Sztuczną inteligencję łatwo wdrożyć. Trudniej sprawić, żeby zaczęła przynosić wyniki
Sztuczna inteligencja jest już jednym z głównych kierunków inwestycji technologicznych przedsiębiorstw, ale między ambicjami a efektami nadal istnieje wyraźna luka.
Lubomir Stojek
Country Manager Red Hat w Polsce
Z badania Red Hat wynika, że 72 proc. firm w regionie EMEA uznaje rozwój AI za priorytet strategii IT, podczas gdy tylko 7 proc. deklaruje, że technologia ta już dziś przynosi im wymierną wartość biznesową. Problemem nie jest więc brak zainteresowania czy możliwości eksperymentowania. Coraz większym wyzwaniem staje się przełożenie wielu rozproszonych inicjatyw na rozwiązania, które można efektywnie skalować i utrzymywać w całym przedsiębiorstwie.
Jeśli każdy zespół w firmie rozwija własne rozwiązania, wybiera inne modele, narzędzia i dostawców, to w węższym zakresie może to wyglądać jak zdrowa innowacja. Jednak w skali całego przedsiębiorstwa szybko pojawiają się koszty, których początkowo nie widać. Te same wdrożenia mają miejsce kilka razy, licencje się dublują, zasoby obliczeniowe pozostają niewykorzystane, a zespoły tworzą podobne funkcje niezależnie od siebie. Do tego dochodzi konieczność utrzymywania różnych mechanizmów bezpieczeństwa, monitoringu i kontroli.
Podatek od fragmentacji
Można nazwać to „podatkiem od fragmentacji”. Nie pojawia się on wprost w rachunku wyników, ale przedsiębiorstwa płacą go w postaci czasu ekspertów, wolniejszego wprowadzania zmian i rosnącej złożoności środowiska IT. Szczególnie dobrze widać to przy agentowej AI. Poszczególne zespoły mogą tworzyć skutecznych agentów do konkretnych zadań, ale jeśli każdy z nich działa według innych zasad i na odrębnej infrastrukturze, firma szybko otrzymuje kilka lub kilkanaście środowisk, które trzeba osobno zabezpieczać, monitorować i audytować. Rośnie też ryzyko tzw. shadow AI, czyli rozwiązań wdrażanych poza wspólnymi zasadami nadzoru.
Standaryzować fundament, nie innowację
Odpowiedzią na te wyzwania nie powinno być jednak narzucanie wszystkim jednego modelu, zestawu narzędzi czy dostawcy. Innowacja potrzebuje przestrzeni do eksperymentowania. Standaryzacji wymaga natomiast jej fundament: infrastruktura, zarządzanie tożsamością i dostępem, bezpieczeństwo, automatyzacja, monitoring oraz zasady nadzoru nad cyklem życia modeli AI.
Dane pokazują, że właśnie w tym obszarze firmy mają dziś najwięcej do nadrobienia. Tylko 31 proc. przedsiębiorstw objętych badaniem Red Hat deklaruje dojrzałe mechanizmy zarządzania agentową AI, a kolejne 32 proc. przyznaje, że stosowane zasady nadal mają istotne luki. Jednocześnie zaledwie 49 proc. respondentów uważa, że ma pełną kontrolę nad tym, gdzie przechowywane i przetwarzane są dane wykorzystywane przez systemy AI. To pokazuje, że tempo wdrażania technologii wyprzedza rozwój procesów potrzebnych do jej bezpiecznego i powtarzalnego skalowania.
Wspólna platforma operacyjna pozwala odwrócić tę logikę. Zamiast rozwiązywać te same problemy od nowa w każdym projekcie, przedsiębiorstwo może centralnie zapewnić podstawowe mechanizmy bezpieczeństwa, widoczności i zarządzania nimi. Zespoły nadal mają swobodę wyboru modeli i narzędzi, ale nie muszą za każdym razem budować całego zaplecza. Dzięki temu więcej czasu mogą poświęcić na to, co rzeczywiście odróżnia firmę od konkurencji: nowe zastosowania, lepsze procesy i modele biznesowe.
Otwartość daje swobodę bez chaosu
W tym kontekście rośnie znaczenie otwartych technologii. Oprogramowanie open source nie rozwiązuje automatycznie wszystkich problemów związanych z AI, lecz ułatwia budowanie środowiska, w którym można łączyć różne modele i narzędzia bez trwałego uzależnienia od jednego dostawcy. W badaniu Red Hat 79 proc. respondentów wskazało transparentność i łatwiejszą audytowalność jako jedną z najważniejszych przyszłych wartości open source w AI, 77 proc. zwróciło uwagę na możliwość lepszego dostosowania rozwiązań do wymagań biznesowych i regulacyjnych, a 69 proc. oceniło, że otwarte podejście może ograniczać ryzyko vendor lock-in.
Znaczenie tej elastyczności rośnie również wraz z rozwojem regulacji dotyczących technologii. AI Act zwiększa wymagania związane z przejrzystością i nadzorem nad systemami sztucznej inteligencji, NIS2 wzmacnia obowiązki w zakresie zarządzania ryzykiem cybernetycznym w sektorach objętych dyrektywą, a DORA stawia instytucjom finansowym wymagania dotyczące odporności operacyjnej i zarządzania ryzykiem związanym m.in. z zewnętrznymi dostawcami technologii. W takim otoczeniu możliwość audytowania wykorzystywanych rozwiązań, kontrolowania zależności technologicznych i wymiany poszczególnych elementów środowiska bez przebudowy całej architektury staje się nie tylko kwestią techniczną, ale również elementem zarządzania ryzykiem biznesowym.
Od pilotażu do wartości
Dojrzałości firmy w obszarze AI nie warto więc mierzyć liczbą uruchomionych pilotaży ani modeli. Znacznie lepszym wskaźnikiem jest to, jak szybko i powtarzalnie przedsiębiorstwo potrafi przejść od dobrego pomysłu do rozwiązania działającego w produkcji – z zachowaniem kontroli nad kosztami, bezpieczeństwem i danymi.
W kolejnej fazie rozwoju AI przewagę będą budować nie te firmy, które testują najwięcej narzędzi, lecz te, które potrafią zarządzać ich różnorodnością. Sztuczna inteligencja zaczyna być trwałą kompetencją biznesową dopiero wtedy, gdy eksperymentowanie z nią nie prowadzi do technologicznego chaosu, a przedsiębiorstwo potrafi skalować innowacje bez wielokrotnego ponoszenia tych samych kosztów.
