Πώς η διακυβέρνηση της επιχειρησιακής AI από την SAP εξασφαλίζει τα περιθώρια κέρδους
Η SAP υποστηρίζει ότι η διακυβέρνηση της επιχειρησιακής τεχνητής νοημοσύνης (AI) εξασφαλίζει τα περιθώρια κέρδους αντικαθιστώντας τις στατιστικές εικασίες με καθοριστικό έλεγχο. Όταν ένα μοντέλο καταναλωτικής κατηγορίας καλείται να μετρήσει τις λέξεις σε ένα έγγραφο, συχνά αποτυγχάνει κατά δέκα τοις εκατό. Ο Μάνος Ραπτόπουλος, Πρόεδρος της SAP για την Επιτυχία των Πελατών στην Ευρώπη, την Ασία-Ειρηνικό, τη Μέση Ανατολή και την Αφρική, παρατηρεί ότι το επιχειρησιακό χάσμα μεταξύ σχεδόν τέλειου και τέλειου είναι απόλυτο.
«Η απόσταση μεταξύ 90% και 100% ακρίβειας δεν είναι σταδιακή. Στον κόσμο μας, είναι υπαρξιακή», σημειώνει ο Ραπτόπουλος. Καθώς οι οργανισμοί εισάγουν μεγάλα γλωσσικά μοντέλα σε παραγωγικά περιβάλλοντα, ο Ραπτόπουλος τονίζει ότι τα κριτήρια αξιολόγησης έχουν επισήμως μεταβεί προς την ακρίβεια, τη διακυβέρνηση, την επεκτασιμότητα και τον απτό επιχειρηματικό αντίκτυπο.
Η μετάβαση από παθητικά εργαλεία σε ενεργούς ψηφιακούς παράγοντες
Η πρόκληση που αντιμετωπίζουν οι εταιρικές επιτροπές επικεντρώνεται στην εξέλιξη από παθητικά εργαλεία σε ενεργούς ψηφιακούς παράγοντες, μια μετάβαση που ο Ραπτόπουλος αναγνωρίζει ως τη βασική στιγμή διακυβέρνησης και θα είναι μεταξύ των θεμάτων που θα επικεντρωθεί η SAP στην Έκθεση AI & Big Data Βόρειας Αμερικής. Τα συστήματα πρακτορικής AI έχουν πλέον τη δυνατότητα να σχεδιάζουν, να συλλογίζονται, να συντονίζουν με άλλους πράκτορες και να εκτελούν ροές εργασίας αυτόνομα. Δεδομένου ότι αυτά τα συστήματα αλληλεπιδρούν άμεσα με ευαίσθητα δεδομένα και επηρεάζουν αποφάσεις σε κλίμακα, ο Ραπτόπουλος υποστηρίζει ότι η αποτυχία να τα διαχειριστούν ακριβώς όπως διαχειρίζονται ένα ανθρώπινο εργατικό δυναμικό εκθέτει την οργάνωση σε σοβαρό επιχειρησιακό κίνδυνο.
Η εγκαθίδρυση διαχείρισης κύκλου ζωής πρακτόρων, ο καθορισμός ορίων αυτονομίας, η επιβολή πολιτικής και η καθιέρωση συνεχούς παρακολούθησης της απόδοσης είναι υποχρεωτικές απαιτήσεις, σύμφωνα με το πλαίσιο του. Η ενσωμάτωση σύγχρονων βάσεων δεδομένων διανυσμάτων με παλαιές σχεσιακές αρχιτεκτονικές απαιτεί τεράστιο μηχανικό κεφάλαιο. Οι ομάδες πρέπει να περιορίσουν ενεργά τον βρόχο συμπερασμάτων του πράκτορα για να αποτρέψουν τις παραισθήσεις από το να διαφθείρουν τις διαδρομές εκτέλεσης των οικονομικών ή της αλυσίδας εφοδιασμού.
Προκλήσεις και απαιτήσεις για την επιτυχή διακυβέρνηση της AI
Όταν ένα αυτόνομο μοντέλο απαιτεί συνεχή, υψηλής συχνότητας ερωτήματα σε βάσεις δεδομένων για τη διατήρηση καθοριστικών εξόδων, το σχετικό κόστος των tokens πολλαπλασιάζεται γρήγορα. Η διακυβέρνηση γίνεται ένας σκληρός μηχανικός περιορισμός παρά μια λίστα ελέγχου συμμόρφωσης. Ο Ραπτόπουλος υποστηρίζει ότι οι εταιρικές επιτροπές πρέπει να επιλύσουν τρία βασικά ζητήματα πριν από την ανάπτυξη πρακτορικών μοντέλων: την αναγνώριση του ποιος είναι υπεύθυνος για ένα σφάλμα ενός πράκτορα, την καθιέρωση ιχνών ελέγχου για τις αποφάσεις των μηχανών και τον καθορισμό των ακριβών ορίων για την ανθρώπινη κλιμάκωση.
Οι υποδομές κυρίαρχων νεφών, τα μοντέλα AI και οι εντολές τοπικοποίησης δεδομένων είναι ρυθμιστικές πραγματικότητες σε μεγάλες αγορές που εκτείνονται από τη Νέα Υόρκη, τη Φρανκφούρτη, το Ριάντ και τη Σιγκαπούρη. Οι επιχειρήσεις πρέπει να ενσωματώσουν καθοριστικό έλεγχο απευθείας στην πιθανολογική νοημοσύνη. Ο Ραπτόπουλος βλέπει αυτή την απαίτηση ως εντολή του C-suite και όχι ως έργο IT.
Δομήση της σχεσιακής νοημοσύνης για εμπορικές λειτουργίες
Τα συστήματα AI παραμένουν πλήρως εξαρτημένα από την ποιότητα των δεδομένων και των διαδικασιών στις οποίες λειτουργούν, εκπροσωπώντας αυτό που ο Ραπτόπουλος αποκαλεί τη στιγμή θεμελίωσης των δεδομένων. Κατακερματισμένα κύρια δεδομένα, απομονωμένα επιχειρηματικά συστήματα και υπερβολικά προσαρμοσμένα περιβάλλοντα ERP εισάγουν επικίνδυνη απροβλεψιμότητα στις χειρότερες δυνατές στιγμές. Ο Ραπτόπουλος εξηγεί ότι αν ένας αυτόνομος πράκτορας βασίζεται σε κατακερματισμένα θεμέλια για να παρέχει μια σύσταση που επηρεάζει τη ρευστότητα, τις σχέσεις με τους πελάτες ή τις θέσεις συμμόρφωσης, η προκύπτουσα επιχειρησιακή ζημιά κλιμακώνεται άμεσα.
Η εξαγωγή απτής επιχειρησιακής αξίας απαιτεί την προώθηση πέρα από τα γενικά μεγάλα γλωσσικά μοντέλα που έχουν εκπαιδευτεί σε κείμενα κλίμακας διαδικτύου. Η αληθινή επιχειρησιακή νοημοσύνη – όπως περιγράφεται από τον Ραπτόπουλο – πρέπει να είναι θεμελιωμένη σε ιδιόκτητα εταιρικά δεδομένα, συμπεριλαμβανομένων παραγγελιών, τιμολογίων, αρχείων αλυσίδας εφοδιασμού και οικονομικών καταχωρήσεων που είναι ενσωματωμένα απευθείας στις επιχειρηματικές διαδικασίες.
Σχεδιασμός διεπαφών βάσει πρόθεσης
Η αλληλεπίδραση με τις επιχειρησιακές εφαρμογές μεταβαίνει από στατικές διεπαφές σε γενετικές εμπειρίες χρήστη, μια εξέλιξη που ο Ραπτόπουλος επισημαίνει ως τη στιγμή αλληλεπίδρασης των εργαζομένων. Αντί να περιηγούνται χειροκίνητα σε πολύπλοκα οικοσυστήματα λογισμικού, οι εργαζόμενοι θα εκφράζουν την πρόθεσή τους στο σύστημα. Ο Ραπτόπουλος προσφέρει το παράδειγμα ενός χρήστη που δίνει εντολή στο λογισμικό να προετοιμάσει μια ενημέρωση για την επίσκεψη του πελάτη με τα υψηλότερα έσοδα εκείνη την εβδομάδα. Οι πράκτορες AI στη συνέχεια οργανώνουν τις απαραίτητες ροές εργασίας, συγκεντρώνουν το περιβάλλον και προβάλλουν προτεινόμενες ενέργειες.
Ωστόσο, ο Ραπτόπουλος τονίζει ότι η αποδοχή από το εργατικό δυναμικό παραμένει υπό όρους εμπιστοσύνης. Οι εργαζόμενοι θα αγκαλιάσουν αυτά τα ψηφιακά συνεργάτες μόνο όταν αισθανθούν σίγουροι ότι τα αποτελέσματα του συστήματος σέβονται τα καθιερωμένα όρια διακυβέρνησης, αντανακλούν αυθεντικούς επιχειρηματικούς κανόνες και παρέχουν απτά οφέλη παραγωγικότητας.
Συμπέρασμα: Εξασφάλιση ανταγωνιστικού πλεονεκτήματος μέσω της AI
Η οικονομική απόδοση της AI αναδεικνύεται γρηγορότερα κατά τη διάρκεια των αλληλεπιδράσεων με τους πελάτες. Ο Ραπτόπουλος σημειώνει ότι η εκπαίδευση μοντέλων σε ιδιόκτητα αρχεία, εσωτερικούς κανόνες και ιστορικά αρχεία δημιουργεί ένα επίπεδο νοημοσύνης ειδικά για τον πελάτη που οι ανταγωνιστές δεν μπορούν εύκολα να αντιγράψουν. Αυτή η διάταξη αποδίδει καλύτερα σε ροές εργασίας με πολλές εξαιρέσεις, όπως η επίλυση διαφορών, οι αξιώσεις, οι επιστροφές και η δρομολόγηση υπηρεσιών.
Η ανάπτυξη αυτόνομων πρακτόρων ικανών να ταξινομούν περιπτώσεις, να προβάλλουν σχετική τεκμηρίωση και να προτείνουν λύσεις ευθυγραμμισμένες με την πολιτική μετατρέπει αυτές τις διαδικασίες υψηλού κόστους σε διακριτή ανταγωνιστική διαφοροποίηση. Αυτά τα μοντέλα προσαρμόζονται με βάση τα αποτελέσματα κάθε αλληλεπίδρασης. Ο Ραπτόπουλος επισημαίνει ότι οι εταιρικοί αγοραστές δίνουν προτεραιότητα στην αξιόπιστη, σχετική και ευαίσθητη εξυπηρέτηση παρά στα τεχνολογικά κόλπα.
Η ανάπτυξη εταιρικής νοημοσύνης απαιτεί από το C-suite να οργανώσει τρία διακριτά επίπεδα παράλληλα, τα οποία ο Ραπτόπουλος ορίζει ως τη στιγμή στρατηγικής. Το αρχικό επίπεδο περιλαμβάνει ενσωματωμένη λειτουργικότητα, όπου τα κέρδη παραγωγικότητας που καθοδηγούνται από τις προσωπικότητες ενσωματώνονται απευθείας στις βασικές εφαρμογές για γρήγορες αποδόσεις. Το δεύτερο επίπεδο απαιτεί πρακτορική ορχήστρωση, διευκολύνοντας τον συντονισμό πολλαπλών πρακτόρων σε ροές εργασίας διασυστημάτων. Το τελικό επίπεδο επικεντρώνεται στην εξειδικευμένη νοημοσύνη ανά κλάδο, με βαθιά εξειδικευμένες εφαρμογές που αναπτύσσονται από κοινού για την αντιμετώπιση των προκλήσεων υψηλότερης αξίας που είναι συγκεκριμένες για έναν συγκεκριμένο τομέα.
Μια παγίδα περιμένει τους ηγέτες που πέφτουν θύματα ψευδούς αλληλουχίας. Η συγκέντρωση αποκλειστικά σε ενσωματωμένα εργαλεία αφήνει τεράστια οικονομική αξία ανεκμετάλλευτη, ενώ η επιθετική μετάβαση σε βαθιές εφαρμογές βιομηχανίας χωρίς πρώτα να επιτευχθεί η κατάλληλη διακυβέρνηση και ωριμότητα δεδομένων πολλαπλασιάζει τον εταιρικό κίνδυνο. Ο Ραπτόπουλος συμβουλεύει ότι η κλιμάκωση αυτών των μοντέλων απαιτεί την αντιστοίχιση της εταιρικής φιλοδοξίας με την πραγματική τεχνική ετοιμότητα. Οι ομάδες ηγεσίας πρέπει να χρηματοδοτήσουν καθαρές βασικές αρχιτεκτονικές, να ενημερώσουν τις ροές δεδομένων και να επιβάλουν διαλειτουργική ιδιοκτησία για να προχωρήσουν πέρα από τη φάση πιλοτικής εφαρμογής. Οι πιο κερδοφόρες αναπτύξεις αντιμετωπίζουν την AI ως ένα κεντρικό λειτουργικό στρώμα που απαιτεί την ίδια διακυβέρνηση με το ανθρώπινο προσωπικό.
Το οικονομικό χάσμα μεταξύ 90% ακρίβειας και πλήρους βεβαιότητας υπαγορεύει πού ζει η αληθινή επιχειρησιακή αξία. Οι αποφάσεις διακυβέρνησης που θα ληφθούν τους επόμενους μήνες θα καθορίσουν εάν συγκεκριμένες αναπτύξεις AI θα γίνουν μια ισχυρή πηγή διαρκούς πλεονεκτήματος ή ένα ακριβό μάθημα.
