Naujos technologinės eros slenkstyje

Dar prieš kelerius metus dirbtinis intelektas (AI) daugeliui įmonių atrodė kaip tolima ateitis, tačiau šiandien jis tapo neišvengiama verslo realybe. Nuo ChatGPT ir kitų generatyvinių AI modelių atsiradimo 2022-ųjų pabaigoje, technologijų adaptavimo tempas tapo tiesiog žvėriškas. Lietuvos įmonės, nuo startuolių iki korporacijų, staiga atsidūrė situacijoje, kai ignoruoti AI tapo nebeįmanoma – konkurentai jau naudoja šias technologijas, klientai tikisi naujų galimybių, o darbuotojai reikalauja įrankių, kurie palengvintų jų kasdienybę.

Tačiau realybė tokia, kad daugelis organizacijų, skubėdamos „neatsilikti nuo traukinio”, daro sistemines klaidas, kurios kainuoja ne tik pinigus, bet ir laiką bei reputaciją. Viena didžiausių Lietuvos finansinių technologijų įmonių neseniai investavo beveik 200 000 eurų į AI sprendimą, kuris turėjo automatizuoti klientų aptarnavimą, tačiau po šešių mėnesių projektas buvo nutrauktas – sistema nesugebėjo susidoroti su lietuvių kalbos niuansais, o klientų pasitenkinimas krito žemiau nei bet kada anksčiau.

Šiame straipsnyje nagrinėsime, kaip įmonės gali protingai ir nuosekliai integruoti AI sprendimus, išvengiant brangiai kainuojančių klaidų ir maksimaliai išnaudojant technologijų potencialą.

AI brandos lygiai: kur yra jūsų organizacija?

Prieš nerdami į AI integracijos procesą, būtina suprasti, kuriame technologinio brandumo taške šiuo metu yra jūsų įmonė. Išskiriami keturi pagrindiniai AI brandos lygiai:

1. Pradinis lygis – organizacija tik pradeda domėtis AI, neturi aiškios strategijos, eksperimentuoja su pavieniais sprendimais.
2. Besivystantis lygis – įmonė jau turi kelis sėkmingus AI projektus, pradeda formuoti strategiją, tačiau trūksta sisteminio požiūrio.
3. Pažengęs lygis – organizacija turi aiškią AI strategiją, kelis sėkmingai veikiančius sprendimus, dedikuotą komandą ir biudžetą.
4. Transformacinis lygis – AI tapo organizacijos DNR dalimi, technologijos integruotos į visus svarbiausius procesus, nuolat ieškoma naujų pritaikymo būdų.

Lietuvos rinkoje atliktas tyrimas parodė, kad net 68% įmonių vis dar yra pradiniame lygyje, 23% – besivystančiame, 8% – pažengusiame ir tik 1% pasiekė transformacinį lygį. Įdomu tai, kad įmonės dydis nebūtinai koreliuoja su AI brandos lygiu – kai kurie maži startuoliai demonstruoja aukštesnį brandos lygį nei didelės korporacijos su gausiais resursais.

Vienas Vilniaus logistikos startuolis su vos 12 darbuotojų per metus sugebėjo pasiekti pažengusį lygį, integruodamas AI į tiekimo grandinės verslo optimizavimą su dirbtiniu intelektu ir sutaupydamas klientams vidutiniškai 23% transportavimo išlaidų. Tuo tarpu viena didžiausių Baltijos šalių mažmeninės prekybos tinklų, nepaisant milijoninių investicijų, vis dar stringa pradiniame lygyje, nes nesugebėjo sukurti vieningos duomenų strategijos.

Strateginis požiūris: nuo problemos iki sprendimo

Didžiausia klaida, kurią daro įmonės – pradeda nuo technologijos, o ne nuo problemos. „Mums reikia AI” – dažnai girdima frazė vadovų kabinetuose. Tačiau teisingas požiūris būtų: „Turime problemą X, ar AI galėtų padėti ją išspręsti?”

Štai keturi žingsniai, padėsiantys užtikrinti strateginį požiūrį į AI diegimą:

1. Problemų identifikavimas ir prioritetizavimas – sudarykite sąrašą opiausių verslo problemų, kurias potencialiai galėtų išspręsti AI. Įvertinkite kiekvienos problemos sprendimo potencialią naudą ir įtaką verslui.
2. Duomenų auditas – įvertinkite, kokius duomenis turite, kokios jų kokybės, ar jų pakanka AI sprendimams. Nepakankamas duomenų kiekis ar prasta jų kokybė yra dažniausia AI projektų žlugimo priežastis.
3. Kompetencijų vertinimas – nustatykite, ar turite reikiamų vidinių kompetencijų AI projektui įgyvendinti, ar reikės išorinės pagalbos. Nepervertinkite savo IT skyriaus galimybių – AI projektai reikalauja specifinių žinių.
4. Pilotinio projekto apibrėžimas – pradėkite nuo mažo, aiškiai apibrėžto projekto su išmatuojamais rezultatais. Tai leis greitai pamatyti naudą ir mokytis iš klaidų.

Viena Kauno gamybos įmonė, užuot iškart investavusi į brangią AI sistemą visai gamybos linijai, pradėjo nuo vieno proceso – kokybės kontrolės automatizavimo. Sukūrę kompiuterinio matymo sistemą, kuri tikrina pagamintų detalių kokybę, jie sumažino broko kiekį 37% ir sutaupė 120 000 eurų per metus. Šis sėkmingas pilotinis projektas tapo pagrindu tolesnei AI plėtrai įmonėje.

Technologiniai sprendimai: ką rinktis ir kodėl?

AI sprendimų rinka yra milžiniška ir nuolat auganti, todėl pasirinkti tinkamą technologiją gali būti sudėtinga. Štai pagrindinės AI technologijos ir jų pritaikymo sritys, kurios aktualiausios Lietuvos įmonėms:

• Mašininis mokymasis (ML) – tinka prognozavimui, klasifikavimui, anomalijų aptikimui. Puikiai veikia rinkodaroje (klientų segmentavimas), finansuose (kredito rizikos vertinimas), gamyboje (gedimų prognozavimas).
• Natūralios kalbos apdorojimas (NLP) – tinka teksto analizei, sentimento analizei, pokalbių robotams. Ypač naudingas klientų aptarnavime, socialinių tinklų stebėsenai.
• Kompiuterinis matymas – tinka vaizdo analizei, objektų atpažinimui. Naudingas kokybės kontrolėje, saugumo sistemose, mažmeninėje prekyboje.
• Generatyviniai AI modeliai – tinka turinio kūrimui, idėjų generavimui, prototipavimui. Naudingi rinkodaroje, produktų kūrime, kūrybinėse industrijose.
• Robotų proceso automatizavimas (RPA) su AI elementais – tinka pasikartojančių užduočių automatizavimui. Naudingas finansuose, personalo valdyme, logistikoje.

Renkantis technologinį sprendimą, svarbu įvertinti ne tik technines galimybes, bet ir šiuos aspektus:

• Integracijos galimybės – kaip lengvai sprendimas integruosis į esamą IT infrastruktūrą?
• Skalabilumas – ar sprendimas augs kartu su jūsų verslu?
• Palaikymas lietuvių kalbai – daugelis tarptautinių sprendimų vis dar turi problemų su lietuvių kalba.
• Duomenų saugumas ir privatumas – ypač svarbu, jei dirbate su jautriais klientų duomenimis.
• Bendros nuosavybės kaštai (TCO) – įvertinkite ne tik pradinę investiciją, bet ir palaikymo, atnaujinimo kaštus.

Viena didžiausių klaidų, kurią daro Lietuvos įmonės – perka brangius užsienio sprendimus, kurie nėra pritaikyti lietuvių kalbai. Viena draudimo bendrovė investavo 150 000 eurų į chatbotą, kuris turėjo automatizuoti klientų aptarnavimą, tačiau sistema nesugebėjo tinkamai apdoroti lietuviškų linksnių ir specifinių draudimo terminų. Rezultatas – nepatenkinti klientai ir papildomos investicijos į sistemos tobulinimą.

Žmogiškasis faktorius: komandos paruošimas AI erai

Technologija yra tik ledkalnio viršūnė – sėkmingai AI integracijai reikalingi paruošti žmonės. Dažna klaida – manyti, kad AI projektus gali įgyvendinti vien IT skyrius. Realybėje reikalinga daug platesnė komanda:

• Duomenų mokslininkai – kuria ir tobulina AI modelius.
• Duomenų inžinieriai – užtikrina duomenų kokybę ir prieinamumą.
• Verslo analitikai – „verčia” verslo problemas į techninius uždavinius ir atvirkščiai.
• Produkto vadovai – užtikrina, kad AI sprendimas atitiktų vartotojų poreikius.
• Etikos specialistai – užtikrina, kad AI būtų naudojamas etiškai ir atsakingai.

Lietuvos įmonės susiduria su didele AI specialistų stoka – universitetai tik neseniai pradėjo ruošti tokius specialistus, o užsienio talentų pritraukimas yra sudėtingas. Todėl daugelis organizacijų renkasi hibridinį modelį:

1. Vidinių talentų ugdymas – esamų darbuotojų perkvalifikavimas, suteikiant jiems AI žinių ir įgūdžių.
2. Strateginė partnerystė – bendradarbiavimas su AI konsultacinėmis įmonėmis ar technologijų tiekėjais.
3. Akademinis bendradarbiavimas – partnerystė su universitetais, suteikiant studentams galimybę dirbti prie realių projektų.

Vienas sėkmingiausių pavyzdžių – Vilniaus finansinių technologijų įmonė, kuri, užuot bandžiusi samdyti brangius AI specialistus, sukūrė vidinę „AI akademiją”. Per šešis mėnesius jie apmokė 15 esamų darbuotojų dirbti su AI technologijomis. Rezultatas – trys sėkmingi AI projektai per metus ir 40% mažesni kaštai, lyginant su išorinių specialistų samdymu.

Duomenų strategija: AI sėkmės pagrindas

Jei AI yra variklis, tai duomenys – kuras. Be kokybiškų duomenų net pažangiausios AI sistemos bus bevertės. Deja, daugelis Lietuvos įmonių neturi brandžios duomenų strategijos, o tai tampa pagrindiniu stabdžiu AI projektams.

Štai esminiai duomenų strategijos elementai, būtini sėkmingai AI integracijai:

• Duomenų valdymo sistema – aiškūs procesai, kaip duomenys yra renkami, saugomi, valomi ir naudojami.
• Duomenų kokybės užtikrinimas – reguliarūs auditai, automatizuotos patikros, duomenų valymo procedūros.
• Duomenų demokratizacija – duomenys prieinami visiems, kam jų reikia (su tinkamomis prieigos kontrolėmis).
• Duomenų privatumo užtikrinimas – atitikimas BDAR ir kitoms reguliacijoms.
• Duomenų architektūra – technologinė infrastruktūra, leidžianti efektyviai dirbti su dideliais duomenų kiekiais.

Viena didžiausių Lietuvos mažmeninės prekybos įmonių bandė įdiegti AI sistemą, kuri optimizuotų prekių užsakymus ir sumažintų atsargų perteklių. Tačiau projektas žlugo, kai paaiškėjo, kad duomenys apie pardavimus, atsargas ir tiekimą buvo laikomi skirtingose sistemose, skirtingais formatais, su daugybe klaidų ir neatitikimų. Įmonė turėjo atidėti AI projektą ir pirma investuoti į duomenų infrastruktūros sukūrimą – procesas užtruko 14 mėnesių ir kainavo 280 000 eurų.

Priešinga istorija – Kauno logistikos įmonė, kuri prieš pradėdama AI projektą, investavo į duomenų valdymo sistemą. Jie sukūrė centralizuotą duomenų saugyklą, standartizavo duomenų formatus ir įdiegė automatines kokybės patikras. Kai atėjo laikas diegti AI sprendimą maršrutų optimizavimui, projektas buvo įgyvendintas per 3 mėnesius, o investicijos atsipirko per pusmetį.

Etika ir atsakomybė: kaip išvengti AI šešėlių

AI teikia milžiniškas galimybes, bet kartu kelia ir rimtų etinių klausimų. Neetiškas ar neatsakingas AI naudojimas gali sukelti reputacinę žalą, teisinių problemų ir finansinių nuostolių. Štai pagrindiniai etikos aspektai, į kuriuos būtina atsižvelgti:

• Skaidrumas – ar jūsų klientai žino, kada bendrauja su AI, o kada su žmogumi?
• Teisingumas – ar jūsų AI sistema nediskriminuoja tam tikrų grupių?
• Privatumas – ar tinkamai saugote asmens duomenis, naudojamus AI sistemose?
• Atskaitomybė – kas prisiima atsakomybę, jei AI sistema padaro klaidą?
• Žmogiška priežiūra – ar turite procesus, užtikrinančius, kad kritiniai sprendimai būtų prižiūrimi žmonių?

Viena Lietuvos finansų įstaiga įdiegė AI sistemą, kuri vertino klientų kreditingumą. Tačiau netrukus paaiškėjo, kad sistema sistemingai blogiau vertino moteris nei vyrus su panašia finansine istorija. Priežastis – istoriniai duomenys, kuriuose atsispindėjo ankstesnė diskriminacinė praktika. Įmonei teko skubiai taisyti sistemą ir atlyginti žalą nukentėjusiems klientams.

Siekiant išvengti panašių situacijų, rekomenduojama:

1. Sukurti AI etikos gaires organizacijoje.
2. Reguliariai audituoti AI sistemas, ieškant galimų šališkumo atvejų.
3. Įtraukti įvairių sričių specialistus į AI sistemų kūrimą ir testavimą.
4. Užtikrinti, kad AI sprendimai būtų paaiškinami – vengti „juodosios dėžės” tipo sprendimų.
5. Sukurti aiškius procesus, kaip elgtis AI klaidų atvejais.

Ateities horizontai: kaip nepasimesti AI revoliucijoje

AI revoliucija tik įsibėgėja, ir tai, ką matome šiandien, yra tik ledkalnio viršūnė. Įmonės, kurios sėkmingai integruos AI į savo veiklą, įgis konkurencinį pranašumą, o tos, kurios atsiliks – rizikuoja tapti nebereikalingomis.

Tačiau nereikia pulti stačia galva į kiekvieną naują AI tendenciją. Verta vadovautis šiais principais:

• Nuolatiniai dirbtinio intelekto mokymai – skirkite laiko ir resursų komandos švietimui apie naujausias AI tendencijas.
• Eksperimentavimas – reguliariai išbandykite naujas technologijas mažos apimties projektuose.
• Bendradarbiavimas – dalinkitės patirtimi su kitomis įmonėmis, dalyvaukite AI bendruomenėse.
• Lankstumas – būkite pasiruošę keisti strategiją, jei technologijos ar rinkos sąlygos keičiasi.
• Žmogiškumo išsaugojimas – nepamirškite, kad geriausių rezultatų pasiekiama, kai AI papildo žmogaus darbą, o ne jį pakeičia.

Lietuvos įmonės turi unikalią galimybę – mes dar nesame taip toli pažengę AI srityje kaip JAV ar Kinija, bet turime pakankamai žinių ir resursų, kad galėtume mokytis iš kitų klaidų ir sėkmių. Užuot bandę išrasti dviratį, galime adaptuoti jau patikrintus modelius ir pritaikyti juos mūsų unikaliam kontekstui.

Vilniaus IT įmonė, užuot bandžiusi sukurti savo generatyvinį AI modelį (kas būtų pareikalavę milijoninių investicijų), sukūrė sistemą, kuri efektyviai naudoja OpenAI API, bet papildo jį specifiniais duomenimis apie Lietuvos rinką ir lietuvių kalbos ypatumais. Rezultatas – konkurencingas produktas, sukurtas už dešimtadalį kainos, lyginant su savarankiško modelio kūrimu.

Rytojaus technologijos šiandien: nuo vizijos iki realybės

AI kelionė nėra sprinto varžybos – tai maratonas, reikalaujantis strateginio mąstymo, nuoseklumo ir kantrybės. Organizacijos, kurios suvokia, kad AI nėra tikslas savaime, o įrankis verslo problemoms spręsti, turi didžiausias galimybes sėkmingai navigoti šioje technologinėje revoliucijoje.

Svarbiausia pamoka, kurią galime išmokti iš sėkmingų AI integracijos atvejų – pradėkite nuo žmonių, ne nuo technologijų. Investuokite į komandos ugdymą, duomenų kokybę ir aiškią strategiją. Technologijos keičiasi kasmet, bet fundamentalūs principai išlieka.

Lietuvos įmonės turi unikalią galimybę tapti AI lyderėmis regione – turime stiprų IT sektorių, aukšto lygio specialistus ir augančią startuolių ekosistemą. Tačiau tam reikia ne tik drąsos eksperimentuoti, bet ir išminties mokytis iš klaidų – tiek savų, tiek kitų.

Kaip sakė vienas Lietuvos AI ekspertas: „Dirbtinis intelektas yra kaip elektra XX amžiaus pradžioje – iš pradžių tai buvo prabanga, vėliau – būtinybė, o galiausiai – nematoma infrastruktūra, kuria naudojamės kasdien, net nesusimąstydami.” Jūsų įmonės sėkmė priklausys ne nuo to, ar įdiegsite AI, bet nuo to, kaip tai padarysite.