Amy Webb ostrzega, że boom produktywności AI więzi firmy w pilotażowym czyśćcu
Amy Webb wystosowała ostre ostrzeżenie w wyróżnionym przez Google News raporcie Fortune: AI sprawia, że tworzenie treści jest tańsze, jednocześnie utrudniając i podnosząc koszty funkcjonowania firm.
Ostrzeżenie podważa założenie, że szybsza produkcja automatycznie tworzy wartość ekonomiczną. Firmy mogą dziś w ciągu kilku godzin generować prezentacje, analizy, kod i propozycje. Wiele z nich nie potrafi jednak zintegrować tych wyników z decyzjami, procesami pracy ani mierzalnymi korzyściami.
Webb, dyrektorka generalna Future Today Strategy Group, porównuje ten rynek do złej aplikacji randkowej. Platforma odnosi korzyści, gdy użytkownicy nadal szukają, zamiast tworzyć trwałe relacje. Podobnie dostawcy AI dla przedsiębiorstw zyskują, gdy klienci stale uruchamiają pilotaże, kupują tokeny i testują modele, nie doprowadzając wdrożenia do trwałego końca.
Ta dynamika sprawia, że obecny boom przypomina erę dotcomów, ale z dodatkową komplikacją. Bańka internetowa finansowała firmy, które często nie miały działających biznesów. Gospodarka AI ma już użyteczne produkty, znaczące przychody i rzeczywiste wzrosty produktywności.
Jej słabość leży gdzie indziej. AI może produkować więcej pracy, niż organizacje są w stanie ocenić, nadzorować lub przyswoić. Technologia skutecznie generuje wyniki, podczas gdy otaczający ją biznes nie potrafi przekształcić ich w rezultaty.
Ostrzeżenie Amy Webb zmienia debatę Google News o bańce AI
Najważniejsza zmiana nie polega na tym, że AI nagle przestała działać. Chodzi o to, że skuteczna produkcja może tworzyć nowe koszty organizacyjne szybciej, niż firmy je dostrzegają.
Webb przedstawiła ten argument w analizie Fortune dotyczącej gospodarki AI z 30 sierpnia. Powiedziała publikacji, że AI obniża koszt produkcji, jednocześnie podnosząc koszty niemal wszystkiego innego wewnątrz firm.
Jej argument odróżnia to ostrzeżenie od znanych twierdzeń, że generatywna AI jest jedynie szumem medialnym. Modele potrafią pisać wiarygodne dokumenty, analizować informacje, generować oprogramowanie i tworzyć prezentacje. To właśnie te możliwości rodzą nowy problem.
Gdy przygotowanie prezentacji zajmowało tydzień, zespół mógł otrzymać jeden starannie opracowany zestaw slajdów. Gdy AI skraca tę pracę do jednego dnia, menedżerowie mogą otrzymać pięć prezentacji dotyczących nakładających się pytań.
Koszt przygotowania każdego dokumentu spada. Rośnie za to koszt ich przeglądania, porównywania, weryfikowania i podejmowania na ich podstawie decyzji.
Webb nazywa to „tonięciem w prezentacjach”. Jeden z menedżerów powiedział jej, że podlegli mu pracownicy doświadczali paraliżu decyzyjnego z powodu nadmiaru, a nie niedoboru analiz. Inny opisał „natychmiastowe prezentacje”, które trafiają do odbiorców pięć razy częściej niż wcześniej.
To niedopasowanie zdolności. Systemy generatywne zwiększają podaż wiarygodnie wyglądającej pracy, nie zwiększając w tym samym tempie uwagi kadry kierowniczej, możliwości przeglądu prawnego ani osądu organizacyjnego.
Ostrzeżenie dotyczące gospodarki AI wprowadza również porównanie do aplikacji randkowej. Webb twierdzi, że platforma randkowa korzysta na tym, gdy użytkownicy nadal szukają, zamiast odejść po znalezieniu partnera.
Rynek AI dla przedsiębiorstw może tworzyć podobną zachętę. Dostawcy osiągają przychody, gdy klienci eksperymentują, zużywają zasoby obliczeniowe i dodają subskrypcje. Klient nie musi doprowadzić do rentownego wdrożenia, aby te wydatki trwały.
Tymczasem menedżerowie mogą wskazywać aktywne pilotaże jako dowód, że reagują na AI. Pilotaż wygląda bezpieczniej niż przeprojektowanie ważnego procesu pracy. Ogranicza natychmiastową ekspozycję i pozwala uniknąć trudnych decyzji dotyczących odpowiedzialności.
To poczucie bezpieczeństwa może stać się pułapką. Każdy pilotaż generuje kolejną demonstrację, raport lub prezentację strategiczną. Firma zyskuje dowód, że AI może wykonać zadanie, ale nie dowód, że zadanie należy do trwałego procesu operacyjnego.
Webb twierdzi, że menedżerowie określają ten stan mianem „pilotażowego czyśćca”. Zespoły nieustannie testują zastosowania, nie integrując ich z działami prawnymi, technologiami informacyjnymi, zakupami ani istniejącymi systemami biznesowymi.
Gdy jeden pilotaż się kończy, inny zespół może zacząć od zera. Firma wielokrotnie płaci za rozpoznanie problemu, zachowując niewiele pamięci instytucjonalnej z poprzednich prób.
Rezultatem jest osobliwy rodzaj obfitości. Pracownicy mogą tworzyć więcej materiałów, ale menedżerowie są mniej pewni, co zasługuje na działanie. Organizacje zyskują większe możliwości AI, nadal nie potrafiąc wyjaśnić jej wkładu ekonomicznego.
Nie jest to porażka generowania. To porażka konwersji.
Model przekształca prompty w wyniki. Firma musi przekształcić wyniki w decyzje, zachowania, przychody, oszczędności lub niższe ryzyko. To odrębne procesy z różnymi właścicielami i ograniczeniami.
To rozróżnienie zmienia ramy debaty o bańce. Pytanie nie brzmi już, czy AI może tworzyć imponującą pracę. Pytanie brzmi, czy firmy potrafią ją przyswoić bez tworzenia kosztownej warstwy weryfikacji i zamieszania.
Wydatki przedsiębiorstw na AI nadal rosną, zanim pojawią się zwroty
Kupujący z sektora przedsiębiorstw odczuwają presję z obu stron: zarządy oczekują widocznych postępów w AI, podczas gdy zespoły operacyjne mają trudności z udowodnieniem, że ich pilotaże poprawiają wyniki finansowe.
Badanie Bain cytowane przez Fortune objęło 951 firm z całego świata. Niemal 40 procent respondentów mierzących oszczędności kosztów dzięki AI osiągnęło mniej niż 10 procent, mimo że celowali w zwroty na poziomie od 11 do 20 procent.
Niedobór nie powstrzymał inwestycji. Dziewięćdziesiąt procent badanych firm stwierdziło, że planuje zwiększyć budżety na AI.
To połączenie ma większe znaczenie niż każda z tych liczb osobno. Słabo mierzone oszczędności normalnie mogłyby ograniczyć wydatki. W przypadku AI konkurencyjny niepokój zachęca firmy do wydawania większych kwot, zanim zrozumieją, dlaczego istniejące wdrożenia nie spełniły oczekiwań.
Nikt nie chce wyglądać na spóźnionego. Liderzy wyższego szczebla obserwowali przyspieszenie adopcji przez konsumentów i poprawę możliwości modeli. Słyszą też twierdzenia, że niewielkie zespoły natywne dla AI mogą przewyższać większych zasiedziałych konkurentów.
Dlatego bezpieczniejszym wyborem politycznym wewnątrz wielu firm jest kolejny pilotaż. Anulowanie prac nad AI może wyglądać na bojaźliwe. Zatwierdzenie eksperymentu wygląda na reakcję, nawet gdy organizacja nie ma ścieżki od demonstracji do środowiska produkcyjnego.
Szersze dane dotyczące adopcji pokazują tę samą lukę. Badanie McKinsey dotyczące adopcji AI wykazało, że 88 procent respondentów zgłosiło regularne użycie AI w co najmniej jednej funkcji biznesowej.
Tylko około jedna trzecia stwierdziła, że ich organizacje rozpoczęły skalowanie programów AI w całym przedsiębiorstwie. Większość pozostawała na etapie eksperymentów lub pilotaży.
Wpływ finansowy był węższy. Trzydzieści dziewięć procent przypisało AI pewien wpływ na wyniki przedsiębiorstwa. Większość z tej grupy stwierdziła, że AI odpowiadała za mniej niż 5 procent zysków przed odsetkami i podatkami.
Wyniki te nie oznaczają, że technologii brakuje wartości. Pokazują, że wykorzystanie, skala i wartość finansowa są trzema różnymi miarami.
Pracownik może regularnie korzystać z chatbota bez zmiany ekonomiki firmy. Dział może wdrożyć agenta bez przeprojektowania wokół niego procesu pracy. Firma może oszczędzać czas pracowników, nie przekładając tych godzin na niższe koszty lub większą produkcję.
Firmy często liczą aktywność, ponieważ łatwo ją obserwować. Śledzą licencje, prompty, użytkowników, wygenerowany kod i ukończone dokumenty. Te wskaźniki pokazują konsumpcję, niekoniecznie wartość.
Użyteczny pomiar musi łączyć system z wynikiem biznesowym. Może to obejmować szybsze rozwiązywanie spraw, niższe koszty wsparcia, wyższą konwersję sprzedaży, krótsze cykle rozwoju lub mniej błędów zgodności.
Nawet wtedy przypisanie efektów pozostaje trudne. Zespół może poprawić wyniki po wdrożeniu AI, ponieważ zmienił także przywództwo, uporządkował dane lub uprościł proces. Model nie zasługuje ani na całą zasługę, ani na całą winę.
Koszty tworzą kolejne źródło presji. Fortune podało, że globalne wydatki na AI miały osiągnąć 2,5 biliona dolarów w 2026 roku, co oznacza wzrost o 44 procent względem poprzedniego roku.
Niektórzy dyrektorzy ds. informatyki już zaostrzyli zasady korzystania. Samsara na przykład codziennie monitoruje wydatki na AI i stosuje różne limity zużycia w zależności od pracy wykonywanej przez pracowników.
Docusign dostosował swoich agentów programistycznych po odkryciu, że przeszukiwali zbyt duże fragmenty bazy kodu firmy w poszukiwaniu kontekstu. Firma stwierdziła, że zawężenie pobieranego materiału zmniejszyło użycie tokenów o prawie 50 procent.
Przykłady te pokazują, że środowisko produkcyjne wiąże się z kosztami, które dopracowana demonstracja może ukryć. Demo dowodzi, że model potrafi wykonać zadanie. Nie pokazuje kosztu powtarzalnego użycia przez tysiące pracowników.
Środowisko produkcyjne wprowadza także przeglądy bezpieczeństwa, kontrolę tożsamości, uprawnienia do danych, wymogi audytowe, szkolenia i wsparcie. Każdy komponent zwiększa nakład pracy poza widocznym wynikiem modelu.
Rzeczywistym celem presji jest kupujący z sektora przedsiębiorstw. Dostawcy mogą raportować rosnące wykorzystanie, podczas gdy klienci ponoszą koszt integracji i zmian organizacyjnych.
Zarządy w końcu zażądają jaśniejszej odpowiedzi. Zapytają, które systemy AI zmieniły mierzalne wyniki, które jedynie przesunęły pracę, a które wygenerowały więcej materiału, niż ktokolwiek potrzebował.
Dobrze zarządzony proces pracy AI może ograniczyć rozproszony wysiłek, łącząc informacje z jasno określoną decyzją. Kluczowa jest określona decyzja, a nie wolumen wyników.
Bez tego punktu odniesienia rozszerzanie dostępu do AI może wzmacniać istniejące zamieszanie. Zespoły tworzą szybciej, menedżerowie sprawdzają dłużej, a budżety nadal rosną, podczas gdy odpowiedzialność pozostaje rozproszona.
Kluczowe odwrócenie: większa produktywność może oznaczać mniejszy postęp
Centralne ekonomiczne odwrócenie związane z AI jest proste: tańszy wynik zwiększa wolumen pracy, ale organizacja nadal ma ograniczoną zdolność do jej oceniania i wykorzystywania.
Tradycyjne miary produktywności często traktują większy wynik na godzinę jako poprawę. Ta logika działa, gdy dodatkowe jednostki mają wyraźny popyt i stałą jakość.
Praca oparta na wiedzy nie zawsze zachowuje się w ten sposób. Firma rzadko zyskuje na otrzymaniu pięciu rekomendacji strategicznych, gdy liderzy mogą sfinansować tylko jedną. Większa liczba alternatyw może opóźniać zaangażowanie, zamiast je poprawiać.
AI obniża również koszt tworzenia przeciętnej pracy. Propozycja nie wymaga już przekonania wystarczająco silnego, by uzasadnić kilka dni wysiłku. Każdy może wygenerować dopracowany dokument, zanim sprawdzi, czy stojąca za nim idea ma znaczenie.
Jakość prezentacji może maskować słabe rozumowanie. Zestaw slajdów może zawierać wiarygodny język, uporządkowane wykresy i szczegółowe rekomendacje. Jego profesjonalny wygląd nie gwarantuje trafnych założeń ani użytecznego osądu.
Tworzy to podatek od weryfikacji. Menedżerowie muszą określić, które części opierają się na wiarygodnych dowodach, które zostały wywnioskowane, a które wygenerowano bez odpowiedniego kontekstu.
Podatek od weryfikacji rozprzestrzenia się między działami. Zespoły prawne analizują odpowiedzialność. Zespoły bezpieczeństwa oceniają ekspozycję danych. Finanse kwestionują szacunki oszczędności. Liderzy operacyjni decydują, czy pracownicy rzeczywiście zmienią swoje zachowanie.
Pilotaż może uniknąć znacznej części tych tarć, ponieważ działa w kontrolowanym środowisku. Środowisko produkcyjne nie może.
Środowisko produkcyjne wymaga stałego właściciela, zatwierdzonych danych, monitorowania, ścieżek eskalacji i planu na wypadek błędów. Wymaga także, by ktoś zdecydował, kiedy AI nie powinna działać.
Te wymogi wyjaśniają, dlaczego technicznie udane pilotaże nadal się zatrzymują. Organizacja udowodniła, że model może wykonać zadanie, ale nie zbudowała otaczającego systemu potrzebnego, by zaufać temu wykonaniu.
Badania McKinsey wskazują, że przeprojektowanie procesów pracy stanowi istotną linię podziału. Organizacje, które osiągają wartość, robią więcej niż tylko umieszczają interfejs AI obok starego procesu.
Zmieniają role, bodźce, interfejsy i wskaźniki pomiaru. Tworzą mechanizmy informacji zwrotnej i jasno określają odpowiedzialność za wdrożenie.
Ta praca przebiega powoli, ponieważ ujawnia spory, które pilotaż może ukryć. Zespoły muszą zdecydować, kto jest właścicielem danych, kto akceptuje ryzyko i z czyjego budżetu finansowane jest bieżące korzystanie z rozwiązania.
Problem „tonięcia w prezentacjach” działa według tego samego mechanizmu, tylko na mniejszą skalę. AI usuwa wąskie gardło produkcji, a następnie ujawnia wąskie gardło decyzyjne.
Zespół marketingowy może wygenerować 30 koncepcji kampanii w ciągu jednej nocy. Nie oznacza to, że marka powinna prowadzić 30 kampanii. Ludzie nadal muszą wybrać odbiorców, zatwierdzić przekazy, przydzielić budżet i zinterpretować wyniki.
Zespół programistyczny może wygenerować więcej kodu. Inżynierowie nadal muszą jednak ocenić architekturę, przetestować przypadki brzegowe, utrzymywać zależności i wspierać wdrożoną usługę.
Zespół badawczy może podsumować setki dokumentów. Ktoś nadal musi ustalić, czy zestaw źródeł jest kompletny oraz czy sprzeczne dowody zmieniają wniosek.
Zadania te wymagają kontekstu, odpowiedzialności i osądu. Trudniej je zautomatyzować, ponieważ właściwe rezultaty zależą od priorytetów organizacji, a nie od uniwersalnej odpowiedzi.
Obietnica produktywności zawiera więc ukryte założenie. Zakłada, że otaczająca organizacja potrafi przyswoić wszystko, co wytwarza model.
To założenie często zawodzi. Menedżerowie już teraz mierzą się z przepełnionymi skrzynkami odbiorczymi, konkurującymi dashboardami i powtarzającymi się spotkaniami. AI dodaje kolejny kanał informacji o dużej przepustowości, chyba że firma usunie starsze.
Rozwiązaniem nie musi automatycznie być kolejny model. Model o lepszym rozumowaniu może poprawić jakość indywidualnych rezultatów, ale może też tworzyć większe i bardziej przekonujące dokumenty.
Im bardziej zdolny staje się system, tym łatwiej tworzyć analizy zasługujące na poważną ocenę. Może to zwiększyć obciążenie nielicznych ekspertów.
Obserwacja Webb dotycząca generycznych pomysłów rodzi kolejną obawę. Gdy wiele zespołów polega na podobnych modelach, mogą one tworzyć podobne strategie, język i rekomendacje.
Tworzy to pozory szerokiej analizy bez rzeczywistej różnorodności. Pięć wygenerowanych prezentacji może przedstawiać jeden statystyczny środek ciężkości wyrażony na pięć sposobów.
Firmy ryzykują wówczas pomylenie ilości z niezależnym potwierdzeniem. Powtórzenia stają się szczególnie przekonujące, gdy każdy dokument wygląda profesjonalnie.
Najlepszą odpowiedzią nie jest odrzucanie wygenerowanej pracy. Jest nią określenie, co ta praca ma zmienić, zanim zacznie się ją tworzyć.
Użyteczny projekt zaczyna się od decyzji operacyjnej, mierzalnego punktu odniesienia, odpowiedzialnego właściciela i progu kontynuacji. Komponent AI służy następnie tej strukturze.
Czyściec pilotaży zaczyna się w odwrotnym kierunku. Firma zaczyna od narzędzia, szuka zastosowań i wielokrotnie świętuje techniczną wykonalność.
Proces ten może trwać bez końca, ponieważ modele stale się poprawiają. Każde wydanie daje powód, by ponownie testować ten sam proces pracy.
Porównanie do aplikacji randkowych staje się tu wyraźniejsze. Samo wyszukiwanie staje się produktem. Firmy pozostają aktywnymi klientami, ponieważ kolejny model lub agent może wreszcie stworzyć obiecaną zgodność.
Dlaczego porównanie do bańki dotcom pasuje — i gdzie przestaje działać
Paralela z bańką dotcom jest trafna, ponieważ kapitał finansuje moce przed udowodnieniem zwrotów, ale dzisiejsze produkty AI już zapewniają realną użyteczność i znaczny popyt.
Podczas boomu internetowego inwestorzy słusznie dostrzegli, że sieci i handel cyfrowy przekształcą gospodarkę. Często mylili się jednak co do tego, które firmy przechwycą tę wartość i jak szybko pojawią się zyski.
AI przedstawia ten sam rozdział między znaczeniem technologicznym a dyscypliną inwestycyjną. Technologia może przekształcić społeczeństwo, podczas gdy wiele firm zbudowanych wokół niej poniesie porażkę.
Webb twierdzi, że obecna sytuacja może być gorsza, ponieważ AI nie tylko przyciąga spekulacyjny kapitał. Zalewa także działające organizacje tanimi treściami.
Upadający detalista z epoki dotcom mógł stracić pieniądze inwestorów i zakończyć działalność. Źle zarządzane wdrożenie AI może przekształcić decyzje, zatrudnienie, przepływy informacji i koszty operacyjne wewnątrz skądinąd zdrowej firmy.
Wydatki na infrastrukturę podnoszą stawkę. Współszef Goldman Sachs Global Institute, George Lee, oszacował, że łączne inwestycje w infrastrukturę AI mogą ostatecznie osiągnąć od 7 do 8 bilionów dolarów.
Lee argumentował, że wypieranie istniejących źródeł zysku nie zapewni wystarczającego zwrotu. Inwestycja wymagałaby netto nowej aktywności gospodarczej.
To wymagający standard. Oszczędności kosztowe często przenoszą wartość, zamiast ją tworzyć. Jeśli każda firma wykorzystuje AI do ograniczania podobnych kosztów pracy, konkurencja może przekazać znaczną część korzyści klientom.
Nowe produkty, rynki i popyt zapewniłyby mocniejszą podstawę. Jednak możliwości te wymagają więcej czasu na udowodnienie niż demonstracja produktywności.
Jim Covello z Goldman podkreślał problem czasu. Przyznaje, że adopcja konsumencka i postęp techniczny przekroczyły jego oczekiwania, lecz pozostaje sceptyczny wobec ostatecznego zwrotu z wydatków na infrastrukturę.
Jego test jest praktyczny. Jeśli branża nadal będzie nazywać tę technologię „wczesną” po kolejnych dwóch latach, opóźnioną rentowność trudniej będzie usprawiedliwić.
Optymistyczny scenariusz zasługuje na równą wagę. Firmy AI generują realne przychody, a narzędzia do programowania wykazały mierzalną poprawę w niektórych warunkach.
Analiza The Atlantic podała, że płatna adopcja biznesowa znacznie wzrosła w latach 2025 i 2026. Opisała również rosnący popyt na agentów programistycznych od Anthropic, OpenAI i Anysphere.
Najnowsze badania cytowane w tej analizie produktywności AI wykazały, że nowsze narzędzia pomogły programistom ukończyć przydzielone zadania niemal o 20 procent szybciej niż grupie kontrolnej.
Wynik ten odwrócił rezultat wcześniejszego eksperymentu, w którym programiści korzystający z AI pracowali o 20 procent dłużej. Jakość narzędzi i doświadczenie użytkownika zmieniły się na tyle, by wpłynąć na mierzony rezultat.
Dlatego proste stwierdzenie „AI to kolejna bańka dotcom” byłoby mylące. Możliwości się poprawiają, klienci płacą, a niektóre zastosowania przynoszą bezpośrednie korzyści.
Programowanie może być też wyjątkowo korzystnym obszarem dla AI. Oprogramowanie oferuje duże zbiory danych treningowych, ustrukturyzowane informacje zwrotne oraz wyniki, które zespoły mogą testować.
Inne formy pracy opartej na wiedzy nie mają tych zalet. Rekomendacji strategicznej nie zawsze można ocenić za pomocą zautomatyzowanego testu. Jakość decyzji zarządczej może ujawnić się dopiero po miesiącach.
Obecny boom może zatem obejmować zarówno trwałych zwycięzców, jak i poważne przeinwestowanie. Te warunki nie są ze sobą sprzeczne.
Dostawcy chmury, producenci chipów, twórcy modeli, dostawcy aplikacji, konsultanci i zespoły przedsiębiorstw zajmują różne pozycje. Przychód jednej warstwy może stać się nieproduktywnym wydatkiem innej.
Dostawca modeli może rosnąć, ponieważ klienci nadal eksperymentują. Firma chmurowa może rosnąć, ponieważ dostawcy modeli potrzebują mocy obliczeniowej. Żaden z tych rezultatów nie dowodzi, że nabywcy korporacyjni osiągają odpowiednie zwroty.
Łańcuch pozostaje zdrowy tylko wtedy, gdy użytkownicy końcowi ostatecznie tworzą wystarczającą wartość ekonomiczną, by uzasadnić wydatki ponoszone wyżej w łańcuchu.
W tym miejscu ostrzeżenie Webb o „koszcie obfitości” staje się bardziej użyteczne niż etykieta bańki. Debaty o bańce często sprowadzają się do przewidywań dotyczących załamania rynku.
Jej argument koncentruje się na ekonomice operacyjnej. Nawet jeśli wyceny spółek publicznych pozostaną wysokie, firmy nadal mogą tracić pieniądze przez powielane pilotaże, nadmiar treści i słabą integrację.
Najmocniejszym dowodem sceptyków nie jest spektakularna porażka. Jest nim trwała luka między szeroką adopcją a ograniczonym wpływem na wyniki finansowe przedsiębiorstw w dużej skali.
Najmocniejszym dowodem optymistów nie jest benchmark. Jest nim płatny popyt powiązany z mierzalną poprawą rzeczywistej pracy.
Oba zjawiska mogą być prawdziwe w okresie przejściowym. Nierozstrzygnięte pozostaje pytanie, czy dzisiejsze silne zastosowania rozprzestrzenią się na wystarczająco wiele branż, zanim koszty infrastruktury i działalności przewyższą zwroty.
Czyściec pilotaży to problem integracji, a nie tylko problem modelu
Firmy wychodzą z czyśćca pilotaży, gdy przestają traktować AI jako samodzielny produkt, a zaczynają traktować wdrożenie jako zmianę systemu operacyjnego organizacji.
Pilotaż zwykle pyta, czy model potrafi wykonać zadanie. Program produkcyjny pyta, czy firma może polegać na tym działaniu w realnych ograniczeniach.
Ograniczenia te obejmują prywatność, uprawnienia, opóźnienia, koszty, dokładność i zachowania pracowników. Obejmują też przyziemne pytania o budżety i odpowiedzialność.
Wiele pilotaży pozostaje odizolowanych od zespołów prawnych i informatycznych. Pozwala to na szybkie eksperymentowanie, ale odkłada pracę potrzebną do wdrożenia.
Gdy te funkcje w końcu oceniają projekt, pierwotny projekt może już nie być wykonalny. Zespół następnie modyfikuje pilotaż, zmienia dostawcę albo zaczyna od nowa.
Starsze systemy nasilają problem. Dane firmowe często znajdują się w niekompatybilnych aplikacjach, z niespójnymi definicjami i zasadami dostępu.
Agent nie może niezawodnie ukończyć procesu pracy, gdy istotne informacje są rozproszone lub źle zarządzane. Lepsze rozumowanie nie zrekompensuje brakujących uprawnień ani sprzecznych rekordów.
Dlatego korporacyjna AI często daje przekonującą demonstrację, zanim zapewni niezawodną automatyzację. Demonstracja wykorzystuje czysty przykład. Produkcja napotyka firmę taką, jaka jest w rzeczywistości.
Pracownicy tworzą też nieformalne obejścia. Kopiują informacje między narzędziami, prowadzą osobiste arkusze kalkulacyjne i polegają na nieudokumentowanej wiedzy.
System AI wytrenowany na oficjalnych procesach może nie dostrzegać, jak praca jest faktycznie wykonywana. System otrzymujący szeroki dostęp może ujawnić wrażliwe informacje lub dokonać nieautoryzowanych zmian.
Nadzór człowieka pozostaje niezbędny, lecz musi zostać zaprojektowany jako część procesu pracy. Samo polecenie pracownikom, by sprawdzali każdy rezultat, może zniwelować obiecaną oszczędność czasu.
Weryfikacja powinna skupiać się na istotnym ryzyku. Twierdzenie kierowane do klientów zasługuje na większą kontrolę niż wewnętrzna lista pomysłów. Decyzja o płatności wymaga silniejszych zabezpieczeń niż podsumowanie spotkania.
Firmy potrzebują też zasad zakończenia. Pilotaż powinien określać, jaka wydajność, adopcja i wynik ekonomiczny uzasadniają wdrożenie produkcyjne.
Bez takich progów sukces staje się subiektywny. Sponsorzy mogą wskazywać imponujący przykład, ignorując słabe wykorzystanie lub rosnące koszty.
Sceptyczne spojrzenie zakłada, że reforma organizacyjna nie rozwiąże każdego przypadku. Niektóre zadania są zbyt niejednoznaczne, zbyt rzadkie albo zbyt ryzykowne, by uzasadniać wdrożenie AI.
Firma może prawidłowo zintegrować model i mimo to odkryć, że dany przypadek użycia przynosi niewielką wartość. To prawidłowy rezultat, a niekoniecznie porażka realizacji.
Dostawcy AI mają zachętę, by przedstawiać każdy zatrzymany projekt jako wyzwanie integracyjne. Takie wyjaśnienie chroni podstawowy produkt przed krytyką.
Nabywcy powinni opierać się temu ujęciu, gdy dowody wskazują na coś innego. Model może być zbyt zawodny, kosztowny, wolny lub generyczny dla danego zadania.
Rozróżnienie wymaga kontrolowanego pomiaru. Firmy powinny porównywać pracę wspomaganą przez AI z odpowiednim punktem odniesienia, uwzględniając czas weryfikacji i korekty błędów.
Powinny też mierzyć trwałość korzystania. Pracownicy mogą z entuzjazmem testować system podczas premiery, a następnie porzucić go, gdy nowość przestanie działać.
Udany pilotaż musi przetrwać w rutynowych warunkach. Potrzebuje rzeczywistych danych, zwykłych użytkowników, powtarzalnego wolumenu i tych samych mechanizmów kontroli, które są wymagane w produkcji.
Potrzebuje też ciągłości wiedzy. Zespoły powinny zachowywać wcześniejsze prompty, oceny, przypadki błędów i decyzje, zamiast zaczynać od nowa przy każdym wydaniu dostawcy lub modelu.
Ta pamięć instytucjonalna zapobiega powtarzaniu eksperymentów. Pomaga też nabywcom ustalić, czy nowy model zmienia ekonomikę rozwiązania, czy jedynie poprawia demonstrację.
Głębsza lekcja jest taka, że transformacja przedsiębiorstwa pozostaje odpowiedzialnością samego przedsiębiorstwa. Dostawcy mogą dostarczać modele i narzędzia. Nie są jednak w stanie rozwiązać każdego konfliktu w procesach klienta.
Najwyższa kadra kierownicza musi zdecydować, które przepływy pracy zasługują na przeprojektowanie. Musi usunąć zbędne kroki i dać odpowiedzialnym zespołom uprawnienia do zmiany sposobu działania.
W przeciwnym razie AI staje się kolejną warstwą. Pracownicy zachowują stary proces dla bezpieczeństwa, jednocześnie realizując nowy proces wspierany przez AI dla lepszej widoczności.
To dublowanie podnosi koszty. Może też sprawiać, że w okresie przejściowym produktywność wygląda gorzej, ponieważ zespoły utrzymują jednocześnie dwa systemy.
Wiarygodny plan wdrożenia powinien wyjaśniać, która dotychczasowa praca zniknie. Jeśli nie zostanie usunięte żadne spotkanie, raport, zatwierdzenie ani ręczny krok, system AI prawdopodobnie tylko zwiększa złożoność.
Na co firmy powinny zwracać uwagę w ciągu najbliższych trzech miesięcy
Trzy sygnały pokażą, czy ostrzeżenie Webb staje się trwałym wzorcem gospodarczym: przejście do produkcji, uzyskana wartość finansowa oraz bardziej rygorystyczna kontrola wykorzystania AI.
Pierwszym sygnałem jest odsetek projektów pilotażowych przechodzących do stałego środowiska produkcyjnego. Ogłoszenia o nowych eksperymentach mają mniejsze znaczenie niż systemy, z których zwykli pracownicy korzystają w ustalonych przepływach pracy.
Wyższy wskaźnik konwersji osłabiłby tezę o utknięciu w „czyśćcu pilotaży”. Pokazałby, że firmy rozwiązują bariery związane z zarządzaniem, danymi i integracją.
Dalszy wzrost liczby pilotaży bez wzrostu wdrożeń produkcyjnych wzmocniłby argument Webb. Sugerowałby, że eksperymentowanie stało się trwałą kategorią zakupową, a nie mostem do wdrożenia.
Warto obserwować, jak firmy opisują te programy. „Dostępne dla pracowników” nie znaczy tego samego co regularnie używane. „Wdrożone” nie oznacza automatycznie wartościowe ekonomicznie.
Drugim sygnałem jest wpływ finansowy na poziomie całego przedsiębiorstwa. McKinsey ustalił, że większość organizacji raportujących jakikolwiek wkład AI w zyski nadal przypisywała AI mniej niż 5 procent EBIT.
Przyszłe badania i telekonferencje wynikowe powinny pokazać, czy ten wkład rośnie. Firmy powinny raportować mierzalne oszczędności, przychody, skrócenie cykli lub redukcję ryzyka.
Nieprecyzyjne deklaracje dotyczące produktywności wymagają ostrożności. Zaoszczędzony czas ma wartość tylko wtedy, gdy organizacja wykorzystuje go do zwiększenia produkcji, poprawy obsługi lub obniżenia kosztów.
Jeśli przedsiębiorstwa zaczną łączyć AI z trwałym wzrostem zysków, porównanie do bańki osłabnie. Wydatki na infrastrukturę będą miały wyraźniejsze źródło zwrotu.
Jeśli wydatki będą rosły, podczas gdy mierzone zwroty pozostaną płaskie, ostrzeżenie się wzmocni. Rynek finansowałby większą aktywność bez odpowiadającego jej wzrostu uzyskanej wartości.
Trzecim sygnałem jest rozpowszechnienie limitów zużycia oraz systemów kierowania zadań do modeli. Mechanizmy te kierują zadania do modeli na podstawie kosztu, szybkości i wymaganych możliwości.
Limity użycia w Samsara oraz węższe pobieranie kontekstu w Docusign pokazują, jak firmy reagują po odkryciu ukrytych kosztów operacyjnych.
Większa liczba kontroli nie dowodziłaby, że gospodarka AI się załamuje. Pokazywałaby, że rynek wychodzi z fazy eksperymentów i mierzy się z ekonomiką jednostkową.
Ta transformacja może być zdrowa. Przetwarzanie w chmurze również wymagało lat zarządzania kosztami, nadzoru i optymalizacji obciążeń.
Jednak agresywne ograniczenia wprowadzane po przekroczeniu budżetów wspierałyby obawy Webb. Wskazywałyby, że organizacje kupowały nadmiar, zanim zrozumiały jego koszt.
Czytelnicy powinni też rozróżniać sektory. Programowanie, obsługa klienta, zarządzanie wiedzą i przetwarzanie dokumentów oferują różny poziom struktury oraz mierzalnej informacji zwrotnej.
Sukces w inżynierii oprogramowania nie gwarantuje podobnego rezultatu w strategii lub zarządzaniu. Niepowodzenie w regulowanym przepływie pracy nie unieważnia każdego wewnętrznego asystenta.
Google News nadal będzie prezentować historie z obu stron, ponieważ dowody są rzeczywiście mieszane. Wdrożenia i przychody mogą rosnąć, podczas gdy zwroty dla przedsiębiorstw pozostają nierówne.
Właściwe pytanie nie brzmi, czy AI jest realne. Wyraźnie wykonuje wartościową pracę. Właściwe pytanie brzmi, czy każde wdrożenie zmienia wynik operacyjny na tyle, by uzasadnić jego pełny koszt.
Koszt ten obejmuje tokeny, subskrypcje, infrastrukturę, integrację, weryfikację, szkolenia i uwagę organizacji. Obejmuje również koszt alternatywny projektów, które nigdy nie wychodzą poza etap pilotażowy.
Metafora aplikacji randkowej użyta przez Webb trafnie oddaje zagrożenie niekończącego się poszukiwania. Firmy mogą wciąż dopasowywać narzędzia do przypadków użycia, nie budując nigdy stabilnej relacji operacyjnej.
Wyjście z tej sytuacji zaczyna się od mniejszej liczby eksperymentów i bardziej wymagających kryteriów. Każdy projekt potrzebuje odpowiedzialnego właściciela, ekonomicznej wartości bazowej, ścieżki do produkcji oraz jasno określonej zasady zakończenia.
Przed zatwierdzeniem kolejnego pilotażu dyrektorzy powinni zadać jedno ostatnie pytanie: jaka decyzja, przepływ pracy lub koszt zniknie, jeśli to się powiedzie?
Jeśli nikt nie potrafi odpowiedzieć, firma prawdopodobnie nie potrzebuje kolejnej prezentacji. Potrzebuje jasności co do samej pracy.
