AI Software at ang Tanong ng Trilyon-Dolyar na Produktibidad
Kung ang AI ay lubos na gumagaling sa pagsulat ng software, ano ang dapat baguhin ng mga lider ng negosyo ngayon? Ang sagot ko: sukatin kung paano nito pinapabuti ang isang kumpletong proseso ng negosyo, kasama ang gawaing kinakailangan upang suriin at panatilihin ang mga output nito.
Maaari bang magdagdag ang AI ng $20 trilyon hanggang $30 trilyon bawat taon sa pandaigdigang output ng ekonomiya? Iminungkahi ni Elon Musk ang tantiyang ito, kasama ang hula na ang AI ay maaaring hawakan ang halos anumang digital na gawain at makarating sa antas ng Stockfish na kakayahan sa pag-code. Ang mga pahayag na ito ay nakakuha ng pansin dahil nagmumungkahi sila ng malaking pagbabago sa ekonomiya ng gawaing kaalaman.
Ito ay mga ambisyosong hula, hindi mga nakapagtibay na resulta. Dapat ipagkaiba ng mga lider ng negosyo ang posibilidad ng malaking pagtaas ng produktibidad mula sa katibayan na ang AI ay maaaring maghatid ng bawat digital na gawain nang maaasahan. Ang mga desisyon sa pamumuhunan ay nangangailangan ng katibayan mula sa gawaing aktwal na ginagawa ng mga organisasyon.
Ano ang sinasabi sa atin ng paghahambing ng Stockfish
Ang Stockfish ay isang open-source chess engine at isa sa pinakamalakas sa mundo. Ipinapakita ng paghahambing na ito ang isang tunay na posibilidad: ang mga makina ay maaaring lumampas sa mga tao sa mga hinihinging intelektwal na gawain. Gayunman, ang analohiyang ito lamang ay hindi maaaring magtakda kung kailan malalampasan ng AI ang bawat software engineer.
Ang chess ay may mga nakatakdang tuntunin, isang nakikitang board, at isang malinaw na layunin. Ang enterprise software ay may mga hindi kumpletong kinakailangan, nagbabagong patakaran, mga legacy system, at nag-uumpugang priyoridad ng mga stakeholder. Ang isang programa ay maaaring pumasa sa mga pagsubok habang nilulutas ang maling problema ng negosyo.
Ang pagbuo ng code ay bahagi ng engineering. Ang pagpapasya kung ano ang itatayo, pagkontrol ng access, pagsusuri ng seguridad, ligtas na paglulunsad, at pagsuporta sa mga gumagamit ay nananatiling bahagi ng resulta. Kahit ang napaka-kayang AI ay nangangailangan ng isang proseso na maaaring makahanap ng mga pagkakamali at magtalaga ng pananagutan.
Pag-unawa sa pangangailangan ng ekonomiya
Ang pagtaas ng antas ng taunang output ng ekonomiya ng 20 hanggang 30 porsyento ay iba sa paglago ng 20 hanggang 30 porsyento bawat taon. Ang isang pangangailangan ng sukat na ito ay nangangailangan ng mga tahasang palagay tungkol sa pagtanggap, pagiging maaasahan, pamumuhunan, at oras na kinakailangan upang makamit ang mga pakinabang. Ang pagsasama ng mga porsyentong iyon sa $20 trilyon hanggang $30 trilyon ay nagpapahiwatig ng isang panimulang ekonomiya na humigit-kumulang $100 trilyon.
Para sa paghahambing, inilathala ng Goldman Sachs noong 2023 ang isang senaryo kung saan ang generative AI ay maaaring magtaas ng pandaigdigang GDP ng humigit-kumulang 7 porsyento, o halos $7 trilyon, at magtaas ng paglago ng produktibidad ng 1.5 na puntos ng porsyento sa loob ng isang dekada. Iyon ay isang kondisyonal na hula, hindi isang sinusukat na resulta o isang kisame ng mga hinaharap na pakinabang. Hindi nito independiyenteng napapatunayan ang mas malaking tantiya ni Musk.
Sa antas ng kumpanya, ang isang kapaki-pakinabang na kalkulasyon ay mas simple: netong halaga = dagdag na kapaki-pakinabang na output at halaga ng natupad na matitipid, minus ang mga gastos ng AI, pagsasama, pagsusuri, muling paggawa, at pagkalugi mula sa mga pagkakamali. Ang natipid na oras ay nagiging pinansyal na halaga lamang kapag ang organisasyon ay maaaring gamitin ito nang produktibo.
Mga kalamangan at mga gastos
Bilis laban sa beripikasyon. Maaaring paikliin ng AI ang pagbubuo ng draft, pag-code, at pagsusuri. Dapat sukatin ng mga lider ang oras na kinakailangan upang suriin ang mga resulta kasama ng oras na natipid sa paggawa nito.
Mas mababang gastos sa produksyon laban sa mga bagong gastos sa operasyon. Ang paggawa ng unang bersyon ay maaaring maging mas mura. Ang paggamit ng modelo, pagsasama, pagmamanman, at pagwawasto ay gumagamit pa rin ng pera at oras ng staff.
Mas malawak na access laban sa pagdepende. Ang mga mas maliit na koponan ay maaaring kumuha ng gawaing dati ay lampas sa kanilang mga mapagkukunan. Ang pagdepende sa isang nagbebenta ay maaaring gawing mahirap pamahalaan ang presyo, pagkakaroon, at mga pagbabago ng modelo.
Mas malaking kakayahan laban sa pagkagambala ng paggawa. Ang mga staff ay maaaring gumugol ng mas maraming oras sa mga pangangailangan ng customer at mahihirap na desisyon. Ang mga kumpanya ay kailangan ding magplano para sa mga nagbabagong tungkulin, muling pagsasanay, at pag-unlad ng mga junior na staff na ang mga karaniwang gawaing pang-aral ay maaaring gawing awtomatiko.
Isang praktikal na halimbawa ng enterprise
Isaalang-alang ang isang hypothetikal na negosyo ng imbakan na nagtatayo ng serbisyo ng pagsubaybay ng order. Maaaring i-draft ng AI ang isang interface, magmungkahi ng mga query ng database, at gumawa ng mga test case. Kailangan pa ring kumpirmahin ng koponan kung aling mga customer ang maaaring makakita ng bawat order, paano pinangangasiwaan ang mga pagkakaiba-iba ng imbentaryo, at kung ang serbisyo ay gumagana sa mga umiiral na sistema.
Ang makabuluhang paghahambing ay ang gastos bawat tinanggap na release at pagganap habang ginagamit. Sukatin ang oras ng paghahatid, mga depekto, mga kahilingan ng suporta, at mga resulta ng customer. Ang mas mabilis na draft na nagdudulot ng mas maraming insidente sa produksyon ay maaaring magbawas ng kabuuang halaga.
Ang parehong prinsipyo ay nag-aaplay sa serbisyo sa customer. Ang awtomatiko ng mga simpleng kahilingan ay maaaring magpabuti ng mga oras ng tugon. Ang mga hindi malinaw na kaso ay nangangailangan ng isang maaasahang landas patungo sa isang tao, na pinapanatili ang kaugnay na konteksto.
Ano ang dapat gawin ng mga CEO at CTO
Dapat pumili ang mga CEO ng isang proseso na may nakikilalang gastos at malinaw na resulta ng customer. Magtatag ng baseline, magpatakbo ng limitadong pilot, at sumang-ayon nang maaga kung anong pagpapabuti ang magbibigay-katwiran sa pagpapalawak. Isama ang mga gastos sa pagpapatupad at mga pagbabago sa mga responsibilidad ng staff.
Dapat suriin ng mga CTO ang mga iminungkahing modelo sa mga representatibong gawain mula sa kanilang sariling mga sistema. Suriin ang katumpakan, seguridad, privacy, pagbawi mula sa kabiguan, at compatibility sa mga umiiral na serbisyo. Paghiwalayin ang pahintulot na magmungkahi ng mga pagbabago at ang pahintulot na isagawa ang mga ito.
Para sa mga aksyon na may malaking epekto, tukuyin ang may-ari ng pag-apruba at magpanatili ng isang audit trail. Panatilihin ang kakayahang baligtarin ang mga pagbabago, limitahan ang access, at ihinto ang awtomasyon kapag bumaba ang pagganap.
Suriin ang pagdepende sa mga nagbebenta at sanayin ang mga staff na hamunin ang mga output. Palawakin ang paglulunsad kapag ang sinusukat na benepisyo ay nananatiling positibo matapos ang mga gastos sa pagsusuri at suporta. Ang mga hula ng pandaigdigang ekonomiya ay dapat magbigay ng impormasyon sa pagpaplano ng senaryo, habang ang lokal na katibayan ang dapat gabayan ang pamumuhunan.
Ang desisyon ng pamumuno
Maaaring lubos na baguhin ng AI ang ekonomiya ng digital na gawain. Ang sukat at tiyempo ay nananatiling hindi tiyak. Ang aking payo: itayo ang kakayahang suriin at tanggapin ito nang may pananagutan ngayon, pagkatapos ay dagdagan ang pamumuhunan habang lumalakas ang katibayan.
Aling proseso sa inyong organisasyon ang una ninyong susuriin, at anong katibayan ang makakapagpapaniwala sa inyo na ang AI ay lumilikha ng pangmatagalang halaga ng negosyo?
Mag-isip nang matematikal. Magdisenyo nang matalino. Mamuno nang madiskarte. Magtayo nang may pananagutan. Magpalawak nang pandaigdig. Lumikha ng tunay na halaga ng negosyo sa pamamagitan ng AI.
#ArtificialIntelligence #AIStrategy #EnterpriseAI #SoftwareEngineering #Productivity #BusinessLeadership
Unang inilathala ni Keshavan Thiagaraja sa LinkedIn. Basahin ang orihinal sa LinkedIn. [1]