A vállalkozások, politikai döntéshozók és tudományos intézmények körében egyaránt megfigyelhető az AI előretörésével kapcsolatos óvatosság. Abban már konszenzus kezd kialakulni, hogy a növekedés és a termelékenység fokozása érdekében egyre inkább elengedhetetlen az AI alkalmazása. Hogy ezt az állítást gyorsan alátámasszuk, érdemes közelebbről megvizsgálni a makrogazdasági bővülés legfontosabb alkatrészeit. A GDP növekedése alapvetően három tényezőből táplálkozik: a népesség növekedéséből, a termelékenység javulásából, illetve a beruházások bővüléséből. Ezek a tényezők mindegyike kellemetlen kérdéseket vet fel. Jelenleg a világgazdaság motorját jelentő országok többségében csökken a népesség, így van ez az Európai Unióban és Magyarországon is. A beruházások növekedése is nagyobb kihívást jelent, hiszen kiléptünk a minimális kamatlábak befektetést ösztönző aranykorából. Így a vállalkozások számára a fenntartható növekedés elérésének egyértelműen legkézenfekvőbb módja a termelékenység növelése. Ennek pedig a legjobb eszköze nem más, mint a mesterséges intelligencia megfelelő alkalmazása.
A hangsúlyt a megfelelő szóra teszem. Az AI megfelelő alkalmazásához négy megkerülhetetlen szempontról kell beszélnünk: jó minőségű adatok, jó modell, jó irányítás és felügyelet, illetve a use case-re, vagyis felhasználási esetre szabott alkalmazás.
Rossz adatokra építve csak rossz döntéseket lehet hozni, és ez a mesterséges intelligencia esetében sincs másképp. A jól működő szervezetek éppen ezért felismerik a rossz minőségű adatok üzleti döntéshozatalban való felhasználásának kockázatait, és olyan folyamatokat alakítanak ki, amelyek lehetőséget biztosítanak az adatok minőségének ellenőrzésére, és szükség esetén korrekciójára is. Az IBM holisztikus megközelítést kínál az adatminőség javítására, amely lehetővé teszi a szervezetek számára, hogy fájdalommentesen hajtsák végre saját döntéseiket meghatározó adataik felülvizsgálatát. Ez azt jelenti, hogy kicsiben kezdik el, majd fokozatosan terjeszthetik ki adatminőségi programjukat a teljes vállalati adatökoszisztémára. Az AI segítségével az adatok átalakítása is hatékonyabbá válik, ami különösen fontos, mivel az adatok még mindig a legkevésbé kihasznált eszközök a vállalatoknál világszerte.
Az adatokhoz hasonlítható módon kiinduló feltétel a megfelelő modell kialakítása. Hiába jók az adatok ugyanis, ha nem megfelelő módon értelmezzük, csoportosítjuk és használjuk őket, az így létrejövő rossz következtetések ugyanis szintén rossz döntésekhez vezetnek minket. Az IBM a futó modelleket ennek érdekében folyamatosan vizsgálja, hogy megértse, hogyan teljesítenek napi szinten, és megfelelő következtetéseket eredményeznek-e. Olyan rendellenességeket is tudunk azonosítani és megszüntetni, amelyek az emberi gondolkodás esetében is kihívást jelentenek: például a kognitív torzítások és a félreértelmezések, vagy éppen az elfogultságból fakadó tévedések. Az IBM modelljei azonban még ennél is többet tudnak: alapvető elvárás velük szemben a teljes átláthatóság, amely azt a követelményt is magába foglalja, hogy az IBM képes legyen megmagyarázni minden egyes döntést, amit mesterséges intelligencia modelljei hoznak. Mi több, ezekért a felelősséget is vállaljuk.
A harmadik szempont, az irányítás és a felügyelet visszavisz bennünket az emberhez, a humán intelligenciához. Az AI governance, vagyis az AI irányításának és felügyeletének biztosítása elengedhetetlen a felelősségteljes alkalmazás érdekében. Felelősségteljes és felkészült humánerőforrás nélkül nincs megfelelően működtetett AI sem. Nem véletlen ugyanakkor, hogy az AI-t felügyelő ember viszonya váltotta ki a leghevesebb társadalmi vitákat is: a munkahelyek átalakulása sokakban komoly aggodalmakat vet fel. Ez a félelem ugyanakkor nem teljesen megalapozott, mert igaz ugyan, hogy az AI használata megváltoztatja a munkahelyeket, az emberi erőforrásra gyakorolt hatás azonban korlátozottabb, mint ahogy azt a közbeszéd gyakran sejteti. Két dolog biztos: egyrészt a jó és felelős AI-hoz emberi felügyeletre lesz szükség, másrészt azok az emberek, akik használják az AI-t, előnyben lesznek azokkal szemben, akik nem.
Ezzel el is érkeztünk a negyedik, és talán leghálásabb témánkhoz, a use case-ek izgalmas kérdésköréhez. Ezen a téren szinte csak példálózni lehet, annyira sok a jó gyakorlat: az AI alkalmazása valóban számos területen forradalmasíthatja a vállalatok működését. Az ügyfélszolgálatban például a generatív mesterséges intelligencia használatával 90%-os automatizálási arány érhető el, ami rengeteg unalmas munkaórát spórol meg. A marketing területén a személyre szabhatóság növelése és a tartalomkészítés költségeinek csökkentése révén jelentős hatékonyságnövekedés érhető el. A back-office munkák automatizálása pedig csökkenti a kézi munkát és javítja a folyamatok hatékonyságát. Vagy hogy egy hagyományosan informatikusabb use case-t említsek: az AI használata az alkalmazásfejlesztés területén akár 30-40%-os fejlesztői termelékenység növekedést érhet el többek között új kódok generálása révén.
Az IBM az elmúlt évben több mint 1000 generatív AI üzleti alkalmazás projektet szállított le. Az esetek mintegy 70%-a egyelőre három fő felhasználási területre összpontosul: ügyfélszolgálat, marketing és back-office munka hatékonyságának növelése. Az alkalmazási területek sokszínűsége ugyanakkor arrafelé mutat, hogy ez az arány kiegyenlítődik majd.
Jelenleg a vállalatvezetők és az intézmények döntéshozói fenntartásokkal kezelik az AI bevonását a szervezeten belüli folyamatokba, amely részben az AI nem megfelelő alkalmazásából eredő hibák és elrettentő példák miatt alakult ki, másrészt azért, mert az AI fejlesztők korében még mindig nem vált kötelezővé az etikus gyakorlat: az adatvédelemtől, a kiberbiztonságon át a fentebb említett transzparenciáig bezárólag. Éppen ezért állítom, hogy az AI világában a bizalom válik az egyik legfőbb értékké, és egy AI rendszer piaci sikerét a bizalom-árfolyama fogja meghatározni - úgy, ahogy most a valutákét.