Инвестиции в ИИ: создание ценности или разочарование?
Патрик (П. Дж.) Жан — директор по продукции и технический директор в компании ABBYY , занимающейся интеллектуальной автоматизацией .
Продолжающееся волнение и высокие ожидания в отношении искусственного интеллекта оказали немалое влияние на инвестиционные приоритеты компаний. MarketsandMarkets прогнозирует, что мировой рынок ИИ достигнет 407 млрд долларов к 2027 году — по сравнению с 86,9 млрд долларов в 2022 году.
Согласно исследованию нашей компании, эта тенденция настолько распространена, что 98% организаций по всему миру планируют увеличить инвестиции в ИИ, в результате чего 63% руководителей ИТ-отделов обеспокоены тем, что их компании отстанут, если они не сделают то же самое.
Однако эти массовые инвестиции не были чем-то новым в 2024 году. Нам обещали глубокую ценность, и нас предупредили о провале разочарования. Теперь, когда у предприятий было время пожинать то, что они посеяли, какой результат ИИ обеспечивает больше?
На высоком уровне ИИ добился впечатляющих результатов.
Отчет нашей компании «Глобальное экономическое влияние на приоритеты ИИ» показал, что 57% респондентов ожидают, что окупаемость инвестиций как минимум в два раза превысит стоимость их инвестиций, а 47% респондентов указали, что фактическая окупаемость инвестиций достигла этого ожидания.
Скептикам ИИ следует копнуть глубже. Хотя фактические результаты немного не оправдали ожиданий, почти половина руководителей предприятий, внедривших ИИ, смогли окупить свои инвестиции в два раза. Хотя никогда не было особых споров о потенциале создания ценности ИИ, это понимание красноречиво говорит о его наглядной, ощутимой ценности.
В чем разница между успехом и сожалением при внедрении ИИ? Как и все другие технологии, он обеспечивает правильное соответствие цели. Gartner ожидает, что к 2025 году более 50% предприятий откажутся от своих собственных проектов большой языковой модели (LLM) из-за таких факторов, как стоимость, сложность или техническая задолженность.
Данные свидетельствуют о том, что отрасль, вариант использования и желаемые цели являются значимыми факторами, определяющими успех инициатив в области ИИ.
По данным GitHub , ИИ был воспринят разработчиками с большим энтузиазмом: 97% из них сообщают, что в той или иной степени используют инструменты программирования ИИ.
Это почти единогласное принятие имеет веские причины, поскольку разработчики отмечают улучшение качества кода с помощью инструментов ИИ. Это понимание различается в зависимости от региона, подтвержденное почти 60% разработчиков в Германии и близким к ошеломляющим 90% в Соединенных Штатах. Некоторые команды даже увидели больше преимуществ от инструментов, чем сообщалось изначально.
По данным ISG , отрасль финансовых услуг продемонстрировала схожие амбиции, внедрив генеративный ИИ в 24% от общего числа случаев использования и покрыв более 20% всех расходов на ИИ ( IDC ).
Успех ИИ в этих отраслях можно объяснить их вариантами использования. В сфере финансовых услуг основными вариантами использования ИИ были предиктивная аналитика, генерация кода и другие операции по разработке, извлечение и анализ данных, а также анализ производительности. Это области, которые созрели для специализированных приложений ИИ для интеллектуальной автоматизации в противном случае утомительных задач — они подходят для этой цели.
Вместо автоматизации основных функций бизнеса инструменты, которые упрощают извлечение ключевой информации из документов или сбор аналитических данных об эффективности для улучшения процессов, могут позволить организациям создавать ценность без риска дорогостоящей неэффективности или пагубных неточностей.
Индустрия здравоохранения является ярким примером такого подхода к ИИ. Хотя нормативные препятствия, проблемы внедрения и интеграции со стороны врачей могут замедлить клинические приложения , использование ИИ для упрощения процессов бэк-офиса может быстро принести существенные выгоды. По данным Национального бюро экономических исследований , больницы, использующие ИИ, могут сэкономить от 60 до 120 миллиардов долларов в течение следующих пяти лет. Примерно 40% этой экономии будет получено за счет сокращения административных расходов за счет упрощения существующих процессов или создания новых.
Не каждая отрасль восхваляла ценность ИИ столь решительно. Опасения по поводу его стоимости и риска продолжают заставлять лидеров инноваций задуматься, особенно в таких чувствительных отраслях, как юриспруденция. К счастью, существует несколько стратегий, которые помогут компаниям избежать разочарования в своих инвестициях в ИИ.
Только 14% практикующих юристов сообщают об использовании ИИ, а 40% вообще не планируют его использовать ( Reuters ). Семьдесят пять процентов респондентов-юристов говорят, что в их организациях отсутствует какая-либо политика, регулирующая использование ИИ. Это выявляет ключевой пробел в успешном организационном принятии ИИ, поскольку 50% ИТ-руководителей считают, что ответственная политика ИИ повысит их доверие к технологии. Это также может снизить риск неправомерного использования персонала, который беспокоит 35% ИТ-руководителей, согласно нашему отчету Барометра доверия ИИ .
Компаниям не нужно ждать, пока регуляторы заставят их приложить усилия для обеспечения надежного и этичного использования ИИ. Такие организации, как ForHumanity, поддерживают автономное саморегулирование, содействуя программам сертификации для независимого аудита ИИ, сотрудничая с инициативами по стандартам, такими как ISO и NIST, чтобы ускорить ответственное будущее для ИИ.
Более того, в распоряжении предприятий имеются специализированные инструменты ИИ для дальнейшего снижения рисков.
Большие языковые модели известны своей универсальностью, но могут быть оспорены в определенных случаях использования из-за их универсального подхода и восприимчивости к галлюцинациям. Для борьбы с этим возникла полезная система расширенной генерации поиска (RAG), которая радикально повышает точность и релевантность выходных данных LLM, предписывая более конкретную основу знаний. Это позволяет модели информировать свои ответы с помощью определенных релевантных данных, а не прочесывать чрезмерно обширные хранилища данных. Новые разработки, такие как агентный RAG, еще больше повысили жизнеспособность LLM, позволяя проводить перекрестное сравнение и проверку источников с помощью автономных интеллектуальных агентов.
Наконец, компании могут выбрать языковые модели, которые предлагают надежную полезность в более специализированных областях, таких как интеллектуальная обработка документов (IDP). Это может включать в себя предварительно созданные активы ИИ, которые отлично справляются с автономной обработкой определенных типов документов, позволяя компаниям решать ключевые задачи, такие как увеличение объемов счетов-фактур или своевременная обработка форм таможенного оформления.
Специализированные модели опираются на более релевантные данные обучения и несут в себе меньший риск галлюцинаций, не только снижая этические риски, но и способствуя достижению бизнес-целей за счет создания реальной ценности в определенных контекстах.
Ограничивая сферу инициатив в области ИИ с помощью специализированных моделей, организации могут ставить достижимые и измеримые цели и использовать инструменты, которые приносят больше пользы, чем риска.