Կորպորատիվ ոլորտում ներկայումս տիրում է մի եռանդ, որը սահմանակցում է խուճապին։ Մինչ տնօրենների խորհուրդները ջանում են Generative AI-ը (գեներատիվ արհեստական բանականություն) ներդնել իրենց գործառնական մոդելներում, «AI-ի տիրապետման» ցուցադրական անհրաժեշտությունը դարձել է նոր, թեև նուրբ, մասնագիտական պահանջ։ Այնուամենայնիվ, Հարվարդի հետազոտողների վերջին վերլուծությունը բացահայտել է մի մտահոգիչ միտում՝ «ցուցադրական տեխնիկական գրագիտության» աճը։ Երբ հարցում է անցկացվել AI ոլորտի տարբեր գործիչների մասին իրազեկվածության վերաբերյալ, արական սեռի հարցվածների վիճակագրորեն նշանակալի մասը պնդել է, որ ճանաչում է, նույնիսկ հետևում է այնպիսի պիոներների, որոնք, իրականում, գոյություն չունեն։

«Ձևացրու, մինչև հաջողության հասնես» այս երևույթը պարզապես սոցիալական քմահաճույք չէ. այն կառուցվածքային ռիսկ է Digital Transformation (թվային վերափոխման) նախաձեռնությունների հաջողության համար։ Երբ ղեկավարները բովանդակությունից վեր են դասում պատկերային կողմը, ընկերության AI ռազմավարության հիմքը դառնում է փխրուն։ Մի դարաշրջանում, երբ Large Language Models (LLMs) (խոշոր լեզվական մոդելների) և Neural Networks-ի (նեյրոնային ցանցերի) տեխնիկական բարդությունը մեծանում է, ղեկավարների պնդումների և իրականության միջև եղած անդունդը լայնանում է՝ ստեղծելով «իրավասության պարտք», որը վաղ թե ուշ պետք է մարվի։

Իրավասության բացի գինը

Կառավարման մակարդակում այս ցուցադրական գիտելիքը հանգեցնում է կապիտալի բաշխման վերաբերյալ սխալ որոշումների։ Երբ որոշում կայացնողները չեն ցանկանում խոստովանել, որ չեն հասկանում Supervised Learning-ի (վերահսկվող ուսուցում) և Reinforcement Learning-ի (ամրապնդող ուսուցում) տարբերությունը, նրանք հաճախ հաստատում են նախագծեր՝ հիմնվելով նորաձև տերմինների, այլ ոչ թե տեխնիկական իրագործելիության կամ բիզնես արժեքի վրա։ Այս միտումը բիզնեսի համար դրսևորվում է մի քանի բացասական ձևով.

  • ROI-ի (ներդրումների եկամտաբերության) անհամապատասխանություն. Նախագծերը հաստատվում են «նորարարություն» պիտակի հիման վրա, այլ ոչ թե հստակ բիզնես հիմնավորման, ինչը հանգեցնում է հսկայական ծախսերի այնպիսի գործիքների վրա, որոնք գործառնական քիչ օգուտ են տալիս։
  • Տաղանդների արտահոսք. Տեխնիկական թիմերը՝ տվյալների գիտնականները և AI ինժեներները, կորցնում են մոտիվացիան, երբ ղեկավարությունը պարտադրում է նախաձեռնություններ, որոնք հակասում են համակարգչային գիտության օրենքներին։
  • Անվտանգության և համապատասխանության խոցելիություն. Այն ղեկավարները, որոնք ձևացնում են, թե հասկանում են, ավելի քիչ հավանական է, որ կտան դժվարին, բայց անհրաժեշտ հարցեր տվյալների գաղտնիության, մոդելի «հալյուցինացիաների» և Enterprise AI-ի (կորպորատիվ AI) համար պահանջվող էթիկական սահմանափակումների վերաբերյալ։

Քանի որ մենք հեռանում ենք սկզբնական «հայպային շրջափուլից» դեպի պրագմատիկ իրականացման ժամանակաշրջան, ուշադրությունը պետք է տեղափոխվի AI-ի մասին տեղեկացված լինելուց դեպի այն արդյունավետ կիրառելու ըմբռնմանը։ Հաջողության են հասնում այն ընկերությունները, որոնք խրախուսում են մտավոր համեստության մշակույթը, որտեղ ուշադրության կենտրոնում ոչ թե ամենատեղեկացված թվալն է, այլ այն, թե ինչպես կարելի է օգտագործել AI Agents-ը (AI գործակալներ) և ավտոմատացումը՝ կոնկրետ, մանրամասն բիզնես խնդիրներ լուծելու համար։

Ցուցադրական տեխնոլոգիաներից դեպի ռազմավարական իրականացում

Առաջընթացը պահանջում է անցում լայն, անորոշ «AI նախաձեռնություններից» դեպի թիրախային, արդյունքներին միտված ներդրումների։ Ամենահաջողակ կազմակերպությունները ներկայումս առաջնահերթություն են տալիս CRM (Հաճախորդների հետ հարաբերությունների կառավարում) ինտեգրմանը, որտեղ AI-ն օգտագործվում է ոչ թե որպես անորոշ հայեցակարգ, այլ որպես գործնական գործիք կանխատեսող վերլուծության և առաջատարների (leads) ավտոմատացված որակավորման համար։

Ցուցադրական փորձագիտության թակարդից խուսափելու համար բիզնես ղեկավարները պետք է ներդնեն AI-ի որդեգրման ավելի խիստ շրջանակ.

  • Տեխնիկական պատշաճ ուսումնասիրություն (Due Diligence). AI ծրագրաշարի ձեռքբերումը դիտարկեք նույն մանրակրկիտությամբ, ինչպես ավանդական կորպորատիվ ծրագրակազմը՝ կենտրոնանալով կատարողականի չափանիշների և ինտեգրման հնարավորությունների վրա, այլ ոչ թե մարքեթինգային նյութերի։
  • Գործառույթների միջև գրագիտության ծրագրեր. Ներդրումներ կատարեք ներքին կրթության մեջ, որը բարձր մակարդակի տեխնիկական հասկացությունները կթարգմանի բիզնես արդյունքների՝ ապահովելով, որ մարքեթինգի, վաճառքի և գործառնական թիմերը խոսեն նույն լեզվով։
  • Կենտրոնացում չափելի արդյունքների վրա. Առաջնահերթություն տվեք «ցածր կախված մրգերին»՝ ինչպիսիք են Chatbots-ը (չաթ-բոտեր) ներքին փաստաթղթավորման կամ տվյալների ավտոմատ մուտքագրման համար, որոնք ապահովում են անմիջական, քանակական ROI:
  • Ղեկավարության թափանցիկություն. Նորմալացրեք «Ես չգիտեմ» արտահայտությունը բարդ տեխնիկական ճարտարապետության վերաբերյալ։ Երկարաժամկետ հեռանկարում սա ավելի շատ վստահություն է ներշնչում, քան փորձագիտության այն կեղծ դիմակը, որը փլուզվում է առաջին իսկ ստուգման կամ տեխնիկական ձախողման ժամանակ։

Ներկայիս միջավայրի ռիսկն այն է, որ մենք ստեղծում ենք «ուրվական ճարտարապետների» մի սերունդ, որոնք վերահսկում են համակարգեր, որոնք չեն հասկանում։ Երբ ղեկավարը պնդում է, որ հասկանում է AI-ի մի գործչի, որը գոյություն չունի, նա ակամայից բացահայտում է, որ իր գիտելիքները ստացված են հայպային շրջափուլերից, այլ ոչ թե տեխնոլոգ