Eksperymenty z AI w firmach postępują szybko, ale nie zawsze przebiegają bezproblemowo. Odsetek firm, które porzuciły większość swoich inicjatyw związanych ze sztuczną inteligencją, wzrósł z 17% w 2024 r. do 42% w tym roku — wynika z analizy S&P Global Market Intelligence, opartej na badaniu ponad 1000 respondentów. Przeciętna firma zrezygnowała z 46% projektów typu proof of concept (PoC) dotyczących AI, zanim jeszcze zostały one wdrożone.
Na tle ponad dwóch lat intensywnego rozwoju AI i związanego z tym napięcia, część liderów biznesu mierzących się z kolejnymi niepowodzeniami zaczyna odczuwać znużenie. Odczuwają je także pracownicy. Według badania Quantum Workplace, osoby, które często korzystają z AI w pracy, częściej deklarują wypalenie zawodowe (45%) niż ci, którzy używają jej rzadko (38%) lub wcale (35%).
Porażki są naturalną częścią badań i rozwoju oraz wdrażania nowych technologii, ale wielu liderów przyznaje, że presja związana z AI jest znacznie większa niż w przypadku wcześniejszych technologicznych przełomów. Tymczasem debata na temat AI toczy się nie tylko w firmach — temat sztucznej inteligencji pojawia się dziś wszędzie: od szkół po geopolitykę. 
— Kiedy rynek i wszyscy wokół non stop uderzają cię przekazem o nowej modnej technologii, to naturalne — w końcu masz tego dość — mówi Erik Brown, lider ds. AI i nowych technologii w firmie doradczej West Monroe.
Niepowodzenia i presja napędzają „zmęczenie AI”
W pracy z klientami, którzy badają możliwości wdrażania AI, Brown zaobserwował wyraźny trend: coraz więcej firm odczuwa frustrację związaną z projektami PoC, które nie przynoszą namacalnych rezultatów.
Wiele porażek wynika z wyboru niewłaściwych zastosowań lub nieporozumień co do tego, które typy AI nadają się do danego zadania — np. sięganie po modele językowe (LLM), bo są modne, mimo że lepiej sprawdziłoby się uczenie maszynowe lub inna technika. Sama dziedzina AI zmienia się tak szybko i jest tak złożona, że łatwo tu o zmęczenie.
W innych przypadkach firmy, pod wpływem presji lub ekscytacji, podejmują zbyt ambitne projekty, bez przemyślenia ich do końca. Brown opowiada, jak jeden z jego klientów — ogromna organizacja globalna — stworzył „grupę innowacyjną” złożoną z kilkunastu najlepszych data scientistów, by opracować zastosowania AI w swoich produktach. Zespół stworzył mnóstwo interesujących rozwiązań opartych na AI, ale nie były one wdrażane, bo nie rozwiązywały realnych problemów biznesowych. To rodziło frustrację, stracony czas i zmarnowane zasoby.
— Łatwo jest przy nowej technologii, zwłaszcza tak nagłośnionej jak AI, zacząć od technologii, zamiast od problemu — mówi Brown. — Stąd właśnie bierze się wiele porażek i zmęczenia.
Eoin Hinchy, współzałożyciel i CEO firmy Tines, specjalizującej się w automatyzacji workflow, opowiada, że jego zespół zaliczył 70 nieudanych prób w ramach jednego projektu AI, zanim znalazł działające rozwiązanie. Największym technicznym wyzwaniem było zapewnienie, by środowisko do wdrażania LLM-ów dla klientów było wystarczająco bezpieczne i prywatne — co było absolutnym priorytetem.
— Były momenty, gdy myśleliśmy, że „to jest to” — mówi Hinchy. — Że właśnie to rozwiązanie zrobi różnicę. Ale potem okazywało się, że trzeba wrócić do punktu wyjścia.
Zmęczenie odczuwały też inne działy organizacji, nie tylko zespół techniczny. Dział sprzedaży próbował działać w konkurencyjnym środowisku, gdzie inni dostawcy wprowadzali podobne funkcje, ale tempo wewnętrznego rozwoju produktu nie nadążało. Największym wyzwaniem było zgranie działu sprzedaży i produktu.
— Potrzeba było wielu rozmów motywacyjnych i zapewnień dla inżynierów, zespołu produktowego i sprzedaży: że ta ciężka, często niewidoczna praca się opłaci — mówi Hinchy.
Pozwól funkcjonalnym zespołom przejąć stery
W firmie Netskope, specjalizującej się w cyberbezpieczeństwie, dyrektor ds. bezpieczeństwa informacji James Robinson również doświadczył zawodów. Czuł rozczarowanie botami, które nie spełniały swoich zadań, oraz inwestycjami, które nie przyniosły rezultatów mimo nadziei. On i jego zespół inżynierów byli nadal zmotywowani — kierowało nimi wewnętrzne pragnienie tworzenia i eksperymentowania — ale dział odpowiedzialny za nadzór i governance wyraźnie zaczął odczuwać zmęczenie. Lista zadań tego zespołu nieustannie rosła: zatwierdzanie kolejnych inicjatyw, nowych narzędzi AI, aktualizacji.
Rozwiązanie? Zmiana procesu. Firma zdecydowała, że początkowy etap nadzoru będą prowadzić konkretne działy biznesowe. Wyznaczono jasne oczekiwania co do tego, co musi być gotowe, zanim projekt trafi do komitetu ds. AI.
— Chcemy przenieść część odpowiedzialności do zespołów biznesowych — mówi Robinson. — Na przykład zespoły marketingowe czy odpowiedzialne za produktywność inżynierii — niech one wykonują pierwszy etap oceny. Mają większą motywację, więc warto dać im ten etap. Komitet nadzorczy zajmuje się wtedy tylko kluczowymi pytaniami i sprawdza dokumentację.
To podejście odzwierciedla to, co doradził klientowi również Brown. Po nieudanym projekcie „laboratorium innowacji”, jego zespół zaproponował powrót do podstaw: zidentyfikowanie realnych problemów biznesowych w poszczególnych działach i ocenę, które z nich nadają się do rozwiązywania przy pomocy AI. Następnie utworzono mniejsze zespoły, w których przez cały proces uczestniczył przedstawiciel odpowiedniego działu. W ciągu miesiąca powstał prototyp rozwiązujący jeden z problemów, a po półtora miesiąca – wdrożono pierwszą wersję.
Jak uniknąć „zmęczenia AI”? Zacznij od małych kroków
— Są dwa podejścia, które przynoszą odwrotny skutek — podsumowuje Brown. — Jedno to poddać się lękowi i nie robić nic, co ostatecznie pozwoli konkurencji cię wyprzedzić. Drugie – próbować robić zbyt wiele naraz albo działać bez sprecyzowania, gdzie i jak testujemy AI. To także prowadzi do przeciążenia.
Dlatego warto się zatrzymać, przemyśleć scenariusze, w których możemy eksperymentować z AI, podzielić zespoły na mniejsze grupy zgodnie z działami i pracować etapami, przy odpowiednim wsparciu.
W końcu, celem sztucznej inteligencji jest to, by pracować mądrzej — a nie ciężej.
Czytaj też:
