Organisasjoner er entusiastiske når det gjelder potensialet generativ AI har for å øke produktiviteten, men mangel på strategisk planlegging og talentmangel hindrer dem i å realisere den virkelige verdien.

Dette fremgår av en studie utført i begynnelsen av 2024 av Coleman Parkes Research og sponset av dataanalyseselskapet SAS, som har spurt 300 amerikanske beslutningstakere innen GenAI-strategi og dataanalyse for å kartlegge de viktigste investeringsområdene og hindringene organisasjonene står overfor.

Marinela Profi, strategisk AI-rådgiver i SAS, sier: “Organisasjoner er i ferd med å innse at store språkmodeller (LLM) alene ikke løser forretningsutfordringer.

“GenAI bør behandles som en ideell bidragsyter til hyperautomatisering og akselerasjon av eksisterende prosesser og systemer, og ikke som det nye, skinnende leketøyet som skal hjelpe organisasjoner med å realisere alle sine forretningsmessige ambisjoner. Å bruke tid på å utvikle en progressiv strategi og investere i teknologi som tilbyr integrasjon, styring og forklarbarhet av LLM-er, er viktige skritt som alle organisasjoner bør ta før de kaster seg ut i det med begge beina og låser seg fast.”

Organisasjoner støter på hindringer på fire viktige implementeringsområder:

– Øke tilliten til databruk og oppnå samsvar. Bare én av ti organisasjoner har et pålitelig system for å måle skjevheter og personvernrisiko i LLM. Dessuten mangler 93 % av de amerikanske virksomhetene et omfattende styringsrammeverk for GenAI, og de fleste står i fare for å bryte lover og regler.

– Integrering av GenAI i eksisterende systemer og prosesser. Organisasjoner avslører at de opplever kompatibilitetsproblemer når de prøver å kombinere GenAI med eksisterende systemer.

– Talent og kompetanse. Det er mangel på intern GenAI. HR-avdelingene opplever mangel på egnede medarbeidere, og organisasjonsledere er bekymret for at de ikke har tilgang til den nødvendige kompetansen for å få mest mulig ut av GenAI-investeringen.

– Forutsigbare kostnader. Ledere oppgir uoverkommelige direkte og indirekte kostnader forbundet med bruk av LLM. Modellskaperne gir et symbolsk kostnadsestimat (som organisasjonene nå innser er uoverkommelig). Men kostnadene for utarbeidelse av privat kunnskap, opplæring og ModelOps-administrasjon er lange og komplekse.

Profi legger til: “Det kommer til å handle om å identifisere virkelige brukstilfeller som gir størst verdi og løser menneskelige behov på en bærekraftig og skalerbar måte.

“Med denne studien fortsetter vi vårt engasjement for å hjelpe organisasjoner med å holde seg relevante, investere pengene sine klokt og forbli motstandsdyktige. I en tid der AI-teknologien utvikler seg nesten daglig, er konkurransefortrinn i stor grad avhengig av evnen til å omfavne resiliensreglene.”

Detaljer om studien ble offentliggjort i dag på SAS Innovate i Las Vegas, SAS Softwares AI- og analysekonferanse for bedriftsledere, tekniske brukere og SAS-partnere.