Revolusi kecerdasan buatan menjanjikan transformasi operasi perniagaan dan memacu pertumbuhan hasil yang tidak pernah berlaku sebelum ini, tetapi penyelidikan baharu menunjukkan realiti yang jauh lebih membimbangkan. Kajian komprehensif oleh inisiatif NANDA MIT telah mendedahkan jurang yang ketara dalam landskap AI korporat, memperlihatkan bahawa majoriti besar pelaksanaan AI generatif perusahaan bergelut untuk menyampaikan hasil yang bermakna.
Skala Cabaran Pelaksanaan AI
Penyelidik MIT menjalankan analisis ekstensif yang melibatkan 150 temu bual dengan pemimpin perniagaan, tinjauan terhadap 350 pekerja, dan pemeriksaan 300 penggunaan AI awam. Penemuan mereka melukiskan gambaran yang membimbangkan untuk penggunaan AI perusahaan. Hanya 5% program perintis AI generatif mencapai percepatan hasil yang pantas, manakala baki 95% terbantut dan menyampaikan sedikit atau tiada kesan yang boleh diukur pada penyata untung rugi.
Penyelidikan yang diterbitkan dalam The GenAI Divide: State of AI in Business 2025 mencabar semangat yang meluas mengelilingi integrasi AI dalam persekitaran korporat. Pengarang utama Aditya Challapally , penyumbang penyelidikan kepada projek NANDA MIT , menekankan bahawa isu bukan terletak pada kualiti model AI tetapi pada cara organisasi mendekati pelaksanaan dan integrasi.
Metodologi Kajian MIT
- 150 temu bual dengan pemimpin perniagaan
- Tinjauan terhadap 350 pekerja
- Analisis terhadap 300 penggunaan AI awam
- Penyelidikan diterbitkan sebagai "The GenAI Divide: State of AI in Business 2025"
Kisah Kejayaan Menonjolkan Perbezaan Strategik
Walaupun keputusan keseluruhan mengecewakan, peratusan kecil pelaksanaan yang berjaya memberikan pandangan berharga tentang strategi penggunaan AI yang berkesan. Syarikat permulaan muda, terutamanya yang diketuai oleh usahawan pada akhir remaja dan awal dua puluhan, telah menunjukkan kejayaan yang luar biasa dengan alat AI generatif. Sesetengahnya mengalami lonjakan hasil daripada sifar kepada 20 juta dolar Amerika dalam tempoh setahun.
Syarikat-syarikat yang berjaya ini berkongsi ciri-ciri umum dalam pendekatan mereka terhadap pelaksanaan AI. Mereka memberi tumpuan kepada menyelesaikan satu titik kesakitan khusus daripada mencuba transformasi berskala luas. Mereka melaksanakan strategi pilihan mereka dengan tepat dan menjalin perkongsian bijak dengan syarikat yang aktif menggunakan alat berkuasa AI mereka. Pendekatan yang disasarkan ini berbeza dengan jelas daripada usaha yang berselerak oleh banyak perusahaan yang lebih besar.
Contoh Kisah Kejayaan
- Syarikat permulaan muda (diketuai oleh golongan berusia 19-20 tahun) mencapai pertumbuhan hasil daripada USD 0 kepada USD 20 juta dalam tempoh satu tahun
- Faktor kejayaan: tumpuan kepada satu masalah utama, pelaksanaan yang tepat, perkongsian strategik yang bijak
- Pemerkasaan pengurus barisan lebih berkesan berbanding pendekatan makmal AI berpusat
Masalah Jurang Pembelajaran
Cabaran teras yang dihadapi oleh kebanyakan organisasi bukan had teknikal tetapi apa yang penyelidik MIT istilahkan sebagai jurang pembelajaran. Walaupun eksekutif kerap menyalahkan kekangan peraturan atau isu prestasi model, penyelidikan menunjuk kepada kecacatan asas dalam strategi integrasi perusahaan. Alat AI generik seperti ChatGPT cemerlang untuk pengguna individu kerana fleksibiliti mereka, tetapi mereka bergelut dalam persekitaran perusahaan kerana tidak dapat belajar daripada atau menyesuaikan diri dengan aliran kerja organisasi khusus.
Ketidakselarasan antara keupayaan AI dan keperluan organisasi ini mewujudkan halangan yang ketara kepada pelaksanaan yang berjaya. Syarikat sering mengharapkan hasil segera daripada alat AI tanpa melabur dalam kerja penyesuaian dan integrasi yang diperlukan untuk penggunaan skala perusahaan.
Ketidakselarasan Peruntukan Sumber
Kajian mendedahkan ketidakselarasan kritikal dalam cara syarikat memperuntukkan belanjawan AI generatif mereka. Lebih daripada separuh perbelanjaan AI memberi tumpuan kepada aplikasi jualan dan pemasaran, namun penyelidikan MIT menunjukkan bahawa pulangan pelaburan terbesar datang daripada automasi pejabat belakang. Pelaksanaan yang berjaya menghapuskan kos penyumberan luar proses perniagaan, mengurangkan perbelanjaan agensi luaran, dan menyelaraskan aliran kerja operasi.
Salah peruntukan ini menunjukkan bahawa banyak organisasi mengejar aplikasi AI dalam bidang yang mempunyai keterlihatan tinggi daripada memberi tumpuan kepada fungsi di mana AI boleh menyampaikan nilai yang paling boleh diukur. Penekanan pada aplikasi yang berhadapan dengan pelanggan mungkin menjana keseronokan tetapi sering gagal menghasilkan penjimatan kos yang besar dan keuntungan kecekapan yang tersedia melalui automasi operasi.
Peruntukan Bajet berbanding ROI
- Lebih 50% daripada bajet GenAI diperuntukkan kepada alat jualan dan pemasaran
- ROI terbesar dijumpai dalam automasi pejabat belakang
- Bidang yang berjaya: menghapuskan penyumberan luar proses perniagaan, mengurangkan kos agensi luaran, memperkemas operasi
Strategi Bina Berbanding Beli
Salah satu penemuan paling ketara berkaitan dengan strategi pelaksanaan. Syarikat yang membeli alat AI daripada vendor khusus mencapai kadar kejayaan kira-kira 67%, manakala organisasi yang cuba membina penyelesaian dalaman berjaya hanya kira-kira satu pertiga kekerapan. Penemuan ini mempunyai kaitan khusus untuk sektor yang sangat dikawal seperti perkhidmatan kewangan, di mana banyak firma membangunkan sistem AI generatif proprietari.
Keutamaan untuk pembangunan dalaman sering berpunca daripada kebimbangan keselamatan dan keperluan peraturan, tetapi data menunjukkan pendekatan ini mengurangkan kemungkinan pelaksanaan yang berjaya dengan ketara. Vendor khusus membawa kepakaran dan alat yang diperhalusi yang sukar untuk ditiru oleh pasukan dalaman, terutamanya apabila bekerja di bawah kekangan infrastruktur korporat sedia ada.
Kadar Kejayaan Pelaksanaan AI
- Hanya 5% daripada projek perintis AI generatif mencapai pecutan hasil yang pantas
- 95% daripada pelaksanaan terbantut dengan sedikit atau tiada impak P&L yang boleh diukur
- Penyelesaian vendor khusus berjaya ~67% daripada masa
- Pembinaan dalaman hanya berjaya ~33% daripada masa
Kesan Tenaga Kerja dan Penggunaan AI Bayangan
Penyelidikan mendokumentasikan gangguan tenaga kerja yang berterusan, terutamanya dalam peranan sokongan pelanggan dan pentadbiran. Daripada melaksanakan pemberhentian besar-besaran, syarikat semakin memilih untuk tidak mengisi semula jawatan apabila ia menjadi kosong. Kebanyakan perubahan mempengaruhi pekerjaan yang sebelum ini disumber luar kerana nilai rendah yang dianggap, menunjukkan transformasi beransur-ansur daripada perubahan mendadak corak kerja.
Kajian juga menonjolkan penggunaan meluas AI bayangan – alat tidak disahkan seperti ChatGPT yang digunakan pekerja tanpa kelulusan rasmi. Fenomena ini mewujudkan risiko keselamatan sambil menunjukkan jurang antara keperluan pekerja dan alat AI yang disahkan secara rasmi. Organisasi bergelut untuk mengukur kesan AI terhadap produktiviti dan keuntungan, sebahagiannya kerana penggunaan tidak rasmi ini.
Arah Masa Depan dan AI Agentik
Memandang ke hadapan, organisasi yang paling maju bereksperimen dengan sistem AI agentik yang boleh belajar, mengingat, dan bertindak secara bebas dalam sempadan yang ditetapkan. Sistem ini mewakili fasa seterusnya pembangunan AI perusahaan, berpotensi menangani beberapa isu jurang pembelajaran yang dikenal pasti dalam pelaksanaan semasa.
Penyelidikan MIT mencadangkan bahawa penggunaan AI yang berjaya memerlukan pemerkasaan pengurus barisan daripada bergantung semata-mata pada makmal AI pusat untuk memacu pelaksanaan. Pendekatan ini membenarkan pemilihan alat yang boleh berintegrasi mendalam dengan aliran kerja sedia ada dan menyesuaikan diri dari masa ke masa kepada keperluan organisasi yang berubah.
Penemuan ini berfungsi sebagai semakan realiti untuk industri AI dan pemimpin korporat yang melabur besar dalam teknologi AI generatif. Walaupun potensi kekal ketara, mencapai kejayaan memerlukan strategi yang teliti, peruntukan sumber yang sesuai, dan jangkaan realistik tentang garis masa pelaksanaan dan cabaran.