Для успішного масштабування AI підприємства організації повинні зосередитись на продуктивності підприємства, а не на лише збільшенні завдань.
Хоча люди та невеликі групи усвідомлюють підвищення продуктивності за допомогою генеративного ШІ, два останні дослідження виявили, що AI підприємства, особливо використання агента AI, не повертає цінність, і багато проектів ніколи не досягають плодів.
Зокрема, Gartner підрахував, що понад 40% агентських проектів AI будуть скасовані до кінця 2027 року, через ескалацію витрат, незрозумілу вартість бізнесу або недостатній контроль ризику.
Це були деякі висновки у звіті Gartner ,. (Звіт доступний лише для клієнтів Gartner.)
“Більшість агентських проектів AI на даний момент-це експерименти на ранній стадії або доказ концепцій, які в основному керуються ажіотажами і часто неправильно застосовуються”,-сказав Анушрі Верма, старший аналітик директора, Gartner, у прес-релізі. “Це може засліплювати організації до реальної вартості та складності розгортання агентів ШІ в масштабах, затримуючи проекти від переходу на виробництво. Їм потрібно прорізати галас, щоб прийняти обережні, стратегічні рішення про те, де і як вони застосовують цю нову технологію”.
У дослідженні MIT було більше поганих новин. Зокрема, tвін ДІЛІЙ ГЕНАЙ: Держава ШІ в бізнесі 2025 Дослідження показало, що, незважаючи на від 30 мільярдів до 40 мільярдів доларів інвестицій підприємства в Genai, 95 відсотків організацій отримують нульову віддачу. Лише 5 відсотків інтегрованих пілотів AI витягують мільйони вартості, тоді як переважна більшість залишається застрягла без вимірюваного впливу на P&L.
Звіт ґрунтується на огляді понад 300 публічно розголошених ініціатив AI, інтерв'ю з представниками 52 організацій та відповідями опитування 153 вищих керівників, зібраних на чотирьох основних галузевих конференціях.
У звіті зазначається, що такі інструменти, як Chatgpt та Copilot, широко прийняті. Понад 80 відсотків організацій їх вивчали або пілотували, а майже 40 відсотків повідомляють про розгортання. Але ці інструменти в першу чергу підвищують продуктивність індивідуальної продуктивності, а не на продуктивність P&L.
Тим часом системи підприємства тихо відкидають. Шістдесят відсотків організацій оцінювали такі інструменти, але лише 20 відсотків досягли пілотного етапу, і лише 5 відсотків досягли виробництва. Більшість провалюється через крихкі робочі процеси, відсутність контекстуального навчання та нерівність із щоденними операціями.
Див. Також: Як і з чого почати з AI для промисловості
Забезпечення успішного масштабування AI по всій підприємстві
AI, і особливо агенти AI, добре підходять для промислових умов, де складні, багаті змінними системами роблять сценарій програмування непрактичним. Агенти можуть проаналізувати документацію, визначати відповідну інформацію та інтегрувати її в моделі даних для організованого пошуку та підтримки рішень.
На основі успішного розгортання агента AI лежить якість даних. “Сміття, сміття”, особливо дзвонить. Організації повинні спочатку організувати свої структуровані та неструктуровані дані. В іншому випадку AI буде намагатися забезпечити цінність.
Хороший спосіб досягти цього – встановити графіки промислових знань, контекстуалізація даних у різних джерелах, тому агенти «знають, де шукати» для правильної інформації. Ще до того, як розгортати агенти AI, побудова цієї архітектури даних пропонує негайні переваги: покращена інформаційна панель, швидший час відповіді запитів, кращі усунення несправностей та загальний приріст продуктивності в різних операціях.
Крім того, є кілька речей, які промислова організація може зробити для успішного масштабування своїх зусиль з агента AI. Вони включають:
- Почніть з даних, а не моделей: Організуйте структуровані та неструктуровані дані у добре модельоване сховище (наприклад, графік знань) перед шаруванням в ШІ.
- Пріоритетні довіри шляхом парування моделі/даних: Використовуйте добре відібрані мовні моделі в тандемі з висококласними оперативними даними для підтримки надійного прийняття рішень.
- Надайте точні, вирівнювані бізнесом інструкції: Поведінка агента кадрів чітко, як можна було б навчати колегу людини, щоб забезпечити послідовну ефективність, орієнтовану на бізнес.
Іншими словами, є три стовпи, необхідні для надійних операцій агента: вибір правильної мови (постійно орієнтована на точність та зменшення ризику галюцинації); Забезпечення доступу до перевірки лише перевіреними контекстними даними, що зберігаються в узгодженій моделі даних; та розробка конкретних, чітких інструкцій, дзеркальне відображення навчання дасть нового стажиста, щоб узгодити поведінку агентів з діловими цілями. Цей підхід мінімізує помилки і дозволяє розвиватися системам. Отже, оскільки моделі даних з часом стають багатшими, виходи агентів покращуються без жертви надійності.
Це пов'язується з висновками Gartner. “Щоб отримати реальну цінність від агента АІ, організації повинні зосередитись на продуктивності підприємства, а не на лише збільшенні завдань”, – сказала Верма. “Вони можуть почати з використання агентів AI, коли потрібні рішення, автоматизація для звичайних робочих процесів та помічників для простого пошуку. Йдеться про водіння бізнес -вартості за рахунок вартості, якості, швидкості та масштабу”.