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

Oluline teada! Tehisintellekti paradoks: miks ettevõtetesse investeeritud miljardid dollarid kaovad

Vaatamata enneolematutele 30–40 miljardi dollari suurustele investeeringutele genereerivasse tehisintellekti, ei suuda 95 protsenti ettevõtetest oma investeeringult mõõdetavat tulu saavutada. See kainestav statistika, mille paljastas põhjalik MIT 2025. aasta uuring, näitab dramaatilist lõhet 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 tehisintellektist kasu saavate väheste ettevõtete ja lõpututes katsefaasides lõksus olevate masside vahel. See lõhe ei avaldu mitte tehnilise probleemina, vaid kaugeleulatuvate tagajärgedega organisatsioonilise läbikukkumisena.

Numbrid räägivad enda eest: vaid 5 protsenti integreeritud tehisintellekti pilootprojektidest loovad praegu mõõdetavat väärtust, samas kui ülejäänud 95 protsenti ei näita mingit mõju lõpptulemusele. See erinevus on veelgi silmatorkavam, arvestades tarbijatööriistade, näiteks ChatGPT ja Microsoft Copiloti, 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 suuremast sektorist, ettevõtte paradoks, kus pilootprojekte tehakse aktiivselt, kuid skaleeritakse vähe, investeerimise kallutatus nähtavate funktsioonide kasuks ja väliste partnerluste rakendamise eelis ettevõttesiseste arenduste ees.

Workslop: tehisintellekti tootlikkuse varjatud mürk

Üks uuringus tuvastatud eriti kahjulik nähtus on „töölohku“ – sõnade „töö“ ja „lohi“ segu –, mis kirjeldab tehisintellekti loodud sisu, mis esmapilgul tundub professionaalne, kuid lähemal vaatlusel on see poolik ja kasutuskõlbmatu. See pealtnäha viimistletud, kuid sisutu 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. Töötajate hinnangul kuulub keskmiselt 15,4 protsenti nende poolt saadud töödokumentidest sellesse kategooriasse. Eriti mõjutatud on professionaalsed teenused ja tehnoloogiatööstus, kus see nähtus esineb ebaproportsionaalselt sageli.

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

Kolleegidevaheline usaldus kannatab märkimisväärselt: umbes pooled saajatest peavad Workslopi sõnumeid 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 panevad isegi spetsialistid, kes kasutavad ChatGPT-d iga päev privaatselt, oma ettevõtte sisemisi tehisintellekti rakendusi tagasi lükkama.

Eriti silmatorkava näite tõi jurist, kes teatas, et tema ettevõtte 50 000 dollari suurune lepinguanalüüsi tööriist toimis pidevalt halvemini kui tema 20-dollarine 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 saavad

Odavate tarbijale suunatud tehisintellekti tööriistade, näiteks ChatGPT, silmatorkav paremus kallite ettevõtte lahenduste ees tuleneb mitmest konkreetsest põhjusest. Peamine probleem on see, et ettevõtte tehisintellekti süsteemid, kuigi väga spetsialiseerunud ja kallid, arendatakse sageli ilma kasutajate kriitilisi vajadusi ja mudelite dünaamilist arengut arvestamata. Tarbijale suunatud 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 salvesta sageli tagasisidet püsivalt.

Põhiprobleemiks on kohanemisvõime puudumine: ettevõtte lahendused rakendatakse üks kord ja seejärel arendatakse aeglaselt, samas kui tarbijatele mõeldud tehisintellekti tööriistu koolitatakse pidevalt kasutajate tagasiside ja ajakohaste teadmiste põhjal. ChatGPT abil saavad kasutajad esitada küsimusi otse dialoogis, 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 reageerimisvõimetuks.

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

Lõppkokkuvõttes viivad kõik need aspektid paradoksaalse olukorrani: kuigi näiliselt kohandatud ettevõtte tehisintellektile kulutatakse suuri summasid, on selle tulemused sageli vähem asjakohased, praktilisemad või täpsemad kui odavamate ja paindlike tarbijalahenduste tulemused, mida saab otse ja sujuvalt kohandada kasutajate konkreetsetele vajadustele.

Tavapäraste tehisintellekti tööriistade nähtamatud piirid

Tarbijatele mõeldud tehisintellekti tööriistad on üldiselt optimeeritud laiade, peavooluteemade 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 loomine, e-kirjadele vastamine või lihtsate rutiinsete protsesside automatiseerimine.

Mida spetsiifilisemad on nõuded, seda üldisemalt jõuab tarbijale suunatud tehisintellekt oma piiridesse. Valdkonnaspetsiifiliste või ärikriitiliste ülesannete puhul puudub neil tööriistadel tavaliselt vajalik üksikasjalik teave, teemapõhised andmed või spetsiifiline koolitus. Selliseid ülesandeid nagu keerukat juriidilist terminoloogiat hõlmavad lepinguanalüüsid, tehnilised aruanded või väga kohandatud B2B-protsessid ei saa sageli tõhusalt automatiseerida, kuna tehisintellektil puuduvad teadmised asjakohasest kontekstist või see ei suuda seda usaldusväärselt tõlgendada.

See on kõige ilmekam 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 piisavad tavapäraste ülesannete jaoks; aga spetsialiseerumise suurenedes suureneb nende tööriistade rikke määr märkimisväärselt. Ettevõtted, mis tuginevad valdkonnapõhistele teadmistele, täpsele protsesside valideerimisele või kõrgetasemelisele kohandamisele, saavad seetõttu pikas perspektiivis kasu omaenda ettevõtte lahendustest, mis sisaldavad spetsiaalseid andmebaase ja kohandatud koolitust.

Tehisintellekti skaleerimise tegelik takistus ei ole intelligentsus: kui paindlikkuse kõrged ootused aeglustuvad

Tehisintellekti eduka skaleerimise takistused on mitmekesised: esiteks ja kõige tähtsam on soovimatus uusi tööriistu kasutusele võtta, millele järgnevad mured mudeli kvaliteedi pärast. Eriti huvitav on see, et need kvaliteediprobleemid ei tulene objektiivsetest jõudluse puudujääkidest, vaid pigem asjaolust, et kasutajad on harjunud tarbijatööriistade paindlikkuse ja reageerimisvõimega ning seetõttu peavad staatilisi ettevõtte tööriistu ebapiisavateks.

See lõhe on veelgi suurem missioonikriitilise töö puhul: kui 70 protsenti kasutajatest eelistab tehisintellekti lihtsate ülesannete, näiteks e-kirjade kirjutamise või põhianalüütika jaoks, siis 90 protsenti eelistab inimtöötajaid keerukate projektide või klienditeeninduse jaoks. Jaotusjoon ei põhine intelligentsusel, vaid pigem võimel meeles pidada, kohaneda ja pidevalt õppida.

Varimajandus tehisintellekti vallas: salajane tehisintellekti revolutsioon töökohal

Paralleelselt pettumust valmistavate ametlike tehisintellekti algatustega 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 tehisintellekti tellimuse ostmisest, teatavad üle 90 protsendi küsitletud ettevõtete töötajad, et 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 igakülgne ja muretu tehisintellekti pakett. Keerulise tehnoloogia, kalli infrastruktuuri ja pikkade arendusprotsesside asemel saate spetsialiseerunud partnerilt teie vajadustele vastava võtmed kätte lahenduse – sageli juba mõne päeva jooksul.

Peamised eelised lühidalt:

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

🔒 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 tegeleme sinu tehisintellekti lahenduse kogu tehnilise juurutamise, käitamise ja hooldusega.

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

Lisateavet selle kohta siin:

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

Investeeringute vale jaotamine: glamuur sisu asemel

Teine GenAI lõhe kriitiline aspekt ilmneb investeerimismustrites: ligikaudu 50 protsenti GenAI eelarvetest suunatakse müügi- ja turundusfunktsioonidele, kuigi kontoriautomaatika annab sageli parema investeeringutasuvuse. See kallutatus ei kajasta tegelikku väärtust, vaid pigem näitajate lihtsamat jaotamist nähtavatesse valdkondadesse.

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

See investeerimise kallutatus süvendab GenAI lõhet, suunates ressursse nähtavatele, kuid sageli vähem transformatiivsetele kasutusjuhtudele, samal ajal kui suurima investeeringutasuvusega võimalused jäävad tugiteenuste funktsioonides alarahastatuks. Lisaks mõjutab sotsiaalse valideerimise otsing ostuotsuseid tugevamalt kui toote kvaliteet: soovitused, olemasolevad suhted ja riskikapitali kaasamine ennustavad ettevõtte 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 üksikute 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 töötab suurepäraselt tarbijarakendustes, kuid ebaõnnestub ettevõttekeskkonnas. Ettevõtte tehisintellekt peab olema mitte ainult tehniliselt funktsionaalne, vaid ka integreeruma olemasolevatesse äriprotsessidesse, vastama juhtimisnõuetele ja demonstreerima pikaajalist väärtusloomet.

Edu strateegiad: kuidas viis protsenti lõhest üle saavad

Need vähesed ettevõtted, kes on edukalt ületanud GenAI lõhe, järgivad äratuntavat mustrit. Nad kohtlevad tehisintellektiga tegelevaid idufirmasid vähem tarkvaramüüjatena ja rohkem äriteenuste pakkujatena, olles võrreldavad konsultatsioonifirmade või äriprotsesside allhankepartneritega. Need organisatsioonid nõuavad sügavat kooskõla sisemiste protsesside ja andmetega, hindavad tööriistu pigem tegevustulemuste kui mudelipõhiste võrdlusaluste põhjal ning käsitlevad juurutamist kui varajaste ebaõnnestumiste kaudu toimuvat ühist evolutsiooni.

Eriti tähelepanuväärne on see, et väliste partnerluste edukuse määr on umbes kaks korda suurem kui sisemise arenduse oma. Kuigi 67 protsenti strateegilistest partnerlustest viib eduka juurutamiseni, saavutab selle eesmärgi vaid 33 protsenti sisemisest arendustegevusest. Need partnerlused pakuvad sageli kiiremat väärtuse saavutamist, madalamaid üldkulusid ja paremat kooskõla operatiivsete töövoogudega.

Edukad ostjad tuvastavad tehisintellekti algatused pigem otsejuhtidelt kui kesklaboritelt, mis võimaldab eelarvepidajatel ja valdkonnahalduritel tuvastada probleeme, hinnata tööriistu ja suunata juurutamist. See alt-üles suunatud hange koos juhtkonna vastutusega kiirendab kasutuselevõttu ja säilitab toimimise korrasoleku.

Valdkonnaspetsiifiline murrang: tehnoloogia on ees, teised järgnevad kõhklevalt

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

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

Olukord on eriti dramaatiline traditsioonilistes tööstusharudes: energia- ja materjalitööstuses on kasutuselevõtt peaaegu olematu ja katsetamine minimaalne. Edasijõudnud tööstusharud piirduvad hoolduskatsetega ilma suuremate tarneahela muutusteta. See investeeringute ja häirete vaheline lahknevus näitab GenAI lünka makrotasandil – laialdane katsetamine ilma muutusteta.

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 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 tehisintellekti poliitikat rakendanud. Ainult 40 protsendil on piisavalt spetsialistidest töötajaid 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 tehnoloogiline skeptitsism süvendavad neid probleeme.

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

Agentne tehisintellekt: järgmine evolutsiooniline 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 agentlikud süsteemid püsivaid mälestusi, õpivad interaktsioonidest ja suudavad autonoomselt korraldada keerulisi töövooge.

Ettevõtte varased katsed klienditeenindajatega, kes tegelevad täielike päringutega otsast lõpuni, finantstöötlusagentidega, kes jälgivad ja kinnitavad rutiinseid tehinguid, ning müügikanalite agentidega, kes jälgivad suhtlust eri kanalites, näitavad, kuidas autonoomia ja mälu aitavad lahendada tuvastatud põhilisi lünki.

Selle ülemineku toetav infrastruktuur on tekkimas selliste raamistike kaudu nagu Model Context Protocol (MCP), Agent-to-Agent (A2A) ja NANDA, mis võimaldavad agentide koostalitlusvõimet ja koordineerimist. Need protokollid loovad turukonkurentsi ja kulutõhusust, võimaldades spetsialiseerunud agentidel koostööd teha, selle asemel et nõuda monoliitseid süsteeme.

Praktilised lahendused ettevõtetele

Ettevõtted, mis püüavad ületada GenAI lõhet, peaksid järgima mitmeid strateegiaid. Esiteks on oluline vältida valimatuid mandaate: kui juhid propageerivad tehisintellekti kõikjal ja kogu aeg, näitavad nad eeskuju tehnoloogia rakendamise otsustusvõime puudumisest. GenAI ei sobi kõigi ülesannete jaoks ja ei oska mõtteid lugeda.

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

Erilist tähelepanu tuleks pöörata koostöö juurde naasmisele. Paljud eduka tehisintellektiga tööks vajalikud ülesanded – ülesannete esitamine, tagasiside andmine, konteksti kirjeldamine – on koostööl põhinevad. Tänapäeva töö nõuab üha rohkem koostööd mitte ainult inimestega, vaid ka tehisintellektiga. Workslop on suurepärane näide tehisintellekti poolt loodud uutest koostöödünaamikatest, mis pigem takistavad tootlikkust kui parandavad seda.

Organisatsiooni edutegurid ja muutuste juhtimine

Edukas tehisintellekti rakendamine nõuab spetsiifilisi organisatsioonilisi ülesehitusi. Edukaimad ettevõtted detsentraliseerivad rakendusvolitused, säilitades samal ajal vastutuse. Need võimaldavad esirinnas olevatel juhtidel ja valdkonna ekspertidel tuvastada kasutusjuhtumeid ja hinnata tööriistu, selle asemel et loota ainult tsentraliseeritud tehisintellekti funktsioonidele.

Varjulise tehisintellekti majandusest õppimine on eriti oluline. Paljud edukaimad ettevõtete juurutused said alguse suurkasutajatest – töötajatest, kes olid juba katsetanud isiklike tööviljakuse tööriistadega nagu ChatGPT või Claude. Need „tootvad tarbijad” mõistavad intuitiivselt GenAI võimalusi ja piiranguid ning saavad sisemiselt 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 puhul.

Startupid, mis tegutsevad kiiresti selle lõhe täitmiseks, arendades adaptiivseid agente, mis õpivad tagasisidest, kasutusest ja tulemustest, saavad luua püsivaid tooteeelistusi 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 peaaegu võimatu lahti harutada.

Organisatsioonid, mis investeerivad tehisintellekti süsteemidesse, mis õpivad nende andmetest, töövoogudest ja tagasisidest, tekitavad igakuiseid üleminekukulusid. 5 miljardi dollari suuruse finantsteenuste ettevõtte IT-juht võttis selle kokku: „Hindame praegu viit erinevat GenAI lahendust, kuid see süsteem, mis õpib kõige paremini ja kohandub meie konkreetsete protsessidega, võidab lõpuks meie äri. Kui investeerime aega süsteemi koolitamisse, et see meie töövooge mõistaks, 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 tehisintellekti transformatiivset jõudu tõeliselt rakendada. Tegutsemise aeg on aga piiratud ja ootamise hind kasvab hüppeliselt.

☑️ Meie ärikeel on inglise või sakslane

☑️ Uus: kirjavahetus teie riigikeeles!

 

Mul on hea meel, et olete teile ja minu meeskonnale isikliku konsultandina kättesaadav.

Võite minuga ühendust võtta, täites siin kontaktvormi või helistage mulle lihtsalt telefonil +49 89 674 804 (München) . Minu e -posti aadress on: Wolfenstein ∂ xpert.digital

Ootan meie ühist projekti.

 

 

☑️ VKE tugi strateegia, nõuannete, planeerimise ja rakendamise alal

☑️ AI strateegia loomine või ümberpaigutamine

☑️ teerajaja ettevõtluse arendamine

Tööstusharu fookus: B2B, digitaliseerimine (tehisintellektist XR-ini), masinaehitus, logistika, taastuvenergia ja tööstus

Lisateavet selle kohta siin:

• Xpert Business Hub

Teemakeskus koos teadmiste ja ekspertiisiga:

• Teadmisplatvorm globaalse ja regionaalse majanduse, innovatsiooni ja tööstusharude suundumuste kohta
• Analüüside, impulsside ja taustteabe kogumine meie fookusvaldkondadest
• Koht ekspertiisi ja teabe saamiseks äri- ja tehnoloogiavaldkonna praeguste arengute kohta
• Teemakeskus ettevõtetele, kes soovivad õppida turgude, digitaliseerimise ja valdkonna uuenduste kohta