در حالی که تیم های رهبری در سراسر جهان برنامه ریزی برای سال 2025 را آغاز می کنند، موضوعی که در ذهن همه وجود دارد این است که چه زمانی باید انتظار داشته باشیم که سرمایه گذاری هایشان در هوش مصنوعی و/یا هوش مصنوعی مولد (GenAI) به نتیجه برسد. تحقیقات جدید گوگل کلود فاش کرده است که بیش از 6 شرکت از هر 10 شرکت بزرگ (بیش از 100 کارمند) از GenAI استفاده می کنند و 74٪ در حال حاضر بازده قابل توجهی در سرمایه گذاری (ROI) مشاهده می کنند. اما به حداکثر رساندن بازگشت سرمایه (ROI) از AI/GenAI نیازمند یک رویکرد استراتژیک است که فراتر از توجیه هزینهها است و شامل بازده مستقیم یا غیرمستقیم، درک روشنی از زمانها و هزینههای پنهان، و ادغام ویژگیهای انسان محور برای اطمینان از فرآیندهای قابل اعتماد و مقیاسپذیر است.
چارچوب مجدد بازگشت سرمایه
با توجه به تمام توجهی که AI/GenAI در سال گذشته در رسانه ها به خود جلب کرده است، می توان به راحتی فراموش کرد که این سرمایه گذاری ها هنوز نسبتاً جدید هستند، به این معنی که اکثر شرکت ها حتی شروع به دیدن نوع بازگشت سرمایه ای که ممکن است نکرده اند. . این امر مدیریت انتظارات در اتاق هیئت مدیره را از ابتدا مهم تر می کند زیرا هر ارزیابی اولیه تأثیرات مهمی ایجاد می کند که بر نحوه نگرش رهبری به سرمایه گذاری های آینده تأثیر می گذارد. اگر آنها امید زیادی به تغییر فوری و دگرگون کننده داشته باشند، اگر آن تغییرات هنوز در مراحل اولیه ریشه دوانده باشند، ممکن است نظر آنها بدتر شود. به عبارت دیگر، نوآوریهای جدید دیدگاههای اندازهگیری جدیدی را میطلبند و رهبران باید نحوه نگرش خود را درباره بازگشت سرمایه کوتاهمدت و بلندمدت اصلاح کنند.
از نظر آنچه که یک تحول موفق را تشکیل می دهد، پیشرفت اغلب به بهترین وجه در چشم بیننده سنجیده می شود، اما حتی بردهای “کوچک” نیز می توانند منجر به نتایج بالقوه بیشتری در مسیر شوند. در اینجا سه راه برای کمک به زمینه سازی سرمایه گذاری های AI/GenAI شما و همچنین نمونه هایی از کسانی که در یک سفر مشابه هستند آورده شده است.
1. بین ROI مستقیم و غیر مستقیم تمایز قائل شوید
در برخی از صنایع، ROI مستقیم آسان تر است. به عنوان مثال، اگر یک شرکت خردهفروشی یا CPG شروع به ارائه قابلیتهای جدید GenAI کند، احتمالاً متوجه میشود که مشتریان چگونه ویژگیها را دریافت میکنند. در حالی که در صنایع دیگر مانند تولید، بازگشت سرمایه غیرمستقیم بیشتر به سرمایه گذاری های بلندمدت وابسته است. با این نوع بازدههای نرم، معمولاً «تأثیر کاهشی» است که میتواند فرصتهای جدیدی ایجاد کند یا ارزش جدیدی را باز کند. تصور کنید که در حال پیاده سازی یک راه حل جدید هوش مصنوعی برای بهبود بهره وری تیم هستید. در حالی که هدف اولیه شما ممکن است خروجی باشد، این افزایش در فعالیت همچنین می تواند منجر به کشف مسیرهای کاملاً جدیدی از رشد شود که حتی در نظر گرفته نشده بودند. این هیجانانگیزترین و هیجانانگیزترین بخش در مورد AI/GenAI است – پتانسیل ناشناخته. و اگرچه اندازه گیری پتانسیل دشوار است، اما همیشه باید به عنوان عاملی در محاسبه بازده لحاظ شود.
یک تصویر خوب از ROI مستقیم و غیرمستقیم را می توان در اینجا یافت شرکت تجارت الکترونیک مرکاری، که سال گذشته یک دستیار خرید مجهز به ChatGPT را برای اقلام دست دوم به پلتفرم بازار خود اضافه کرد. «هوش مصنوعی تجاری» جدید آنها به مشتریان این امکان را میدهد که «به سایت وارد شوند، دستیار خرید را در گفتگوی طبیعی درگیر کنند، به سؤالات مربوط به نیازهایشان پاسخ دهند و سپس یک سری توصیهها را برای مراحل بعدی دریافت کنند». ROI مستقیم این یک بود کاهش 74 درصدی حجم بلیط در Mercariدر حالی که ROI غیرمستقیم این بود که صرفه جویی در زمان به دست آمده به شرکت اجازه داد تا بدهی فنی را به تدریج کاهش دهد و عملیات خود را افزایش دهد.
2. زمان پیشروی برای سرمایه گذاری های AI/GenAI و هزینه های پنهان همراه آن
با توجه به فشار مداوم بر C-Suite برای افزایش سود، احتمال کمی وجود دارد که آنها به طور ناگهانی ذهنیت “چیزهای خوب برای کسانی که منتظر هستند” را اتخاذ کنند. اما واقعیت این است که هرگونه حمله به AI/GenAI به زمان و هزینه نیاز دارد، حتی قبل از اینکه به خط شروع برسید. از سرمایه گذاری در زیرساخت ها و آموزش گرفته تا به دست آوردن API های مختلف و داده های مربوطه، می تواند ماه ها کار آماده سازی باشد که هیچ “بازدهی” دیگری به جز آماده شدن برای شروع نشان نمی دهد. یکی دیگر از هزینههای پنهان (که بسیاری از مردم در مورد آن صحبت نمیکنند) این واقعیت است که شما با توهمات و خطاهایی مواجه خواهید شد که توسط هوش مصنوعی ایجاد میشود که میتواند برای شرکتها هزینههای زیادی را با ارسال آنها در جهت اشتباه، باز کردن یک روزنه، به همراه داشته باشد. یا به طور بالقوه باعث ایجاد یک مشکل پرهزینه روابط عمومی شود. کل این تجربه بسیار جدید است، که همه چیز را کمی مخاطرهآمیز و گرانتر میکند، بنابراین برای رهبران مهم است که این را هنگام ارزیابی بازگشت سرمایه در نظر بگیرند.
مک کینزی بینشی را در مورد این فرآیند تصمیمگیری و هزینههای مرتبط با آن ارائه میدهد، که سناریوی کلاسیک «اجاره، خرید، یا ساخت» است. در کهن الگوی خود، CIOها یا CTOها باید در نظر بگیرند که آیا آنها یک “گیرنده” (با استفاده از LLMهای در دسترس عمومی با سفارشی سازی اندک)، یک “Shaper” (ادغام مدل ها با داده های متعلق به برای دریافت نتایج سفارشی تر) یا “سازنده” (ساختمان) هستند. یک مدل سفارشی برای رسیدگی به یک مورد تجاری گسسته). هر کهن الگو هزینههای خاص خود را دارد که رهبران فناوری باید آنها را ارزیابی کنند، از “Taker” که بیش از 2 میلیون دلار هزینه دارد تا “Maker” که گاهی اوقات میتواند تا 100 برابر این مقدار افزایش یابد.
سعی کنید سرمایه گذاری در AI/GenAI را انسان محورتر کنید
هنوز ترس زیادی وجود دارد (به ویژه در بین کارگران) که هوش مصنوعی جایگزین انسان شود. به جای رد این نگرانیها، شرکتها باید هر تغییری را بهجای جایگزینی بهعنوان یک پیشرفت در نظر بگیرند و سعی کنند به دنبال راههایی باشند تا سرمایهگذاری خود را انسان محورتر کنند. با GenAI، این یک تراکنش نیست. این یک مشارکت است، و هنوز نیاز واقعی برای انسان ها وجود دارد که کارایی هر گونه بینش یا مواد تولید شده را ارزیابی کنند تا مطمئن شوند که آنها عاری از سوگیری، توهم یا سایر تفسیرهای نادرست هستند. به همین دلیل بسیار مهم است که شرکت ها به طور مداوم هوش مصنوعی را به چالش بکشند تا برای اطمینان از صحت، پشت هر تصمیمی منطقی ارائه دهند. این به محتوا اعتبار بیشتری میدهد، کارگران شما نقش مشخصی در این فرآیند خواهند دید، و در نهایت به بازگشت سرمایه کمک میکند زیرا در هر مرحله در حال یادگیری هستید.
همچنین ایده خوبی است که نردههای محافظ محکمی تعیین کنید تا محدودیتهای سختگیری در مورد نوع اطلاعاتی که هوش مصنوعی میتواند جمعآوری کند، ایجاد کنید. از خود بپرسید، “آیا باید اجازه دهیم هوش مصنوعی به اینترنت دسترسی داشته باشد؟” شاید نه. نکته این است که ابتدا نیاز را در نظر بگیرید و اگر روش های اثبات شده دیگری دارید، از آنها استفاده کنید. گاهی اوقات، هوش مصنوعی فقط برای خلاصه کردن مفید است، نه «فکر کردن». همه چیز در مورد ایجاد تعادل مناسب است، و انسان ها هنوز نقش مهمی دارند. طبق تحقیقات Accenture94٪ از مدیران احساس می کنند که فناوری های رابط انسانی به ما امکان می دهد رفتارها و مقاصد را بهتر درک کنیم و تعامل انسان و ماشین را تغییر دهیم.
بستن شکاف بین وعده و واقعیت
کارشناسان موافق هستند که، در حالی که مانع کم GenAI برای ورود یک ویژگی عالی است، “پتانسیل بلند مدت آن به اثبات ارزش کوتاه مدت آن بستگی دارد.” این بدان معناست که هر خلبان AI/GenAI باید یک سری معیارهای موفقیت مشخص (و در عین حال انعطافپذیر) را قبل از راهاندازی داشته باشد و شرکتها باید دائماً فرآیندها را زیر نظر داشته باشند تا مطمئن شوند که به طور مداوم ارزش ارائه میکنند. وقتی نوبت به این دوره جدید نوآوری دیجیتال می رسد، ممکن است هرگز یک “خط پایان” سنتی وجود نداشته باشد که همه ما به سمت آن مسابقه می دهیم. درعوض، با تغییر نحوه نگرش ما به بازگشت سرمایه کوتاه مدت و بلندمدت هوش مصنوعی/GenAI، شرکت ها می توانند با دلارهای سرمایه گذاری خود هشیارتر باشند و بر روی توسعه قابلیت هایی تمرکز کنند که می توانند در کنار کسب و کار مقیاس شوند.