Как получить реальную отдачу от инвестиций в ИИ: данные, стабильность и экономия

Почему кажется, что ROI от ИИ отсутствует

Прошло три года после появления ChatGPT, и многие эксперты называют генеративный ИИ 'пузырем', потому что заметных выгод добиваются лишь немногие поставщики технологий. Крупные отчеты и дискуссии усилили это впечатление: MIT указал на высокий процент пилотов, которые не масштабируются и не дают четкого ROI, а аналитики называют агентный ИИ перспективным направлением для операционной эффективности. Некоторые технологические лидеры даже советуют CIO не зацикливаться на точных показателях ROI, так как их сложно корректно измерить.

Это ставит руководителей технологий перед непростым выбором: если существующий стек надежно управляет бизнесом, что дает право менять инструменты?

Принцип 1: данные — это ценность

Успешный корпоративный ИИ начинается с данных. Часто эффективный сценарий — это ограничение модели вашими собственными файлами и репозиториями: прикрепленные документы или целевые наборы данных сужают область модели, уменьшают число запросов и ускоряют получение точных ответов.

Однако такой подход требует передачи непубличных бизнес-данных третьим сторонам, а это влечет за собой два взаимосвязанных вопроса: обеспечение конфиденциальности и переговоры с поставщиками. Крупные провайдеры моделей нуждаются в качественных первичных данных, и недавние сделки подтверждают это.

С экономической точки зрения имеет смысл обменять выборочный, контролируемый доступ к данным на улучшенные условия или сервис. Рассматривайте покупку модели не как обычную закупку, а как партнерство, которое может развивать и модель поставщика, и ваше собственное использование технологии.

Принцип 2: делайте ставку на стабильность — 'скучно по дизайну'

Рынок моделей быстро меняется: сотни новых генеративных моделей появляются и исчезают. Организации, которые опирались на ныне недоступные модели, столкнулись с поломкой стабильных рабочих процессов.

Операционные среды ценят предсказуемость. Бэк-офисные процессы и задачи, связанные с комплаенсом, требуют инструментов, работающих надежно в фоновом режиме. Самые успешные внедрения ИИ решают повторяющиеся, обязательные задачи — например, автоматизируют перекрестные проверки в юридических экспертизах или аудитах расходов, оставляя финальное решение за человеком.

Таким задачам редко нужны передовые модели. Абстрагирование рабочих процессов от прямого вызова API модели дает долгосрочную стабильность и одновременно сохраняет возможность обновления движков в удобном для бизнеса темпе.

Принцип 3: экономическая модель 'минивэна'

Не покупайте технологии из-за маркетинга или бенчмарков поставщика. Проектируйте системы вокруг того, что реально потребляют ваши пользователи и с каким темпом. Покупки, ориентированные на высокие показатели, часто добавляют лишние расходы, не увеличивая реальную продуктивность.

Каждый удаленный вызов модели и дополнительный сервер увеличивает операционные затраты. Перестройте рабочие процессы так, чтобы минимизировать использование сторонних сервисов. Многие компании обнаружили, что внедрение ИИ в службу поддержки повысило расходы OpEx, тогда как те, кто ограничил пропускную способность до скорости, сопоставимой с чтением человеком (например, менее 50 токенов в секунду), смогли масштабировать решения с минимальным оверхедом.

Практические шаги для получения ROI

• Рассматривайте собственные данные как актив: планируйте управление ими и переговоры с поставщиками.
• Отдавайте приоритет стабильности: интегрируйте решения, не дестабилизируя ключевые операции, и используйте уровни абстракции между рабочими процессами и API моделей.
• Оптимизируйте под темп работы людей и реальные потребности пользователей, а не под бенчмарки поставщиков; измеряйте стоимость на пользователя, а не только технические метрики.

Начинайте с малого, проектируйте независимость компонентов базовой технологии и используйте ту ценность, которую ваши бизнес-данные представляют для поставщиков моделей. Согласовав интересы поставщиков с вашей стратегией данных, сосредоточившись на предсказуемых решениях и контроле затрат, компании могут перейти от экспериментов с ИИ к устойчивой отдаче.

Примечание по источнику

Этот материал подготовлен Intel. Он не был написан редакцией MIT Technology Review.