Когда ИИ не достигает цели: почему покупатели технологий сталкиваются с провалами проектов

По словам специалиста по стратегии в области искусственного интеллекта, многие британские компании испытывают трудности с реализацией своих проектов в области искусственного интеллекта, поскольку эта технология просто неприменима.

Новое исследование платформы управления данными Qlik показало, что у 11% британских компаний не менее 50 проектов ИИ застряли на стадии планирования. Между тем, у 20% было до 50 проектов, находящихся на стадии планирования или выше, но затем их пришлось приостановить или даже отменить.

«ИИ может оказать влияние практически на каждую отрасль и отдел, но он не универсален», — рассказал TechRepublic Джеймс Фишер, директор по стратегии компании Qlik.

«Некоторые проекты терпят неудачу из-за проблем с инфраструктурой и данными, но в других случаях ИИ просто не является подходящим инструментом для работы. Для компаний важно понимать проблему, которую они пытаются решить, и применять ИИ там, где он может принести наибольшую пользу».

СМ.: Как снизить процент неудач вашего проекта цифровой трансформации

Это подтверждает исследование Gartner, опубликованное в сентябре, в котором установлено, что к концу 2025 года не менее 30% проектов генеративного ИИ будут заброшены после этапа проверки концепции. Это не новая идея: TechRepublic сообщал о похожем открытии еще в 2019 году.

Управление данными представляет собой ключевую проблему

Согласно новому исследованию Qlik, 28% из 250 опрошенных руководителей высшего звена и лиц, принимающих решения в области ИИ в Великобритании, назвали основную причину неудач проектов в области ИИ — проблемы, связанные с управлением данными.

«Проекты ИИ могут не сработать в случаях, когда не хватает высококачественных, структурированных данных или когда цели слишком неоднозначны», — сказал Фишер. «Например, автоматизация взаимодействия со службой поддержки клиентов без достаточного человеческого контроля, правильных данных, необходимых для ее поддержки, или надлежащего тестирования.

«Без надежной стратегии работы с данными модели ИИ всегда будут испытывать трудности с предоставлением осмысленной информации».

Неправильная реализация стратегии может быть «катастрофической», сказал Фишер. Например, известно, что код, сгенерированный ИИ, приводит к сбоям, и руководители служб безопасности рассматривают возможность запрета использования этой технологии при разработке программного обеспечения.

Исследование Qlik также показало, что 41% руководителей высшего звена в Великобритании не доверяют ИИ, что может быть связано с другими громкими провалами последнего времени, такими как предоставление чат-ботом Air Canada неверной информации о тарифной политике, что привело к юридическим и финансовым последствиям. Новое законодательство, например Закон ЕС об ИИ, только увеличит стоимость таких ошибок.

СМ.: Генеративный ИИ: источник «дорогостоящих ошибок» для покупателей корпоративных технологий

Однако Фишер считает, что ИИ может оказаться полезным в некоторых областях бизнеса: оптимизация цепочек поставок, выявление мошенничества и персонализированный маркетинг.

«Это те случаи использования, когда модели ИИ получают большие объемы высококачественных данных, нацелены на четкие бизнес-результаты и могут выдавать более четкие и действенные идеи», — отметил Фишер.

Эксперты утверждают, что сократите потенциальные финансовые потери, обратившись к готовым к использованию решениям на базе искусственного интеллекта

По оценкам Gartner, создание или тонкая настройка пользовательской модели ИИ может обойтись в сумму от 5 до 20 миллионов долларов, плюс от 8 до 21 тысячи долларов на пользователя в год. GenAI «требует более высокой толерантности к косвенным, будущим финансовым инвестиционным критериям по сравнению с немедленной окупаемостью инвестиций», что «не устраивает многих финансовых директоров», пишут аналитики.

Фишер подчеркнул, что руководителям предприятий важно убедиться в том, что ИИ принесет реальную отдачу, прежде чем делать инвестиции, и предложил сначала попытаться найти применимое решение «plug-and-play».

Он пояснил: «В условиях, когда ИТ-директора уже пересматривают экономическую эффективность решений на основе генеративного ИИ, акцент на меньших, ориентированных на цель моделях и целевых приложениях может в ближайшей перспективе оказаться более устойчивой альтернативой.

«Простота решений plug-and-play дает компаниям основу для их проектов ИИ, которые могут помочь решить проблемы, связанные с доверием и управлением, за счет снижения рисков и сложности, одновременно гарантируя, что компании получат выгоды, которые может предложить ИИ».

СМ.: Проекты генеративного ИИ рискуют провалиться без понимания со стороны руководителей бизнеса

Он также посоветовал начинать с небольших проектов ИИ, чтобы продемонстрировать работоспособность концепции перед масштабированием, а также регулярно оценивать окупаемость инвестиций.

«Абсолютно первым шагом является создание прочной базы данных и обеспечение надлежащего управления данными, их качества и доступности», — сказал Фишер. «Убедитесь, что у вас есть четкая бизнес-проблема или задача, которую решает ИИ, и установите измеримые результаты для отслеживания успеха. Чтобы создать доверие к технологии, постарайтесь поощрять обмен знаниями и повышение квалификации в рамках бизнеса.

«Наконец, подходите к внедрению ИИ постепенно; начните с проверки концепции, чтобы подтвердить свой проект, прежде чем делать более крупные ставки».