Výsledky výzkumu Architect an AI Advantage, provedeného společností Hewlett Packard Enterprise na základě odpovědí IT lídrů z 14 různých zemí, poukazují na kritické nedostatky některých strategií implementace podnikové AI. Zpráva poukazuje na znepokojivý nesoulad mezi strategiemi, procesy a metrikami, což dále komplikuje úspěšné využití umělé inteligence.

Zjištění tak sice ukazují, že jsou firmy obecně velmi odhodlané využívat umělou inteligenci – téměř všichni IT lídři hodlají do AI během následujících 12 měsíců investovat ještě více – zároveň ale poukazují na velmi konkrétní slepá místa která mohou výrazně zabrzdit další pokrok, pokud firmy nezvolí komplexnější přístup k problematice. Například špatně zvolené sladění strategií a zapojení jednotlivých oddělení může firmám zabránit ve využití odborných znalostí oblastí, přijímání efektivních rozhodnutí a tím i omezí maximální přínos AI pro všechny oblasti podnikání.

Úskalí 1: Nízká vyspělost dat

Kvalitní výstupy umělé inteligence, které mají potenciál ovlivňovat výsledky podnikání samozřejmě závisí na kvalitě vstupních dat. Zpráva ukazuje, že si jsou toho firmy plně vědomy. Nicméně i když většina z nich označuje práci s daty za jeden z nejdůležitějších aspektů úspěchu využití AI, celková vyspělost jejich dat zůstává stále na nízké úrovni:

• Jen 7 % firem je schopných push/pull práce s daty v reálném čase, což otevírá možnosti inovací a externí monetizace
• Jen 26 % firem pracuje s modely správy dat a dokáží provádět pokročilé analýzy

Dále méně než 60 % respondentů uvedlo, že je jejich společnost schopna sama provést jakoukoliv z klíčových fází přípravy dat pro využití v modelech AI.

• 59 % je schopno přístupu
• 57 % je schopno ukládání
• 55 % je schopno procesovat
• 51 % je schopno obnovy

To hrozí zbrzděním procesu vytváření AI modelu a zvyšuje riziko, že bude model generovat nepřesné výsledky a tím sníží návratnost investice.

Stejně znepokojující je i to, že pouze 37 % IT lídrů zavedlo sdílené datové modely s centralizovaným podnikovým systémem. To na­va­zu­je na starší zjištění, ve výzkumu společnosti HPE z roku 2022, věnovanému nedostatečným schopnostem práce s daty, 34 % re­s­pon­den­tů uvedlo, že jsou data jejich společnosti uložena a izo­lo­vá­na v konkrétních aplikacích nebo na konkrétních místech. Vymýcení zvyku „datového sila“ v hybridních architekturách je pro úspěch klíčové a jen pomalá změna tohoto trendu je varovným signálem.

V zájmu optimalizace AI musí firmy přehodnotit své technologické postupy aby otevřely možnosti AI procesů napříč celým životním cyklem projektu, což zahrnuje zvážení prvků včetně schopností týmu, softwaru, správy dat a podobně. Nezbytná je také zastřešující datová a analytická architektura, která pracuje s daty napříč všemi aplikacemi a uložišti. Ve výsledku je cílem jednotný přístup k datům v reálném čase napříč organizací, odkudkoliv.

Úskalí 2: Nedostatky v stavbě sítí a výpočetním výkonu

Kromě základu v podobě dat musí organizace správně chápat specifické požadavky na architekturu sítí a výpočetní výkon, které podniková AI přináší napříč svým životním cyklem – i v tomto ohledu pak zpráva odhaluje některé vznikající problémy.

Na první pohled působí firmy sebejistě:

• 93 % IT lídrů věří, že jsou jejich sítě připraveny podporovat datové toky AI
• 84 % z nich si je jisto, že jejich systémy mají dostatečnou výpočetní kapacitu pro pokrytí specifických požadavků, které různé fáze životního cyklu AI přinášejí

Méně než polovina z nich ale podle odpovědí ve výzkumu skutečně chápe, jaké mohou různé pracovní zátěže AI klást síťové nebo vý­po­čet­ní nároky v rámci tréninků, ladění nebo inference. To vyvolává otázky, zda tito pracovníci dokáží s kapacitou adekvátně pracovat.

Úskalí 3: Aspekty etiky a předpisů

Zpráva také odhalila, že firmy zatím nedokázaly správně propojit klíčové body podnikání, přičemž až 28 % dotázaných IT pracovníků označuje celkový přístup k AI u své organizace za „roztříštěný“. Důkazem budiž, že 35 % firem vytváří individuální AI strategie pro jednotlivé funkce a 32 % firem vytváří různé soubory cílů.

Podobně alarmující je, že většina z nich úplně přehlíží problematiku etiky a dodržování předpisů, i když tlak spotřebitelů a regulačních orgánů vytrvale narůstá:

• Jen 13 % dotázaných považuje právní předpisy za klíčové pro úspěšné využití AI
• Jen 11 % dotázaných považuje etické aspekty za klíčové pro úspěšné využití AI
• 22 % firem vůbec nezapojuje své právníky do diskuzí nad strategiemi využití AI

To je vážným problémem, protože etický aspekt a dodržování předpisů bude pro zákazníky a regulátory stále důležitější s tím, jak budou konkrétní regulace zavádět další a další státy. Bez adekvátního dodržování předpisů hrozí úniky chráněných dat, tedy klíčového zdroje konkurenční výhody a dobrého jména značky. Vývoj nových produktů bez účinně nastavených zásad AI pak může vést k modelům postrádajícím patřičné standardy diverzity, což může vést k poškození značky, snížení prodejů nebo přímo k vysokým pokutám a nákladným soudním sporům.

Řešení a nutné úvahy

Zpráva ukazuje, že pokud budou podniky přistupovat k AI stále stejně, může to nepříjemně ovlivnit jejich dlouhodobý úspěch. Existují ale řešení a strategie, které mohou úskalím plánování podnikové AI zabránit.

Primárně musí organizace přistoupit na komplexnější pojetí celého životního cyklu AI, aby zefektivnily interoperabilitu a zjednodušily identifikaci rizit a příležitostí.

S implementací AI není potřeba spěchat prostě jen proto, že jde o současný trend. Cesta za podnikovou umělou inteligencí by měla začít seznamem požadovaných výsledků a zpětnou vazbou vedoucích napříč organizací tak, aby se ukázalo na oblasti, kde může nejvíce pomoc s dosažením cílů.

Nutná je také zastřešující AI strategie, dodržovaná v celé or­ga­ni­za­ci, tak aby všechna oddělení spolupracovala na stejných cílech a vždy kladla důraz na hlavní myšlenky – od etických otázek po udržitelnost.

Vrcholný management a IT vedoucí musí na AI strategii spolupracovat a využívat tak podnikatelských vědomostí managementu a technických znalostí IT týmu.

Nakonec je pak nutné trvat na diferenciovaném přístupu založeném na pochopení životního cyklu AI včetně zajištění dat, výpočetní kapacity i softwaru a sítí. Dominantním provozním modelem je ten hybridní, podniky tedy mají dobrou možnost zhodnotit své vlastní možnosti. Přesto ale může být nutné přizvat externí experty kteří pomohou s identifikací chybějících znalostí.

Umělá inteligence přináší v oblasti výpočetního výkonu, sítí a práce s daty největší pracovní zátěž dneška a aby skutečně dosahovala slibovaných výsledků, podniková řešení musí být v principu hybridní a designovaná s architekturou přizpůsobenou AI. Podniky však musí zodpovědně vyvážit snahu být na trhu inovátory a potenciální rizika spojená s nepochopením životního cyklu AI. Případné velké investice kapitálu do AI by tak totiž mohly vést k negativní návratnosti investic.