
Link: https://www.ictbusiness.info / vijesti / cio-ovi-traze-poslovnu-vrijednost-ai-ja-uz-kontrolu-rizika
CIO-ovi traže poslovnu vrijednost AI-ja uz kontrolu rizika
Informatički direktori i tehnološki rukovoditelji sve češće upozoravaju da rizici povezani s umjetnom inteligencijom rastu brže od koristi koje njihove organizacije trenutačno uspijevaju ostvariti. Središnji izazov postaje kako ubrzati poslovne rezultate, a da pritom sigurnost i upravljanje ne zaostanu.
Gartnerovo istraživanje provedeno među više od tisuću funkcijskih rukovoditelja pokazuje da 58 posto ispitanih bilježi pozitivne rezultate svojih AI inicijativa. Ipak, uspješni pojedinačni slučajevi primjene ne znače automatski da je tvrtka sposobna istu korist ostvarivati kroz sve poslovne jedinice.
Daryl Plummer, Gartnerov analitičar i voditelj istraživanja, naglašava da CIO mora povezati vrijednost s rizicima te sigurnost s upravljačkim pravilima. Organizacije moraju provjeriti gdje AI doista mijenja način rada, koliko su rezultati mjerljivi i kakve nove obveze nastaju njezinom uporabom.
Širenje AI-ja zahtijeva jasnu odgovornost za odluke, nadzor rezultata i pravila za zaustavljanje sustava koji ne ispunjava očekivanja. Gartnerovo istraživanje pokazuje da organizacijama problem stvara upravo ponavljanje koristi na razini cijelog poduzeća uz prihvatljiv rizik.
Pri planiranju AI projekata važno je razlikovati tehnološku izvedivost od poslovne isplativosti. Model može uspješno obraditi zadatak, a da pritom ne donese mjerljivo smanjenje troškova ili povećanje prihoda. Zato početne pilot-projekte treba povezati s jasno definiranim pokazateljima. Ti pokazatelji mogu uključivati vrijeme obrade, točnost, zadovoljstvo korisnika i trošak po izvršenom zadatku. U reguliranim industrijama dodatno se procjenjuju zaštita podataka i mogućnost objašnjenja odluke. GenAI sustavi mogu proizvesti uvjerljive, ali netočne odgovore pa je kontrola kvalitete nužna. Za agenta koji može samostalno poduzimati radnje potrebne su još strože ovlasti i nadzor. Organizacije trebaju poznavati koje podatke model koristi i kome su dostupni. Važno je i planirati način zaustavljanja ili zamjene sustava koji ne ispunjava očekivanja. Kontinuirano praćenje omogućuje da se stvarne koristi razlikuju od početnih tehnoloških obećanja.
