Gdy w 2022 r. pojawiły się powszechnie dostępne duże modele językowe (LLM), ich potężna zdolność do generowania tekstu na żądanie zapowiadała rewolucję w produktywności. Jednak mimo że te zaawansowane systemy AI potrafią tworzyć płynny tekst w języku naturalnym i komputerowym, to są one dalekie od doskonałości. Mogą halucynować, wykazywać się logiczną niespójnością oraz produkować treści nieadekwatne lub szkodliwe.

Chociaż technologia ta stała się powszechnie dostępna, wielu menedżerów nadal ma trudności z rozpoznawaniem przypadków użycia LLM-ów, w których poprawa produktywności przewyższa koszty i ryzyka związane z tymi narzędziami. Potrzebne jest bardziej systematyczne podejście do wykorzystywania modeli językowych, tak aby uefektywnić procesy biznesowe, a jednocześnie kontrolować słabe strony LLM-ów. Proponuję trzy kroki ułatwiające osiągnięcie tego celu. Po pierwsze, należy rozłożyć proces na mniejsze zadania. Po drugie, trzeba ocenić, czy każde zadanie spełnia tzw. równanie kosztów GenAI, które szczegółowo wyjaśnię w tym artykule. Jeśli ten warunek zostanie spełniony, należy uruchomić projekt pilotażowy, iteracyjnie oceniać jego wyniki oraz na bieżąco wprowadzać zmiany w celu poprawy rezultatów.

Kluczowe w tym podejściu jest pełne zrozumienie, w jaki sposób mocne i słabe strony modeli językowych odpowiadają specyfice danego zadania; jakie techniki umożliwiają ich skuteczną adaptację w celu zwiększenia wydajności; oraz jak te czynniki wpływają na bilans kosztów i korzyści – a także na ocenę ryzyka i potencjalnych zysków – związanych z wykorzystaniem modeli językowych do podnoszenia efektywności realizowanych działań.

Liderzy skutecznie wykorzystują duże modele językowe, stopniowo minimalizując ryzyko i tworząc solidne fundamenty pod przyszłe transformacje technologiczne, dzięki czemu generują realną wartość dla swoich organizacji.

Niespełna dwa lata temu generatywna sztuczna inteligencja (GenAI) trafiła na czołówki stron gazet, zachwycając swoimi niezwykłymi możliwościami: mogła prowadzić rozmowy, analizować ogromne ilości tekstu, dźwięku i obrazów, a nawet tworzyć nowe dokumenty i dzieła sztuki. To najszybsze w historii wdrożenie technologii przyciągnęło ponad 100 mln użytkowników w ciągu pierwszych dwóch miesięcy, a firmy z różnych branż rozpoczęły eksperymenty z GenAI. Jednak pomimo dwóch lat intensywnego zainteresowania ze strony kierownictwa i licznych prób wdrożeniowych nie widać wielkoskalowych transformacji biznesowych, które początkowo przewidywano. Co się stało? Czy technologia nie spełniła oczekiwań? Czy eksperci się pomylili, wzywając do gigantycznych zmian? Czy firmy były zbyt ostrożne? Odpowiedź na te pytania brzmi: i tak, i nie. Generatywna sztuczna inteligencja już teraz jest wykorzystywana w wielu firmach, ale nie – jako lokomotywa radykalnej transformacji procesów biznesowych. Liderzy biznesu znajdują sposoby, by czerpać realną wartość z dużych modeli językowych (LLM), nie modyfikując całkowicie istniejących procesów. Dążą do małych zmian (small t) stanowiących fundament pod większe przekształcenia, które dopiero nadejdą. W tym artykule pokażemy, jak robią to dzisiaj i co możesz zrobić, aby tworzyć wartość za pomocą generatywnej sztucznej inteligencji.

Polskie firmy technologiczne coraz częściej realizują złożone zlecenia dla międzynarodowych gigantów. Jednak nawet najlepiej przygotowany zespół może przy takim projekcie natknąć się na nieoczekiwane przeszkody. Przykład firmy Esysco wdrażającej szyfrowanie poczty e-mail dla jednego z największych niemieckich banków pokazuje, jak szybko może runąć precyzyjnie zaplanowany harmonogram oraz jak radzić sobie z nieprzewidywalnymi wyzwaniami.

Polskie firmy technologiczne coraz częściej zdobywają międzynarodowe kontrakty i realizują projekty, które jeszcze niedawno były zarezerwowane wyłącznie dla międzynarodowych rywali. Dzięki temu zdobywają zagraniczne rynki, osiągając imponujące wyniki eksportu usług IT, który w 2023 r. przekroczył 16 mld dolarów. W ostatniej dekadzie przychody branży wzrosły niemal czterokrotnie, a wartość eksportu – aż 7,5 razy, dzięki czemu polski sektor IT stał się motorem rodzimego eksportu. Kluczowymi kierunkami ekspansji są Stany Zjednoczone, Niemcy i Wielka Brytania, a wśród najsilniejszych obszarów znajdują się fintech, cyberbezpieczeństwo, sztuczna inteligencja, gry oraz rozwój oprogramowania.

Polska wyróżnia się w regionie Europy Środkowo-Wschodniej jako największy eksporter usług IT, przewyższając Czechy czy Węgry, a pod względem jakości specjalistów IT zajmuje trzecie miejsce na świecie. Jednak do pełnego wykorzystania tego potencjału konieczne jest pokonanie barier takich jak ograniczony dostęp do kapitału na ekspansję, rosnące koszty pracy oraz niedostateczne doświadczenie w międzynarodowej sprzedaży i marketingu. To jednak nie wszystko. Przy współpracy z międzynarodowymi gigantami trzeba również pamiętać o nieznanej polskim wdrożeniowcom skali, złożoności i nieprzewidywalności towarzyszącym tak wielkim projektom. Dobrym przykładem może być nasze wdrożenie dla jednego z największych niemieckich banków, z którym podpisaliśmy kontrakt na wprowadzenie systemu zabezpieczeń e-maili dla ponad 300 tys. użytkowników rozsianych po całym świecie. Technologicznie byliśmy gotowi, ale rzeczywistość szybko zweryfikowała nasze plany.

Błędne założenia dotyczące tego, co naprawdę motywuje ludzi do pracy, mogą prowadzić do nieskutecznych technik zarządzania. Badania pokazują lepszy sposób.

Motywowanie pracowników do efektywnej i rzetelnej pracy to jedno z kluczowych wyzwań zarządzania, które towarzyszy organizacjom od zawsze. Rozwiązania preferowane przez większość menedżerów opierają się jednak na dawno sformułowanych założeniach. Choć współcześni liderzy zdają sobie sprawę, że najbardziej wydajne są osoby wewnętrznie zmotywowane i wysoce zaangażowane, wciąż powszechnie stosuje się tradycyjne metody zarządzania. Opierają się one na przekonaniu, że ludzie będą ciężko pracować jedynie wtedy, kiedy otrzymają odpowiednie bodźce i będą stale monitorowani. U podstaw tej niespójności leżą dwie konkurencyjne teorie dotyczące motywacji. Każda z nich ma znaczące implikacje dla zarządzania, struktury organizacyjnej i osiąganych rezultatów.

Praca ponad siły to relikt przeszłości. Nowoczesne przywództwo to sztuka inteligentnej wydajności, strategicznego myślenia i troski o najcenniejszy zasób – własną energię. Dowiedz się, jak realizować ambitne cele, nie tracąc zdrowia i wewnętrznej równowagi.

Długie godziny pracy przez lata uchodziły za symbol zaangażowania i klucz do sukcesu. Jako seryjny przedsiębiorca na własnej skórze doświadczyłem, jak wysoką cenę można zapłacić za kulturową obsesję na punkcie ciężkiej pracy. Przez lata działałem na najwyższych obrotach, zaniedbując sen, aktywność fizyczną, zdrowie i życie prywatne. Pamiętam, jak mówiłem do żony, kiedy zakładałem pierwszą firmę: „Słuchaj, jeżeli to zrobię, to musimy liczyć się z tym, że trzy, cztery lata z życia będę miał wycięte”. Nie doszacowałem…

Pracoholizm jest uzależnieniem, które łatwo usprawiedliwiać, bo przecież: „nie robię nic złego, nie piję, nie imprezuję – ciężko pracuję, by zbudować firmę i lepszą przyszłość dla swojej rodziny”. Mój organizm w końcu jednak powiedział: „Dość!”.

Od ponad dwóch lat jesteśmy świadkami huraganowej ekspansji generatywnej sztucznej inteligencji (GenAI), która nie jest już tylko technologiczną ciekawostką, stała się bowiem realnym narzędziem transformacji biznesu. I choć coraz więcej firm przekształca eksperymenty z dużymi modelami językowymi (LLM) w konkretne wdrożenia, to wciąż niewiele organizacji (oczywiście poza dostawcami tych algorytmów) może pochwalić się istotną wartością uzyskaną dzięki tej technologii.

Poprzednie fale technologiczne wzmacniały tradycyjne struktury organizacyjne, stopniowo wprowadzając usprawnienia. Generatywna sztuczna inteligencja i duże modele językowe zmieniają firmy, wymagają bowiem zupełnie nowego podejścia do ich funkcjonowania. Tradycyjne struktury, oparte na ludzkich ograniczeniach, są zastępowane elastycznymi modelami współpracy człowieka i AI. Pracownicy już dziś używają AI bez zgody przełożonych, co zmusza liderów do redefinicji ról, procesów i zasad zarządzania. 

W 2011 r. Marc Andreessen, programista, a później inwestor venture capital, na łamach „The Wall Street Journal” ogłosił: „Oprogramowanie pożera świat”. Jego manifest opisywał technologię, która z niezwykłą żarłocznością przekształca każdą branżę, którą obejmuje. Nie mylił się – oprogramowanie wciąż dominuje na świecie.

Niecałe sześć lat później Jensen Huang, współzałożyciel i dyrektor generalny Nvidii, odważnie rozwinął myśl Andreessena, stwierdzając: „Oprogramowanie pożera świat… ale AI pożera oprogramowanie”. Nabierające rozpędu przechodzenie od tradycyjnego kodowania przez ludzi do uczenia maszynowego skłoniło Huanga do takiej konstatacji: „Uczenie głębokie to strategiczny imperatyw dla każdej dużej firmy technologicznej. Coraz bardziej przenika ono każdy aspekt pracy – od infrastruktury i narzędzi aż po sposób tworzenia produktów”. Gigantyczna kapitalizacja rynkowa Nvidii jest dowodem na trafność jego przewidywań z 2017 r.