W zakresie adopcji sztucznej inteligencji w przedsiębiorstwach działających na polskim rynku, poprzedni rok był okresem przechodzenia od pierwszych eksperymentów do działania. Następowało identyfikowanie obszarów i podejść, które mogą przynieść najwięcej korzyści. Obserwowaliśmy również pierwsze – często pilotażowe – rozwiązania, kształtowanie się funkcji i gruntowanie odpowiedzialności.
Zwiększanie inwestycji w AI
Jak wynika z tegorocznej edycji przekrojowego badania przeprowadzonego na zlecenie EY Polska wśród dużych i średnich przedsiębiorstw działających na polskim rynku, prawie jedna trzecia firm planuje w ciągu najbliższych 18 miesięcy znacząco zwiększyć inwestycje w sztuczną inteligencję. Rok do roku oznacza to wzrost o prawie połowę. Co więcej, w poprzedniej edycji badania skłonność do znacznego zwiększania wydatków na AI odnotowywano przede wszystkim w wąskiej grupie eksperymentujących z tą technologią. Po roku nie ma już takiej zależności i jest to tendencja, która rozlewa się po szerszym rynku. Łącząc to ze statystykami wskazującymi wzrost priorytetu dla wdrażania rozwiązań wykorzystujących sztuczną inteligencję (od 53% do 59%) oraz znaczący spadek percepcji barier (przykładowo z 38% do 18% dla zbyt wysokich kosztów), możemy spodziewać się zintensyfikowanych i skonkretyzowanych działań w obszarze adopcji AI. Zwłaszcza, że zdecydowana większość przedsiębiorstw (aż 78%) potwierdza osiągnięcie zamierzonych korzyści.
Poszukiwanie efektywności
Wyniki badania wskazują, że firmy patrzą obecnie na wykorzystanie AI przede wszystkim przez pryzmat podniesienia efektywności. Wśród głównych motywacji stojących za wdrożeniami wymieniane są przede wszystkim automatyzacja procesów (41%) i możliwość lepszego dotarcia do klientów (35%). Znacząco niższy wynik uzyskała kolejna w rankingu chęć wprowadzenia nowej usługi (15%). Co ciekawe, dystans pomiędzy pierwszymi dwoma efektywnościowymi motywatorami a chęcią rozwoju biznesu powiększył się w przeciągu roku, co dodatkowo wskazuje na coraz silniejsze przesuwanie się motywacji w kierunku poszukiwania efektywności.
Wzrost dojrzałości
Obserwujemy także, że technologia która jeszcze niedawno była odbierana jako nowa i budząca dość ogólną ciekawość, zaczyna zadomawiać się w przedsiębiorstwach. Widać to m.in. w percepcji barier we wdrożeniach AI. W zeszłym roku jako kluczowe wskazywane były ograniczenia kosztowe i technologiczne, co jest typowe dla innowacyjnych rozwiązań. Teraz ich znaczenie dramatycznie spadło, a na pierwszą pozycję wysunęły się bariery organizacyjne, co sugeruje, że przedsiębiorstwa w jakimś zakresie poradziły sobie z dotychczasowymi kluczowymi wyzwaniami i zaczynają doświadczać pozatechnologicznych aspektów związanych z transformacją. Coraz częściej też łączą we wdrożeniach wiedzę własną ze wsparciem zewnętrznych konsultantów (35% wskazań, wzrost o 6pp), co w tym roku stało się dominującym podejściem.
Czego merytorycznie możemy się spodziewać w najbliższej przyszłości?
Mimo że najczęściej odwołujemy się do ogólnego hasła „AI”, merytorycznie koncentrujemy się przede wszystkim na wykorzystaniu tzw. generatywnych modeli sztucznej inteligencji (GenAI). Są to rozwiązania wykorzystujące modele na tyle duże (LLM, Large Language Models), że zdolne nie tylko identyfikować wzorce (jak w klasycznym ujęciu AI), ale także wykorzystywać je do tworzenia nowych treści. To właśnie modele generatywne przyczyniły się do obecnego przełomu w zastosowaniach sztucznej inteligencji i to one budzą aktualnie największe zainteresowanie ze względu na swój transformacyjny potencjał. Zastosowania klasycznych modeli AI i przy okazji wszelkich innych technologii okołodanowych, przeżywają dzięki temu renesans, natomiast ich rozwój jest w tym momencie bardziej ewolucyjny i w większym wymiarze konsumuje trendy niż je kreuje. Rosnące wykorzystanie klasycznych modeli AI będzie stanowiło prawdopodobnie jeden z trendów w nadchodzącym czasie, ale to GenAI wyznaczy najbardziej przełomowe kierunki transformacji.
Co obserwujemy w tym momencie w zakresie GenAI? Przede wszystkim skłonność do odchodzenia od dużych modeli autonomicznie realizujących złożone zadania, na rzecz zorkiestrowanych systemów mniejszych modeli, w których każdy jest dobierany i dostosowany do wymogów poszczególnych zadań szczegółowych. Takie podejście łączące autonomię na poziomie zadań szczegółowych z nadzorem na poziomie całości zadania pozwala precyzyjniej zarządzać jakością i audytowalnością (m.in. zmniejszyć ryzyko tzw. halucynacji), a na poziomie operacyjnym – kosztami i czasem egzekucji całego procesu.
Obserwujemy też coraz powszechniejsze integrowanie AI z zewnętrznymi narzędziami, często źródłami danych. Widzimy to i na poziomie dostawców technologii, którzy np. otwierają swoje rozwiązania na dostęp do internetu, jak i wśród wdrożeń w przedsiębiorstwach, które np. pozwalają sztucznej inteligencji korzystać z wybranych danych zawartych w systemach ERP czy CRM.
Odnotowujemy w końcu, że po pierwszej fazie, w której dominującym kontekstem do wykorzystania AI były chatboty, zainteresowanie zaczyna przenosić się teraz w stronę autonomicznych agentów. Chatboty pozwalały na tworzenie wirtualnych asystentów, wykorzystujących sztuczną inteligencję jako narzędzie efektywnej interakcji z szeroko pojętymi systemami wiedzy. Systemy agentowe są w stanie pójść o krok dalej i nie tylko dać dostęp do wiedzy, ale przeprowadzić na tej podstawie realizację odpowiedniego procesu. W praktyce umożliwia to zarządzenie działaniem pomniejszych wyspecjalizowanych agentów, tak aby w naszym imieniu ten proces został zrealizowany. Przykładowo wirtualny asystent jest w stanie przeprowadzić rozmowę z klientem chcącym zgłosić reklamację, a system agentowy stwarza możliwości aby również od razu to zgłoszenie przeprocesować zarządzając działaniem wyspecjalizowanych agentów pobierających, przetwarzających (często inteligentnie) i zapisujących odpowiednią informację w odpowiednich systemach.
Połączenie tych trzech niemal chronologicznie pojawiających się trendów powoduje że formułowane przez wielu oczekiwanie, że rok 2025 będzie czasem systemów agentowych, staje się bardzo naturalne. Przygotowują się też na to dostawcy technologii udostępniając dedykowane narzędzia i środowiska, a także dając w ten sposób organizacjom operacyjne możliwości działania. Takie agentowe podejście do wykorzystania sztucznej inteligencji ułatwi przedsiębiorstwom wejście w temat i wygenerowanie mierzalnych korzyści. Po pierwsze dlatego, że z zasady bazuje na istniejących procesach, po drugie, wykorzystuje istniejące systemy (głównie w charakterze źródeł danych), a do agentów AI przenosi potencjalnie jedynie logikę biznesową. Biorąc w ryzy niedeterminizm działania modeli sztucznej inteligencji, poszerza też ich zakres efektywnego i skalowalnego zastosowania o obszary działające bardziej procesowo i wymagające precyzji jak np. finanse albo produkcja. A na koniec pozwala też łatwiej uchwycić korzyści w znanym modelu poprawy efektywności.
