Streszczenie: Rosnące możliwości generatywnej sztucznej inteligencji zwiększają jej wartość, ale także złożoność decyzji biznesowych. Eksperci MIT Sloan Management Review wskazują kluczowe teksty pomagające liderom lepiej zrozumieć praktyczne i strategiczne aspekty GenAI — od skalowania wdrożeń i projektowania środowisk inteligencji po ocenę ryzyka i dług technologiczny. Artykuły analizują m.in. różnice między GenAI a AI predykcyjną, zarządzanie zjawiskiem Bring Your Own AI, zastosowanie modeli RAG w firmach takich jak Colgate-Palmolive oraz sposoby tworzenia wartości poprzez małe transformacje. To kompendium, które pomaga zbudować dojrzałe, odpowiedzialne podejście do AI w biznesie.
Czy masz pewność, że potrafisz poruszać się po świecie generatywnej sztucznej inteligencji — wiesz co, gdzie, kiedy i dlaczego? Eksperci MIT Sloan Management Review oferują liderom tak potrzebną dawkę jasności i zrozumienia.
Wraz z rosnącymi możliwościami generatywnej sztucznej inteligencji rośnie również jej potencjalna wartość — zarówno dla organizacji, jak i dla każdego z nas indywidualnie. Mimo to wciąż pozostaje zagadką, jak najlepiej wykorzystywać duże modele językowe i oparte na nich narzędzia GenAI.
Pomimo swojej powszechności, generatywna AI wciąż jest młodą technologią. Nic więc dziwnego, że wielu liderów zmaga się z kluczowymi pytaniami o to, jak korzystać z tych narzędzi efektywnie, odpowiedzialnie i krytycznie. Pytania są poważne: Czy możemy jej ufać? Jaka powinna być nasza strategia wdrażania i skalowania sukcesów? Kto powinien z niej korzystać? Jak będziemy mierzyć jej zwrot z inwestycji (ROI)? A kiedy zamiast niej warto sięgnąć po inne rodzaje AI, takie jak uczenie maszynowe?
Autorzy MIT Sloan Management Review — wśród których są akademicy, badacze i praktycy — relacjonują z pierwszej linii frontu, jakie pytania warto zadawać w kontekście GenAI i jak o nich myśleć, by uzyskać trafne odpowiedzi.
Jak pisze Rama Ramakrishnan, profesor praktyki w MIT Sloan School of Management i stały felietonista MIT SMR, wielu jego menedżerskich studentów, którzy korzystają z GenAI, zastanawia się nad typowym przypadkiem użycia: Jeśli do promptu dołączą dokumenty, czy istnieje sposób, by mieć pewność, że model językowy (LLM) wykorzysta tylko te dostarczone materiały przy generowaniu odpowiedzi? Jego odpowiedź brzmi: Nie.
„Choć starannie skonstruowane prompty i techniki takie jak RAG (retrieval-augmented generation, czyli generacja wspomagana wyszukiwaniem) mogą skłonić model AI do priorytetowego traktowania określonego zestawu dokumentów, standardowych modeli LLM nie da się zmusić, by korzystały wyłącznie z tego materiału” — wyjaśnia Ramakrishnan. „Model wciąż ma dostęp do wzorców i faktów, których nauczył się podczas treningu, i może włączyć tę wiedzę do swojej odpowiedzi, zwłaszcza jeśli dane treningowe zawierały podobne treści.”
Proste pytanie, prosta odpowiedź. Poniżej znajdziesz artykuł Ramakrishnana oraz siedem innych tekstów wybranych dlatego, że są równie klarowne. Wspólnie pomogą Ci osadzić się w tym złożonym krajobrazie technologicznym i zrozumieć, co naprawdę dzieje się w świecie generatywnej sztucznej inteligencji
1. Jak działają duże modele językowe: 10 kluczowych pytań dla liderów biznesu
Rama Ramakrishnan
„W mojej pracy w MIT Sloan School of Management w ciągu ostatnich dwóch lat uczyłem wielu menedżerów podstaw działania dużych modeli językowych (LLM).
Niektórzy twierdzą, że liderzy biznesowi nie chcą ani nie muszą rozumieć, jak działają LLM i oparte na nich narzędzia generatywnej AI — interesują ich tylko wyniki, jakie te narzędzia mogą dostarczyć. To jednak nie pokrywa się z moim doświadczeniem. …
W tej kolumnie dzielę się 10 najczęściej zadawanymi pytaniami — dotyczącymi tematów, które często są źle rozumiane — oraz moimi odpowiedziami na nie. …
Na przykład: kiedy LLM decyduje, że udzielił już użytkownikowi ostatecznej odpowiedzi?
Decyzja o zakończeniu generowania wynika z kombinacji prognoz modelu i zasad ustalonych przez oprogramowanie, które nim zarządza. To nie jest decyzja podejmowana wyłącznie przez sam model.” Przeczytaj cały artykuł »
2. Jak skalować GenAI w miejscu pracy
Michael Wade, Konstantinos Trantopoulos, Mark Navas i Anders Romare
„W miarę jak firmy przechodzą od fazy eksperymentów do wdrożeń na poziomie całej organizacji, wiele z nich zmaga się nie tyle z samymi narzędziami, ile z transformacją organizacyjną niezbędną do ich sensownej integracji z codzienną pracą ludzi. Narzędzia będą się wciąż rozwijać — to czynnik ludzki decyduje o tym, czy inicjatywy GenAI naprawdę odniosą sukces.
Przeanalizowaliśmy jedno z największych jak dotąd wdrożeń generatywnej AI — w międzynarodowej firmie farmaceutycznej Novo Nordisk. Jej doświadczenie pokazuje, że o sukcesie decyduje nie tylko infrastruktura, ale także sposób, w jaki ludzie myślą, dostosowują się i współpracują z AI. Jedna z kluczowych lekcji: choć wdrażanie GenAI ma wspólne korzenie z innymi transformacjami cyfrowymi, to generatywna AI jest wyjątkowo przełomowa, bo przekształca samą naturę pracy w niespotykany dotąd sposób. …
Każdy pracownik oszczędzał średnio 2,17 godziny tygodniowo po rozpoczęciu korzystania z narzędzia. Jednak to nie oszczędność czasu okazała się najcenniejsza — satysfakcja pracowników z używania Copilota była trzykrotnie silniej skorelowana z poprawą jakości pracy niż z liczbą zaoszczędzonych godzin. Pracownicy raportowali znaczące usprawnienia w podsumowywaniu treści, tworzeniu materiałów i generowaniu pomysłów. Co ciekawe, wielu z nich reinwestowało zaoszczędzony czas w interakcje z ludźmi, planowanie strategiczne i kreatywność.” Przeczytaj cały artykuł »
3. Jak generować wartość z AI dzięki małym transformacjom w biznesie
Melissa Webster i George Westerman
„Liderzy biznesowi znajdują sposoby na uzyskanie realnej wartości z dużych modeli językowych (LLM) bez konieczności całkowitego przekształcania istniejących procesów. Stawiają na transformacje typu „małe t”, jednocześnie budując fundamenty pod większe zmiany, które dopiero nadejdą. …
Zespół badawczy przeprowadził wywiady z kadrą zarządzającą w obszarach sztucznej inteligencji, nauki o danych, innowacji, operacji i sprzedaży w 21 dużych firmach. Skupiliśmy się na tym, jak organizacje będące na wczesnym, lecz szerokim etapie wdrażania GenAI faktycznie działają i dlaczego. …
Nasze badania pokazują, że większość firm stosuje ukierunkowane podejście do transformacji z wykorzystaniem generatywnej AI. Choć GenAI może przyspieszyć i poprawić jakość wielu zadań, wiąże się też z ryzykiem w obszarach takich jak dokładność, bezpieczeństwo czy zarządzanie własnością intelektualną. Liderzy, z którymi rozmawialiśmy, stosują zasadę nachylenia ryzyka — przypisując większe ryzyko procesom skierowanym do klientów niż tym wewnętrznym.” Przeczytaj cały artykuł »
4. Skupienie Colgate-Palmolive na innowacjach dzięki GenAI
Thomas H. Davenport i Randy Bea
„Zespoły Colgate-Palmolive korzystają z dużych modeli językowych (LLM), które zostały wzbogacone o dane w modelu RAG (retrieval-augmented generation) — obejmujące różne typy treści: wyniki wewnętrznych badań firmy, trendy wyszukiwań Google, dane zewnętrznych serwisów syndykowanych i inne źródła. Systemy oparte na RAG w znacznie większym stopniu wykorzystują treści specyficzne dla firmy niż publicznie dostępne materiały z internetu, co obniża ryzyko halucynacji modeli.
Generatywna AI potrafi błyskawicznie przeanalizować takie materiały i wskazać trendy rynkowe oraz niezaspokojone potrzeby konsumentów. Oznacza to, że zamiast pobierać, czytać i analizować dziesiątki raportów rynkowych w poszukiwaniu insightów, pracownicy mogą po prostu wpisać pytanie w prompt i natychmiast otrzymać odpowiedź. …
Zespoły Colgate-Palmolive odkryły, że mogą połączyć system AI identyfikujący niezaspokojone potrzeby konsumentów z innym, wewnętrznym systemem, który generuje nowe koncepcje produktów odpowiadające na te potrzeby. W ciągu kilku minut — przy udziale człowieka — system potrafi stworzyć teksty i grafiki dla nowego pomysłu, na przykład nowego smaku pasty do zębów. Choć w procesie zawsze uczestniczą ludzie, to korzystanie z systemu wspieranego przez GenAI jest znacznie bardziej efektywne niż ręczne przeglądanie materiałów badawczych. Co więcej, szeroka gama generowanych pomysłów tworzy dla firmy szerszy lejek innowacji produktowych.” Przeczytaj cały artykuł
5.Twoja własna AI w pracy: jak równoważyć ryzyko i innowacje
Nick van der Meulen i Barbara H. Wixo
„Wraz ze wzrostem popularności GenAI pojawia się nowe wyzwanie dla liderów organizacji: zjawisko Bring Your Own AI (BYOAI) — czyli sytuacja, w której pracownicy używają niezweryfikowanych, publicznie dostępnych narzędzi GenAI do celów zawodowych.
Choć takie narzędzia obiecują większą produktywność i kreatywność, niosą również ryzyka dla bezpieczeństwa i ładu organizacyjnego — od utraty danych i wycieku własności intelektualnej po naruszenia praw autorskich i zagrożenia cyberbezpieczeństwa. …
W obliczu tych ryzyk naturalnym odruchem liderów może być zakazanie korzystania z nieautoryzowanych narzędzi GenAI. Obawa przed niekontrolowanym użyciem AI i związanym z tym ryzykiem prawnym czy regulacyjnym jest zrozumiała. Jednak według menedżerów, z którymi rozmawialiśmy, całkowity zakaz BYOAI jest ani praktyczny, ani skuteczny. Pracownicy — zwłaszcza ci przeciążeni — często sięgają po narzędzia GenAI, by zwiększyć własną efektywność. Ograniczanie dostępu tylko skłania ich do szukania nieoficjalnych obejść, które mogą omijać firmowe zasady i systemy nadzoru.” Przeczytaj cały artykuł »
6. Przestań wdrażać AI. Zacznij projektować inteligencję
Michael Schrage i David Kiro
„W ramach naszego cyklu ‘Philosophy Eats AI’ — opartego na tezie, że fundamentem przyszłej wartości inteligentnych systemów jest filozoficzna przejrzystość — odkrywamy, że [fizyk i przedsiębiorca] Stephen Wolfram oferuje w swoich koncepcjach obliczeniowych niezwykle praktyczne, choć wciąż niedoceniane wskazówki dla liderów, którzy są przytłoczeni możliwościami AI, a jednocześnie rozczarowani jej realnymi wynikami. …
Jego dorobek naukowy dostarcza dziś kluczowych ram zarówno do zrozumienia, jak i do stosowania AI w praktyce. To nie są akademickie ciekawostki — to imperatywy budowania środowisk inteligencji, które faktycznie działają w skali organizacyjnej. …
W rozmowie z Wolframem badaliśmy ideę, że przywództwo w obszarze AI musi przesunąć się z lepszego wdrażania i integrowania narzędzi AI w stronę projektowania środowisk inteligencji — czyli struktur organizacyjnych, w których ludzie i systemy sztucznej inteligencji aktywnie współdziałają, by tworzyć strategiczną wartość. Z jego filozoficznego podejścia do obliczeń wyłoniły się trzy fundamentalne wnioski — stanowiące nowe spojrzenie na to, dlaczego tradycyjne podejścia do wdrażania AI zawodzą i co powinno je zastąpić.” Przeczytaj cały artykuł »
7. Ukryte koszty programowania z generatywną AI
Edward Anderson, Geoffrey Parker i Burcu Tan
„Organizacje wdrażające narzędzia generatywnej AI spodziewają się ogromnych korzyści. I rzeczywiście, wstępne badania potwierdzają ten optymizm: GitHub informuje, że programiści korzystający z Copilota są nawet o 55% bardziej produktywni, a według McKinsey deweloperzy mogą wykonywać zadania nawet dwukrotnie szybciej dzięki wsparciu AI.
Jednak te pozytywne wyniki mają poważne zastrzeżenie. Badania prowadzono w kontrolowanych warunkach, gdzie programiści realizowali odizolowane zadania — nie w realnych środowiskach, w których oprogramowanie powstaje na bazie złożonych, istniejących już systemów. Gdy kod generowany przez AI jest szybko skalowany lub wprowadzany do tzw. środowisk brownfield (czyli systemów odziedziczonych), ryzyka rosną — i stają się znacznie trudniejsze do opanowania. …
Szybkie wprowadzanie nowego oprogramowania do istniejących systemów może nieumyślnie tworzyć sieć zależności, która pogłębia dług technologiczny — czyli koszt przyszłych prac naprawczych wynikających z przyspieszonych decyzji i prowizorycznych rozwiązań. …
Organizacje powinny traktować tendencję narzędzi AI do zwiększania długu technologicznego jako ryzyko strategiczne, a nie tylko operacyjne utrudnienie.” Przeczytaj cały artykuł »
8. Kiedy używać GenAI, a kiedy AI predykcyjnej
Rama Ramakrishnan
„Choć generatywna AI obiecuje zrewolucjonizować wszystko — od obsługi klienta po rozwój produktów — jej optymalna rola w zestawieniu z narzędziami predykcyjnymi (takimi jak uczenie maszynowe i głębokie uczenie) wciąż się kształtuje. To często pozostawia liderów z pytaniem: jakie podejście jest właściwe dla rozwiązania konkretnego problemu? …
Aby skutecznie wykorzystać tradycyjne uczenie maszynowe w pracy z danymi nieustrukturyzowanymi, dane te muszą zostać wcześniej uporządkowane — co jest kosztownym procesem i sprawia, że ML staje się mało atrakcyjne w zastosowaniach biznesowych, gdzie dane wejściowe nie mają postaci tabelarycznej. …
Wejścia i wyjścia systemów generatywnej AI, takich jak LLM-y, są zazwyczaj nieustrukturyzowane. Najczęściej obejmują tekst i/lub obrazy, a coraz częściej także wideo. Warto zauważyć, że tekst analizowany i generowany przez narzędzia GenAI ma niezwykle szeroki zakres — obejmuje m.in. kod programistyczny, sekwencje białek, zapis nutowy, wyrażenia matematyczne i wzory chemiczne. …
Zacznijmy od prostego przypadku: jeśli masz do rozwiązania problem generacyjny, odpowiedź jest oczywista — generatywna AI. W zależności od tego, jaki typ wyników chcesz uzyskać, możesz potrzebować modeli multimodalnych, takich jak GPT-4 od OpenAI, Claude 3.7 Sonnet od Anthropic czy Gemini 1.5 od Google; modeli tekst-na-obraz, takich jak DALL·E; albo modeli specjalistycznych przeznaczonych do pracy z dźwiękiem czy innymi rodzajami danych.
Jeśli jednak masz do czynienia z problemem predykcyjnym, sprawa staje się znacznie bardziej złożona.” Przeczytaj cały artykuł »
Dodatkowe zasoby: zastosuj lekcje AI w swoim zespole
GenAI: Zestaw narzędzi strategicznych i zarządczych
MIT Sloan Management Review opracował Generative AI Strategy + Governance Toolkit we współpracy z pięcioma z czołowych światowych ekspertów w dziedzinie przywództwa i strategii AI:
- Ethanem Mollickiem (Wharton School, Uniwersytet Pensylwanii),
- Johnem Svioklą (Harvard Business School i GAI Insights),
- Johnem K. Thompsonem (Hackett Group i Uniwersytet Michigan),
- George’em Westermanem (MIT Sloan School of Management),
- Davidem A. Woodem (Marriott School of Business, Brigham Young University).
Zestaw zawiera m.in. lekcję wideo z Westermanem, planer strategii GenAI, checklistę strategiczną, planer ładu (governance), a także zestaw powiązanych artykułów i materiałów, które pomogą liderom opracować i wdrożyć spójną strategię generatywnej AI w swoich organizacjach.
