Масштабирование искусственного интеллекта: острая необходимость в новой экономической стратегии.

Преобладающее мнение об использовании ИИ на предприятиях быстро меняется: от энтузиазма пилотной фазы к суровым реалиям производства. По мере того, как организации стремятся интегрировать генеративный ИИ в свои рабочие процессы, они сталкиваются с препятствием, которое заключается не столько в возможностях самой технологии, сколько в способах развертывания этих моделей.

Компании все чаще обнаруживают, что проблема заключается не в самом искусственном интеллекте, а в предположении, что для решения каждой задачи требуется самая мощная из доступных моделей. Это привело к широко распространенному явлению «токенмаксинга» — тенденции использовать по умолчанию более крупные и дорогие модели, даже если задачу можно было бы выполнить с помощью меньшей и менее дорогой модели.

Вместо того чтобы подбирать подходящую модель для конкретной задачи, многие организации исходят из того, что для каждого рабочего процесса требуется вычислительная мощность на уровне ведущих моделей.

Избыточное внедрение автоматизации создает структурную нагрузку на прибыльность. Когда компании подходят к каждой проблеме так, будто для ее решения требуется революционная модель, затраты на инфраструктуру неизбежно превышают ценность результата.

Рынок наблюдает последствия такого подхода: по сообщениям, крупные организации полностью исчерпывают свои бюджеты на ИИ в течение нескольких месяцев и аннулируют внутренние лицензии по мере роста затрат.

По мере того как организации сталкиваются с резким ростом затрат на ИИ, становится ясно, что расходы на ИИ часто превышают ощутимую выгоду, которую он приносит. Эта проблема требует новых стратегий, как обсуждалось в предыдущей статье о снижении расходов на ИИ.

Преодоление ловушки пилотных проектов

Основная проблема заключается в том, что успех отдельных, контролируемых пилотных проектов часто считается стандартом для современных корпоративных инициатив в области ИИ. В пилотном проекте количество переменных ограничено, а стоимость одной операции кажется управляемой. Но как только открывается доступ к использованию в масштабах всего предприятия, проявляется хаотичная реальность производства, пограничных состояний, многочисленных повторных попыток и больших колебаний масштаба.

Поскольку вероятностный ИИ генерирует разные затраты для каждой операции, он создает непредвиденные расходы, которые финансовые отделы не могут предсказать. В традиционном программном обеспечении фиксированный бюджет соответствует прогнозируемой стоимости каждой задачи. В ИИ такой стабильности нет. Когда одна и та же операция стоит один доллар сегодня и сто долларов завтра, ее нельзя безопасно включить в операционный бюджет.

По этой причине 80% организаций признают, что неправильно оценили стоимость ИИ более чем на 25%, а более 95% пилотных проектов генеративного ИИ не доходят до стадии внедрения в производство. В настоящее время организации не работают над улучшением соотношения затрат и результатов; вместо этого они обнаруживают это на собственном горьком опыте, часто уже после того, как финансовый ущерб нанесен. Для многих руководителей единственным оставшимся рычагом является «меньшее использование» — ограничение использования или блокировка доступа.

Но этот ответ ошибочен. Настоящий шок заключается не в самом размере счета, а в осознании того, что единственным оставшимся инструментом управления является ограничение потребления. Нормируя доступ, организация фактически признает, что внедрение ИИ слишком дорого для масштабирования, превращая потенциальное конкурентное преимущество в оборонительную слабость.

Переосмысление экономики автоматизации

Сегодня большинство организаций сосредотачиваются на улучшении выбора модели — то есть на определении модели, которая должна выполнять конкретную задачу, — но наибольшая возможность заключается в улучшении самой работы. Поскольку затраты корректируются каждый раз, когда запрос начинается с нуля в рамках большой модели, предположение о том, что каждая задача требует большой языковой модели (LLM) на ведущем уровне LLM, быстро становится дорогостоящей ошибкой.

Стандартные инструменты маршрутизации работают на уровне запроса: они анализируют входящую задачу и направляют её в модель, которая кажется наиболее подходящей, но эта модель всё равно выполняет всю задачу как единое, непрозрачное построение. Оптимизируется только модель, которая выдаёт ответ; ничто из полученного результата не делает следующий запуск дешевле. Для достижения истинной масштабируемости требуется сделать шаг дальше.

Этот сдвиг требует структуры, которая управляет бизнес-процессом, а не полагается исключительно на базовую модель. Вместо того чтобы просто направлять работу к конечной точке, такой архитектурный подход управляет самим процессом. Он выходит за рамки отдельных моделей, разбивая рабочий процесс на дискретные, управляемые кодом шаги для создания журнала аудита на каждом этапе.

Именно это единственное архитектурное решение отличает структурную оптимизацию от поверхностного управления затратами, обеспечивая глубину эффективности, недостижимую для традиционных инструментов управления. Этот сдвиг приводит к более эффективной структуре затрат. Вместо того чтобы полагаться на одну модель для каждой задачи, вычисления распределяются по специализированным, управляемым кодом этапам, что улучшает использование ресурсов и трансформирует выполнение рабочих процессов.

Например, в процессе обработки больших объемов кредитов такой подход улучшает общую экономическую эффективность за счет снижения зависимости от дорогостоящих моделей анализа там, где это не требуется. Переход к этой стандартизированной, процесс-ориентированной архитектуре обеспечивает устойчивый путь управления затратами на операции с большими объемами данных.

نظرًا لأن العملية مفصولة عن أي مزود معين، تحتفظ المؤسسات بمرونة كاملة. يمكنها تطبيق استراتيجيات التحسين بحرية، والتبديل بين نماذج LLM الرائدة، والأوزان مفتوحة المصدر، والنماذج المتخصصة الأصغر مع تطور احتياجات الأداء والتكلفة، دون الحاجة إلى إعادة بناء بنيتها التحتية الأساسية. لمعرفة Plus عن كيفية إدارة تكاليف الذكاء الاصطناعي، يمكنك قراءة مقالنا حول تراجع إنفاق الذكاء الاصطناعي.

Поскольку каждый процесс выполнения генерирует конкретный и поддающийся проверке алгоритм действий, вызовов инструментов и результатов, эти записи становятся ценными информационными ресурсами, улучшающими специализированные альтернативы, которые уже умеют обрабатывать ожидаемые задачи, не прибегая к общим вызовам.

Расширение возможностей человека за счет точности.

Цель этого нового подхода — превратить искусственный интеллект из ограниченного эксперимента в стандартизированный метод выполнения работы. Когда автоматизированный цифровой труд берет на себя повторяющиеся когнитивные задачи , такие как проверка данных или подтверждение раскрытой информации, роль человека полностью трансформируется. Аналитикам больше не нужно тратить весь день на ручное открытие файлов и ввод данных; их внимание переключается на обработку исключений, требующую высокого уровня суждения, сложных стратегий и творческого решения проблем.

В этом и заключается потенциал устойчивого внедрения ИИ. Преобразуя непредвиденные расходы в известную базу затрат и сосредотачиваясь на перестройке рабочих процессов, а не просто на смене моделей, предприятия наконец-то могут раскрыть свой полный потенциал. Это открывает организациям путь к устойчивой и измеримой окупаемости инвестиций по мере расширения внедрения, позволяя их сотрудникам сосредоточиться на высокоэффективной, оценочной работе, которую технологии не могут воспроизвести.

Будущее ИИ на предприятиях будет определяться не только возможностями модели, но и способностью внедрять интегрированные системы ИИ, которые сделают технологию экономически целесообразной в масштабах предприятия. Пришло время выйти за рамки неустойчивых экспериментов и принять дисциплинированный, архитектурный подход к внедрению ИИ. Для организаций, готовых перейти от экспериментальной фазы к более масштабируемой, задача состоит уже не в том, чтобы доказать работоспособность ИИ, а в том, чтобы сделать его экономически целесообразным для масштабирования.