Blisko 90% użytkowników GenAI w Polsce chce dalej inwestować w tę technologię. Tak wynika z badania „Generative AI Challenges and Potential Unveiled: How to Achieve a Competitive Advantage”, przeprowadzonego przez Coleman Parkes Research Ltd na zlecenie SAS. Liderzy biznesu widzą potencjał w rozwiązaniach generatywnej sztucznej inteligencji, lecz obawiają się o prywatność i bezpieczeństwo danych. Przyznają też, że brakuje spójnych ram nadzoru nad rozwojem tej technologii. Jakie są więc kluczowe przeszkody związane z wdrożeniem GenAI? Wspomniane badanie wykazało, że obecnie 48% krajowych przedsiębiorstw wykorzystuje generatywną sztuczną inteligencję, a 34% jej użytkowników sięga po nią każdego dnia. Kolejne 46% rodzimych organizacji chce wdrożyć GenAI w najbliższych dwóch latach. Z przedsiębiorstw, które już teraz korzystają z tej technologii, aż 89% wyraziło zamiar zainwestowania w nią w najbliższym roku fiskalnym, z czego 90% ma już na to zabezpieczone środki w budżecie organizacji. Jak się okazuje, najczęściej generatywną sztuczną inteligencję w Polsce wykorzystują działy marketingu (47%), sprzedaży (34%) i IT (26%), a planowane są wdrożenia również w obszarach takich jak R&D (60%), produkcja (53%) oraz finanse (53%). Warto też zauważyć, że GenAI przynosi realne korzyści polskim przedsiębiorcom - 100% jej rodzimych użytkowników dostrzega poprawę wydajności przetwarzania dużych zbiorów danych, zmniejszenie kosztów operacyjnych, oszczędność czasu, a także korzyści w zakresie zarządzania ryzykiem i zgodnością. Niestety Polska nie wypada tak dobrze jeżeli chodzi o wdrażanie polityk dotyczących GenAI. Istnienie strategii określających, w jaki sposób pracownicy mogą, a w jaki nie mogą korzystać z niej w celach biznesowych zadeklarowało 52% polskich liderów. Co więcej, tylko 6% badanych wskazało, że ich organizacje w pełni spełniają obecne i zapowiedziane regulacje. Obawy o bezpieczeństwo i prywatność Jednym z celów badania było również zidentyfikowanie przeszkód, z którymi borykają się organizacje wdrażające generatywną sztuczną inteligencję. Wyniki nie są zaskakujące - dla 72% polskich respondentów badania główną obawą jest zachowanie prywatności danych, a dla 70% - ich bezpieczeństwa. Na podium znalazł się również nadzór (governance), który wskazało 52% ankietowanych. Jednym ze sposobów na zaadresowanie tych obaw są dane syntetyczne - 42% polskich respondentów rozważa ich wykorzystanie, a 8% już to robi. Najpoważniejszym wyzwaniem związanym z implementacją GenAI jest dla rodzimych organizacji przejście od fazy koncepcyjnej do praktycznej (64%). „Organizacje zdają sobie sprawę, że same duże modele językowe nie rozwiązują wyzwań biznesowych. Generatywna sztuczna inteligencja powinna być traktowana raczej jako idealny czynnik rozwojowy hiperautomatyzacji i przyspieszenia istniejących procesów i systemów, niż nowa zabawka, która pomoże organizacjom zrealizować wszystkie ich biznesowe aspiracje. Opracowywanie progresywnej strategii i inwestowanie w technologię, która oferuje integrację, nadzór i możliwość wyjaśniania dużych modeli językowych to kluczowe kroki, które wszystkie organizacje powinny wykonać, zanim podejmą wiążące decyzje” - skomentowała Marinela Profi, doradca strategiczny ds. AI w SAS. Jak wynika z badania, organizacje borykają się z czterema kluczowymi przeszkodami związanymi z wdrożeniem GenAI: Zwiększenie zaufania do wykorzystania danych i zgodność regulacyjna. Wiarygodne systemy oceny tendencyjności i ryzyka związanego z prywatnością w dużych modelach językowych wciąż należą do rzadkości. Przeważająca część firm nie posiada kompleksowych ram nadzoru nad generatywną sztuczną inteligencją, a większość z nich jest narażona na ryzyko niezgodności z przepisami. Integracja GenAI z istniejącymi systemami i procesami. Organizacje przyznają, że doświadczają problemów z kompatybilnością, próbując połączyć narzędzia GenAI ze swoimi obecnymi systemami. Niedobór talentów i luka kompetencyjna. Działy HR mierzą się z brakiem odpowiednich kandydatów do pracy, w związku z czym liderzy organizacji obawiają się, że niedobór kompetencji uniemożliwi pełne wykorzystanie potencjału inwestycji w generatywną sztuczną inteligencję. Przewidywanie kosztów. Liderzy martwią się wysokimi kosztami bezpośrednimi i pośrednimi związanymi z wykorzystaniem dużych modeli językowych. Ich twórcy zapewniają symboliczne oszacowanie kosztów (z czego organizacje obecnie zdają sobie sprawę). Jednak proces budowania wewnętrznego know-how, szkoleń i zarządzania metodą ModelOps jest długi, złożony i kosztowny. W badaniu SAS wzięło udział 1600 decydentów reprezentujących przedsiębiorstwa z całego świata - również z Polski - zajmujących się strategią GenAI lub analityką danych.