A Goldman Sachs friss elemzése szerint fordulóponthoz ért az AI körüli történet. Néhány éve még az volt a nagy kérdés, ki tudja kiszolgálni a technológia iránti elképesztő keresletet: ki gyártja a chipeket, a szervereket, az adatközpontokat. Mára azonban máshová került a hangsúly: arra, hogy a cégek képesek lesznek-e valódi, mérhető hasznot kihozni az AI-beruházásaikból.
Az elemzés a tőzsdei kilátásokra összpontosít, vezetőként mégis legalább annyira tanulságos. Mert a mögötte húzódó felismerés mindenkire igaz, aki AI-t használ: a hozzáférés önmagában már nem ad előnyt. Ugyanazt az erős modellt Ön is eléri, meg a versenytársa is, pár kattintással. Ha pedig mindenki ugyanabból az eszköztárból dolgozik, a kérdés átalakul: nem az számít, kinek van AI-ja, hanem hogy ki tud vele valódi eredményt felmutatni.
A generatív AI nagyjából három év alatt jutott el a körülbelül 53 százalékos elterjedtségig, vagyis gyorsabban épült be a mindennapokba, mint annak idején a személyi számítógép vagy az internet. Ennyire elterjedt eszköznél pedig magától értetődik a hozzáférés: bárki megvásárolhat egy komoly modellt, ami a konkurenciának ugyanúgy a rendelkezésére áll.
A különbség abból fakad, hogy ki mihez kezd vele a saját működésében.
Ezt elég kíméletlenül megvilágítja egy adat. Az MIT NANDA tavalyi kutatása szerint a vállalati generatív AI-projektek túlnyomó része semmilyen kimutatható pénzügyi eredményt nem hozott. És itt a lényeg: a kutatók szerint nem a modellek tudásával volt a baj, hanem azzal, hogy a cégek nem találták meg a módját, hogyan illesszék a technológiát a saját szervezetük működésébe. A kezdeményezések megrekedtek a kísérleti szakaszban, nem kapcsolódtak a meglévő rendszerekhez, vagy olyan ponton próbáltak hasznot termelni, ahol eleve kevés esély volt rá.
Ismerős minta. Nem az eszköz mondott csődöt, a probléma inkább abból fakadt, hogy sosem került a helyére — oda, ahol a munkának valójában zajlania kell.
A Goldman lényegében ugyanide jut: a vállalati AI sikere azon áll vagy bukik, hogy a cég képes-e rendet tenni a saját adatai és munkafolyamatai között. Magyarul nem elég előfizetni egy erős modellre. Rendbe kell tenni az adatokat, össze kell kapcsolni a belső rendszereket, és el kell dönteni, hogy az egyes feladatokat melyik AI-ra bízzuk.
Ez utóbbi többet nyom a latban, mint amennyire elsőre tűnik, mert nem minden munkához kell a legdrágább, legnagyobb modell. Egy egyszerűbb, kis kockázatú, sokszor ismétlődő ügyfélszolgálati vagy adminisztratív feladatot egy olcsóbb, kisebb modell is elvégez — ráadásul fürgébben és kedvezőbb költséggel. Egy összetett pénzügyi számításnál vagy egy nagy tétű döntés előkészítésénél viszont bőven megérheti a fejlettebb, drágább eszköz. És pontosan ez a szétválogatás az, ami a megtérülés szempontjából a legtöbbet számít.
A felismerés tehát az, hogy az adatok rendbetétele, a rendszerek összekapcsolása és a feladatok szétválogatása nem három különálló teendő, hanem ugyanannak a kérdésnek a részei: hogyan épüljön be az AI a működésbe. Ehhez pedig kell egy réteg, ami összefogja mindezt — ami az egyes feladatokat a hozzájuk illő modellhez tereli, féken tartja a kiadásokat, és gondoskodik róla, hogy az AI ne magában álló segédeszköz maradjon, hanem a működés szerves része legyen. Ezt a réteget hívjuk workflow-nak, és tulajdonképpen itt dől el minden.
Lássuk, mit jelent ez a gyakorlatban. A legtöbb cégnél az AI ma valahogy így fest: van néhány lelkes munkatárs, aki bemásol egy szöveget egy chatablakba, majd kézzel emeli át az eredményt a saját feladatába. Hasznos, de elszigetelt megoldás. Nem mérhető, nehezen bővíthető, és ha az illető szabadságra megy, jó eséllyel hozzáférhetetlenné válik mindaz, amivel és ahogyan dolgozott.
A workflow ezzel szemben azt jelenti, hogy az AI beépül oda, ahol a munka tényleg zajlik. A szükséges adatot automatikusan megkapja, az eredményt pedig ott adja le, ahol a folytatáshoz kell — a folyamat megismételhető és visszakövethető, nem egyetlen ember fejében él. Lényegében ez választja el a „kipróbáltuk az AI-t" állapotot a „megtérül az AI" állapottól: az egyik egy bemutató, a másik egy működő rendszer.
Ráadásul épp itt nő meg a kisebb, célzott modellek súlya, hiszen gyorsabbak, olcsóbbak, és könnyebben igazíthatók egy-egy konkrét feladathoz. Csakhogy ez az előny csak akkor jön elő, ha valaki egyáltalán részfeladatokra szedi a működést, és tudatosan eldönti, mit mire használ. Ha nincs workflow, ez a döntés meg sem fogalmazódik.
Ezért nem az a kérdés, hozzáfér-e a legjobb modellhez, mert az már ma mindenkinek meglehet. Sokkal inkább az, hogy rendben vannak-e az adatai annyira, hogy az AI érdemben dolgozni tudjon velük. Hogy össze vannak-e kötve a rendszerei, vagy minden külön szigetet képez. Hogy tudja-e valaki a cégnél, melyik feladatot melyik eszköz oldja meg, és egyáltalán dönt-e erről bárki tudatosan. És hogy az AI a működés részévé vált-e már, vagy egyelőre csak néhány kolléga magánügye maradt.
Ahol ezekre nincs jó válasz, ott a legdrágább modell sem fog megtérülni. Ahol viszont van, ott meglepően szerény eszközökkel is komoly eredmény hozható. A Goldman szerint a következő nagy próbatétel sem a chipgyártóké lesz, hanem azoké a cégeké, amelyek elég mélyen be tudják építeni a technológiát a működésükbe ahhoz, hogy az kézzelfogható eredményt szállítson. Mert az AI nem a modellnél dől el, hanem a folyamatnál.
Forrás: James Covello (Goldman Sachs Research): Will the Corporate Investment in AI Pay Off?
A Fluenta One-t pontosan ezzel a céllal hoztuk létre: nem egy újabb AI-t adunk a kezébe, hanem segítünk leképezni és automatizálni a folyamatait úgy, hogy az AI tényleg értéket teremtsen. Ha kíváncsi rá, hogyan illeszthető be a Fluenta One a folyamataiba, beszélgessünk róla.
.png)
.png)
