گرجی شرکا ، با همکاری با نیوتن و یک کنسرسیوم جهانی 11 طرفه ، خود را منتشر کرده است هوش مصنوعی ، گزارش معیار کاربردی، ارائه عکس فوری قوی از نحوه تغییر AI نرم افزار B2B و شرکت های سازمانی در سراسر جهان. این موج دوم گسترش یافته با بررسی کور از 612 مدیر-به طور مساوی بین تحقیق و توسعه و رهبران برو به بازار-10 کشور کشور و 15 صنعت را تشکیل می دهد و نماینده شرکت هایی با درآمد سالانه از 5 میلیون دلار تا بیش از 200 میلیون دلار است.
آنچه این گزارش را از هم جدا می کند ، دامنه جهانی و پشتیبان استراتژیک آن است. شرکای کنسرسیوم شامل موسسه اطلاعاتی دستگاه آلبرتا، Guild Marketers AI ، FirstMark ، GTM Partners ، سرمایه گذاری های بدون استفاده ، موسسه وکتور و Tel Aviv -Bexed Startup Nation Central and Grove Ventures ، از جمله دیگران. درگیری آنها به گسترش مشارکت و اطمینان از متنوع بودن بخش ، معیارهای بین المللی کمک کرد.
این گزارش بیش از صرفاً معیار پذیرش ، موانع ساختاری را به تصویر می کشد ، مواردی را در حال ظهور می کند که از مواردی مانند برنامه نویسی پرشور و منحنی بلوغ در حال تحول ادغام هوش مصنوعی استفاده می کند. این گزارش با یافته های مبتنی بر ورودی معتبر و سطح اجرایی ، چارچوبی عملی را برای معیار در جایی که در آن قرار دارد ، ارائه می دهد و چه چیزی آنها را عقب می اندازد.
هوش مصنوعی به یک ضرورت استراتژیک تبدیل می شود
هوش مصنوعی دیگر اختیاری محسوب نمی شود. گزارش نشان می دهد که 83 ٪ از شرکت های B2B و شرکت در حال حاضر در بین پنج اولویت برتر استراتژیک خود AI را رتبه بندی می کنندبشر در حقیقت ، سه مورد از پنج اولویت برتر تجاری منتخب مربوط به هوش مصنوعی است که نشان می دهد چگونه تعبیه شده در برنامه های شرکت ها قرار گرفته است.
انگیزه های پیشرو برای پذیرش هوش مصنوعی همچنان ادامه دارد:
- بهبود بهره وری داخلی
- ایجاد یک مزیت رقابتی
- افزایش راندمان هزینه و رشد درآمد
با این حال ، آنچه تغییر کرده است این است که تمایز رقابتی اکنون پس انداز و درآمد هزینه را به عنوان دومین انگیزه مهم پیشی گرفته است. این نشان دهنده تغییر ذهنیت است: هوش مصنوعی فقط ابزاری برای اتوماسیون نیست – این یک سلاح برای رهبری بازار است.
برنامه نویسی VIBE وارد جریان اصلی می شود
یک بینش برجسته از گزارش ، افزایش سریع است برنامه نویسی– اصطلاح اشاره به تولید خودکار کد و اشکال زدایی با استفاده از مدل های هوش مصنوعی. برنامه نویسی VIBE تبدیل شده است شماره 3 مورد استفاده R&D گزارش شده در تولید ، استفاده شده توسط 37 ٪ از شرکت ها، در حالی که دیگری 40 ٪ به طور جدی آن را خلبانی می کنندبشر
این روند صرفاً در مورد بهبود بهره وری توسعه دهنده نیست. این همچنین یک پاسخ مستقیم به یک چالش در سطح صنعت است: کمبود استعداد فنی هوش مصنوعی، که اکنون تبدیل شده است شماره 1 سد برای مقیاس بندی AIبشر چهل و پنج درصد از رهبران تحقیق و توسعه این شکاف استعدادی را به عنوان نگرانی اصلی خود ذکر کردند-حتی هزینه بالای توسعه مدل.
برنامه نویسی Vibe با اجازه دادن به تیم های مهندسی Leaner برای تسریع در جدول زمانی تحویل ، اشکال زدایی سریعتر و تولید کد پاک کننده و مستند با سربار کمتری ، به پر کردن این شکاف کمک می کند. پاسخ دهندگان اظهار داشتند که کاهش قابل اندازه گیری در تلاش دستی در سراسر QA ، زیرساخت ها و گردش کار استقرار.
بهره وری هوش مصنوعی – و محدودیت های آنها
استفاده از هوش مصنوعی در خطوط لوله توسعه فواید روشنی را نشان می دهد. براساس این گزارش ، 70 ٪ از پاسخ دهندگان تحقیق و توسعه از سرعت توسعه سریعتر خبر می دهند ، 63 ٪ به کیفیت و اسناد کد بهبود یافته و بیش از نیمی از فرکانس استقرار را افزایش داده اند.
با این حال ، همه معیارها بهبود نیافته اند. مناطقی مانند میانگین زمان برای بازیابیبا زمان چرخهوت تغییر نرخ خرابی نقاط ضعف باقی بمانید. این نشان می دهد که در حالی که AI در حال تسریع در قسمت جلوی توسعه است ، هم اکنون ثبات و مقاومت در برابر انسان باقی مانده است.
ارتقاء زیرساخت ها پشته AI
حمایت از این دستاوردها یک تغییر چشمگیر در سرمایه گذاری در زیرساخت ها است. تیم های محور AI در حال اتخاذ ابزار جدیدی برای انتقال از آزمایش به تولید هستند:
- سیستم عامل های مشاهده LLM 53 ٪ از شرکت ها یکپارچه شده اند
- ابزارهای ارکستراسیون داده مانند Dagster و جریان هوا اکنون 51 ٪ استفاده می شود
- پایگاه داده های برداربا مشاغلوت موتورهای گردش کار بادوام برای پشتیبانی از مقیاس و قابلیت اطمینان مستقر می شوند
در همین حال ، شرکت ها داده های بیشتری را نسبت به همیشه برای سوختن مدل های خود تهیه می کنند. استفاده از داده های متعلق به با 12 درصد امتیاز به 94 ٪ رسید ، در حالی که داده های عمومی استفاده از افزایش به 80 ٪. داده های مصنوعی و تاریک – یک بر روی منابع حاشیه ای – اکنون به ترتیب بیش از نیمی و چهارم شرکت ها مورد استفاده قرار می گیرند.
پذیرش LLM متنوع است
OpenAi ارائه دهنده پیشرو در مدل های بزرگ زبان است و 85 ٪ از پاسخ دهندگان از مدل های خود در تولید استفاده می کنند. با این حال ، چشم انداز به سرعت در حال تحول است:
- Google Gemini شاهد افزایش 17 امتیازی ، اکنون 41 ٪ استفاده شده است
- کلود افزایش به 31 ٪
- خانواده Meta’s Llama 3 با فرزندخواندگی 28 ٪ کشش می یابد
- مدلهای خاص استدلال مانند Openi’s O1-Mini (35 ٪) و Deepseek (18 ٪) نیز وارد تولید می شوند
این تغییر منعکس کننده حرکت به سمت پشته های AI چند مدل، جایی که سازمان ها به جای تکیه بر یک اکوسیستم فروشنده واحد ، از مدل ها استفاده می کنند تا از موارد استفاده کنند.
سود بلوغ هوش مصنوعی ناهموار است
شرکت های بخش های گرجستان با استفاده از خود خزیدن ، پیاده روی ، اجرای مدل بلوغ AIبشر در حالی که سازمان های بیشتری از مبتدی به سطح متوسط پیشرفت می کنند ، سطح بالای بلوغ گریزان است:
- “واکرها” به 40 ٪ کاهش یافت ، از 49 ٪
- “Joggers” به 31 ٪ افزایش یافت و این نشانگر رشد رشد است
- “دوندگان” با 11 ٪ راکد باقی می مانند ، و این نشان می دهد که سقف مقیاس پذیری را نشان می دهد
شرکت هایی که به مرحله “دونده” می رسند ، تمایل دارند کسانی باشند که پروژه های هوش مصنوعی را مستقیماً به نتایج درآمد یا هزینه متصل می کنند – قابلیت هنوز در بخش اعظم صنعت توسعه نیافته است.
ROI گریزان است
یکی از مهمترین چالش های مشخص شده در گزارش عدم اندازه گیری ROI روشنبشر بیش از نیمی از تیم های تحقیق و توسعه اعتراف می کنند که پروژه های AI را به هیچ KPI های بتونی متصل نمی کنند. فقط 25 ٪ مستقیماً ابتکارات هوش مصنوعی را به درآمد جدید پیوند می دهند و فقط 24 ٪ تأثیر مثبتی بر هزینه های خرید مشتری گزارش می دهند.
هنوز هم ، خوش بینی همچنان ادامه دارد. بیش از 50 ٪ از پاسخ دهندگان می گویند هوش مصنوعی رضایت مشتری و ارزش بلند مدت را بهبود بخشیده است. اما حس کلی این است که توجیه مالی هوش مصنوعی به ویژه در سطح متوسط بلوغ فازی باقی می ماند.
مدیریت هزینه در حال بهبود است
در حالی که استعداد همچنان بزرگترین مانع است ، هزینه ها به آرامی قابل کنترل تر می شوند. گزارش نشان می دهد:
- تغییر 9 امتیازی به سمت هزینه های ذخیره سازی پایدار یا کاهش یافته
- کاهش هزینه ها در نگهداری نرم افزار ، نیروی کار و عملیات
- اعتماد کمتری به اقدامات کاهش هزینه مانند محدودیت های پروژه
علاوه بر این ، 68 ٪ از شرکت ها اکنون برای مدیریت هزینه و پیچیدگی به راه حل های هوش مصنوعی شخص ثالث متکی هستند ، به ویژه که هوش مصنوعی در نرم افزار GTM و سیستم عامل های داخلی تعبیه شده است.
نگاهی به جلو
پیامدهای این داده های معیار بسیار فراتر از داشبورد و اتاق های هیئت مدیره است. با توجه به اینکه هوش مصنوعی در نحوه ساخت نرم افزار ، استقرار و نگهداری نرم افزار مهم می شود ، صنعت در حال ورود به مرحله جدیدی است – جایی که بهره وری دیگر فقط مربوط به افراد نیست ، بلکه در مورد اینکه تیم های هوشمندانه چگونه می توانند خود را با شرکای ماشین تقویت کنند.
برنامه نویسی Vibe یک نقطه عطف را نشان می دهدبشر این فقط یک ابزار بهره وری نیست ؛ این در حال تبدیل شدن به یک لایه اساسی توسعه نرم افزار مدرن است. برای شرکت هایی که با کمبود استعدادهای مداوم روبرو هستند ، راهی برای باز کردن توان ، کاهش زمان به بازار و بهبود کیفیت کد بدون مقیاس گذاری به همان میزان ارائه می دهد. و برای کسانی که بیشتر در طول منحنی بلوغ هستند ، ستون فقرات را برای گردش کار مهندسی AI بومی ایجاد می کند-مواردی که می توانند با مشاهده ، قابلیت اطمینان و تأثیر تجاری قابل اندازه گیری مقیاس داشته باشند.
پیام گسترده تر واضح است: شرکت هایی که موفق می شوند فقط از AI استفاده نمی کنند – آنها آن را عملیاتی می کنند ، آن را جاسازی می کنند و با آن تکامل می یابند. در این دوره جدید ، اتوماسیون به معنای جایگزینی توسعه دهندگان نیست. این در مورد تقویت آنها است.
کسانی که با برنامه نویسی VIBE و زیرساخت های پشتیبانی کننده آن به عنوان سرمایه گذاری های استراتژیک رفتار می کنند – نه آزمایشات – موج بعدی نوآوری شرکت را تعریف می کنند.
