Tootlikkuse langus töös: tehisintellekti projektid ei anna 95%-le ettevõtetele mõõdetavat tulu ja kuidas nad seda (peavad) vältima

Oluline teada! Tehisintellekti paradoks: miks miljardite dollarite investeeringud ettevõtetesse lähevad raisku

Vaatamata enneolematutele 30–40 miljardi dollari suurustele investeeringutele genereerivasse tehisintellekti, ei näe 95 protsenti ettevõtetest investeeringutelt mõõdetavat tulu. See kainestav hinnang, mille paljastas põhjalik MIT 2025. aasta uuring, toob esile dramaatilise lõhe ootuste ja reaalsuse vahel. Kuigi tehnoloogia jõuab iga päev pealkirjadesse ja seda peetakse tulevase elujõulisuse võtmeks, ei suuda valdav enamus ettevõtteid oma tehisintellekti algatustest reaalset väärtust luua.

GenAI lõhe: nähtamatu lõhe majanduses

Massachusettsi Tehnoloogiainstituut võttis selle nähtuse kohta kasutusele termini „GenAI lõhe“ – sügav lõhe väheste ettevõtete vahel, kes tehisintellektist kasu saavad, ja valdava enamuse vahel, kes on jäänud lõpututesse katsefaasidesse kinni. See lõhe ei avaldu mitte tehnilise probleemina, vaid organisatsioonilise ebaõnnestumisena, millel on kaugeleulatuvad tagajärjed.

Numbrid räägivad enda eest: ainult viis protsenti integreeritud tehisintellekti pilootprojektidest loovad praegu mõõdetavat väärtust, samas kui ülejäänud 95 protsenti ei näita mingit mõju kasumiaruandele. See lahknevus on veelgi tähelepanuväärsem, arvestades, et tarbijatööriistad nagu ChatGPT ja Microsoft Copilot on nautinud kõrget kasutuselevõtu määra. Umbes 80 protsenti organisatsioonidest testib neid platvorme ja peaaegu 40 protsenti on need juba rakendanud.

Uurimistulemused põhinevad enam kui 300 avaliku tehisintellekti rakenduse süstemaatilisel analüüsil ja struktureeritud intervjuudel 153 eri tööstusharude juhiga. 2025. aasta jaanuarist juunini läbi viidud uuring paljastab GenAI lõhe neli iseloomulikku mustrit: piiratud katkestused ainult kahes kaheksast võtmesektorist, ettevõtte paradoks, kus piloottegevus on kõrge, kuid skaleerimine madal, investeeringute kallutatus nähtavate funktsioonide eelistamisel ja väliste partnerluste rakendamise eelis ettevõttesisese arenduse ees.

Workslop: tehisintellekti tootlikkuse varjatud mürk

Üks uuringus tuvastatud eriti kahjulik nähtus kannab nime „töökoormus“ – „töö“ ja „lohi“ segu –, mis kirjeldab tehisintellekti loodud sisu, mis pealtnäha tundub professionaalne, kuid lähemal vaatlusel on puudulik ja kasutuskõlbmatu. See pealtnäha lihvitud, kuid ebaoluline töö nihutab koorma loojalt saajale, suurendades seeläbi üldist töökoormust selle vähendamise asemel.

Workslopi mõju on märkimisväärne: 40 protsenti enam kui 1150-st küsitletud USA täiskohaga töötajast teatasid sellise sisu saamisest viimase kuu jooksul. Töötajad hindavad, et keskmiselt 15,4 protsenti nende poolt saadud töödokumentidest kuulub sellesse kategooriasse. Eriti mõjutatud on professionaalsed teenused ja tehnoloogiasektor, kus nähtus esineb keskmisest sagedamini.

Rahalised kulud on märkimisväärsed: iga Workslopi intsident maksab ettevõtetele keskmiselt 186 dollarit kuus töötaja kohta. 10 000 töötajaga organisatsiooni puhul tähendab see aastas üle 9 miljoni dollari tootlikkuse langust. Kuid sotsiaalsed ja emotsionaalsed kulud võivad olla veelgi suuremad. 53 protsenti vastuvõtjatest teatab, et tunnevad end pahasena, 38 protsenti tunnevad end segaduses ja 22 protsenti peab sisu solvavaks.

Kolleegidevaheline usaldus kannatab märkimisväärselt: umbes pooled saajatest peavad Workslopi saatvaid kolleege vähem loominguliseks, võimekaks ja usaldusväärseks. 42 protsenti peab neid vähem usaldusväärseks ja 37 protsenti vähem intelligentseks. Kolmandik mõjutatutest eelistaks tulevikus selliste kolleegidega vähem koostööd teha. See töösuhete lagunemine ohustab koostöö kriitilisi elemente, mis on tehisintellekti edukaks kasutuselevõtuks ja muutuste juhtimiseks hädavajalikud.

Struktuurne õppimislünk: miks ettevõtted ebaõnnestuvad

Keskne probleem ei seisne mitte tehnoloogias endas, vaid põhimõttelises õppimislüngas, mis mõjutab nii tehisintellekti süsteeme kui ka organisatsioone. Praegused generatiivsed tehisintellekti süsteemid ei suuda tagasisidet püsivalt salvestada, organisatsiooni kontekstidega kohaneda ega oma toimivust pidevalt parandada. Need piirangud viivad selleni, et isegi spetsialistid, kes kasutavad ChatGPT-d iga päev oma isiklikus elus, lükkavad tagasi oma ettevõtte sisemised tehisintellekti rakendused.

Eriti silmatorkava näite tõi advokaat, kes teatas, et tema firma 50 000 dollari suurune lepinguanalüüsi tööriist toimis pidevalt halvemini kui tema 20 dollari suurune ChatGPT tellimus. See lahknevus toob esile paradoksi, et tarbijatele mõeldud tööriistad annavad sageli paremaid tulemusi kui kallid ettevõtte lahendused, kuigi mõlemad põhinevad sarnastel mudelitel.

Ettevõtte tehisintellekti alahinnatud nõrkus – ja kuidas tarbijatööriistad sellest üle on

Odavate tarbijatele mõeldud tehisintellekti tööriistade, näiteks ChatGPT, silmatorkav paremus kallite ettevõttelahenduste ees on seletatav mitme konkreetse põhjusega. Peamine probleem on see, et kuigi ettevõtte tehisintellekti süsteemid on väga spetsialiseerunud ja kallid, arendatakse neid sageli ilma kasutajate olulisi vajadusi või mudelite dünaamilist arengut arvestamata. Tarbijale mõeldud tööriistad on sageli paindlikumad, intuitiivsemad ja miljonite kasutajate interaktsioonide kaudu paremini optimeeritud. Ettevõtte süsteeme seevastu piiravad keerulised integratsioonid, andmesilod ja jäigad töövood ning need ei suuda sageli tagasisidet püsivalt salvestada.

Põhiprobleemiks on kohanemisvõime puudumine: ettevõtte lahendused rakendatakse üks kord ja seejärel arendatakse neid aeglaselt edasi, samas kui tarbijatele mõeldud tehisintellekti tööriistu koolitatakse pidevalt kasutajate tagasiside ja ajakohaste teadmiste põhjal. ChatGPT abil saavad kasutajad dialoogis otse küsimusi esitada, oma sisendeid varieerida ja kohe optimeeritud tulemuse saada. Paljud ettevõtte lahendused on seevastu suuresti vormipõhised ja kasutavad eelnevalt määratletud, sageli aegunud tekstimooduleid – muutes need väga paindumatuks ja mitte eriti reageerimisvõimeliseks.

Lisaks sellele on vaja palju integreerida ja hallata: kallid lahendused tuleb kohandada ettevõtte protsesside, andmekaitsejuhiste ja liidestega ning liiga paljude süstemaatiliste piirangute tõttu ei suuda need enam tarbijapakkumiste innovatsioonikiirusega sammu pidada. Eriti spetsiifiliste ülesannete, näiteks lepingute analüüsi puhul, on üldised mudelid sageli isegi tõhusamad, kuna need hõlmavad laiemat teadmist ja kasutajad saavad neid paremate juhiste abil otse kontrollida. Kohandatud ettevõtte tehisintellektil puudub sageli sisukas andmebaas ja see ei saa iseseisvalt oma konteksti laiendada ega õppida.

Kõik need aspektid viivad paradoksaalse olukorrani: kuigi näiliselt rätsepatööna valminud ettevõtte tehisintellektile kulutatakse suuri summasid, on selle tulemused sageli vähem asjakohased, praktilised või täpsed kui odavamate ja paindlike tarbijalahenduste tulemused, mida saab otse ja kõrvalekalleteta kohandada kasutajate konkreetsetele vajadustele.

Tavapäraste tehisintellekti tööriistade nähtamatud piirid

Tarbijatele mõeldud tehisintellekti tööriistad on üldiselt optimeeritud laiade teemade ja üldiste ülesannete jaoks. Nende aluseks olevad treeningandmed pärinevad tavaliselt avalikult kättesaadavatest allikatest, nagu internet, avalikud tekstid ja igapäevased näited. See muudab need eriti tõhusaks tavaliste küsimuste, üldiste tekstide või standardprotsesside puhul – näiteks turundustekstide loomisel, e-kirjadele vastamisel või lihtsate rutiinsete ülesannete automatiseerimisel.

Mida spetsiifilisemad on nõuded, seda üldisemalt jõuab tarbijale suunatud tehisintellekt oma piirini. Niipea kui tegemist on valdkonnapõhiste või ärikriitiliste ülesannetega, puudub neil tööriistadel tavaliselt vajalik üksikasjalik teave, teemapõhised andmed või spetsiifiline koolitus. Selliseid ülesandeid nagu keerulise juriidilise terminoloogiaga lepinguanalüüsid, tehnilised aruanded või B2B-sektori väga individualiseeritud protsessid ei saa sageli sisuliselt automatiseerida, kuna tehisintellekt ei tunne asjakohaseid kontekste või ei suuda neid usaldusväärselt tõlgendada.

See on kõige ilmsemalt ilmne kõrgelt spetsialiseerunud tööstusharudes ja individuaalsete, ettevõttepõhiste nõuete korral. Mida vähem on vabalt kättesaadavat teavet – näiteks ettevõtte põhitoote või konfidentsiaalsete siseprotsesside kohta –, seda suurem on tarbija tehisintellekti veamäär. Seetõttu on sellistel süsteemidel oht anda valesid või mittetäielikke soovitusi ning halvimal juhul võivad need isegi takistada ärikriitilisi protsesse või viia valede hinnanguteni.

Praktikas tähendab see, et tarbijatele mõeldud tehisintellekti tööriistad on tavaliselt tavapäraste ülesannete jaoks piisavad; nende tööriistade rikke määr aga suureneb spetsialiseerumise kasvades märkimisväärselt. Ettevõtted, mis tuginevad valdkonnapõhistele teadmistele, täpsele protsesside valideerimisele või ulatuslikule kohandamisele, saavad seetõttu pikas perspektiivis kasu omaenda ettevõtte lahendustest, mis sisaldavad spetsiaalseid andmebaase ja kohandatud koolitust.

Tehisintellekti skaleerimise tegelik takistus ei seisne mitte intelligentsuses: see on tingitud kõrgetest paindlikkuse ootustest, mis seda tagasi hoiavad

Tehisintellekti eduka skaleerimise takistused on mitmekesised: esiteks ja kõige tähtsam on vastumeelsus uute tööriistade kasutuselevõtu suhtes, millele järgnevad mured mudeli kvaliteedi pärast. Eriti huvitav on see, et need kvaliteediprobleemid ei tulene objektiivsetest jõudluse puudujääkidest, vaid pigem kasutajate harjumisest tarbijatööriistade paindlikkuse ja reageerimisvõimega, mistõttu nad peavad staatilisi ettevõtte tööriistu ebapiisavateks.

Ärikriitiliste ülesannete puhul on lõhe veelgi suurem: kui 70 protsenti kasutajatest eelistab tehisintellekti lihtsate ülesannete, näiteks meilide kirjutamise või põhianalüüsi jaoks, siis 90 protsenti eelistab keerukate projektide või klienditoe jaoks inimesi. Eraldusjoon ei kulge intelligentsuse, vaid mälu, kohanemisvõime ja pideva õppimise võimekuse järgi.

Varimajandus tehisintellekti abil: salajane tehisintellekti revolutsioon töökohal

Lisaks pettumust valmistavatele ametlikele tehisintellekti algatustele õitseb „varimajandus“, kus töötajad kasutavad tööülesannete täitmiseks isiklikke tehisintellekti tööriistu, sageli ilma IT-osakonna teadmata või heakskiiduta. Selle ulatus on märkimisväärne: kuigi vaid 40 protsenti ettevõtetest teatab ametliku õigusteaduse magistriõppe (LLM) tellimuse ostmisest, teatab üle 90 protsendi küsitletud ettevõtete töötaja, et nad kasutavad regulaarselt isiklikke tehisintellekti tööriistu tööalastel eesmärkidel.

See paralleelmajandus toob esile olulise punkti: üksikisikud saavad edukalt ületada GenAI lõhet, kui neil on juurdepääs paindlikele ja reageerimisvõimelistele tööriistadele. Organisatsioonid, mis seda mustrit ära tunnevad ja sellele tuginevad, esindavad ettevõtete tehisintellekti kasutuselevõtu tulevikku. Progressiivsed ettevõtted on juba hakanud seda lõhet ületama, õppides varikasutusest ja analüüsides, millised isiklikud tööriistad pakuvad väärtust enne ettevõtte alternatiivide omandamist.

Siit saate teada, kuidas teie ettevõte saab kiiresti, turvaliselt ja ilma kõrgete sisenemisbarjäärideta rakendada kohandatud tehisintellekti lahendusi.

Hallatud tehisintellekti platvorm on teie kõikehõlmav ja muretu tehisintellekti lahendus. Keerulise tehnoloogia, kalli infrastruktuuri ja pikkade arendusprotsessidega tegelemise asemel saate spetsialiseerunud partnerilt teie vajadustele vastava valmislahenduse – sageli vaid mõne päeva jooksul.

Peamised eelised lühidalt:

⚡ Kiire teostus: Ideest kasutusvalmis rakenduseni päevade, mitte kuude jooksul. Pakume praktilisi lahendusi, mis loovad kohest lisaväärtust.

🔒 Maksimaalne andmeturve: Teie tundlikud andmed jäävad teie kätte. Garanteerime turvalise ja nõuetele vastava töötlemise ilma andmeid kolmandate osapooltega jagamata.

💸 Finantsriski pole: maksate ainult tulemuste eest. Suured esialgsed investeeringud riist- ja tarkvarasse või personali jäävad täielikult ära.

🎯 Keskendu oma põhitegevusele: Keskendu sellele, mida sa kõige paremini oskad. Meie hoolitseme sinu tehisintellekti lahenduse kogu tehnilise juurutamise, käitamise ja hoolduse eest.

📈 Tulevikukindel ja skaleeritav: teie tehisintellekt kasvab koos teiega. Tagame pideva optimeerimise ja skaleeritavuse ning kohandame mudeleid paindlikult uutele nõuetele.

Lisateavet leiate siit:

• Hallatud tehisintellekti lahendus - tööstuslikud tehisintellekti teenused: konkurentsivõime võti teenuste, tööstuse ja masinaehituse sektoris

Investeeringute vale jaotamine: sära ja glamuur sisu asemel

Teine GenAI lõhe kriitiline aspekt ilmneb investeerimismustrites: ligikaudu 50 protsenti GenAI eelarvetest eraldatakse müügi- ja turundusfunktsioonidele, kuigi kontoritöö automatiseerimine annab sageli parema investeeringutasuvuse. See kallutatus ei kajasta tegelikku väärtust, vaid pigem mõõdikute lihtsamat jaotamist nähtavamatele valdkondadele.

Müük ja turundus domineerivad eelarve jaotamisel mitte ainult oma nähtavuse, vaid ka seetõttu, et tulemused, näiteks demode maht või e-kirjadele vastamise aeg, on otseselt kooskõlas juhatuse tasandi näitajatega. Teisest küljest pakuvad õigus-, hanke- ja finantsfunktsioonid peenemaid efektiivsuse kasvuvõimalusi, näiteks vähem nõuetele vastavuse rikkumisi, optimeeritud töövooge või kiirendatud kuu lõpu sulgemisi – olulised, kuid raskesti edastatavad täiustused.

See investeerimise kallutatus süvendab GenAI lõhet, suunates ressursse nähtavatesse, kuid sageli vähem transformatiivsetesse kasutusjuhtudesse, samal ajal kui tugiteenuste funktsioonide suurima investeeringutasuvusega võimalused jäävad alarahastatuks. Lisaks mõjutab sotsiaalse valideerimise otsing ostuotsuseid rohkem kui toote kvaliteet: soovitused, olemasolevad suhted ja riskikapitali rahastamise olulisus ennustavad ettevõtete omaksvõttu tugevamalt kui funktsionaalsus või funktsioonide komplekt.

Struktuurilised erinevused: ettevõtte tehisintellekt versus tarbija tehisintellekt

Ettevõtte tehisintellekti ja tarbija tehisintellekti põhimõttelised erinevused selgitavad paljusid täheldatud probleeme. Tarbija tehisintellekt keskendub kliendikogemuse parandamisele ja individuaalsete kasutajate isikupärastamisele, samas kui ettevõtte tehisintellekt on loodud organisatsiooniliste protsesside optimeerimiseks, vastavuse tagamiseks ja skaleeritavate lahenduste pakkumiseks keerukate ärivajaduste jaoks.

Ettevõtte tehisintellekt nõuab sügavat valdkonnaalast oskusteavet ja kasutab KPI-põhiste tulemuste saavutamiseks sageli juhendatud õppe tehnikaid. See peab integreeruma keerukatesse IT-maastikesse, vastama regulatiivsetele nõuetele ja rakendama tugevaid andmeturbemeetmeid. Tarbijate tehisintellekt seevastu seab esikohale kasutusmugavuse ja kohese rahulduse, sageli turvalisuse ja vastavuse arvelt.

Need struktuurilised erinevused selgitavad, miks sama alusmudel toimib erakordselt hästi tarbijarakendustes, kuid ebaõnnestub ettevõttekeskkonnas. Ettevõtte tehisintellekt peab lisaks tehnilisele toimimisele ka integreeruma olemasolevate äriprotsessidega, vastama juhtimisnõuetele ja demonstreerima pikaajalist väärtusloomet.

Edu strateegiad: kuidas viis protsenti lõhet ületab

Need vähesed ettevõtted, kes on edukalt ületanud GenAI lõhe, järgivad äratuntavat mustrit. Nad kohtlevad tehisintellektiga tegelevaid idufirmasid vähem tarkvaramüüjatena ja rohkem äriteenuste pakkujatena, sarnaselt konsultatsioonifirmade või äriprotsesside allhankepartneritega. Need organisatsioonid nõuavad sisemiste protsesside ja andmete põhjalikku kohandamist, hindavad tööriistu pigem tegevustulemuste kui mudelipõhiste võrdlusaluste põhjal ning käsitlevad juurutamist kui varajaste ebaõnnestumiste käigus tekkinud kaas-evolutsiooni.

Eriti tähelepanuväärne on see, et väliste partnerluste edukuse määr on umbes kaks korda suurem kui sisemiste arendustegevuste puhul. Kuigi 67 protsenti strateegilistest partnerlustest lõpeb eduka juurutamisega, saavutab selle eesmärgi vaid 33 protsenti sisemistest arendustegevustest. Need partnerlused pakuvad sageli kiiremat väärtuse saavutamise aega, madalamaid kogukulusid ja paremat kooskõla operatiivsete töövoogudega.

Edukad ostjad tuvastavad tehisintellekti algatused, mis pärinevad pigem otsejuhtidelt kui tsentraliseeritud laboritelt, andes eelarvepidajatele ja valdkonnajuhtidele võimaluse probleeme tuvastada, tööriistu hinnata ja uusi lahendusi juhtida. See alt-üles suunatud hange koos juhtkonna vastutusega kiirendab kasutuselevõttu ja säilitab toimimise vormis.

Valdkonnaspetsiifiline murrang: tehnoloogia on eesotsas, teised järgnevad kõhklevalt

GenAI lõhe on tööstusharude tasandil selgelt ilmne. Vaatamata suurtele investeeringutele ja laialdasele katseprojektide tegevusele näitavad vaid kaks üheksast peamisest sektorist – tehnoloogia ja meedia/telekommunikatsioon – selgeid struktuurilise murrangu märke. Kõik teised tööstusharud on endiselt transformatsiooni valel poolel lõksus.

Tehnoloogiasektoris on näha uusi väljakutseid turuosa võitmas ja töövoogudes toimuvaid muutusi. Meedia ja telekommunikatsioon kogevad tehisintellektil põhineva sisu kasvu ja reklaamidünaamika muutumist, kuigi väljakujunenud ettevõtted jätkavad kasvu. Professionaalsed teenused näitavad tõhususe kasvu, kuid klienditeenindus jääb suures osas samaks.

Olukord on eriti dramaatiline traditsioonilistes tööstusharudes: energia ja materjalide valdkonnas praktiliselt puudub kasutuselevõtt ja katsetatakse minimaalselt. Edasijõudnud tööstusharud piirduvad hoolduskatsetega ilma suuremate tarneahela muutusteta. See investeeringute ja häirete vaheline lahknevus näitab GenAI lünka makrotasandil – laialdane katsetamine ilma ümberkujundamiseta.

Saksa vaatenurk: erilised väljakutsed ja võimalused

Saksa ettevõtted seisavad tehisintellekti rakendamisel silmitsi spetsiifiliste väljakutsetega. Vaid kuus protsenti Saksa ettevõtetest on tehisintellekti jaoks optimaalselt ette valmistatud, mis on langus võrreldes eelmise aastaga. Rahvusvahelises võrdluses on Saksamaa Euroopas tehisintellekti jaoks täielikult ette valmistatud ettevõtete arvu poolest alles kuuendal kohal.

Eriti problemaatiline aspekt on see, et 84 protsenti Saksa juhtidest kardab negatiivseid tagajärgi, kui nad ei suuda oma tehisintellekti strateegiaid järgmise 18 kuu jooksul rakendada. Samal ajal ei ole kolmveerand Saksa ettevõtetest rakendanud ühtegi tehisintellekti suunist. Ainult 40 protsendil on piisavalt spetsialiste tehisintellekti nõuete täitmiseks.

Peamised takistused Saksa ettevõtete jaoks on oskustööliste puudus (34 protsenti võrreldes 28 protsendiga maailmas), küberturvalisuse ja vastavusprobleemid (33 protsenti) ning andmeinfrastruktuuri skaleeritavuse probleemid (25 protsenti). Regulatiivne ebakindlus, kultuurilised reservatsioonid ja teatav skeptitsism tehnoloogia suhtes süvendavad neid probleeme.

Sellest hoolimata on tekkimas uusi võimalusi: Saksa ettevõtted saavad ühendada oma täpsuse ja kvaliteedi tugevused tehisintellekti innovatsioonidega. Sellistes sektorites nagu masinaehitus ja autotööstus aitab tehisintellekt protsesse optimeerida ja tootekvaliteeti veelgi parandada. Spetsialiseeritud tehisintellekt ei väsi isegi tuhandete iteratsioonide järel ja suudab saavutada need viimasedki täiuslikkuse protsendipunktid.

Agentne tehisintellekt: evolutsiooni järgmine etapp

Õppimislünga lahendus peitub niinimetatud agentlikus tehisintellektis – süsteemide klassis, mis integreerib püsiva mälu ja iteratiivse õppimise algusest peale. Erinevalt praegustest süsteemidest, mis nõuavad iga kord täielikku konteksti, säilitavad agentsed süsteemid püsivaid mälestusi, õpivad interaktsioonidest ja suudavad autonoomselt korraldada keerulisi töövooge.

Varased ettevõtte katsetused klienditeenindajatega, kes tegelevad täielike päringutega otsast lõpuni, finantstöötlusagendid jälgivad ja kinnitavad rutiinseid tehinguid ning müügikanalite agendid jälgivad suhtlust eri kanalites, näitavad, kuidas autonoomia ja mälu aitavad lahendada tuvastatud põhilisi lünki.

Selle ülemineku toetav infrastruktuur luuakse selliste raamistike kaudu nagu Model Context Protocol (MCP), Agent-to-Agent (A2A) ja NANDA, mis võimaldavad agentide koostalitlusvõimet ja koordineerimist. Need protokollid soodustavad turukonkurentsi ja kulutõhusust, võimaldades spetsialiseerunud agentidel koostööd teha monoliitsete süsteemide asemel.

Praktilised lahendused ettevõtetele

Ettevõtted, kes püüavad ületada GenAI lõhet, peaksid rakendama mitut strateegiat. Esiteks on oluline vältida valimatuid mandaate: kui juhid propageerivad tehisintellekti kõikjal ja igal ajal, näitavad nad tehnoloogia rakendamisel otsustusvõime puudumist. GenAI ei sobi kõigi ülesannete jaoks ega suuda mõtteid lugeda.

Töötajate mõtteviis mängib olulist rolli: uuringud näitavad, et töötajad, kellel on nii kõrge eneseteostus kui ka kõrge optimism – nn piloodid – kasutavad tööl tehisintellekti 75 protsenti sagedamini kui reisijad, kellel on madal eneseteostus ja madal optimism. Piloodid kasutavad tehisintellekti sihipäraselt oma eesmärkide saavutamiseks ja loovuse suurendamiseks, samas kui reisijad kasutavad tehisintellekti tõenäolisemalt töö vältimiseks.

Erilist tähelepanu tuleks pöörata koostööle keskendumisele. Paljud eduka tehisintellektiga töötamise jaoks vajalikud ülesanded – ülesannete andmine, tagasiside pakkumine, konteksti kirjeldamine – on koostööl põhinevad. Tänapäeva töö nõuab üha enam koostööd mitte ainult inimestega, vaid ka tehisintellektiga. Workslop on suurepärane näide tehisintellekti loodud uutest koostöödünaamikatest, mis pigem takistavad tootlikkust kui suurendavad seda.

Organisatsiooni edutegurid ja muutuste juhtimine

Edukas tehisintellekti rakendamine nõuab spetsiifilisi organisatsioonilisi ülesehitusi. Edukaimad ettevõtted detsentraliseerivad rakendusvolitused, säilitades samal ajal vastutuse. Nad annavad esirinnas olevatele juhtidele ja valdkonna ekspertidele õiguse tuvastada kasutusjuhtumeid ja hinnata tööriistu, selle asemel et loota üksnes tsentraliseeritud tehisintellekti funktsioonidele.

Eriti oluline on õppida varimajandusest tehisintellekti valdkonnast. Paljud edukaimad ettevõtete juurutused said alguse suurkasutajatest – töötajatest, kes olid juba katsetanud isikliku tootlikkuse suurendamiseks selliseid tööriistu nagu ChatGPT või Claude. Need „tootvad tarbijad“ mõistavad intuitiivselt GenAI võimalusi ja piiranguid ning saavad ettevõttesiseselt heakskiidetud lahenduste esimesteks eestvedajateks.

Edu mõõtmine ja edastamine nõuab uusi lähenemisviise. Kui traditsioonilised tarkvara mõõdikud keskenduvad funktsionaalsusele ja kasutajate omaksvõtule, siis ettevõtte tehisintellekti tuleb hinnata äritulemuste ja protsesside täiustuste põhjal. Ettevõtted peavad õppima kvantifitseerima ja edastama peeneid, kuid olulisi täiustusi, näiteks vähem nõuetele vastavuse rikkumisi või kiiremaid töövooge.

Sulgev võimaluste aken

GenAI-ga seotud lõhe ületamise aken sulgub kiiresti. Ettevõtted nõuavad üha enam süsteeme, mis aja jooksul kohanduvad. Microsoft 365 Copilot ja Dynamics 365 integreerivad juba püsiva mälu ja tagasisideahelad. OpenAI ChatGPT mälu beetaversioon annab märku sarnastest ootustest ka üldotstarbeliste tööriistade osas.

Startupid, mis tegutsevad kiiresti selle lõhe täitmiseks, arendades adaptiivseid agente, mis õpivad tagasisidest, kasutusest ja tulemustest, saavad luua püsivaid tootelünki nii andmete kui ka integratsiooni sügavuse kaudu. Võimaluste aken on kitsas: paljudes tööstusharudes on juba käimas pilootprojektid. Lähikvartalitel loovad mitu ettevõtet tarnijatega suhteid, mida on praktiliselt võimatu lahti harutada.

Organisatsioonid, mis investeerivad tehisintellekti süsteemidesse, mis õpivad nende andmetest, töövoogudest ja tagasisidest, tekitavad igakuiselt kasvavaid üleminekukulusid. 5 miljardi dollari suuruse finantsteenuste ettevõtte IT-juht ütles lühidalt: „Hindame praegu viit erinevat GenAI lahendust, kuid see süsteem, mis õpib kõige paremini ja kohandub kõige paremini meie konkreetsete protsessidega, võidab lõpuks meie äri. Kui oleme investeerinud aega süsteemi koolitamisse, et see mõistaks meie töövooge, muutuvad üleminekukulud liiga kõrgeks.“.

GenAI lõhe on reaalne ja sügav, kuid mitte ületamatu. Ettevõtted, mis mõistavad algpõhjuseid – õppimislünka, organisatsioonilise ülesehituse väljakutseid ja investeerimiskalduvusi – ning tegutsevad vastavalt, saavad tõepoolest rakendada tehisintellekti transformatiivset jõudu. Tegutsemise aeg on aga piiratud ja ootamise hind kasvab hüppeliselt.

☑️ Meie ärikeel on inglise või saksa keel

☑️ UUS: Kirjavahetus teie emakeeles!

 

Mina ja minu meeskond oleme hea meelega teie käsutuses teie isikliku nõustajana.

Võite minuga ühendust võtta, täites siinse kontaktvormi helistades mulle numbril +49 7348 4088 965. Minu e-posti aadress on wolfenstein@xpert.digital:või

Ootan põnevusega meie ühist projekti.

 

 

☑️ VKEde tugi strateegia, konsultatsioonide, planeerimise ja rakendamise alal

☑️ Tehisintellekti strateegia loomine või ümberkorraldamine

☑️ Pioneer Äriarendus

Tööstusharude fookusvaldkonnad: B2B, digitaliseerimine (tehisintellektist XR-ini), masinaehitus, logistika, taastuvenergia ja tööstus

Lisateavet leiate siit:

• Ekspertide ärikeskus

Temaatiline keskus, mis pakub teadmisi ja oskusteavet:

• Teadmisplatvorm, mis hõlmab globaalset ja piirkondlikku majandust, innovatsiooni ja valdkonnapõhiseid trende
• Analüüside, arusaamade ja taustainfo kogum meie peamistest fookusvaldkondadest
• Koht ekspertiisi ja teabe saamiseks äri- ja tehnoloogiavaldkonna praeguste arengute kohta
• Keskus ettevõtetele, kes otsivad teavet turgude, digitaliseerimise ja valdkonna uuenduste kohta