Kajian terbaru MIT telah mendedahkan realiti yang membimbangkan mengenai kecerdasan buatan dalam perniagaan: 95% projek perintis AI perusahaan gagal memberikan hasil yang boleh diukur. Statistik ini telah mencetuskan perbincangan sengit dalam komuniti teknologi, dengan ramai yang berkongsi pengalaman mereka sendiri menyaksikan projek AI yang menjanjikan runtuh walaupun dengan pelaburan yang besar.
Statistik Kegagalan Projek AI
- 95% projek perintis AI perusahaan gagal memberikan impak perniagaan yang boleh diukur (kajian MIT )
- Pengekalan pengguna boleh menurun daripada 80% kepada 11% dalam tempoh 4 bulan untuk alat AI yang dilaksanakan dengan buruk
- Penyelesaian alternatif yang berjaya boleh menelan kos serendah $70 USD sebulan bagi setiap pengguna berbanding $450,000 USD untuk pelaksanaan yang gagal
Masalah Sebenar Bukan pada Teknologi
Kegagalan inisiatif AI jarang berpunca daripada batasan teknikal. Sebaliknya, organisasi membuat kesilapan asas dalam cara mereka mendekati projek-projek ini. Perbincangan komuniti mendedahkan corak di mana eksekutif mewajibkan penggunaan AI tanpa objektif yang jelas, membawa kepada eksperimen mahal yang tidak menyelesaikan masalah sebenar.
Satu kisah yang amat bermakna menerangkan sebuah syarikat yang membelanjakan 450,000 dolar Amerika Syarikat selama 18 bulan untuk alat AI yang bermula dengan 80% penggunaan pengguna tetapi menurun kepada hanya 11% dalam tempoh empat bulan. Organisasi yang sama kemudiannya menemui kejayaan dengan alat yang lebih mudah yang berharga 70 dolar Amerika Syarikat sebulan bagi setiap pengguna, mencapai 90% pengekalan pada enam bulan. Perbezaan dramatik ini menyerlahkan bagaimana pendekatan yang salah boleh membazir sumber yang besar manakala penyelesaian yang betul mungkin mengejutkan dari segi kemampuan.
Setiap mesyuarat projek yang pernah saya hadiri bermula dengan eksekutif bukan teknikal bertanya, apa yang boleh kita gunakan AI untuk? Mereka mempunyai penyelesaian dan pergi mencari masalah supaya mereka boleh mengatakan mereka menggunakan AI .
Punca Kegagalan Projek AI yang Biasa
- Isu kesiapan data: data yang berpecah-belah, tidak konsisten, atau tidak boleh diakses
- Pendekatan mengutamakan penyelesaian: mencari masalah untuk diselesaikan dengan AI dan bukannya menggunakan AI untuk menyelesaikan masalah sedia ada
- Strategi penskalaan yang lemah: tiada peta jalan untuk mengembangkan projek melebihi program perintis
- Jurang tadbir urus: kekurangan dasar yang jelas mengenai risiko, pematuhan, dan akauntabiliti
- Cabaran integrasi: kesukaran untuk menyepadukan AI ke dalam aliran kerja sedia ada
Masalah Data Mencipta Halangan Mahal
Banyak projek AI gagal sebelum ia bermula disebabkan pengurusan data yang lemah. Organisasi sering mendapati maklumat mereka bertaburan merentasi sistem yang berbeza, tidak konsisten dari segi kualiti, atau tidak boleh diakses pada skala yang diperlukan untuk aplikasi AI . Ini amat bermasalah untuk syarikat yang berurusan dengan jumlah besar data operasi seperti log rangkaian dan metrik sistem.
Komuniti telah menyatakan bahawa model bahasa tradisional tidak direka untuk mengendalikan aliran besar data teknikal yang dihasilkan oleh banyak perniagaan. Tanpa asas data yang bersih dan bersepadu, walaupun model AI yang paling canggih tidak dapat memberikan nilai.
Masalah Pembina Resume
Isu penting yang mendorong kegagalan projek AI adalah motivasi di sebaliknya. Banyak inisiatif dilancarkan bukan untuk menyelesaikan masalah perniagaan, tetapi untuk membantu pengurus menambah pengalaman AI ke dalam resume mereka. Ini mewujudkan kitaran di mana projek direka lebih untuk kemajuan peribadi daripada manfaat organisasi.
Komuniti teknologi telah memerhatikan corak ini sebelum ini dengan blockchain , data besar, pengkomputeran awan, dan microservices . Setiap gelombang teknologi menarik individu yang fokus pada kerjaya yang mendesak untuk penggunaan tanpa mengira keperluan perniagaan sebenar, sering membawa kepada kegagalan mahal yang secara senyap-senyap diketepikan.
Faktor Kejayaan untuk Pelaksanaan AI
- Bermula dengan hasil perniagaan yang jelas dan masalah yang perlu diselesaikan
- Merancang untuk penerimaan pengguna, latihan, dan pengurusan perubahan dari hari pertama
- Melabur dalam kesediaan dan kualiti data sebelum melaksanakan penyelesaian AI
- Bekerjasama dengan vendor berpengalaman daripada membina segala-galanya secara dalaman
- Menganggap AI sebagai keupayaan perniagaan dan bukannya eksperimen teknologi
Apa Yang Sebenarnya Berkesan
Peratusan kecil pelaksanaan AI yang berjaya berkongsi ciri-ciri umum. Mereka bermula dengan masalah perniagaan yang jelas dan bukannya penyelesaian teknologi. Mereka merancang untuk penggunaan pengguna dari hari pertama, termasuk latihan dan integrasi alir kerja. Yang paling penting, mereka menganggap AI sebagai alat perniagaan dan bukannya eksperimen sains.
Organisasi yang berjaya juga cenderung bekerjasama dengan vendor berpengalaman dan bukannya cuba membina segala-galanya secara dalaman. Ini membolehkan mereka fokus pada perniagaan teras mereka sambil memanfaatkan platform dan kepakaran AI yang terbukti.
Kajian MIT berfungsi sebagai peringatan untuk perniagaan yang tergesa-gesa menggunakan AI . Walaupun teknologi itu sendiri terus maju dengan pesat, kesiapan organisasi kekal sebagai halangan terbesar kepada kejayaan. Syarikat yang menangani isu asas seperti kualiti data, objektif yang jelas, dan pengurusan perubahan yang betul akan berada dalam kedudukan yang lebih baik untuk menyertai 5% yang berjaya dan bukannya membazir sumber pada eksperimen yang gagal.