Czy projekty AI się zwrócą? Debata oksfordzka w CXO HUB

Za i przeciw, dwie drużyny, trudna teza, głosowanie publiczności. 26 września podczas spotkania społeczności CXO HUB zorganizowanego we współpracy z T-Mobile Polska Business Solutions odbyła się debata oksfordzka z tezą: “Koszty wdrożenia AI przewyższają ROI dla większości firm”. 

Powyższego twierdzenia broniła drużyna w składzie Andrzej Piksa, Head of DC&Cloud, T-Mobile Polska Bussines Solutions; Wojciech Ehrenfeld, Head of IT Solutions, Ringier Axel Springer oraz, jako trzeci mówca – “podmiot zbiorowy” – grupa CXO spośród publiczności debaty.

W drużynie występującej przeciw tezie debaty znaleźli się natomiast Iwona Kaim, prowadząca program transformacji AI w USP Zdrowie; Krzysztof Kwiatek, IT&D Director – Product Stream Architect, Marketing & eCommerce, RECKITT oraz Sebastian Kondracki, Founder of SpeakLeash, Chief Innovation Officer, Deviniti.

Debacie przysłuchiwała się i aktywnie komentowała, a na koniec wydała werdykt, publiczność złożona z blisko 50 menedżerów, czołowych decydentów technologicznych.

I RUNDA

Drużyna „ZA”

Andrzej Piksa: Koszty wdrożenia sztucznej inteligencji przewyższają stopę zwrotu z takiej inwestycji dla większości firm. Proszę Państwa, czy to nie jest obiektywny fakt?

Zespół, który reprezentuję, uważa, że teza ta jest prawdziwa, ponieważ na AI nie zarabiają dziś nawet jej twórcy i dostawcy. Dlaczego więc sukces miałyby odnieść firmy, których podstawowy zakres działalności nie obejmuje technologii? Kto z Państwa i kiedy zarobił już pierwszego dolara na AI? A może – kiedy spodziewacie się takich zysków?

Mówimy tu o ROI, które dla projektów jest liczone w perspektywie 1–1,5 roku. Dlatego trudno zaprzeczyć tezie debaty. Obecna bańka AI, szczególnie w obszarze generatywnej sztucznej inteligencji, nieuchronnie pęknie, co jest konieczne, abyśmy przeszli do fazy uproduktowienia.

Ta obiektywna teza nie oznacza, że zachęcamy do porzucenia wysiłków adaptacji AI. Sami również ponosimy te koszty, świadomie akceptując niemal stuprocentowe ryzyko, że pierwsze projekty nie przyniosą zysków. Zbieramy jednak doświadczenie, aby kolejne generacje projektów mogły przynosić korzyści.

Koszty, koszty i jeszcze raz koszty sprawiają, że dziś większość firm inwestujących w AI nie zobaczy zwrotu z tych inwestycji. Dotyczy to nawet największych graczy, w tym samych twórców i dostawców tej technologii. Ci zresztą nadal potrzebują dodatkowego finansowania. Nie może być inaczej, skoro Open AI przepala dziennie 700 tysięcy dolarów.

To oczywiście skala nieporównywalna do poziomu inwestycji pojedynczego użytkownika, który wydaje 20 dolarów na podstawowy abonament. Czy jednak mamy inne możliwości? Raczej nie. Łatwo wyciągamy 20 dolarów z kieszeni, ale nikt nie zainwestuje 20 milionów w coś niepewnego, co wymaga budowy kompetencji i infrastruktury. Na szczęście, to nie jest nasz dylemat – możemy inwestować w projekt, który będzie szkolił lub dostosowywał istniejący model AI do naszych potrzeb, ale nie stać nas na samodzielne stworzenie takiego modelu. Podobnie jak wcześniej, nie budowaliśmy kolejnego Internetu ani centrów danych, gdy pojawiły się alternatywy chmurowe.

Ponadto, koszty AI są niepewne. Nie wiemy, jaką strategię obiorą budowniczowie modeli LLM czy środowisk do integracji usług AI. Co się stanie, gdy te rozwiązania staną się kluczowe dla funkcjonowania naszej firmy? Może dostawcy zdecydują się podnieść opłaty abonamentowe dwukrotnie lub trzykrotnie, oferując bardziej wydajny model?

Koszty znacząco podnosi też pozycja „niezbędne kompetencje eksperta”. Obecnie możemy dobrze wycenić eksperta SAP, uwzględniając rynkową cenę i doświadczenie. Ale jak wycenić eksperta AI? Wiadomo, że w OpenAI pracują polscy specjaliści, jak Zaremba, Pachucki, Sidor, Mądry, ale to gwiazdy branży, nie powszechnie dostępni inżynierowie ci są drodzy i niepewni.

Koszty to jedno, a trudność w zdefiniowaniu, co i w jakim stopniu ma poprawić AI – to drugie. Już choćby dlatego, że AI ma swoje wady, które należy uwzględnić w kontekście jej wykorzystania w powtarzalnych, podstawowych procesach firmy. Modele AI mają skłonność do halucynacji, co zwiększa ryzyko propagacji błędów.

Czy większość firm zmaga się z takimi wyzwaniami, jak głosi teza naszej debaty? Prognozy sugerują, że tak. Spotykałem się z szacunkami, według których jedynie 1% projektów AI będzie w stanie się obronić finansowo i generować zyski.

Do pełnego obrazu warto dodać jeszcze wyzwania etyczne i regulacyjne. Żadna firma nie chce być oskarżana o brak etyki, naruszanie praw autorskich czy poufności danych, a ochrona przed tym generuje dodatkowe koszty. Póki co, chroni nas regulator.

Ktoś musi być pierwszy. Dlatego większość firm inwestujących dziś w AI nie zobaczy zwrotu z tej inwestycji. To jednak doświadczenie, które jest konieczne, aby w przyszłości pojawiły się projekty, przynoszące korzyści i zysk.

Drużyna „KONTRA”

Krzysztof Kwiatek: Jesteśmy zdecydowanie przeciwni tezie debaty. W domyśle bowiem rekomenduje bierność, dryf, oczekiwanie na „lepsze czasy”. Prawda jest zaś taka, że kto dzisiaj nie wsiądzie do tego pociągu AI, ten zostanie na stacji i będzie odtąd ciągle gonił rozwój technologii i konkurencję. Zwrot z inwestycji w AI jest na wyciągniecie ręki dla dojrzałych firm – nie różni się od inwestycji w inne technologie. Czy obowiązują w tym względzie jakieś nowe zasady gry? Nie sądzę.

Faktem jest, że aby rozpocząć projekty AI, trzeba wiedzieć jakie są korzyści i bardzo starannie wybrać konkretne use case, gdzie ta technologia zadziała. Nie warto testować wszystkich rozwiązań, jakie są na rynku, bo faktycznie te rozwiązania będą pojawiały się i znikały. To przecież początkowa faza rewolucji. Ale są narzędzia, które się sprawdziły. Są use case’y bardzo powtarzalne, gdzie łatwo policzyć zwrot inwestycji.

Mogę mówić o tym z autopsji. W Rekitt trzy miesiące temu skończyliśmy pilotażowe wdrożenia. Wybraliśmy trzy obszary zastosowania związane z marketingiem.

Pierwszy dotyczył wsparcia AI przy tworzeniu i tłumaczenia reklam na wiele języków. Dotychczas obsługą tłumaczeniową zajmowały się agencje, na różnych rynkach, gdzie jesteśmy obecni. Dzięki wdrożeniu udało nam się oszczędzić naprawdę poważne pieniądze i czas – z kilku tygodniu do kilku dni, wewnętrznymi, skromnymi siłami.

Drugi przykład zastosowania dotyczył wydajności i efektywności. Widzieliśmy trudność w określaniu przez marketerów efektów kampanii. Były w to zaangażowane liczne osoby, analitycy biznesowi. Proces analizy i budowy raportu trwał długo. Narzędzie AI posłużyło do analizy danych, w wielu kategoriach i przekrojach, i oszacowało zasadność ekonomiczną projektów różnych kampanii. Ponownie – oszczędziliśmy duże zasoby i czas, ponieważ w ciągu kilku dni jesteśmy w stanie zobaczyć efekt analizy.

Wpływ AI na nasz biznes już tylko ze wspomnianych projektów jest bardzo widoczny. Dlatego uważam, że kto dziś nie wsiądzie do pociągu, ten zostanie w szczerym polu.

Dobór zastosowania i rozwiązania to jedno, drugie, to budowa własnej strategii wykorzystania AI. Zupełnie naturalnym jest wyjście od własnych wyzwań i problemów. Do tego można dobierać sprawdzone rozwiązania i scenariusze zastosowania.

Trzeci warunek uzyskania zwrotu z projektu AI to przygotowanie infrastruktury i architektury informatycznej do tego, aby móc korzystać ze sztucznej inteligencji. Odpowiednia będzie hybrydowa, modularna architektura, niezagrożona vendor lock-in, która pozwala na łatwe zmienianie serwisów. Dlatego, że usługi będą się zmieniać – na dobrą sprawę dziś nie wiadomo nawet, czy przetrwa OpenAI.

Takie tąpnięcia na tym nowym rynku będą nieuniknione. Ale jeżeli ma się dobrą strategię, jeśli wiemy, gdzie można zastosować dane narzędzia, jeśli przygotowana jest infrastruktura a organizacja będzie chciała uczyć się, przystosowywać – adaptacja AI będzie firmie przynosić zyski. Dlatego uważamy, że teza jest fałszywa.

II RUNDA

W drugiej rundzie drużynę, która występowała „za tezą”, reprezentował podmiot zbiorowy. Argumenty i kontrargumenty wobec drużyny przeciwnej zgłosili uczestnicy spotkania, którzy zapisali się do głosu.

Drużyna „ZA”

Marcin Dobija, T-Mobile Polska Business Solutions: Teza debaty jest konkretna. To, że ktoś nie wsiada do pociągu zmian, oznacza ryzyko pozostania na peronie – jednak w tym przypadku mówimy o szansie na zwrot z inwestycji w AI.

Jeśli rozpatrywać nawet istniejące i sensowne use case’y, wdrożenie sztucznej inteligencji wymaga szerokich nakładów – przede wszystkim w sprzęt, energię i kompetencje. Te nakłady są na tyle wysokie, że trudno oczekiwać zwrotu z inwestycji dla większości firm; być może nieliczne osiągną taki zwrot.

Jednocześnie trudno tutaj o jednoznaczne oceny. Jestem na przykład pod wrażeniem projektu realizowanego przez jedno z polskich centrów obliczeniowych, w którym powstał model wspierający diagnostykę raka piersi. Sam koszt energii elektrycznej w projekcie wyniósł milion złotych, a efekt daje szansę na uratowanie życia ludzkiego. Jak to ocenić? W kategoriach ROI większość takich projektów – w tym i ten – nie osiąga rentowności.

Patrząc na tezę debaty: większość firm nie może liczyć na zwrot z inwestycji w AI. Wynika to również z tego, co rozumiemy przez „koszt wdrożenia”. Jeśli mówimy o zakupie gotowych rozwiązań, może to przynieść dobre ROI. Jednak jeśli rozumieć to jako inwestycję w sprzęt, oprogramowanie, zespół i zasoby energetyczne do trenowania własnych modeli, na to stać jedynie niektóre firmy, i nie wiadomo, czy przynosi to satysfakcjonujący zwrot. Na pewno więc dla większości ROI nie będzie korzystne w takim scenariuszu.

Adam Wojtaszek: Jeżeli chodzi o AI, to najpierw były zachwyty, a teraz pora na pytania. Jeśli nasi oponenci mogli przytoczyć raptem trzy scenariusze zastosowania AI, to wydaje mi się, że nie jesteśmy jeszcze w fazie, kiedy należy oczekiwać zwrotów z inwestycje w projekty AI. To jeszcze nie ten moment.

Wyzwanie polega na tym, aby pilnować, żeby wspomniany pociąg faktycznie nie odjechał, chociaż chyba jeszcze nawet nie ruszył. On na razie stoi, lokomotywa mocno pracuje, ale para idzie w gwizdek. Oczywiście są firmy, które są pionierami, mają w swoim DNA wytyczanie szlaków. One pewnie najszybciej zbudują zyskowne projekty, ale dla dużych organizacji, które mają własną inercję, jest jeszcze zdecydowanie za wcześnie. To czas na obserwację, może ograniczone eksperymenty.

Tomasz Rychter, Ekspert, Fundacja Digitality: Nasi adwersarze mówią, że kupują licencję na ChatGPT za 20 dolarów i to się zwraca. Trudno wykluczyć taki przypadek. Tylko czy na pewno o takie wdrożenia nam chodzi? Jeśli za te 20 dolarów coś rzeczywiście zoptymalizujemy, to może uda nam się zaoszczędzić. Natomiast dla wdrożenia dużego procesu, AI nie jest cudownym rozwiązaniem. Najpierw trzeba posprzątać dane, musimy sobie przygotować zaplecze, musimy zadbać o governance, zadbać o zgodność z przepisami. Jest więc bardzo wiele czynników, których musimy być świadomi, żeby w ogóle zacząć wdrażanie AI.

Pytanie brzmi: czy firmy są gotowe i dojrzałe na tyle, żeby w ogóle rozpocząć rozmowę o takich projektach? I przyjąć, że niezbędna jest modyfikacja procesów i na koniec dnia może okaże się ona kosztowniejsza niż efekt, który uzyskamy.

Bartłomiej Pławczyk, McDonalds: Mam podstawową wątpliwość: dlaczego moja firma ma zapłacić na rozgrzewanie AI? Niech inni zapłacą, ja z moją firmą wolę wsiąść do pociągu, który już będzie gotowy do drogi.

Dariusz Gregorczyk, Platforma Prezentowa: Aby odpowiedzieć na pytanie, czy zwrot z inwestycji jest większy od kosztu, musimy sobie odpowiedzieć na pytanie, jakie są koszty wdrożenia i jaki jest zwrot z inwestycji.

Dziś tego nie wiemy. Pozostając przy powtarzanej tu kolejowej metaforze, możemy wbiec na peron i wsiąść bez zastanowienia do pociągu, ale nie wiemy, czy to pociąg jest pośpieszny, czy towarowy, czy osobowy, ani nawet w którą stronę jedzie.

CXO: Pod względem finansowym, Open AI, już jest „pod wodą”. W 2026 skończy im się „węgiel” na moce obliczeniowe. To rodzi pytanie, czy na pewno te koszty się opłacały i czy pokryły choćby tak wiekopomne osiągnięcia, jak uwieńczone sukcesem próby wygenerowania obrazu ludzkiej dłoni z pięcioma – a nie sześcioma palcami. Być może to inwestorzy, już niebawem, zamkną błyskotliwą i krótką historię generatywnej sztucznej inteligencji.

Marek Łada: Jak pewnie wiecie, jakieś 140 lat temu wynaleziono prąd. Na początku używano go w fabrykach do oświetlania hali, żeby robotnicy mogli pracować po zmroku. Dopiero parę lat później powstały pierwsze maszyny elektryczne, które rzeczywiście przyniosły zasadniczą różnicę efektywności.

Debatujemy dziś trochę, jakbyśmy cofnęli o 140 lat. Moglibyśmy wówczas zadawać pytanie, czy koszty wdrożenia energii elektrycznej przewyższają zwrot z inwestycji dla większości firm. 140 lat temu odpowiedź byłaby zdecydowanie negatywna. Nie oznacza to jednak, że nie trzeba by było w elektryczność inwestować.

Drużyna „KONTRA”

Sebastian Kondracki: Teza naszej dzisiejszej debaty jest oczywiście fałszywa. Widać to i z perspektywy twórców i z perspektywy użytkowników rozwiązań AI. Mam tę przyjemność, że z jednej strony wdrażam systemy sztucznej inteligencji, z drugiej strony je tworzę, ponieważ Bielik to jest polski model językowy.

Nasi adwersarze chętnie podnoszą kwestię nieefektywności energetycznej oparcia pracy o rozwiązania AI. Śpieszę ich uspokoić. Wszystko się zmieniło. Zbyt często w kontekście zastosowań dla biznesu mówimy lub myślimy o dużych modelach, które potrafią konwersować po staro-francusku, czasem generować żarty, lepiej lub gorzej rymować., więc potrzebują naprawdę ogromne ilości energii.

Pojawiły się jednak małe albo średnie modele – nazywa się je SLM, w odróżnieniu od LLM. To jest właśnie to, czego potrzebujemy w firmach: niekoniecznie wielkiego dźwigu, ale wózka widłowego. Modelu do ciężkiej pracy, a nie do zabawy. Temu zadaniu sprostać mogą małe modele językowe, które można uruchomić nawet w pamięci podręcznej CPU, nie potrzebują GPU. Takim właśnie kompaktowym modelem jest, nawiasem mówiąc, Bielik. Do zadań przez niego realizowanych w zastosowaniach profesjonalnych potrzebujemy już bardzo mało energii. Maszyny Cyfronetu ciężko pracowały przy jego uczeniu, ale nie są już dociążone jego obsługą. Jak opisać tę różnicę? To jakby porównać zużycie energii przez wózek widłowy i stoczniowy dźwig.

Powraca też zagadnienie zastosowań. Zarzut sprowadza się do tego, że ich brakuje, albo są niepewne. Kolega z naszej drużyny mówił o trzech kategoriach scenariuszy zastosowania. Nie o trzech scenariuszach – tylko podał przykłady całych kategorii. Ponieważ nie ograniczamy tej dyskusji do generatywnej sztucznej inteligencji, tylko mówimy o wszelkich rodzajach AI, to można bez wahania powiedzieć, że takich scenariuszy jest tyle, ile tradycyjnych use case’ów.

A zatem – problemy zużycia prądu i braku pomysłów na wykorzystanie są w zasadzie pomijalne w debacie o budowie pragmatycznego, przynoszącego zysk zastosowania AI.

Cięższą podajcie mi zbroję! Takim wyzwaniem obiektywnie powinna być optymalizacja danych, a w zasadzie – posprzątanie danych, aby dostarczały odpowiedniego paliwa modelom AI. Na szczęście nie startujemy od zera. Co najmniej od kilkunastu lat firmy zaczęły sprzątać i optymalizować dane. Cała zresztą transformacja cyfrowa, która trwa, bardzo sprawy jakości danych posuwa naprzód. Jest to więc kwestia ważna, ale trudno logicznie uzasadnić, aby miała odwodzić od wykorzystania AI. To tak, jakby chęć wdrożenia systemów informatycznych hamować faktem, że potrzebujemy zakupić do ich obsługi komputery. Jest wprost przeciwnie, to chęć wykorzystania AI sprzyjać będzie doskonaleniu praktyk zarządzania danymi.

Pada wreszcie argument o tym, żeby na dworcu nie pomylić pociągu, do którego chcemy wsiadać. To prawda, takie rzeczy trzeba wiedzieć. Odpowiem równie ogólnie: wiemy, jak nasz pociąg wygląda, jaką ma trasę i co nas w nim czeka. Dlatego nie wsiadamy do pociągu z Altmanem, ponieważ on się nie zatrzymuje na interesujących nas stacjach, zmierza zresztą gdzie indziej i służy do przewozu pasażerów. My chcemy zapakować do pociągu towarowego nasze tematy: usługi, dane, wyciągać wnioski, automatyzować i poprawiać procesy. Wsiadajmy, wobec tego, bo wiadomo dokładnie z jakiego peronu odchodzi ten pociąg.

Warto zresztą odwrócić naszą tezę. Dlaczego wdrażanie AI przynosi zyski? Te zyski, korzyści, dotyczą na przykład wpływu na kadrę menedżerską. Jeszcze kilka lat temu nie było faktycznej demokratyzacji AI, musieliśmy wszystkie modele stworzyć sami. Potrzebowaliśmy rzeczywiście bardzo wyspecjalizowanych inżynierów. Teraz dostępne są modele duże, mniejsze kompaktowe, otwarte.

Następuje, o ile nie nastąpiła już, transformacja naszych programistów. Wykorzystują oni AI jako gotowy fundament, back-end, z którym rozmawiają językiem naturalnym, bez potrzeby nauki nowego języka. To znacznie obniża koszty szkolenia i wdrażania nowych pracowników.

Transformacja cyfrowa dopełnia się, wchodzimy w erę kognitywną. Inwestycje w chmurę publiczną zamknęły dyskusję o tym czy warto z nich korzystać – zamiast albo obok własnych serwerowni. Dziś nie warto zastanawiać się czy zainwestować w projekty AI, tylko w jaki sposób to robić. Nie jest to już wiedza tajemna.

Teza, że koszty wdrożenia AI przewyższają ROI dla większości firm, jest błędna. AI przynosi liczne korzyści, które przewyższają początkowe koszty wdrożenia.

III RUNDA

Drużyna „ZA”

Wojciech Ehrenfeld: Jestem gorącym zwolennikiem brania byka za rogi, ale już w szczególności podejmowania prób oswojenia AI. Widzę świetlaną przyszłość dla wykorzystania sztucznej inteligencji w gospodarce, we wszystkich właściwie dziedzinach. Ale na potrzeby tej debaty – mogę być adwokatem diabła.

Kiedy więc lepiej wczytałem się w tezę, zorientowałem się szybko, że zwycięstwo w tej debacie, z tą tezą, to właściwie bułka z masłem. Dzisiaj po prostu koszty projektów AI przewyższają zwrot z inwestycji dla większości firm. Przewyższają, dla większości, czyli nie tylko świetlanych liderów, ale normalnych, dobrze ustawionych i dojrzałych firm, jakie z wysokim prawdopodobieństwem wszyscy tu reprezentujemy.

W związku z tym, rozszerzyłbym spojrzenie na tezę debaty. Chciałbym przekonać publiczność i adwersarzy, aby przyjęli tezę i nie odbierali jej jako pejoratywnej.

To, że dzisiaj projekty AI się nie zwracają, naprawdę nie oznacza, że dzieje się coś złego. Chciałbym przekierować tok myślenia i spojrzenie na fakt, że dzisiejsze próby, projekty mają także ten cel, aby poznawać, mierzyć, zdobywać doświadczenie. Żeby uczyć się wdrażać AI do zastosowań biznesowych, uczyć się rozwijać i skalować te projekty, umiejętnie nimi zarządzać – poznawać ich dynamikę, fazy. Wiedzieć też, co nie wyszło. Czy to był nieadekwatny use case? Czy zawinił brak ekspertów? Niedojrzałość technologii? Może halucynacja? A może problem z zarządzaniem budżetem tego typu projektów?

Pojawia się ważne pytanie: czy zgadzamy się z tym, że teza debaty jest prawdziwa i zarazem zupełnie naturalna w kontekście fazy rozwojowej rynku? I czy zgadzamy się z tym, że teza jest prawdziwa w kategoriach sprintu, ROI liczonego w rok lub półtora roku? A zarazem może upaść, kiedy horyzont pomiaru zwrotu z inwestycji w AI rozciągniemy do kategorii maratonu lub triatlonu? My przecież startujemy w takich zawodach, prawda? Uwielbiamy wygrywać sprinty, ale biegniemy przecież w długoterminowych wieloletnich zawodach.

Wspominaliśmy już problem dzisiejszej bańki AI. Nie pierwsza, nie ostatnia – pamiętamy szaleństwo z dotcomami. Spojrzałem dziś na akcje firmy Amazon:w 2020 roku, na szycie bańki kosztowały 5 dolarów. Kiedy nastąpił pogrom dotcomów, ich cena spadla do 70 centów. Dzisiaj papiery Amazon kosztują 192 dolary. Można powiedzieć, kto kupił za 5 dolarów i sprzedawał za 70 centów, nie był szczęśliwy, ale ten, kto kupił za 5 i trzyma, musi być zadowolony, że każdy jego udział jest wart 192 dolary.

Właśnie dlatego ten zwrot inwestycji w krótkim horyzoncie nie jest w przypadku przełomowych technologii miarodajny. Wnioski – choćby z niepowodzenia – są ważne dla zrozumienia i przekucia porażki w długofalowy sukces.

Mam pełną świadomość możliwości, jakie stwarza istnienie technologii „open source” i małych prywatnych LLM – realnie obniżających wysokie wydatki przy dużych projektach, ale mimo wszystko dla większości firm dużo łatwiej jest ciągle opłacić te 20-dolarowe licencje za użytkownika dostępu do globalnych LLM, ponieważ funkcjonują w ekosystemie, który znają i który de facto powstał dla ich wygody, maksymalnego uproszczenia korzystania z narzędzi. Nie potrzeba przede wszystkim posiadania trudnodostępnych ekspertów, konieczności budowy bardziej złożonego know-how, przynajmniej na początku.

Następnym razem, kiedy zostanę zaproszony do takiej debaty, i padnie pytanie, czy warto robić projekty AI, to nie dam się już zapisać do drużyny „sceptyków” czy „pesymistów”, albo nawet „krótkoterminowych realistów”. Dzisiaj jednak, w tych uwarunkowaniach, muszę uczciwie przyznać, że teza jest prawdziwa. Tym niemniej – nie jest pejoratywna – myślę, że największym sukcesem dla firm, które dzisiaj ponoszą porażki, jest ich zrozumienie, przepracowanie i wyciągnięcie wniosków. To bezcenne. Wszystko inne, także oczywista prawdziwość tezy dzisiejszej debaty, jawią mi się mniej istotne.

Drużyna „KONTRA”

Iwona Kaim: Kiedy poznałam tezę dzisiejszej debaty, natychmiast zgłosiłam się do drużyny „kontra”, aby z pełnym przekonaniem ją rozmontować i obalić. Uważam, że nie ma ona podstaw.

Zadam na wstępie pytanie retoryczne: czy jest jeszcze ktoś, kto by nie próbował zastosować AI w swojej firmie? Podejrzewam, że takiej osoby na sali nie ma. Każdy wierzy, że zwrot z inwestycji w sztuczną inteligencję nastąpi, choć może w dłuższym okresie. Nawet te 20 dolarów zainwestowane dzisiaj w licencję na usługę GenAI szybko się zwrócą.

Dysponuję licznymi przykładami zwrotu z inwestycji z własnej firmy. AI wspiera u nas działania w obszarach marketingowych, sprzedażowych, prawnych, a także w produkcji. Możliwości i pomysłów zastosowania jest bardzo dużo. Fakt, że nie jesteśmy wyjątkiem potwierdza ostatni raport McKinsey’a, wedle którego AI jest wykorzystywane w ponad 70% firm. Trzeba podkreślić, że nie mówimy tu tylko o adaptacji generatywnej AI, ponieważ sztuczna inteligencja to dużo szersze pojęcie. Jednak już sama tylko generatywna AI działa w 65% firm, wspierając przynajmniej jedną funkcję biznesową.

To dane nie powinny być dla nas zaskoczeniem, stąd zresztą moje retoryczne pytanie na wstępie. Jak wspominał już Sebastian Kondracki  – scenariuszy zastosowania jest bez liku. Oczywiście pojawiło się wiele argumentów, dlaczego te inwestycje w AI nie będą się zwracać w większości przypadków. Przykładowo, „dane są nieuporządkowane, a AI potrzebuje uporządkowanych danych”. Tyle, że przecież wszyscy porządkujemy już dane z myślą o innych operacjach biznesowych, do których także dane nieustrukturyzowane się nie nadają. Firmowy inżynier danych nie skorzysta z danych, w których jest bałagan. Ponadto, jak podkreślał Krzysztof Kwiatek, większość firm rozwijaja własną infrastrukturę i dopasowują ją do wykorzystania przez AI. Dzięki temu możliwości zastosowania sztucznej inteligencji będą stale rosły.

Chciałabym również wspomnieć o kwestii samego projektu wdrożenia AI. Każde nowe narzędzie będzie budzić opór, a nawet strach przed zmianą. Wdrażając AI, trzeba bardzo dobrze zastanowić się, jak to zrobić mądrze, aby ludzie zrozumieli, jak działa, jakie daje korzyści i chcieli z niego korzystać. Wszelkie działania edukacyjne i inspiracyjne dla biznesu pomagają wykorzystać potencjał AI i podnoszą prawdopodobieństwo szybkiego uzyskania zwrotu z inwestycji.

Do firm przychodzą pracować przedstawiciele coraz młodszych generacji. AI mają wokół siebie – w telefonie, odkurzaczu, samochodzie rodziców. Jeśli przyjdą do firmy bez AI i ktoś zleci im zadania typu kopiuj-wklej z Excela do PowerPointa, to zdemotywują się i szybko zmienią pracę. Młodzi pracownicy oczekują ciekawej pracy oraz asystentów AI, którzy wyręczą ich z pracy nudnej i zarazem zainspirują w bardziej wymagających zadaniach. AI pomaga w najprostszych zadaniach, umożliwiając pracownikom skupienie się na poważniejszych działaniach. Wdrażania AI sprzyja pozyskaniu i utrzymaniu pracownika – to dodatkowy uzysk przemawiający za inwestycjami w sztuczną inteligencję. Trzeba pamiętać o czynniku ludzkim i zmianie biznesowej, która następuje przy wykorzystaniu AI.

I trzeba pamiętać o właściwym ustawieniu linii odcięcia oceniając koszty i zyski. W naszej dyskusji pojawił się przykład instytucji, która wydała milion złotych na prąd do nauczenia modelu wspierającego diagnostykę raka piersi. Czy to dużo? Trudno oczywiście tak powiedzieć, jeśli uratowaliśmy jedno zdrowie czy życie. Nie chcę tu używać szantażu emocjonalnego, wróćmy do kosztów. Co, jeśli model uratuje więcej ludzi, diagnozując nowotwór na czas? Jak się to ma chociażby do kosztów długoterminowej, spóźnionej terapii onkologiczna?

Odniosę się też do kwestii scenariuszy użycia AI. Każdy z nas dysponuje wielką ich liczbą. Moim zdaniem dzisiaj pytanie brzmi raczej – od których chcemy zacząć? Jestem przekonana, że warto wybrać te, które przyniosą szybko wartość i łatwo zostaną zaadaptowane, pokazując firmie, że nawet prosty przypadek może przynieść korzyści. To ułatwi pozyskanie finansowania na większe projekty, gdzie okres zwrotu jest dłuższy. Nie jest jakaś odkrywcza strategia. Ta metoda sprawdza się przy adaptacji innych innowacyjnych technologii, czemu miałaby zawieźć w przypadku AI?

Znamy wyzwania, ale i znamy sposoby ich przezwyciężenia. Znamy uwarunkowania. Wiemy, jak działa biznes. Zasady gry nie zmieniły się wraz z pojawieniem się AI. Dlatego większości firm, adaptacja AI przyniesie korzyści. Zobaczą ROI ze swoich projektów – a to oznacza, że teza naszej debaty jest fałszywa.

***

Po debacie nastąpiło głosowanie. Większość publiczności CXO HUB podzieliła argumentację drużyny „kontra”, która skutecznie przekonała do obalenia tezy debaty oksfordzkiej i na koniec mogła przyjąć gratulacje z powodu wygranej.

Po głosowaniu dyskusja trwała jeszcze w najlepsze. Za doskonały klimat i zaangażowanie serdecznie dziękujemy uczestnikom debaty i publiczności!