Kodėl 42 % dirbtinio intelekto projektų žlunga: tikrosios nesėkmių priežastys
Nepatogi tiesa apie dirbtinio intelekto investicijas
Kiekvieną ketvirtį skelbiami kvapą gniaužiantys pranešimai apie naujas dirbtinio intelekto iniciatyvas. Europos įmonės į dirbtinio intelekto transformaciją investuoja milijardus. Pažadai dideli: reikšmingas efektyvumo padidėjimas, naujos įžvalgos, konkurenciniai pranašumai, galintys pertvarkyti pramonės šakas.
O realybė? Dauguma šių projektų spektakuliškai žlunga. Ne tik nepasiekia lauktų rezultatų ar vėluoja. Jie žlunga visiškai. Atsisakoma prieš pradedant eksploatuoti, nurašomi kaip brangios pamokos, komandos išformuojamos, biudžetai išdeginami.
O nesėkmių rodiklis sparčiai ir nerimą keliančiu tempu auga.
Skaičiai, kurie turėtų gąsdinti kiekvieną technologijų vadovą
Štai skaičius, kuris turėtų gąsdinti kiekvieną technologijų vadovą, planuojantį 2025 m. biudžetus: 42 % įmonių 2025 m. atsisakė daugumos savo dirbtinio intelekto iniciatyvų dar prieš pradedant jas eksploatuoti. Tai daugiau nei 17 % praėjusiais metais. Nesėkmių rodiklis per dvylika mėnesių išaugo 147 %.
Leiskite tam įsisąmoninti. Beveik pusė visų dirbtinio intelekto projektų yra visiškai atšaukiami. Ne atidedami antram ketvirčiui. Ne apkarpomi laukiant papildomo finansavimo. Visiškai atsisakoma. Nurašoma. „PowerPoint“ pristatymai, kaupiantys dulkes „SharePoint“ sistemoje. Archyvuotos „Jira“ lentos. Nutilę „Slack“ kanalai.
O situacija dar gerokai prastesnė. Remiantis „S&P Global Market Intelligence“ 2025 m. atlikta daugiau nei 1 000 įmonių Šiaurės Amerikoje ir Europoje apklausa, vidutinė organizacija prieš įgyvendinimą atsisakė 46 % savo dirbtinio intelekto koncepcijų įrodymų. Tai ne nesėkmių rodiklis. Tai skerdynės. Europos įmonės, susidurdamos su mažesniu rizikos kapitalo rinkų likvidumu nei jų kolegos Silicio slėnyje, šį skausmą jaučia ypač stipriai. Kiekvienas atsisakytas koncepcijos įrodymas reiškia ne tik nuskendusias išlaidas, bet ir prarastas galimybes, konkurencinės pozicijos praradimą tiems varžovams, kuriems kažkaip pavyko priversti savo dirbtinį intelektą veikti.
MIT tyrimas piešia dar niūresnį vaizdą: 95 % įmonių dirbtinio intelekto bandomųjų projektų nesukuria išmatuojamo finansinio poveikio. Tik 5 % pasiekia spartų pajamų augimą. Likusieji stringa ir beveik nedaro jokio poveikio pelno (nuostolių) ataskaitai. „Gartner“ prognozavo, kad iki 2025 m. pabaigos mažiausiai 30 % generatyvaus dirbtinio intelekto projektų bus atsisakyta po koncepcijos įrodymo dėl prastos duomenų kokybės, nepakankamos rizikos kontrolės, didėjančių išlaidų ar neaiškios verslo vertės. Jie buvo konservatyvūs. Faktiniai skaičiai viršijo jų prognozes.
Kitaip tariant, dirbtinio intelekto revoliucija, apie kurią užgniaužus kvapą kalbama kiekvienoje technologijų konferencijoje, iš tikrųjų yra žlugusių eksperimentų, sudeginto kapitalo ir niekada neišsipildžiusių pažadų kapinės. Už kiekvieno spaudos pranešimo, skelbiančio apie „dirbtinio intelekto transformacijos iniciatyvas“, slypi posėdžių salės, kuriose vadovai tyliai klausia, kodėl jų 2 mln. eurų investicija nesukūrė nieko, ką būtų galima pradėti naudoti.
Tikrosios AI projektų žlugimo priežastys: ne tai, ką manote
Taigi kas iš tikrųjų sukelia šį chaosą? Kai BCG apklausė 1 000 vadovų 59 šalyse, jie atrado kai ką netikėto: žlunga ne dirbtinio intelekto algoritmai. Žlunga beveik visa kita.
Skirstymas yra ryškus: maždaug 70% dirbtinio intelekto diegimo iššūkių kyla dėl žmonių ir procesų problemų. Dar 20% tenka technologijų ir duomenų infrastruktūros problemoms. Tik 10% sudaro patys dirbtinio intelekto algoritmai, nors būtent jie sunaudoja neproporcingai daug organizacijos laiko ir išteklių.
Išskaidykime tikrąsias priežastis, kurios žudo AI projektus.
Duomenų kokybės krizė: kodėl 43% net negali pradėti
Remiantis „Informatica CDO Insights 2025“ apklausa, duomenų kokybė ir parengtumas yra didžiausia kliūtis AI sėkmei, kurią nurodė 43% organizacijų. Ir tai nėra artima antroji vieta. Tai pagrindinė kliūtis, neleidžianti AI projektams net pajudėti iš vietos.
„Gartner“ tyrimas tai dar labiau įtvirtina: iki 2026 m. organizacijos atsisakys 60% AI projektų, kuriems trūksta AI parengtų duomenų. Tai ne prognozė apie pažangius kraštinius atvejus. Tai teiginys apie pagrindines būtinas sąlygas.
„Deloitte“ nustatė, kad 80% dirbtinio intelekto ir mašininio mokymosi projektų susiduria su sunkumais, susijusiais su duomenų kokybe ir valdysena. Šešiasdešimt trys procentai organizacijų arba neturi, arba nėra tikri, ar turi tinkamą duomenų valdymo praktiką, reikalingą AI.
Ką praktiškai reiškia „bloga duomenų kokybė“? Tai reiškia duomenis, išsibarsčiusius po nesuderinamas sistemas. Tai reiškia trūkstamas reikšmes, nenuoseklius formatus, pasikartojančius įrašus. Tai reiškia duomenis, kurie niekada nebuvo skirti mašininiam mokymuisi, surinktus visiškai kitiems tikslams, o dabar priverstinai stumiamus į mokymo dujotiekius, kur jie sugadina viską.
Europos įmonės susiduria su papildomais duomenų apribojimais, kurių Amerikos konkurentai dažnai gali išvengti. BDAR teisingai apriboja, kokius asmens duomenis galima rinkti ir kaip juos galima naudoti. Griežtesnis ES požiūris į privatumą reiškia, kad Europos sveikatos priežiūros įmonės negali tiesiog nuskaityti milijonų pacientų įrašų taip, kaip tai darė kai kurios Amerikos firmos. Europos finansų institucijos veikia pagal griežtesnę duomenų valdyseną nei jų Volstryto kolegos.
Šie reglamentai yra būtini ir tinkami. Tačiau jie reiškia, kad Europos įmonėms reikia dirbtinio intelekto sprendimų, kurie veiktų su mažiau duomenų, laikytųsi švaresnės duomenų tvarkymo praktikos ir nuo pat pradžių reikalautų griežtesnio valdymo. Požiūris „sukaupti viską ir išsiaiškinti vėliau“, kuris pasiteisino Silicio slėnyje, tiesiog nėra įmanomas.
Įgūdžių krizė: kodėl 70 % Europos įmonių neranda dirbtinio intelekto talentų
Net jei įmonės turi gerų duomenų, jos susiduria su kita svarbia kliūtimi: sunku rasti žmonių, kurie tikrai sugebėtų juos naudoti. Trisdešimt penki procentai organizacijų nurodo įgūdžių trūkumą kaip pagrindinę kliūtį sėkmingam dirbtinio intelekto diegimui. Europoje ši problema yra dar opesnė.
Daugiau nei 70 procentų ES įmonių praneša, kad skaitmeninių įgūdžių turinčių darbuotojų trūkumas trukdo tolesnėms technologijų investicijoms. Čia nekalbama apie poreikį turėti daugiau duomenų mokslininkų su daktaro laipsniais. Kalbama apie visą organizacinę ekosistemą, reikalingą, kad dirbtinis intelektas veiktų.
Jums reikia duomenų inžinierių, kurie gali sukurti patikimus dujotiekius. Jums reikia MLOps specialistų, kurie supranta diegimo infrastruktūrą. Jums reikia srities ekspertų, kurie gali paversti verslo problemas mašininio mokymosi tikslais. Jums reikia produktų vadybininkų, kurie supranta ir AI galimybes, ir rinkos poreikius. Jums reikia atitikties pareigūnų, kurie gali orientuotis ES AI akte.
Europos įmonės konkuruoja dėl šio talentų telkinio su Amerikos firmomis, siūlančiomis Silicio slėnio atlyginimų paketus, o darbuotojai dirba nuotoliniu būdu iš Stokholmo, Berlyno ar Amsterdamo. Vyresnysis mašininio mokymosi inžinierius Miunchene gali uždirbti 120 000 eurų, bet San Fransisko įmonė, samdanti Europoje, gali pasiūlyti 200 000 eurų. Rizikos kapitalo atotrūkis reiškia, kad Europos startuoliai negali prilygti tokiems pasiūlymams.
Rezultatas? Dirbtinio intelekto projektai, kuriems vadovauja komandos, neturinčios reikiamos kompetencijos, priimančios architektūrinius sprendimus, pasmerkdamos projektą nuo pat pradžių. Pasirenkančios sistemas, kurių negali tinkamai diegti. Kuriančios modelius, kurių negali prižiūrėti. Sukuriančios techninę skolą, kuri auga, kol visas projektas žlunga.
Sąnaudų spąstai: kai GPU sąskaitos viršija pajamų prognozes
NTT DATA nustatė, kad 70-85 % generatyvaus dirbtinio intelekto diegimo pastangų nepasiekia norimų IG tikslų. Pagrindinė priežastis? Išlaidos, išaugančios virš pradinių įverčių.
Didelėms neuroninių tinklų treniruotėms reikia brangios GPU infrastruktūros. NVIDIA H100 kainuoja apie 30 000 eurų, o paprastai reikia kelių vienetų, veikiančių lygiagrečiai. Europos elektros energijos kainos, vidutiniškai siekiančios 0,20 euro už kilovatvalandę, palyginti su 0,10 euro JAV, reiškia, kad treniruočių išlaidos yra tiesiog dvigubai didesnės už tą patį skaičiavimą.
Inferencijos sąnaudos yra nuolatinė išlaidų dalis, kurią daugelis įmonių neįvertina. Tas neuroninis tinklas, aptarnaujantis klientų užklausas? Jam gali prireikti GPU egzemplioriaus už 3 000 EUR per mėnesį, veikiančio 24 valandas per parą, 7 dienas per savaitę. Padidinus mastą iki tūkstančių užklausų per sekundę, infrastruktūros sąnaudos tampa tokios didelės, kad visas verslo modelis tampa neįgyvendinamas.
Europos įmonės, turinčios griežtesnius kapitalo apribojimus nei Silicio slėnio kolegos, šią ekonomiką vertina ypač atšiauriai. Amerikos konkurentai gali patirti nuostolių, kol pasiekia mastą. Europos įmonėms pelningumo reikia daug anksčiau, todėl didelės infrastruktūros sąnaudos tampa tiesioginiu keliu į projekto nutraukimą.
Verslo vertės vakuumas: kai vadovybė reikalauja investicijų grąžos
BCG tyrimas parodė, kad 74 % įmonių dar neparodė apčiuopiamos vertės iš savo dirbtinio intelekto naudojimo. Tai reiškia, kad trys ketvirtadaliai organizacijų negali įrodyti prasmingos grąžos iš savo investicijų į DI.
Tai ne techninė problema. Tai strateginė problema. Organizacijos pradeda DI iniciatyvas be aiškių verslo tikslų. Jos kuria modelius, kurie sprendžia įdomius techninius uždavinius, bet nepatenkina realių verslo poreikių. Jos sukuria įspūdingas demonstracijas, kurios nevirsta pajamomis, sąnaudų mažinimu ar konkurenciniu pranašumu.
„Gartner" nustatė, kad „neaiški verslo vertė" yra viena iš pagrindinių priežasčių, kodėl DI projektai atmetami po koncepcijos įrodymo. Vadovai patvirtina bandomuosius projektus, remdamiesi entuziazmu dėl DI potencialo. Po šešių mėnesių jie reikalauja pamatyti poveikį pelno ir nuostolių ataskaitoje. Kai komandos negali parodyti išmatuojamų finansinių rezultatų, finansavimas išgaruoja.
Europos įmonės čia susiduria su papildomu spaudimu. Griežtesnės kapitalo rinkos reiškia mažiau kantrybės spekuliatyvioms investicijoms. Amerikos įmonės gali finansuoti DI tyrimus metų metus, remdamosi strateginio pozicionavimo argumentais. Europos valdybos nori matyti grąžą per ketvirčius, o ne per metus.
Požiūrio permąstymas: efektyvumas kaip sprendimas
Atsižvelgiant į šiuos iššūkius, duomenų kokybės problemas, sąnaudų apribojimus, įgūdžių trūkumą ir neaiškią investicijų grąžą, kokios strategijos iš tikrųjų veikia? Sėkmingus DI diegimus sieja bendri bruožai: jie yra efektyvūs išteklių atžvilgiu, dirba su ne itin kokybiškais duomenimis, greitai parodo aiškią verslo vertę ir nereikalauja specializuotos infrastruktūros ar retos kompetencijos.
Čia įdomios tampa alternatyvios architektūrinės prieigos. Užuot didinus mastą galingesniais GPU, didesniais duomenų rinkiniais ir didesniais modeliais, kai kurios organizacijos randa sėkmę protingai didindamos mastą: naudodamos iš esmės efektyvesnius matematinius pagrindus, kurie sprendžia pagrindinius apribojimus.
Dvejetainiai ir mažo bitų neuroniniai tinklai yra vienas iš tokių būdų. Vietoj tradicinės 32 bitų slankiojo kablelio aritmetikos šios sistemos veikia su labai supaprastintais skaitiniais vaizdiniais. Praktinė nauda tiesiogiai sprendžia mūsų aptartus gedimo atvejus.
Sąnaudų mažinimas yra tiesioginis ir didelis. Dvejetainės operacijos sunaudoja tik dalį energijos, kurios reikia slankiojo kablelio skaičiavimams. Modeliai, kuriems reikėtų aukščiausios klasės GPU klasterių, gali efektyviai veikti su standartine CPU infrastruktūra. Tai keičia ekonomiką: mokymas, kainuojantis 500 000 EUR su GPU infrastruktūra, gali būti baigtas už 40 000 EUR su CPU serveriais. Inferencijai, kuriai reikia GPU egzempliorių už 3 000 EUR per mėnesį, gali pakakti CPU pajėgumų už 200 EUR per mėnesį.
Europos įmonėms, susiduriančioms su dvigubai didesnėmis elektros sąnaudomis nei JAV, šis efektyvumo pranašumas tampa strategiškai reikšmingas. Svarbu ne tik mažesnės sąskaitos; svarbu tai, kad ištisos DI programų klasės tampa ekonomiškai perspektyvios ten, kur anksčiau nebuvo.
Duomenų efektyvumas didėja, nes paprastesnė aritmetika gali lemti patikimesnį mokymąsi iš mažesnių duomenų rinkinių. Nors įprastam giluminiam mokymuisi dažnai reikia didžiulių duomenų kiekių, iš dalies siekiant įveikti mokymo nestabilumą, labiau apribotos architektūros gali paskatinti geresnį apibendrinimą iš ribotų pavyzdžių.
Techniniu požiūriu dvejetainės operacijos pašalina tam tikras skaitinių problemų klases, kurios kamuoja slankiojo kablelio sistemas. Nors nė viena sistema nėra tobula, matematinis paprastumas gali pagerinti atkuriamumą ir nuoseklumą testuojant, o tai ypač svarbu atitikties reguliavimo reikalavimams požiūriu.
„Dweve" įgyvendinimas: europietiškas požiūris į dirbtinio intelekto infrastruktūrą
„Dweve" visą savo platformą sukūrėme remdamiesi šiais efektyvumo principais, specialiai pritaikytais europės įmonių suvaržymams spręsti. Mūsų požiūris nėra susijęs su Silicio slėnio masto siekimu; esmė yra iš esmės kitokia ekonomika ir architektūriniai sprendimai.
„Core", mūsų dvejetainio neuroninio tinklo sistema, įgyvendina 1 930 aparatine įranga optimizuotų algoritmų, veikiančių diskrečiosios matematikos pagrindu. Praktinis poveikis sprendžia kelis aptartus gedimo scenarijus: gerokai mažesnės infrastruktūros sąnaudos, dėl kurių projektai tampa ekonomiškai perspektyvūs pagal europietiškus biudžetus, geresnis duomenų efektyvumas taikant apribojimais grindžiamą mokymąsi, kuris veikia su mažesniais, aukštesnės kokybės duomenų rinkiniais, o ne reikalauja didžiulio interneto masto duomenų rinkimo, ir geresnis atitikimas ES dirbtinio intelekto akto reikalavimams per skaidresnius, paaiškinamus sprendimų kelius.
„Loom", mūsų 456 sričių specializuotas modelis, parodo, kaip šis efektyvumas virsta gamybiniu pajėgumu. Jis veikia CPU infrastruktūroje, o tai reiškia, kad Europos įmonės gali jį diegti be kelių mėnesių laukimo GPU paskirstymo eilėse arba pažeidžiamumo JAV eksporto kontrolės pažangiems lustams rizikos. Mokymo sąnaudos sumažėja nuo šimtų tūkstančių iki dešimčių tūkstančių eurų. Inferencija plečiasi ekonomiškai, nes nereikia mokėti už brangų akceleratoriaus laiką.
Tai sprendžia sąnaudų spąstus, kurie pražudo tiek daug projektų. Kai infrastruktūros išlaidos yra 90 % mažesnės, verslo modeliai, kurie anksčiau buvo neįmanomi, tampa perspektyvūs. Europos įmonės gali konkuruoti efektyvumu, o ne bandyti prilygti Amerikos mastui.
Reguliavimo požiūriu dvejetainės operacijos suteikia nuoseklumo pranašumų. Atlikdami bandymus įvairiose aparatinės ir programinės įrangos aplinkose, pastebėjome labai atkuriamą elgesį. Tai nepaprastai svarbu pramonės šakoms, kuriose ES medicinos priemonių reglamentas arba finansinių paslaugų reglamentai reikalauja deterministinių, audituojamų dirbtinio intelekto sistemų.
Įgūdžių spragos problema tampa lengviau sprendžiama, kai jūsų dirbtinis intelektas veikia standartinėje infrastruktūroje, kurią jūsų esamos infrastruktūros komandos jau supranta. Nereikia retų CUDA optimizavimo ar paskirstytojo GPU mokymo specialistų. Jūsų dabartiniai inžinieriai gali diegti, stebėti ir prižiūrėti sistemas, veikiančias pažįstamuose CPU serveriuose.
Europos pranašumas: ekonomika ir suverenumas
Štai kodėl dvejetainiai neuroniniai tinklai ypač svarbūs Europos įmonėms, kurios susiduria su griežtesniais kapitalo rinkų apribojimais ir griežtesniais reglamentais nei jų Amerikos konkurentai.
Įprastas dirbtinio intelekto požiūris palankus tiems, kurie turi daugiausia skaičiavimo galios, daugiausia duomenų, daugiausia pinigų. Tai žaidimas, kurį Amerikos technologijų milžinės visada laimės. Jos turi dešimtmečius kurtą duomenų centrų infrastruktūrą. Jos turi masto ekonomiją iš milijonų vartotojų. Jos turi sukauptų pranašumų, kontroliuodamos paieškos sistemas, socialinius tinklus ir debesų platformas.
Europos įmonės, bandančios konkuruoti šiame įprastiniame dirbtinio intelekto žaidime, susiduria su struktūriniais trūkumais. Europos rizikos kapitalas 2024 m. surinko 37 mlrd. eurų, o tai įspūdinga, kol nesupranti, kad tai mažiau nei penktadalis Silicio slėnio kapitalo investicijų. Europos elektros energijos kainos vidutiniškai siekia 0,20 EUR už kWh, palyginti su 0,10 EUR JAV, todėl skaičiavimams imlūs mokymo ciklai kainuoja dvigubai brangiau. Europos duomenų apsaugos reglamentai pagrįstai riboja, kokius mokymo duomenis įmonės gali rinkti, o Amerikos konkurentai susigeria viską.
Dvejetainiai neuroniniai tinklai visiškai pakeičia šią lygtį. Jiems nereikia didžiulių GPU klasterių, sunaudojančių megavatus. Jiems nereikia petabaitų masto duomenų rinkinių, nubrauktų iš interneto. Jie efektyviai veikia standartinėje CPU infrastruktūroje, kurią Europos įmonės jau turi ir valdo. Mokymo ciklai, kurie GPU klasteriuose kainuoja 500 000 EUR, CPU serveriuose kainuoja 40 000 EUR. Modeliams, kuriems reikia 1 200 vatų greitintuvų, pakanka 50 vatų procesorių.
Štai kaip Europa konkuruoja DI srityje: ne vytis atsilikimą žaidime, sukurtame prieš Europos struktūrines realijas, o keisti pagrindines taisykles geresne matematika.
Visa „Dweve" technologijų krūva yra pastatyta ant šio pagrindo. „Core" suteikia dvejetainių neuroninių tinklų sistemą. „Loom" įgyvendina 456 sričių specialistų intelekto modelį. „Nexus" koordinuoja kelių agentų sistemas. „Aura" įgalina autonominį vystymą. „Fabric" visa tai sujungia. „Mesh" tai paskirsto visame pasaulyje.
Visa tai efektyviai veikia Europos infrastruktūroje. Jokios priklausomybės nuo NVIDIA greitintuvų su kelių mėnesių pristatymo terminais. Jokio strateginio pažeidžiamumo JAV eksporto kontrolės atžvilgiu pažangiems lustams. Jokio matematinio nestabilumo, griaunančio gamybos diegimus.
ES DI aktas tai daro privaloma
Europos įmonės neturi prabangos rinktis, ar spręsti šias problemas. ES DI aktas, įsigaliojęs 2024 m. rugpjūčio 1 d., didelės rizikos programoms teisiškai privalomu daro deterministinį, paaiškinamą DI.
13 straipsnis reikalauja, kad didelės rizikos DI sistemos būtų suprojektuotos skaidrumui užtikrinti. Diegėjai turi galėti interpretuoti sistemos rezultatus ir tinkamai juos naudoti. 50 straipsnis įpareigoja bendros paskirties DI modelių teikėjus dokumentuoti mokymo duomenis, testavimo procedūras ir sistemos apribojimus. Reglamentai įsigalioja laipsniškai iki 2026 m., o svarbiausios prievolės jau galioja sistemoms, diegiamoms 2025 m.
Šių reikalavimų įvykdymas naudojant įprastas dirbtinio intelekto sistemas kelia didelių iššūkių. Europos sveikatos priežiūros įmonės, bandančios sertifikuoti DI diagnostikos įrankius pagal Medicinos prietaisų reglamentą, susiduria su atkuriamumo reikalavimais. Finansų įstaigos, diegiančios DI sprendimams dėl kredito pagal vartotojų apsaugos įstatymus, pastebi, kad reguliavimo reikalaujamas paaiškinamumas reikalauja tikslaus sprendimų procesų dokumentavimo.
Alternatyvūs metodai, tokie kaip dvejetainiai neuroniniai tinklai, čia suteikia pranašumų. Dvejetainės operacijos išvengia tam tikrų slankiojo kablelio skaitinio kintamumo klasių. Mūsų testuose „Dweve“ inferencija duoda nuoseklius, atkuriamus rezultatus įvairiose aparatinės ir programinės įrangos aplinkose. Sprendimų keliai eina per diskrečias matematines operacijas su aiškia logine struktūra, o ne reikalauja interpretuoti milijardus nuolatinių parametrų. Modelio elgsena gali būti dokumentuojama matematiniu tikslumu.
Europos įmonėms, diegiančioms dirbtinį intelektą reguliuojamose pramonės šakose, tai nėra pasirinkimas. ES dirbtinio intelekto aktas įpareigoja aukštos rizikos sistemas užtikrinti skaidrumą ir nuoseklų, audituojamą elgesį. Architektūriniai sprendimai, suteikiantys šias savybes, tampa būtinybe, o ne vien pranašumu.
Kas iš tikrųjų veikia: pamokos iš tų 5 %, kuriems pavyksta
BCG tyrimai atskleidė, kas skiria sėkmingus dirbtinio intelekto diegimus nuo tų 74 %, kurie nesukuria apčiuopiamos vertės. Laimėtojai apverčia įprastą išteklių paskirstymą: jie skiria 50-70 % laiko ir biudžeto duomenų parengčiai, valdysenai ir kokybės kontrolei. Algoritmams tenka tik 10 %.
Jie pirmiausia išsprendžia žmonių problemą. Jie investuoja į pokyčių valdymą, darbo eigos integraciją ir organizacinę adaptaciją. Jie kuria komandas, turinčias tinkamą duomenų inžinerijos, srities žinių ir verslo supratimo derinį, o ne vien mašininio mokymosi daktarus.
Jie anksti įrodo aiškią verslo vertę. Jie pasirenka projektus, turinčius išmatuojamą finansinį poveikį, o ne techniškai įspūdingas demonstracijas. Jie tiesiogiai susieja AI galimybes su P&L rezultatais, kuriuos vadovai gali patikrinti.
Ir vis dažniau jie renkasi architektūriškai efektyvius sprendimus, kurie veikia laikantis Europos apribojimų, o ne reikalauja Silicio slėnio ekonomikos.
Kelias į priekį: sprendžiant pagrindines priežastis
AI pramonė 2025 m. yra lūžio taške. Nesėkmių rodikliai, išaugę 147% per metus, signalizuoja apie esmines problemas, kurių nebeišspręs vien didesni pinigų srautai į įprastinius metodus. Europos įmonės susiduria su ypatingu spaudimu: griežtesnėmis kapitalo rinkomis, didesnėmis energijos sąnaudomis, griežtesniais reglamentais ir konkurencija dėl talentų su Amerikos įmonėmis, siūlančiomis Silicio slėnio paketus.
Sprendimas nėra atsisakyti DI. Tai pripažinti, kas iš tikrųjų sukelia nesėkmes, ir sistemingai šalinti tas pagrindines priežastis: nuo pat pradžių investuoti į duomenų kokybę, pripažinti, kad DI diegimas iš esmės yra žmonių ir procesų iššūkis, greitai įrodyti verslo vertę tiksliniais diegimais ir pasirinkti techniškai efektyvias architektūras, kurios veiktų atsižvelgiant į realias sąlygas.
Europos įmonėms tai reiškia žaisti pagal skirtingus pranašumus. Jūs nepralenksite Amerikos konkurentų mastu. Tačiau galite juos pralenkti efektyvesniais metodais. Negalite prilygti Silicio slėnio duomenų rinkimo praktikai, bet su GDPR suderinami metodai gali sukurti aukštesnės kokybės mokymo duomenis. Negalite konkuruoti GPU klasterių dydžiu, tačiau CPU efektyvios architektūros visiškai panaikina šį trūkumą.
„Dweve“ platformą sukūrėme būtent tokioms realybėms. Dvejetainiai neuroniniai tinklai, veikiantys standartinėje infrastruktūroje, sukurti pagal Europos reguliavimo reikalavimus, optimizuoti duomenų efektyvumui, o ne duomenų mastui. Ne todėl, kad filosofiškai prieštarautume slankiojo kablelio aritmetikai, o todėl, kad Europos įmonių patiriama ekonomika ir reglamentai reikalauja kitokių sprendimų.
2024-2025 m. nesėkmių statistika aiškiai parodo situaciją. Organizacijos, kurios nesprendžia duomenų kokybės, įgūdžių spragų, išlaidų valdymo ir verslo vertės suderinimo problemų, ir toliau patirs nesėkmes, nesvarbu, kokius algoritmus naudotų. Tos, kurios išsprendžia šias pagrindines problemas, turi galimybę pasiekti sėkmės.
Tikra tiesa apie dirbtinio intelekto nesėkmes
AI projektų nesėkmės pirmiausia nėra techninės problemos. Tai organizacinės, ekonominės ir strateginės problemos, kurios pasireiškia kaip techninės nesėkmės.
Keturiasdešimt trys procentai susiduria su duomenų kokybės problemomis. Septyniasdešimt procentų susiduria su žmonių ir procesų iššūkiais. Septyniasdešimt keturi procentai negali parodyti verslo vertės. Septyniasdešimt-aštuoniasdešimt penki procentai GenAI diegimų nepasiekia ROI tikslų.
Tai nėra algoritmų problemos. Tai pamatinės problemos, kurias reikia išspręsti, kol algoritmų pasirinkimas tampa svarbus.
Jūsų kitas dirbtinio intelekto projektas neturi prisijungti prie tų 42 %, kurie yra apleidžiami. Tačiau norint išvengti nesėkmės, reikia suprasti, kas ją iš tikrųjų sukelia: prasta duomenų tvarkymo praktika, nepakankamas organizacinių pokyčių valdymas, neaiškūs verslo tikslai, netvarūs kaštai ir architektūros, neatitinkančios realių apribojimų.
Ištaisykite šias problemas, ir techniniai sprendimai, kurie anksčiau buvo neįmanomi, taps įgyvendinami. Jei jų nepaisysite, net pats pažangiausias dirbtinis intelektas žlugs.
Tiesos apie dirbtinio intelekto sėkmę niekuo nepagražinsi: tai duomenų valdymas, darbo eigos integracija, ekonominis pagrįstumas ir aiškūs verslo rodikliai. Visa kita - tik įgyvendinimo detalės.