Վերջին տասնութ ամիսների ընթացքում արհեստական բանականության (ԱԲ) շուրջ ձևավորված կորպորատիվ պատումը գերիշխված էր «հիացմունքի» գործոնով՝ խոշոր լեզվական մոդելների (Large Language Models) ապշեցուցիչ կարողությամբ՝ նամակներ գրելու, բարդ փաստաթղթեր ամփոփելու և բարձրորակ պատկերներ ստեղծելու հարցում։ Սա գեներատիվ ցուցադրությունների դարաշրջանն էր, որտեղ արժեքային առաջարկը կենտրոնացած էր ստեղծարարության և տեղեկատվության սինթեզի վրա։ Սակայն, քանի որ սկզբնական նորության զգացումը մարում է, տեղի է ունենում ավելի պրագմատիկ և հիմնավոր տեղաշարժ։ Մենք հեռանում ենք «կախարդանքի» փուլից և մտնում «Ոչ գրավիչ ԱԲ-ի» (Unsexy AI) դարաշրջան։
Ոչ գրավիչ ԱԲ-ն չի ձգտում իրավաբանական քննություններ հանձնել կամ պոեզիա գրել։ Այն զբաղվում է ֆիզիկական աշխարհով, կրկնվող բեք-օֆիսային առաջադրանքներով և այն կոպիտ, ոչ շլացուցիչ խնդիրներով, որոնք տասնամյակներ շարունակ խոչընդոտել են գործառնական արդյունավետությանը։ Սա ԱԲ-ի՝ որպես բովանդակություն ստեղծող չաթ-բոտից, վերափոխումն է ԱԲ-ի՝ որպես լոգիստիկա իրականացնող աշխատողի։
Անցում դեպի մարմնավորված բանականություն և գործառնական օգտակարություն
Մինչ լրատվականների վերնագրերը կենտրոնանում են գրասենյակային աշխատողների գոյաբանական անհանգստությունների վրա, առաջիկա տարիներին կապիտալի ամենանշանակալի ներդրումները հավանաբար կուղղվեն Մարմնավորված բանականությանը (Embodied Intelligence)։ Այնպիսի ընկերություններ, ինչպիսիք են 1X-ը, Figure-ը և Tesla-ն իր Optimus ծրագրով, դուրս են գալիս սիլիկոնային ինտերֆեյսի սահմաններից և մուտք գործում ֆիզիկական տիրույթ։ Նպատակն այստեղ նրբերանգներով տպավորելը չէ, այլ այնպիսի միջավայրերում աշխատուժի պակասը լրացնելը, որտեղ միայն ծրագրային ապահովումը բավարար չէ՝ պահեստներում, արտադրական տարածքներում և, ի վերջո, բարձր պատասխանատվություն պահանջող սպասարկման ոլորտներում։
Կազմակերպչական տեսանկյունից սա Թվային տրանսֆորմացիայի վերջնական էվոլյուցիան է։ Պատմականորեն, բիզնեսի թվայնացումը նշանակում էր գործընթացները թղթից տեղափոխել էկրաններ։ Հաջորդ սահմանագիծը գործընթացները էկրաններից ֆիզիկական աշխարհ տեղափոխելն է՝ ավտոմատացված գործակալների միջոցով։ Բիզնես առաջնորդների համար ROI-ի (ներդրումների վերադարձելիության) պոտենցիալը հսկայական է։ ԱԲ-ի վրա հիմնված սարքավորումները ավանդական ձեռնարկատիրական աշխատանքային հոսքերին ինտեգրելով՝ ընկերությունները վերջապես կարող են լուծել ավտոմատացման «վերջին մղոնի» խնդիրը՝ ապրանքների ֆիզիկական տեղաշարժը և սարքավորումների ձեռքով կարգավորումը, որոնք մինչ օրս համառորեն մնում էին մարդկային ռեսուրսից կախված։
Գործող ենթակառուցվածքների համար հետևանքները խորն են։ Մենք ականատես ենք լինում երեք կարևորագույն տեխնոլոգիաների համախմբմանը.
- Համակարգչային տեսողություն (CV). Ապահովում է զգայական մուտք, որն անհրաժեշտ է մեքենաների համար իրենց միջավայրը «կարդալու» համար։
- Եզրային հաշվարկներ (Edge Computing). Հնարավորություն է տալիս իրական ժամանակում որոշումներ կայացնել՝ առանց ամպային համակարգերին ուղարկելու ժամանակային հապաղումների։
- Վարքագծային խոշոր մոդելներ (LBMs). Ճարտարապետական տեղաշարժ՝ մեքենաներին կոշտ կոդավորված տրամաբանությամբ հրահանգավորելուց դեպի դիտարկման և ամրապնդման ուսուցման միջոցով դրանք վարժեցնելու ուղղությամբ։
Մասշտաբավորում՝ առօրեական ավտոմատացման միջոցով
Մինչ հումանոիդ ռոբոտները գրավում են ուշադրությունը, ժամանակակից ձեռնարկության իրական «աշխատաձին» ԱԲ-ի ինտեգրումն է Հաճախորդների հետ հարաբերությունների կառավարման (CRM) և բեքենդ Ավտոմատացման մեջ։ Շատ բիզնես առաջնորդների համար ամենա«ոչ գրավիչ» ԱԲ-ի ներդրումը՝ առաջատարների մշակման հաջորդականության (lead-routing) ավտոմատացումը կամ CRM տվյալների բազայի մաքրումը, այն է, որտեղ տեղի է ունենում շահույթի ամենաարագ աճը։
Ընդունման միտումները ներկայումս հօգուտ այն ընկերությունների են, որոնք «ձանձրալի» հուսալիությունը նախընտրում են փորձարարական փայլից։ Ներդրողներն ու շահագրգիռ կողմերը այլևս չեն բավարարվում ԱԲ-ի դեմո-տարբերակներով. նրանք պահանջում են ԱԲ, որը կարելի է չափել KPI-ներով։ Տեղաշարժը գնում է հետևյալ ուղղություններով.
- Գործակալային աշխատանքային հոսքեր (Agentic Workflows). «ԱԲ-ն՝ որպես գործիք»-ից (որը մշտական մարդկային հուշումների կարիք ունի) անցում դեպի «ԱԲ-ն՝ որպես գործակալ» (որը կառավարում է առաջադրանքի կենսացիկլը սկզբից մինչև վերջ)։
- Տվյալների հիգիենայի ավտոմատացում. ԱԲ-ի օգտագործումը՝ քաոսային տվյալների հավաքածուները կարգավորելու համար, ինչը մեքենայական ուսուցման ցանկացած իմաստալից ներդրման նախապայմանն է։
- Կանխատեսող սպասարկում (Predictive Maintenance). Սենսորային տվյալների օգտագործում՝ խափանումից առաջ սպասարկման գործողություններ նախաձեռնելու համար՝ ռեակտիվից անցնելով պրոակտիվ սպասարկման մոդելների։
Այս անցումը պահանջում է մարդկային դերերի հիմնարար վերաիմաստավորում։ Եթե մենք ավտոմատացնենք ոչ գրավիչ, կրկնվող աշխատանքը, մարդկային գործոնը կկենտրոնանա բացառությունների կառավարման և բարձր մակարդակի ռազմավարության վրա։ Սա աշխատուժը փոխարինելու մասին չէ, այլ այն «բարձրացնելու» մասին է։ Երբ ԱԲ գործակալը կառավարում է հաշիվ-ապրանքագրերի ձանձրալի մուտքագրումը, ֆինանսական թիմը կարող է իր ժամանակը հատկացնել դրամական հոսքերի ռազմավարությունների վերլուծությանը, այլ ոչ թե ձեռքով տվյալների մուտքագրմանը։ Հաջորդ հինգ տարիներին հաջողակ կլին
