Baru-baru ini, Bank of England mengeluarkan peringatan paling keras mengenai hal ini Kecerdasan Buatan penilaian: ledakan belanja multi-triliun dolar yang dibiayai oleh utang berisiko terurai.
Beberapa hari sebelumnya, Michael Burry (investor yang meramalkan kehancuran perumahan pada tahun 2008, yang dipopulerkan dalam The Big Short tahun 2015) membandingkan AI booming ke gelembung dotcom. Sementara itu, peneliti MIT menemukan bahwa 95% proyek percontohan AI di perusahaan tidak menghasilkan keuntungan apa pun.
Artikel berlanjut di bawah
Chief Technology Officer di Avantra.
Namun pembingkaian ini tidak tepat sasaran. Pertanyaan yang dihadapi para pemimpin teknologi perusahaan tidak ada hubungannya dengan penilaian pasar atau gelembung yang muncul. Yang penting adalah apakah AI spesifik aplikasi menciptakan nilai yang terukur dan berkelanjutan untuk operasi Anda.
Menjawab pertanyaan tersebut memerlukan pola pikir pragmatis, mengutamakan hasil, dan mengutamakan hasil dibandingkan kecanggihan teknologi.
Tren teknologi perusahaan muncul, matang, dan terkadang meledak. Namun pola ini berulang: teknologi transformatif hadir, vendor bergegas menawarkan solusi ke pasar, ekspektasi meningkat melebihi nalar, dan dunia usaha kesulitan memisahkan sinyal dari gangguan.
AI mengikuti alur yang lazim ini, namun kemampuan dasarnya tetap nyata dan substansial. Tantangannya terletak pada implementasi dan fokusnya.
Berhenti membeli AI berdasarkan spesifikasi
Penerapan AI perusahaan paling sering gagal karena tim mengoptimalkan target yang salah. Membangun kemampuan AI yang secara teknis mengesankan namun tidak berarti secara operasional akan membuang-buang sumber daya dan mengikis kepercayaan terhadap teknologi itu sendiri.
Pengujian untuk aplikasi AI apa pun harus sederhana: apakah ini menyelesaikan a pelanggan masalah lebih baik dari apa pun yang tersedia?
Ini adalah prinsip konkrit dalam operasional SAP. Operator yang mengelola lanskap kompleks menghadapi tiga tantangan penting: mendeteksi masalah dengan lebih cepat, mengidentifikasi akar permasalahan, dan memulihkan sistem lebih awal. Interaksi berbasis AI yang mengatasi permasalahan spesifik ini menciptakan nilai nyata.
Segala sesuatu yang lain merupakan teater teknologi.
Pertimbangkan apa yang terjadi ketika sistem SAP kritis mengalami anomali. Pemantauan tradisional menghasilkan peringatan berdasarkan pelanggaran ambang batas, sehingga operator harus menyaring data, menghubungkan peristiwa, dan menentukan dampaknya.
Penerapan AI yang memperpendek siklus ini dengan menampilkan konteks yang relevan, mengidentifikasi kemungkinan penyebabnya, dan menyarankan langkah-langkah perbaikan akan memberikan nilai terukur untuk hal tersebut. bisnis. Operator menyelesaikan masalah dengan lebih cepat, pengguna mengalami lebih sedikit gangguan, dan bisnis tetap menjaga kelangsungannya.
Prinsip yang sama berlaku di seluruh operasi perusahaan. Aplikasi AI harus membantu orang melakukan pekerjaan mereka dengan lebih baik, daripada menampilkan kecanggihan algoritmik. Saat Anda mulai membenarkan investasi AI berdasarkan keanggunan model dan bukannya peningkatan hasil bisnis Anda, Anda sudah kehilangan arah.
Membuktikan kembalinya AI di dunia nyata
Implementasi AI yang berorientasi pada hasil memerlukan metrik yang jelas terkait dengan pengalaman pengguna akhir. Untuk produk teknis, hal ini berarti keandalan dan kinerja API. Untuk aplikasi bisnis, itulah kesinambungan alur kerja.
Metrik ini menjadi landasan pengambilan keputusan dan mencegah tim mengejar perfeksionisme teknis tanpa nilai bisnis yang nyata.
Tidak semua investasi AI berhasil. Beberapa aplikasi yang tampak menjanjikan dalam pengembangan gagal memberikan perbaikan yang diharapkan dalam produksi. Yang lain menciptakan nilai dengan cara yang tidak terduga.
Perbedaan antara perusahaan berkinerja tinggi dan perusahaan yang kesulitan menerapkan AI terletak pada disiplin pengukuran. Tim yang melacak hasil tertentu, belajar dari kegagalan tersebut, dan menyesuaikan diri dengan cepat, memisahkan diri dari tim yang mengejar teknik terbaru tanpa tujuan yang jelas.
Disiplin pengukuran ini juga membantu mengidentifikasi di mana aplikasi AI menciptakan nilai gabungan. Peningkatan kualitas dan peningkatan efisiensi operasional tidak berhenti; mereka terakumulasi seiring waktu.
Kemampuan AI yang mengurangi waktu diagnostik sebesar 20% tampaknya sederhana saja. Namun selama berbulan-bulan dan bertahun-tahun, peningkatan tersebut semakin bertambah, sehingga memberikan kapasitas untuk melakukan pekerjaan yang bernilai lebih tinggi dan mencegah utang operasional.
Menyortir AAA AI dari obligasi sampah
Lanskap AI perusahaan menderita karena banyaknya solusi yang mencari masalah. Setiap vendor mengklaim kemampuan AI, sebagian besar tanpa menunjukkan nilai yang jelas. Para pemimpin teknologi memerlukan kerangka kerja untuk meminimalkan keriuhan dan mengidentifikasi peluang nyata.
Mulailah dengan memeriksa titik-titik kesulitan operasional Anda yang paling persisten. Di manakah proses manual menghabiskan banyak waktu dan tenaga? Di manakah permasalahan yang berulang kali menolak solusi konvensional? Di manakah kurangnya visibilitas menimbulkan risiko? Area masalah ini mewakili peluang AI yang potensial, namun hanya jika Anda dapat menentukan KPI yang jelas untuk meraih kesuksesan.
Selanjutnya, minta bukti nilai sebelum menggunakan sumber daya. Pilot proyek harus menunjukkan perbaikan yang terukur dalam beberapa minggu. Jika aplikasi AI tidak dapat menunjukkan hasil nyata dengan cepat, mungkin aplikasi tersebut tidak akan memberikan nilai dalam skala besar. Teknologi ini telah matang hingga fase pembuktian konsep yang panjang menjadi tidak masuk akal.
Terakhir, tahan keinginan untuk menerapkan AI demi kepentingan AI sendiri. Pertanyaannya adalah apakah AI memecahkan masalah dengan lebih baik daripada alternatif yang lebih sederhana. Terkadang memang demikian. Seringkali tidak. Namun organisasi yang menerapkan disiplin ini menghindari terjebak dalam memperlakukan AI sebagai pemecah masalah.
Membangun portofolio yang bertahan dari koreksi AI
Apakah pasar mengalami koreksi atau terus meningkat, tidak terlalu berpengaruh dibandingkan pendekatan bisnis Anda terhadap penerapan AI. Bank of England dan Michael Burry mungkin sudah memiliki pengetahuan mengenai valuasi, namun hal tersebut tidak akan menentukan apakah Anda berinvestasi pada kemampuan AI.
Temuan MIT mengungkapkan cerita yang berbeda: sebagian besar organisasi menerapkan AI dengan buruk, bukan karena teknologi tersebut kurang bernilai.
Fokus pada hasil yang spesifik dan terukur. Bangun metrik yang menangkap pengalaman pengguna akhir. Saring aplikasi-aplikasi yang secara teknis mengesankan dan tidak menghasilkan nilai operasional apa pun.
Minta bukti hasil dengan cepat. Nilai AI yang berkelanjutan berasal dari penyelesaian permasalahan operasional yang nyata, bukan dari penerapan AI karena pesaing melakukannya atau analis merekomendasikannya.
Itu bisnis yang menghasilkan nilai jangka panjang dari AI adalah mereka yang mempertahankan pendekatan yang tidak sentimental dan berorientasi pada hasil. Yang lain mengejar kecanggihan teknologi demi kepentingannya sendiri. Ketika gelembung tersebut pada akhirnya mengempis, penerapan praktis tersebut akan tetap bertahan.
Kami telah menampilkan chatbot AI terbaik untuk bisnis.
Artikel ini dibuat sebagai bagian dari saluran Expert Insights TechRadarPro tempat kami menampilkan para pemikir terbaik dan tercemerlang di industri teknologi saat ini. Pandangan yang diungkapkan di sini adalah milik penulis dan belum tentu milik TechRadarPro atau Future plc. Jika Anda tertarik untuk berkontribusi, cari tahu lebih lanjut di sini: https://www.techradar.com/news/submit-your-story-to-techradar-pro
