Bez magii, bez wymówek: jak HPE wdraża sztuczną inteligencję

W miarę jak AI przestaje być tylko modnym hasłem, a staje się biznesową koniecznością, różnica między ambicjami a faktyczną realizacją nigdy nie miała większego znaczenia. Istnieją trzy czynniki, które zmieniają oblicze rynku sztucznej inteligencji: rosnące znaczenie suwerenności danych, złożoność organizacyjna agentowej AI, ale też utrzymujące się obawy, które wciąż otaczają tę technologię.

Wywiad Adama Jadczaka z Dale’em Brownem, który w Hewlett Packard Enterprise odpowiada
za globalną sprzedaż rozwiązania HPE Private Cloud AI oraz za współpracę między HPE i NVIDIA w zakresie tej technologii.

Jakie są trzy najważniejsze trendy kształtujące obecnie globalny rynek sztucznej inteligencji?

Najważniejszym z nich jest suwerenność, choć ma ona różne znaczenie w zależności od kontekstu. W niektórych przypadkach chodzi o strategiczną autonomię kraju. W innych jest to kwestia ekonomiczna lub wymóg regulacyjny. W każdym przypadku u podstaw leży natomiast zasada wdrażania sztucznej inteligencji tam, gdzie znajdują się dane, niezależnie od tego, gdzie są one przechowywane.

Przenoszenie danych jest kosztowne, a brak odpowiednich zasad zapewniających ich ochronę jest jeszcze bardziej kosztowny. Konieczność zapewnienia suwerenności w zakresie sztucznej inteligencji oraz jej wpływ na sposób zarządzania danymi i ich kontroli będą miały głęboki wpływ na kształtowanie się sektora IT.

Drugim trendem jest potrzeba dogłębnego zrozumienia przez organizacje własnych procesów biznesowych, aby
móc zaprojektować wokół nich rozwiązanie oparte na agentach AI. Wiele osób, które nigdy wcześniej nie projektowały systemów IT, próbuje obecnie przekształcać procesy biznesowe za pomocą sztucznej inteligencji. Stopień, w jakim branża IT wyeliminuje przeszkody na tej drodze, zadecyduje o tym, kto odniesie sukces.

Trzecim trendem jest fakt, że dla wielu przedsiębiorstw i instytucji publicznych sztuczna inteligencja nadal jawi się jako coś zbliżonego do magii. Ta aura tajemniczości rodzi wahania. W praktyce oznacza to, że dostawcy technologii muszą proponować klientom pierwsze kroki o wysokiej wartości i niskim ryzyku. Muszą pokazywać jasną, przystępną ścieżkę do osiągnięcia pierwszych rezultatów. Co istotne, żaden z tych trendów nie dotyczy zasadniczo samej technologii. Wszystkie dotyczą tego, w jaki sposób my, jako dostawcy technologii, dostosowujemy ją do potrzeb klienta. Tempo zmian nie zwolni, więc pytanie, które zadaje sobie każdy klient, brzmi: jeśli wydam pieniądze dzisiaj, skąd mam wiedzieć, że osiągnę wymierny wynik w przyszłości?

Myślałem, że cyfrowa suwerenność to przede wszystkim zmartwienie Europejczyków. Czy może jest to kwestia globalna?

Zdecydowanie dotyczy to całego świata, choć w każdym regionie przejawia się inaczej. W Stanach Zjednoczonych suwerenność może oznaczać utrzymywanie systemu IT w ramach własnej sieci, w celu zachowania kontroli operacyjnej, lub utrzymywanie go w środowisku całkowicie odizolowanym od sieci zewnętrznej, z rygorystycznymi zasadami zarządzania środowiskiem IT.

W Europie przekłada się to na twarde wymogi prawne, którym towarzyszą realne kary finansowe. Europa
bezsprzecznie przoduje na świecie w kwestii suwerenności, a tym samym uświadamia innym regionom, jak istotne jest przechowywanie danych w granicach kraju i pod kontrolą danej organizacji. Europejscy przywódcy kształtują język i standardy, które wszyscy inni zaczynają teraz przyjmować.

Szczególnie interesujące jest to, że suwerenność funkcjonuje wielopoziomowo. HPE Private Cloud AI, rozwiązanie, za które odpowiadam, jest jednym ze sposobów praktycznej realizacji suwerenności. Nie jest to po prostu zestaw technologii. Jest to połączenie polityk, wdrożenia, operacji i infrastruktury, z zabezpieczeniami na każdym poziomie.

Pojęcie suwerenności różni się też w zależności od branży. W służbie zdrowia wygląda ona inaczej niż w usługach finansowych, czy administracji publicznej. Wspólnym mianownikiem, który przewija się we wszystkich tych sektorach, jest potrzeba kontroli nad danymi, modelami AI i ich wynikami.

W Europie wydaje się, że preferowane jest wdrożenie on-premise z pełną funkcjonalnością w stylu chmury publicznej. Jest tak częściowo dlatego, że zaufanie – może nie do głównych dostawców chmur publicznych – ale do decyzji amerykańskiej administracji, uległo erozji.

Platformy hiperskalerów naprawdę dobrze spełniają swoje zadanie. Dla wielu organizacji pozostają skutecznym punktem wyjścia do wdrożenia sztucznej inteligencji. Jednak nawet pomijając obecny klimat geopolityczny, nie rozwiązały one fundamentalnego problemu: w jaki sposób można sprawdzić, czy dane rzeczywiście zniknęły, gdy organizacja decyduje, aby zostały usunięte?

W środowisku hiperskalerów dane są utrzymywane w sposób trudny do skontrolowania i niemożliwy do pełnego audytu. Ta utrata kontroli powoduje realne poczucie braku bezpieczeństwa. Obecny klimat osłabionego zaufania tylko potęguje te obawy.

Kwestia tego, jak suwerenność funkcjonuje w odniesieniu do danego kraju lub organizacji, powinna stanowić centralny element każdej strategii dotyczącej sztucznej inteligencji, a nie być tylko dodatkiem. W tym sensie obecne zakłócenia mają charakter konstruktywny. Wierzę, że doprowadzą do wypracowania lepszych rozwiązań.

Czy ten trend jest korzystny dla HPE, biorąc pod uwagę, że sprzedajecie wspomnianą platformę Private Cloud AI?

Z pewnością otwiera to przed nami więcej możliwości do rozmów. Ale ważniejsze jest, że ujawnia też wartość, jaką – dzięki tej ofercie – wnosi HPE, a więc eliminowanie przeszkód. Pokazuje, że nasz produkt zajmuje wyjątkową pozycję na rynku.

Dostarczamy kompleksowe rozwiązanie, pełen stos technologiczny – zainstalowany, uruchomiony, wraz z usługami wsparcia. Od razu gotowy do pracy. Klient kupuje jeden produkt, a wdrożenie jest wliczone w cenę. Taki poziom integracji nie jest standardem w branży.

Myślę, że trend cybersuwerenności poprawi jakość oferty całej branży IT. Nie wystarczy już wręczyć klientowi zbioru niezależnie funkcjonujących rozwiązań i oczekiwać, że sam się z nimi upora. Klienci domagają się konkretnych wyników, oczekują zwrotu z każdego zainwestowanego dolara.

To oczekiwanie podnosi poprzeczkę dla wszystkich, nie tylko dla HPE. Dyskusja przesunęła się z „oto nasza najnowsza technologia” na „oto jak została zastosowana, zweryfikowana i jaką wartość przyniosła”. To zdrowsze
podejście dla branży IT.

Czym różnią się potrzeby klientów w Stanach Zjednoczonych i w Europie?

Kiedy Europa wprowadziła 8 lat temu RODO, zajęła wiodącą pozycję w tej dziedzinie. Zmusiło to cały świat, a w szczególności amerykańskie firmy prowadzące działalność handlową w Europie, do zrobienia bilansu tego, gdzie przechowywane są dane europejskich klientów, oraz do przyjęcia odpowiedzialności za sposób ich wykorzystywania.

Zmiany były realne, ale miały charakter konstruktywny. Sprawiły, że główni gracze zostali pociągnięci do odpowiedzialności nie tylko za to, gdzie przechowywane są dane, lecz także za to, w jaki sposób branża je monetyzuje.

Dziedzictwem tamtej regulacji jest dziś to, co można nazwać „granicami wykorzystania” sztucznej inteligencji. Europa odegrała wiodącą rolę w definiowaniu, stosowaniu i egzekwowaniu tych zasad. Dzięki temu świat stał się bezpieczniejszym miejscem. Amerykańskie firmy dostosowały się do tych standardów, ale nie dlatego, że same wytyczyły ten kierunek, lecz dlatego, że musiały.

Stany Zjednoczone nie wprowadziły przepisów dotyczących ochrony danych na poziomie podobnym do europejskiego. Tam odpowiedzialność spoczywa na poszczególnych firmach. Nie jest wymogiem prawnym. Przytoczę analogię, którą uważam za przydatną. Jeśli sprzedajesz samochód w Stanach Zjednoczonych, musi on spełniać kalifornijskie normy emisji spalin. Produkcja specjalnej wersji przeznaczonej wyłącznie dla Kalifornii nie byłaby opłacalna ekonomicznie. Dlatego producenci zdecydowali się przestrzegać tych norm w całych Stanach Zjednoczonych. Tym samym Kalifornia skutecznie wyznaczyła standard krajowy.

Ta sama dynamika dotyczy ochrony danych i prywatności. Jeśli Twoja organizacja spełnia normy europejskie, w naturalny sposób spełni również wszelkie normy amerykańskie. W ten sposób amerykańskie firmy podlegają europejskim przepisom, a Amerykanie, jako konsumenci, czerpią z tego korzyści, nawet jeśli impuls wyszedł z zagranicy.

Jakie były początki rozwiązania HPE Private Cloud AI?

HPE dysponuje szerokim portfolio technologicznym i długą tradycją w tworzeniu infrastruktury o wysokiej wydajności. W pewnym momencie nasze kierownictwo zaczęło się zastanawiać co należy zrobić, aby zamiast dostarczać klientom elementy środowiska IT do „złożenia”, wyeliminować utrudnienia na każdym poziomie wdrażania i wykorzystania AI, skupiając się na faktycznych końcowych rezultatach.

Odpowiedzią było stworzenie od podstaw kompleksowego rozwiązania typu full-stack. Zaprojektowaliśmy je zgodnie z podstawową zasadą: organizacje muszą dostarczyć rozwiązanie AI do swoich danych, a nie dane do AI. Najlepszym sposobem na to jest doświadczenie podobne do chmury publicznej. Tam użytkownicy mogą po zalogowaniu uzyskać dostęp do potrzebnych im narzędzi, zarządzać kontami użytkowników i pracować bez martwienia się o konfigurację poszczególnych rozwiązań.

Projektując środowisko HPE Private Cloud AI, poszliśmy o krok dalej. Chcieliśmy, aby przypominało ono studio kreatywne: otwierasz projekt, importujesz dane i frameworki, a całość ma spójny początek, środek i koniec. Eliminacja utrudnień musiała objąć również samo doświadczenie użytkownika.

Musieliśmy też uwzględnić procesy importu obciążeń i tworzenie aplikacji wykraczające poza natywne środowisko klienta. Dlatego centralnym elementem architektury PC AI stały się ekosystem NVIDIA, mikrousługi NIM i dostępne w nim szablony. Podstawowymi założeniami stworzenia naszej platformy były: wyeliminowanie utrudnień, zapewnienie solidnego – natywnego dla chmury doświadczenia użytkownika – oraz wykorzystanie najlepszych w swojej klasie technologii.

Włączyliśmy nasze narzędzia MLOps do stosu technologicznego NVIDIA i stworzyliśmy coś, co do dziś nie ma realnej konkurencji. Nie jest to przypadek, bo zbudowanie tego rodzaju zintegrowanego systemu jest naprawdę trudne.

Po roku prac rozwojowych sformułowaliśmy drugi cel: dostarczanie pierwszej wartości dla klienta. Dlatego po sprzedaży platformy HPE Private Cloud AI nasz zespół ekspertów ds. sztucznej inteligencji pomaga klientom we wdrożeniu. Uczy ich, jak tworzyć aplikacje, pracować z szablonami i mikrousługami NIM, a także – co najważniejsze – przenosi to, co stworzyli w środowisku laboratoryjnym do środowiska produkcyjnego. To, co budujesz jako PoC, może trafić do produkcji. Przyznasz, że różni się to zasadniczo od wręczenia komuś zestawu narzędzi i życzenia powodzenia.

Teraz, dzięki najnowszym funkcjom w HPE Private Cloud AI – zaprezentowanym po raz pierwszy w czerwcu 2026 roku podczas konferencji HPE Discover w Las Vegas – dostarczamy kolejną generację tej platformy. Wchodzimy na wyższy poziom, przekształcając ją w bezpieczną, gotową do użycia platformę dla agentowej AI, z możliwością zastosowania na dużą skalę.

Wprowadzając takie funkcje, jak bezpieczne środowiska testowe dla agentów AI, wbudowane mechanizmy zarządzania oraz cyberodporności – zapewniane przez Zerto – pomagamy klientom bezpiecznie wdrażać i zarządzać agentami AI jak najbliżej danych, do których sięgają.

Dzięki nowym funkcjom możliwa jest jednocześnie głębsza analiza danych oraz precyzyjne dostrajanie na bazie korporacyjnych zbiorów. Udostępniamy również rozszerzone konfiguracje GPU. Gwarantuje to wysoką wydajność i gotowość do wdrożenia w środowisku produkcyjnym, przy pełnej kontroli nad kosztami, zgodnością z przepisami i skalowalnością.

Jak platforma HPE Private Cloud AI wpisuje się w szerszą strategię firmy Edge-to-Cloud?

HPE Private Cloud AI nie zostało stworzone jako platforma szkoleniowa dla dużych modeli bazowych ani dla
najnowocześniejszych rozwiązań z zakresu głębokiego uczenia. Powstało z myślą o organizacjach, które chcą wdrażać generatywną sztuczną inteligencję, agentową sztuczną inteligencję i inne rozwiązania oparte na istniejących modelach AI. Innymi słowy, do wszystkich zastosowań, które mieszczą się w zakresie wnioskowania.

Rozwiązanie to idealnie wpisuje się w strategię HPE. Umożliwia naszym partnerom i integratorom zbudowanie relacji z klientami, w ramach których mogą dostarczać wartość dodaną, uczyć klientów tworzenia własnych aplikacji opartych na narzędziach AI lub pomóc zbudować i obsługiwać te aplikacje w ich imieniu.

Nasza koncepcja Edge Computing tym samym w naturalny sposób rozciąga się na rozwiązania sztucznej inteligencji funkcjonujące na obrzeżach sieci. Edge AI nie wymaga pełnej warstwy inteligencji w każdym punkcie końcowym. Wymaga architektury, która potrafi zarządzać transakcjami i racjonalizować przypadki użycia w nowy sposób. Oznacza to wnioskowanie na brzegu sieci, tam gdzie powstają dane. Idealnie wpisuje się to w rolę HPE Private Cloud AI.

Jeśli ktoś zapyta mnie wprost, czym jest HPE Private Cloud AI, opisuję to jako specjalnie zaprojektowaną „fabrykę wnioskowania” opartą na sztucznej inteligencji. Fabrykę, która działa spójnie dla swoich użytkowników: zapewnia doświadczenie chmurowe, eliminuje utrudnienia oraz oferuje jasną ścieżkę od PoC do środowisk produkcyjnych, z zabezpieczeniami na każdym etapie.

Różni się to zasadniczo od budowy wielkoskalowej gigafabryki AI przeznaczonej do uczenia modeli. HPE Private Cloud AI działa też na innym poziomie niż to, czego wymaga centrum danych sztucznej inteligencji.

Wasz zespół wspiera również klientów w tworzeniu infrastruktury AI.

Tak. Nasze platformy są wstępnie montowane w fabryce i dostarczane w szafach rack. Dzięki temu zapewniamy klientom możliwość tworzenia wielu zastosowań sztucznej inteligencji w spójny sposób i w zoptymalizowanej konfiguracji.

Kiedy mówimy o infrastrukturze AI z punktu widzenia wnioskowania, klienci mogą mieć pewność, że nie jest ona tylko zaprojektowana, ale i specjalnie zoptymalizowana pod obciążenia AI. Większość naszych klientów nie posiada kompetencji niezbędnych do samodzielnego zaprojektowania takiej infrastruktury. Zaś ci klienci, którzy je posiadają, często umieszczają HPE Private Cloud AI w swoich centrach doskonałości jako rozwiązanie dla nowych użytkowników. Jednocześnie ich własne zespoły zarządzają szerszym środowiskiem IT dla sztucznej inteligencji.

Jako HPE bierzemy na siebie odpowiedzialność – odpowiedzialność za projekt, wdrożenie i dostarczenie pierwszych korzyści. Nie chodzi tu o samą infrastrukturę, lecz kompleksowe rozwiązanie dostarczane za pośrednictwem zintegrowanej infrastruktury.

Jakie są największe przeszkody we wdrażaniu sztucznej inteligencji w organizacjach?

To zależy od dojrzałości organizacji. Dla tych, którzy dopiero zaczynają przygodę ze sztuczną inteligencją, największą przeszkodą jest lęk. Obawa, która narasta, gdy kierownictwo firmy nie wie, czym jest sztuczna inteligencja, co potrafi i dlaczego ma znaczenie dla ich organizacji.

Jedną z najważniejszych lekcji, jakich uczą się firmy, jest to, że rozmowa o sztucznej inteligencji to przede wszystkim rozmowa biznesowa. Nikt nie wdraża narzędzi AI dla nich samych. Gdybym mógł zmienić jedną rzecz, sprawiłbym, aby liderzy biznesowi aktywnie angażowali się w zrozumienie, gdzie sztuczna inteligencja dostarcza wartość. Aby pomagali zespołom przezwyciężyć obawy przed narzędziem, które z ich perspektywy ostatecznie jest takie samo jak każde inne.

Drugą barierą jest polityka organizacyjna. Pomyślne wdrożenie sztucznej inteligencji na dużą skalę wymaga współpracy wielu działów: IT, zakupów, poszczególnych pionów biznesowych, strategii, działów prawnego i Compliance oraz zespołów ds. regulacji.

Liderzy, którzy odnoszą sukces, to ci, którzy angażują wszystkie te funkcje, identyfikują inicjatywy, które przekształcą organizację i przyniosą korzyści jej interesariuszom, a następnie zaczynają od wąskiego, dobrze zdefiniowanego zakresu. Dzięki temu odnoszą szybkie sukcesy.

Organizacje, które podejdą do tego w ten sposób, wyjdą na prowadzenie. Te, które będą się opierać, będą zamiast tego patrzeć, jak inni odnoszą sukcesy. W gruncie rzeczy nie jest to problem technologiczny, lecz związany z brakiem wyczucia i współpracy wewnątrz firmy.

Wspomniałeś o obawach, ale kiedy patrzę na polski LinkedIn, wydaje mi się, że teraz każdy jest ekspertem od sztucznej inteligencji.

Muszę powiedzieć, że Polska znajduje się w bardzo kluczowym momencie w dziedzinie rozwoju AI i przedstawiam tę ocenę jako osoba z zewnątrz, a nie mieszkaniec Polski.

Wasze władze odważnie zaangażowały się w transformację cyfrową. mObywatel to niezwykła aplikacja, a jej powstanie było możliwe tylko dlatego, że znaleźli się liderzy gotowi przełamywać bariery, zmieniać zasady oraz podejmować ryzyko.

Polska przoduje w Europie pod wieloma względami. Niektórzy z najlepszych inżynierów oprogramowania, z którymi współpracowałem w całej mojej karierze, byli Polakami. Podstawy techniczne w Waszym kraju są wyjątkowe.  Nie dziwi mnie więc wcale, że dyskusja na temat sztucznej inteligencji toczy się w Polsce na każdym poziomie, od rządowego począwszy. Zasłużyliście sobie na prawo do przewodzenia tej dyskusji!

Głęboko wierzę w mój zespół tutaj i w to, co chce osiągnąć polska administracja. To ważny moment i szczerze uważam, że reszta Europy będzie czerpać naukę z tego, co buduje Polska. Macie ludzi, którzy są w równym stopniu inteligentni, co odważni. To potężne połączenie.

Jakie błędy najczęściej popełniają organizacje podczas wdrażania sztucznej inteligencji na skalę produkcyjną, już po etapie weryfikacji koncepcji?

Osoby, które tworzyły najwcześniejsze systemy AI, skupiały się na tym, aby wszystko działało w kontrolowanym środowisku, nie w realiach środowiska produkcyjnego. A one wymagają uwzględnienia: zabezpieczenia danych, zgodności, ograniczeń regulacyjnych czy możliwości skalowania.

Wielu praktyków zajmujących się sztuczną inteligencją, którzy tworzyli te wczesne systemy, w ogóle nie myślało o infrastrukturze. Stworzyło to znaczne obciążenie dla działów IT, które z natury nie są przystosowane do przyjmowania systemów eksperymentalnych i potrzebują ich w znacznie bardziej znormalizowanej formie.

Kluczowym krokiem dla specjalistów od sztucznej inteligencji jest więc zrozumienie, w jaki sposób aplikacja musi działać w rzeczywistym świecie, a nie tylko jak sprawić, by działała w laboratorium.

Dziedzina ta dojrzewa, ale luka między sukcesem laboratoryjnym a gotowością do wdrożenia produkcyjnego pozostaje kluczowym wyzwaniem. Nie można stworzyć czegoś w kontrolowanym środowisku, uruchomić tego, przekazać kluczy działowi IT i powiedzieć: „proszę, zajmijcie się tym”. Sztuczna inteligencja nie działa w ten sposób.

Liderzy IT muszą aktywnie angażować się w kwestie związane ze sztuczną inteligencją. Muszą zrozumieć, w jakich obszarach ich organizacje wdrażają rozwiązania i towarzyszyć twórcom tych rozwiązań już od najwcześniejszych etapów. Powinni stać się częścią rozwiązania i częścią zmiany.

Firmy gotowe do wykorzystania sztucznej inteligencji jako narzędzia transformacji odniosą sukces. Te, które opierają się jej wdrożeniu na poziomie organizacyjnym, poniosą porażkę.

Gdybym był dziś liderem IT, chciałbym zrozumieć aktualny stan rzeczy. Poznać narzędzia oraz zgromadzić zespoły ds. danych, sieci, bezpieczeństwa i polityki. Stanąć na czele konsorcjum zajmującego się wdrażaniem AI.

Koszt to również realny problem. Słyszeliśmy, że dyrektor ds. technologii w Uberze powiedział, że firma wyczerpała roczny budżet na tokeny w zaledwie cztery miesiące. Dlatego coraz częściej słyszę o AIOps. Motywem jest kontrola i optymalizacja AI.

Sprawa wykracza poza samą kontrolę kosztów. Pojawia się pytanie: jak zaprojektować rozwiązanie, które zużywa mniej tokenów? Istnieją realne, praktyczne strategie w tym zakresie.

Dominującym podejściem było wykorzystanie techniki RAG (Retrieval-Augmented Generation – przyp. red.), ale RAG zużywa dużo tokenów. Zbudowanie wiedzy technicznej, pozwalającej zoptymalizować to podejście tak, aby zużycie tokenów przebiegało wolniej, nie jest zadaniem trywialnym. Ale jest wykonalne.

Podstawą tego wszystkiego jest obserwowalność. Trzeba zrozumieć, co działa, ile zużywa i jak się zachowuje. Powinniśmy to zrobić nie tylko ze względu na zgodność z przepisami i regulacjami, lecz także w celu planowania budżetu i wydajności.

Najpierw obserwowalność, potem zarządzanie. Wkrótce pojawi się więcej narzędzi wspierających ten proces.Organizacje, które wyprzedzą ten trend, to te, które już teraz budują warstwę obserwowalności.

Czy Private Cloud AI pomaga zoptymalizować koszty?

Tak, ponieważ model kosztowy jest ograniczony. Niezależnie od tego, czy klient nabywa HPE Private Cloud AI w ramach CAPEX, czy OPEX, dokładnie wie, jaką ma dostępną moc. Może uruchamiać dowolne obciążenia w ramach tego systemu, z możliwością rozbudowy w razie potrzeby.

Nie ma tu stale działającego licznika, jakiego używają hiperskalerzy. Choć oczywiście dostępny na HPE Private Cloud AI zasób jest ograniczony. Ale dzięki temu klient dokładnie wie, ile kosztuje ten system na danym poziomie zużycia.

Dodatkowym wsparciem są narzędzia raportujące. Pozwalają one klientom korzystać z wbudowanych raportów lub tworzyć własne. Ponieważ tokenizacja staje się standardową miarą wydajności sztucznej inteligencji, takie podejście pozwoli im na naprawdę precyzyjną ocenę kosztów działania poszczególnych aplikacji.

Choć ostateczna faza racjonalizacji leży w gestii klienta, to zapewniamy mu przejrzystość niezbędną do jej przeprowadzenia. W przyszłości będziemy też oferować opracowanie strategii, które pomogą zmaksymalizować zwrot z inwestycji i aktywnie obniżać koszty tokenów.

Które zastosowania sztucznej inteligencji gwarantują najwyższy zwrot z inwestycji?

Sytuacja ta ulega ciągłym zmianom. Pierwsze przypadki zastosowań, zapewniające naprawdę wysoki zwrot z inwestycji, dotyczyły poprawy jakości obsługi klienta, przy jednoczesnym obniżeniu kosztów operacyjnych.

Były to chatboty oparte na modelach podstawowych, zintegrowane z odpowiednimi systemami back office. Dzięki temu konsumenci czuli się dobrze obsłużeni. Następnie pojawiło się pytanie, jak sprawić, aby te interakcje były bardziej adekwatne do kontekstu. Doprowadziło to do wdrożeń RAG.

Kolejna fala projektów będzie dotyczyła agentów AI, podejmujących decyzje zgodnie z polityką firmy i racjonalizujących logikę swojego działania w czasie rzeczywistym. Zobaczymy systemy, które nie tylko wykorzystują rozszerzenie wyszukiwania, lecz także wdrażają agentów IT, w celu kontekstowego uogólnienia tych informacji i wprowadzenia użytkowników głębiej w transakcyjne przepływy pracy.

Mówiąc konkretniej, w przyszłości będzie można np. otworzyć aplikację firmy lotniczej, poinformować ją, że lot został odwołany, i poprosić o znalezienie najtańszej i najszybszej alternatywnej trasy powrotnej do domu. System wykorzysta agentów AI do dynamicznego opracowania tego rozwiązania. Nie będzie to pojedynczy model językowy działający w izolacji. Będzie to sieć agentów dokonujących wnioskowania na podstawie kontekstu w czasie rzeczywistym.

Ponieważ odpowiedź jest osadzona w tym kontekście, będzie wydawać się znacznie bardziej naturalna i responsywna, niż wczesne doświadczenia z chatbotami, które dla wielu osób były frustrujące.

Zrozumienie, jak działają systemy sztucznej inteligencji oparte na agentach – jak agenty AI dynamicznie i na dużą skalę współpracują z innymi agentami – to obszar, w którym wkrótce pojawi się najwyższy zwrot z inwestycji.