Jak skutecznie wdrażać generatywną AI i unikać kosztownych błędów

Wielu liderów nie dostrzegają szerszych zmian organizacyjnych niezbędnych do efektywnego wykorzystania sztucznej inteligencji. Slavik Dimitrovich, dyrektor ds. architektury AI/ML w AWS, argumentuje, że bez odpowiedniej integracji i strategicznego planowania sama generatywna AI nie przekształci firmy z dnia na dzień. Dimitrovich wskazuje niedoceniane trendy, takie jak transformacyjny potencjał agentów AI, specjalistycznych modeli dziedzinowych czy demokratyzacja AI, które będą kluczowe dla przyszłego, głębokiego osadzenia AI w procesach biznesowych. Wyjaśnia, jakie kompetencje przywódcze i zmiany w modelach operacyjnych są niezbędne, aby w pełni wykorzystać potencjał generatywnej AI i uniknąć typowych błędów we wdrażaniu tej technologii. Rozmawia Paulina Kostro.

Które trendy w rozwoju generatywnej AI uważa Pan za najbardziej niedoszacowane przez liderów biznesu, a które są przeceniane?

Wielu liderów biznesu zbyt mocno skupia się na nowości generowania tekstu i obrazów, nie biorąc pod uwagę szerszych zmian organizacyjnych niezbędnych do efektywnego wykorzystania tej technologii. Sama generatywna AI, bez odpowiedniej integracji i planowania strategicznego, nie przekształci firm z dnia na dzień. Co jest niedoceniane? Trzy kluczowe trendy:

• Po pierwsze, transformacyjny potencjał agentów AI i ich orkiestracji. Możliwość łączenia wielu modeli AI w celu rozwiązywania złożonych problemów biznesowych to przełom, którego liderów wielu jeszcze w pełni nie pojęło. Dzięki naszemu frameworkowi Multi-Agent Orchestration w Amazon Bedrock, klienci tworzą zaawansowane przepływy pracy, które jeszcze kilka miesięcy temu były niemożliwe.

• Po drugie, wpływ wyspecjalizowanych, dziedzinowych modeli AI. Dużo uwagi poświęca się ogólnym dużym modelom językowym, a prawdziwa wartość biznesowa często pochodzi z mniejszych, wysoko wyspecjalizowanych modeli trenowanych na danych specyficznych dla danej branży. Pomagamy klientom budować takie modele poprzez możliwości dostosowywania modeli w Amazon Bedrock.

• Po trzecie, i być może najważniejsze, demokratyzacja AI poprzez architektury bezserwerowe. Możliwość wdrażania funkcji AI bez zarządzania złożoną infrastrukturą usuwa tradycyjne bariery wejścia. Umożliwi to wdrażanie innowacji wszystkim organizacjom, nie tylko gigantom technologicznym.

Wszystkie te trendy wskazują na przyszłość, w której sztuczna inteligencja stanie się głęboko osadzona w procesach biznesowych, nie będzie funkcjonować wyłącznie jako samodzielne aplikacje.

W jaki sposób generatywna AI może fundamentalnie zmienić modele operacyjne firm w nadchodzących latach – poza automatyzacją prostych procesów?

Obecnie generatywna sztuczna inteligencja demokratyzuje wiedzę ekspercką, podobnie jak wyszukiwarki internetowe zdemokratyzowały dostęp do informacji, a zakupy online – dostęp do produktów. Nasze organizacje są często projektowane i optymalizowane pod kątem realizacji określonych procesów biznesowych, które z kolei są optymalizowane pod kątem „wąskich gardeł”. W branżach, w których większość pracy jest oparta na wiedzy, takich jak np. opieka zdrowotna, usługi finansowe, administracja publiczna, edukacja, najwęższym gardłem jest wiedza specjalistyczna pracowników, która często decyduje o wydajności i jakości biznesu.

Obecnie obserwujemy, że pod presją konieczności wykazania wartości w krótkim czasie wiele firm rozszerza swoje procesy o sztuczną inteligencję i odnosi w tym znaczące sukcesy przy zapewnieniu swoim pracownikom dostępu do asystentów AI, takich jak Q Business i Q Developer.

Widzimy również, że niektórzy klienci próbują zoptymalizować swoje procesy pod kątem sztucznej inteligencji. Będzie to wymagało prób i błędów, ale w dłuższej perspektywie wierzymy, że ci, którzy będą w stanie stworzyć bardziej płynne procesy i organizacje modułowe, będą w stanie zmaksymalizować wartość sztucznej inteligencji.

Jakie nowe kompetencje liderzy firm powinni rozwijać, by w pełni wykorzystać potencjał generatywnej AI w budowaniu przewagi konkurencyjnej?

Nasze badania pokazują, że 45% firm w Polsce wskazuje umiejętności pracowników jako główną przeszkodę w implementacji AI. Aby skutecznie wdrożyć generatywną sztuczną inteligencję i uzyskać przewagę konkurencyjną, organizacje potrzebują wielopłaszczyznowego podejścia do rozwoju tzw. przywództwa.

• Po pierwsze, liderzy muszą wypracować jasną wizję strategiczną – identyfikując przypadki użycia AI o wysokim wpływie na biznes, które są zgodne z celami firmy i przynoszą mierzalne rezultaty. Wymaga to solidnych kompetencji w zakresie wykorzystania danych, ponieważ skuteczne wdrożenie AI zależy od zrozumienia, jak zarządzać zasobami danych, chronić je i wykorzystywać.

• Po drugie, liderzy biznesowi powinni wypełnić lukę między zespołami technicznymi i biznesowymi. Oznacza to umiejętność przełożenia wymagań biznesowych na specyfikacje techniczne i odwrotnie. Wielokrotnie byliśmy świadkami tego, że takie podejście oparte na współpracy prowadzi do bardziej udanych wdrożeń AI i szybszych cykli innowacji.

• Po trzecie, kluczowe znaczenie ma odpowiedzialny rozwój AI. Liderzy powinni rozumieć, jak radzić sobie z potencjalnymi uprzedzeniami, zapewnić przejrzystość procesu podejmowania decyzji przez AI oraz zapewnić ochronę danych. Takie zaangażowanie na rzecz etycznej AI buduje zaufanie zarówno klientów, jak i pracowników.

Sukces wymaga zarówno elastyczności organizacyjnej, jak i silnej komunikacji z interesariuszami. Technologia AI szybko się rozwija, a liderzy muszą być w stanie dostosowywać swoje strategie, jednocześnie utrzymując jasną komunikację ze wszystkimi zainteresowanymi stronami na temat wartości i wpływu inicjatyw związanych z AI.

Jakie są najczęstsze błędy popełniane przez duże organizacje przy wdrażaniu rozwiązań AI?

Największym błędem jest traktowanie sztucznej inteligencji jako projektu czysto technologicznego, a nie narzędzia transformacji biznesowej. Sukces wymaga wyznaczenia jasnych celów biznesowych, wsparcia kierownictwa i zarządzania zmianami organizacyjnymi. Zbyt często firmy wprowadzają izolowane projekty pilotażowe bez planu skalowania udanych rozwiązań w całym przedsiębiorstwie. Drugim przewinieniem jest niedocenianie znaczenia strategii dotyczącej danych. Wiele organizacji spieszy się z wdrażaniem rozwiązań AI bez uprzedniego upewnienia o tym czy dysponują wysokiej jakości danymi, odpowiednimi ramami zarządzania i właściwą infrastrukturą. W AWS pomagamy klientom w budowaniu solidnych podstaw danych, które są kluczowe dla powodzenia każdej inicjatywy AI. Trzecim błąd polega na tym, że brakuje inwestycji w talenty i zmianę kultury organizacyjnej. Nasze badania pokazują uderzający kontrast w Polsce: podczas gdy 38% start-upów ma kompleksowe strategie AI, w dużych przedsiębiorstwach to tylko 15%. Często wynika to z braku odpowiedniego połączenia umiejętności technicznych i biznesowych lub niepromowania kultury sprzyjającej innowacjom opartym na AI.

Największy sukces odnoszą organizacje, które podchodzą do AI w sposób holistyczny — dostosowują inwestycje technologiczne do strategii biznesowej, dzięki czemu budują solidne zbiory danych i rozwijając swoich pracowników w zakresie AI.

Z jakimi wyzwaniami mierzą się firmy chcące skalować rozwiązania AI z poziomu eksperymentu do produkcji?

Jedną z głównych przeszkód jest to, że przenosimy podejście proof of concept (POC) do produkcji. Decyzje, które są akceptowalne podczas eksperymentów, nie sprawdzą się w produkcji lub mogą okazać się zbyt kosztowne. Innym częstym wyzwaniem jest niewystarczająca jakość danych. Chociaż generatywna sztuczna inteligencja jest bardziej wyrozumiała niż tradycyjne uczenie maszynowe, nadal wymaga wysokiej jakości danych, aby zapewnić wysoką jakość wyników. Co więcej, projekty AI często odzwierciedlają ciekawość ich twórców, a nie potrzeby użytkowników końcowych. W rezultacie mogą one początkowo wzbudzić zainteresowanie docelowych odbiorców, ale następnie tempo ich wdrażania spada, a nawet następuje odwrócenie tendencji, jeśli nie pomagają one użytkownikom końcowym pracować wydajniej.

Kolejnym często napotykanym wyzwaniem jest brak jasnego wyznacznika wartości. Widzieliśmy projekty AI wdrożone z powodzeniem w produkcji, które zostały wycofane, ponieważ firmy nie wiedziały, jak oszacować wartość, jaką dostarczają. Inne wyzwania to brak umiejętności skalowania wdrożenia lub rozwoju, sztywne procesy biznesowe, motywacje i projekty organizacyjne, a także niedojrzałe narzędzia wymagane do stworzenia w pełni zautomatyzowanych systemów AI na poziomie produkcyjnym.

Czy obserwuje pan różnice w podejściu do AI pomiędzy firmami z Europy Środkowo-Wschodniej (np. Polski) a tymi z USA lub Azji?

Choć podstawowe możliwości technologiczne są podobne na całym świecie, dostrzegamy pewne wzorce we wdrażaniu AI. Na przykład rynki azjatyckie przodują w produkcji i wdrażaniu sztucznej inteligencji w przemyśle. W Europie Środkowo-Wschodniej obserwujemy szczególnie imponujące przykłady praktycznego, ukierunkowanego na biznes wdrażania sztucznej inteligencji.

Na przykład Nest Bank, który jako pierwsza instytucja finansowa w Polsce wdrożył oparty na sztucznej inteligencji system Amazon Connect w swoim centrum obsługi klienta, obecnie obsługuje ponad 145 tys. połączeń miesięcznie, a było to możliwe dzięki inteligentnemu kierowaniu połączeń i zautomatyzowanej obsłudze klienta. Kolejnym doskonałym przykładem jest firma Radpoint, która zbudowała platformę opartą na AWS, obsługującą ponad 2 mld obrazów medycznych dla ponad 5 mln pacjentów, modernizując praktyki radiologiczne w całym regionie. Firmy te są przykładem siły w łączeniu solidnej wiedzy technicznej z rzeczywistymi wynikami biznesowymi.

Jak organizacje mogą skutecznie łączyć dane z różnych silosów, by umożliwić pełne wykorzystanie modeli generatywnych?

Właściwie jest to jedno z najczęstszych wyzwań, z jakimi spotykam się podczas pracy z organizacjami próbującymi wdrożyć generatywną sztuczną inteligencję. W rzeczywistości większość przedsiębiorstw ma swoje dane rozproszone w różnych systemach, a bezpieczne zebranie ich wszystkich jest kluczowe dla uzyskania rzeczywistej wartości z modeli.

Z myślą o scenariuszach korporacyjnych stworzyliśmy Amazon Q Business, które zajmuje się trudnym zadaniem łączenia się z systemami biznesowymi. Może ono korzystać z ponad 40 popularnych narzędzi biznesowych i różnych źródeł danych – od standardowych narzędzi do współpracy, takich jak Slack i intranet, po systemy korporacyjne, takie jak Salesforce. Szczególnie interesujące jest to, w jaki sposób zachowuje kontekst we wszystkich tych źródłach, a jednocześnie przecież działa na różnych systemach kontroli dostępu.

Wprowadziliśmy również SageMaker Lakehouse, które zapewnia ujednolicone środowisko do łączenia wszystkich zasobów danych. Tworzy ono pojedynczą architekturę Lakehouse, w której dane z różnych źródeł mogą być konsolidowane, zarządzane przez ujednolicony katalog i administrowane za pomocą jednego interfejsu Unified Studio. Dzięki temu organizacje mogą znacznie łatwiej przygotowywać, przekształcać i wykorzystywać swoje dane do zadań opartych na sztucznej inteligencji i uczeniu maszynowym (AI i ML) bez konieczności korzystania z wielu narzędzi lub środowisk.

Z mojego doświadczenia w pracy z różnymi przedsiębiorstwami wynika, że sukces zależy przede wszystkim od posiadania solidnej strategii dotyczącej danych. Firmy, które już zainwestowały w organizację swoich danych w chmurze, mają znaczną przewagę. Mogą skupić się na wykorzystaniu narzędzi, takich jak nasze funkcje baz danych wektorowych w usłudze OpenSearch Service lub Aurora PostgreSQL, aby od razu rozpocząć tworzenie zaawansowanych aplikacji Gen AI, jednocześnie korzystając z SageMaker Lakehouse w celu utrzymania spójnego środowiska danych.

W jakim stopniu liderzy technologii powinni być odpowiedzialni za efekty społeczne wdrażanych modeli AI?

Jako liderzy technologiczni mamy podstawowy obowiązek zapewnienia, aby sztuczna inteligencja przynosiła korzyści społeczeństwu i jednocześnie minimalizowała potencjalne szkody. W AWS realizujemy to poprzez trzy kluczowe podejścia.

Po pierwsze, integrujemy odpowiedzialne praktyki w zakresie sztucznej inteligencji w całym cyklu życia AI — od projektu po wdrożenie. Obejmuje to konkretne zabezpieczenia, takie jak Guardrails dla Amazon Bedrock, które blokują szkodliwe treści. Znakujemy również obrazy generowane przez AI w celu zwalczania dezinformacji. Po drugie, koncentrujemy się na demokratyzacji dostępu do edukacji w zakresie sztucznej inteligencji. Po trzecie, inwestujemy w rozwój odpowiedzialnej nauki o AI poprzez partnerstwa badawcze i granty, jednocześnie aktywnie współpracując z decydentami i społecznością AI w celu ustanowienia odpowiednich zabezpieczeń.

Społeczny wpływ AI będzie głęboki, a jako liderzy musimy zapewnić, że będzie się ona rozwijać w sposób korzystny dla ludzkości, jednocześnie chroniąc przed potencjalnymi szkodami.

Które sektory zaskoczyły pana pod względem tempa wdrażania generatywnej AI?

Fascynujące jest obserwowanie szybkiego wdrażania AI w sektorach, które są tradycyjnie konserwatywne. Szczególnie zaskakujące są innowacyjne zastosowania w przemyśle wytwórczym. Weźmy na przykład czeską Skodę, która zrewolucjonizowała kontrolę jakości dzięki systemowi „Magic Eye” opartemu na sztucznej inteligencji AWS. Rozwiązanie to wykorzystuje uczenie maszynowe do analizowania tysięcy obrazów w wysokiej rozdzielczości w czasie rzeczywistym podczas montażu pojazdów, natychmiast wykrywając potencjalne wady, które mogłyby umknąć inspektorom. Nie chodzi tylko o automatyzację – chodzi o osiągnięcie nowego poziomu precyzji i jakości produkcji, który wcześniej nie był możliwy.

Sektor opieki zdrowotnej również rozwija się szybciej niż przewidywano, wykraczając poza usprawnienia administracyjne. Dzięki AI przyspieszyło odkrywanie leków i personalizacja planów leczenia. Podobnie firmy z branży usług finansowych zaskoczyły nas, wychodząc poza podstawowe chatboty i wykorzystując generatywną sztuczną inteligencję do zaawansowanej oceny ryzyka i spersonalizowanego planowania finansowego.

Organizacje nie tylko eksperymentują, ale wdrażają rozwiązania AI, które zapewniają wymierną wartość biznesową przy zachowaniu rygorystycznych standardów bezpieczeństwa i zgodności z przepisami. Przykład Skody pokazuje, jak AI może przekształcić podstawowe procesy przemysłowe, poprawiając jednocześnie wydajność i jakość.

Jakie zastosowania AI w sektorach takich jak opieka zdrowotna, logistyka czy przemysł uważa pan za najbardziej przełomowe?

Z naszego doświadczenia w AWS widzimy naprawdę przełomowe zastosowania AI w kilku kluczowych branżach. W ochronie zdrowia, Allen Institute for Brain Science wykorzystuje AWS do budowy tzw. Brain Knowledge Platform – pierwszej kompleksowej mapy całego mózgu w rozdzielczości komórkowej. Ta platforma stanie się największą na świecie otwartą bazą danych o komórkach mózgowych dostępną w modelu open source. Wykorzystujemy wysokowydajne komputery i Amazon SageMaker do analizy danych pochodzących z około 200 mld komórek mózgowych, co ostatecznie może pomóc lekarzom w opracowaniu metod leczenia chorób takich jak Alzheimer i Parkinson.

Obserwujemy również innowacyjne zastosowania poprzez AWS HealthScribe, który pomaga placówkom medycznym w automatyzacji dokumentacji klinicznej. Na przykład 3M Health Information Systems wykorzystuje tę technologię wraz z innymi usługami uczenia maszynowego AWS do dostarczania rozpoznawania mowy w czasie rzeczywistym i dokumentacji klinicznej, która integruje się bezpośrednio z pracą lekarzy.

Szczególnie ekscytujące jest to, że nie są to tylko koncepcje – są to rzeczywiste zastosowania, które już dziś przynoszą wymierne korzyści.

W jakim kierunku rozwijają się usługi AWS z obszaru generatywnej AI i jakie unikalne możliwości oferują firmom, które chcą szybko eksperymentować z tą technologią?

Nasz cel jest prosty: AWS chce pomóc wykorzystać potencjał AI każdej firmie, niezależnie od jej wielkości i wiedzy technicznej. To, co nas wyróżnia, to podejście zorientowane na klienta — zamiast gonić za nagłówkami, koncentrujemy się na identyfikacji i rozwiązywaniu rzeczywistych problemów, pomagając dziesiątkom tysięcy klientów w opracowywaniu i wdrażaniu systemów opartych na sztucznej inteligencji. To podejście, wpisane w DNA AWS, napędza naszą strategię w zakresie sztucznej inteligencji: rozwijamy się wtedy, kiedy nasi klienci osiągają sukces i czerpią korzyści z naszej technologii.

Oferujemy gotowe do użycia aplikacje AI, takie jak Amazon Q, które pomagają użytkownikom biznesowym efektywniej pracować z danymi firmowymi. Dzięki Amazon Bedrock zapewniamy dostęp do wiodących modeli AI firm takich jak Anthropic, Meta i Mistral AI — wszystko za pośrednictwem jednej, bezpiecznej usługi. Firmy mogą łatwo dostosować te modele do własnych potrzeb, wykorzystując własne dane.

Jedną z wyjątkowych możliwości jest to, że firmy mogą natychmiast eksperymentować dzięki naszej platformie PartyRock, która nie wymaga kodowania. Platforma ta jest szczególnie wartościowa dla firm, które chcą bez ryzyka szkolić swoje zespoły w zakresie możliwości AI, prototypować potencjalne rozwiązania AI przed dokonaniem większych inwestycji, zrozumieć, jak różne modele podstawowe sprawdzają się w konkretnych przypadkach użycia oraz tworzyć aplikacje proof-of-concept, aby zademonstrować potencjał AI swoim interesariuszom. Obecnie jest ona dostępna w ramach bezpłatnej wersji próbnej, co czyni ją idealnym punktem wyjścia dla organizacji rozpoczynających swoją przygodę ze sztuczną inteligencją.

AWS to miejsce, w którym inżynierowie AI mogą opracowywać swoje rozwiązania AI i wdrażać je na skalę produkcyjną, przy jednoczesnym zapewnieniu bezpieczeństwa i ochrony danych. To zaangażowanie w rozwiązania AI gotowe do produkcji, w połączeniu z naszym podejściem zorientowanym na klienta, wyróżnia nas na rynku i zapewnia jasną ścieżkę dla firm, które chcą przekształcić swoją działalność z wykorzystaniem sztucznej inteligencji.

Z jakich lekcji – z Pana doświadczenia w AWS – mogą skorzystać liderzy w Polsce, by przyspieszyć transformację swoich organizacji przy pomocy AI?

Zacznij od wyznaczenia jasnych wskaźników biznesowych, a nie od technologii – udane transformacje zaczynają się od określenia konkretnych problemów, w których sztuczna inteligencja zapewnia wymierną wartość. Gotowość danych jest niezbędna, ale nie wymaga perfekcji. Zacznij od tego, co masz, jednocześnie poprawiając jakość i wykorzystując platformy chmurowe, aby przyspieszyć czas uzyskania wartości bez konieczności ponoszenia ogromnych wydatków.

Najbardziej skuteczne organizacje traktują sztuczną inteligencję nie jako projekt technologiczny, ale jako strategiczne narzędzie transformujące całą ich działalność i dostarczające wartość dla klientów.

Jakie konkretne kroki powinien podjąć średniej wielkości przedsiębiorca z Polski, aby efektywnie i bezpiecznie zacząć wdrażać rozwiązania generatywnej AI w firmie – bez własnego działu R&D?

Polskie małe i średnie przedsiębiorstwa, które nie posiadają zespołów badawczo-rozwojowych, powinny skupić się na konkretnych wyzwaniach biznesowych, w których generatywna sztuczna inteligencja zapewnia wymierną wartość w zakresie dokumentacji, automatyzacji lub obsługi klienta. Zamiast tworzyć własne rozwiązania, warto skorzystać z usług AI w chmurze, które oferują wstępnie wyszkolone modele z wbudowanymi zabezpieczeniami i zgodnością z przepisami UE. Powinny wyznaczyć wewnętrznego eksperta, który rozumie zarówno ich działalność, jak i technologię, a następnie rozpocząć od jednego małego projektu pilotażowego z jasnymi wskaźnikami. Nasze badania pokazują, że 87% polskich firm odnotowuje średni wzrost przychodów o 35% dzięki wdrożeniu sztucznej inteligencji. Należy zadbać o zgodność z unijną ustawą o sztucznej inteligencji, korzystając z rozwiązań z wbudowanymi narzędziami do zarządzania, jednocześnie stopniowo rozwijając umiejętności poprzez ukierunkowane szkolenia z zakresu szybkiego projektowania i wdrażania. Dzięki 56-procentowemu rocznemu wzrostowi wdrożeń sztucznej inteligencji w Polsce można odnieść sukces, koncentrując się na wartości biznesowej i stopniowym wdrażaniu.