2/3 firm odnotowuje wzrost dzięki Gen AI

W badaniu przeprowadzonym przez Deloitte wyraźnie widać, że biznes dostrzega korzyści płynące z zastosowania generatywnej Sztucznej Inteligencji (Gen AI). Aż 67 proc. badanych firm, które podjęły pierwsze próby wdrożenia tej technologii, odnotowało namacalne korzyści. Te sukcesy, które poprawiły jakość produktów i usług oraz zwiększyły efektywność operacyjną, były zachętą do dalszych inwestycji. Mikołaj Garbarek z PSI Polska uważa, że w tym podejściu nie ma nic dziwnego. – Generatywna AI szybko ewoluuje z nowinki technologicznej do kluczowego aktywa, które wspiera strategiczny rozwój firm. Wyniki pokazują, że wdrożenie tej technologii nie tylko poprawia operacje, ale także otwiera nowe ścieżki wzrostu. To wyraźny sygnał, że AI staje się ważnym elementem w budowaniu długoterminowej wartości i przewagi na rynku – pokreśla ekspert z poznańskiej spółki IT, która dostarcza systemy bazujące na AI, z których korzysta m.in. LPP.   

Jesteś tym, co jesz

„Jesteś tym, co jesz” – to powiedzenie doskonale oddaje rzeczywistość w świecie technologii. Nawet najnowocześniejsze rozwiązania technologiczne nie mogą osiągnąć pełni swojego potencjału bez odpowiedniego „odżywienia”. Tak jak zdrowa dieta wpływa na nasze samopoczucie, tak dane wpływają na efektywność sztucznej inteligencji. Firmy coraz lepiej to rozumieją. W efekcie 75 proc. przedsiębiorstw intensyfikuje działania związane z zarządzaniem cyklem życia danych, a prawie połowa w poprawę ich jakości, aby zbudować solidne podstawy pod strategię wykorzystania generatywnej sztucznej inteligencji. – Świadomość, że technologia to jedno, a jakość danych to drugie, staje się coraz bardziej powszechna. Poprawa dokładności i bezpieczeństwa danych nie tylko ułatwia pracę, ale także znacząco zwiększa efektywność sztucznej inteligencji – wyjaśnia Mikołaj Garbarek, Dyrektor Działu Systemy dla Logistyki, PSI Polska.

Zarządzanie danymi to jednak nie tylko wyzwanie techniczne, ale również strategiczne. Aż 55 proc. firm unika wdrażania pewnych rozwiązań Gen AI z powodu problemów z danymi, co pokazuje, jak kluczowe jest właściwe zarządzanie informacjami. Firmy muszą zmierzyć się z wyzwaniami związanymi z jakością danych, dostępnością odpowiednich zbiorów oraz zagadnieniami prywatności i bezpieczeństwa. Zrozumienie i skuteczne zarządzanie tymi wyzwaniami jest niezbędne do pomyślnego wdrożenia Gen AI.

Skalowanie to wyzwanie

Mimo intensywnych wysiłków wiele firm nadal napotyka trudności w przekształcaniu eksperymentów z Gen AI w działające rozwiązania. Aż 68 proc. firm przyznaje, że udało im się przenieść do produkcji jedynie 30 proc.  lub mniej projektów z Gen AI, co wskazuje na wyzwania związane z przejściem od fazy testowej do realnego zastosowania tej technologii w codziennych operacjach. Kluczowym problemem jest skalowanie tych projektów, które wymaga nie tylko dobrze zdefiniowanej strategii, ale także solidnych fundamentów technologicznych i danych. Co podkreśla ekspert z PSI Polska – Wiele firm napotyka trudności w przenoszeniu projektów AI z fazy testów do realnego zastosowania, co pokazuje, jak skomplikowane może być włączenie tej technologii do codziennych operacji. Aby przełamać te bariery, należy postawić na stopniowe wdrażanie, przy jednoczesnym podnoszeniu kompetencji pracowników oraz ściśle współpracować z ekspertami. Taka strategia znacznie zwiększa szanse na efektywne wykorzystanie AI w praktyce, przekształcając innowacje w rzeczywiste korzyści biznesowe – tłumaczy Mikołaj Garbarek z PSI Polska.

Co więcej, trudności te często wynikają z obaw firm związanych z przygotowaniem do zarządzania ryzykiem i wyzwaniami regulacyjnymi, które towarzyszą wdrażaniu Gen AI. Tylko 23 proc. firm czuje się dobrze przygotowanych w tym zakresie, co sugeruje, że obawy te mogą dodatkowo utrudniać wdrażanie projektów na szerszą skalę. W odpowiedzi na te wyzwania, 51 proc.  firm wprowadza nowe ramy zarządzania ryzykiem, a 49 proc.  monitoruje wymagania regulacyjne. Przykładem takiej regulacji jest unijne rozporządzenie AI Act, obejmujące m.in wymogi dotyczące transparentności algorytmów. 

source: PSI