակն այլևս այն չէ, որ գուշակի, թե ինչպես է օգտագործվում AI-ն, այլ այն, որ աշխատանքային հոսքերն այնպես կազմակերպվեն, որ ռազմավարությունը թելադրեն տվյալները, ոչ թե վաճառողների մարքեթինգը: Սա պահանջում է մտածելակերպի հիմնարար փոփոխություն. վերաբերվել AI գ