Tokeny — podstawowe jednostki służące do mierzenia i wyceny wykorzystania AI — szybko stały się jednym z najważniejszych wskaźników dla korporacji. Ceny korporacyjnych modeli AI przesunęły się ze statycznych subskrypcji na dynamiczne modele oparte na użyciu, a rosnąca konsumpcja AI przekształciła to, co zaczęło się jako eksperyment produktywnościowy, w potencjalne źródło presji na marże. Ponieważ opłaty za tokeny zwykle rosną wraz z ilością przetwarzanego i generowanego tekstu, większa adopcja przez pracowników może szybko stać się kosztem zmiennym trudniejszym do prognozowania niż tradycyjne licencje na oprogramowanie. Prezesi znaleźli się w sytuacji wymagającej delikatnego wyważenia priorytetów.

AI nie jest narzędziem programowym, które można po prostu włączać i wyłączać według uznania. W ciągu ostatniego roku duże modele językowe głęboko zakorzeniły się w procesach biznesowych, a wszystkie wskaźniki sugerują, że ta zależność pozostanie. Bezrefleksyjne ograniczanie użycia AI — podejście, które rozważa obecnie wiele zespołów zarządzających — nie tylko spowolniłoby wzrost i efektywności, które firmy już osiągnęły, ale także gorzej przygotowałoby je do wykorzystania kolejnej generacji możliwości AI, gdy eksperymentowanie zostanie zniechęcone.

Ryzyko polega na tym, że menedżerowie wpadną w pułapkę gwałtownego ograniczania i zwiększania wydatków na AI, aby zbilansować kolejny kwartalny budżet, a przy tym przegapią fundamentalną transformację, jaką AI może przynieść, gdy jest zarządzana systematycznie, a nie reaktywnie.

Druga faza adopcji AI

Świat biznesu wszedł w drugą fazę adopcji AI, w której zadanie przesunęło się z szybkiego demonstrowania kompetencji i postępu na udowodnienie, że firmy potrafią wydobywać z AI możliwie największą wartość bez zagrożenia dla wyniku finansowego. Ta faza zrównoważonej adopcji wkrótce ujawni podział o długotrwałych konsekwencjach w krajobrazie korporacyjnym — między organizacjami, które potrafią ekonomicznie zarządzać AI i skalować jej wykorzystanie, a tymi, które tego nie potrafią. Koszty tokenów są jedynie pierwszym widocznym objawem szerszego problemu ładu.

Do tego punktu zwrotnego doprowadziły dwa kluczowe założenia. Pierwszym była atrakcyjna, lecz ostatecznie błędna teza dotycząca tego, co AI miała umożliwić firmom: zastąpienie kosztów pracy ludzkiej kosztami modeli i przechwycenie różnicy efektywności jako zysku. Ta zamiana okazała się znacznie mniej prosta. Wiele organizacji, które przyjęły tę koncepcję i zmniejszyły zatrudnienie w oczekiwaniu na wzrost produktywności napędzany AI, odkryło, że utraciło wiedzę instytucjonalną oraz kluczowe talenty inżynieryjne potrzebne do skutecznej integracji i doskonalenia systemów AI w czasie.

Ta świadomość dociera teraz do firm, które przeprowadziły zwolnienia na dużą skalę. W jednym głośnym niedawnym przykładzie Ford poinformował, że musi ponownie zatrudnić setki inżynierów, aby rozwiązać problemy z kontrolą jakości wynikające z nowo wdrożonych narzędzi AI. Menedżerowie wprost wskazywali, że brak doświadczonych specjalistów negatywnie wpływa na rozwój produktów i ogranicza wzrost efektywności z systemów autonomicznych.

Drugie założenie dotyczyło niedopasowania między inwestorami a zespołami zarządzającymi. W najnowszym corocznym badaniu Teneo wśród prezesów i inwestorów 53 percent inwestorów oczekiwało zwrotu z inwestycji w AI w ciągu sześciu miesięcy, podczas gdy tylko 16 percent prezesów dużych spółek uważało, że jest w stanie dotrzymać takiego terminu. Ten termin właśnie nadszedł. Luka ma znaczenie, ponieważ programy AI często wymagają zmian w przepływach pracy, praktykach dotyczących danych, zarządzaniu dostawcami i szkoleniu pracowników, zanim korzyści będzie można wiarygodnie zmierzyć, co utrudnia pogodzenie krótkich okresów zwrotu z typowym sposobem wdrażania technologii korporacyjnych.

Pięć rekomendacji dla rad i prezesów

Okno na zbudowanie zdyscyplinowanego ładu AI pozostaje otwarte, ale nie będzie takie w nieskończoność. Autorzy, reprezentujący obie firmy, współpracują na całym świecie z tysiącami prezesów i rad, aby pomagać im mierzyć się z tymi wyzwaniami. Poniżej przedstawiono ich aktualne wskazówki.

Po pierwsze, przeformułujcie rozmowę o AI w sali posiedzeń. Przestańcie pytać, ile wydaje się na AI. Zacznijcie pytać, gdzie inwestycje w AI tworzą trwałe przewagi konkurencyjne — a gdzie generują konsumpcję bez narastającej wartości.

Po drugie, traktujcie wydatki na AI jako decyzję o alokacji kapitału, a nie pozycję w budżecie IT. Użycie, które napędza nowe przychody, tworzy wyróżniające się doświadczenia klientów lub buduje własne zdolności, stanowi inwestycję we wzrost. Użycie, które jedynie automatyzuje procesy o niskiej wartości, jest kosztem operacyjnym. To rozróżnienie daje też radom jaśniejszy sposób porównywania inicjatyw AI z innymi strategicznymi zastosowaniami kapitału, zamiast traktować całą konsumpcję modeli jako jeden niezróżnicowany koszt technologiczny.

Po trzecie, ustanówcie mechanizmy ładu, które dopasowują zadania do najtańszego modelu zdolnego wykonać je niezawodnie. Pracownicy naturalnie będą skłaniać się ku najnowszym i najmocniejszym modelom, nawet gdy starsze generacje mogą dostarczyć pożądany wynik. Jednym praktycznym rozwiązaniem może być warstwa oprogramowania, która przyjmuje prompty i automatycznie kieruje je do odpowiedniego modelu.

Po czwarte, przekształćcie zachęty związane z użyciem AI. Pracownicy nie powinni być nagradzani za największe wykorzystanie AI — był to odruch widoczny wcześnie w wielu firmach, które chciały pokazać inwestorom zaawansowany poziom adopcji. Nie powinni też być karani sztywnymi limitami użycia, które mogą niezamierzenie hamować innowacje. Zamiast tego organizacje powinny nagradzać efektywne użycie AI: osiąganie lepszych wyników biznesowych przy odpowiednim poziomie konsumpcji AI. Jak zauważono w analizie Wall Street Journal, celem nie jest maksymalne użycie, lecz maksymalna wartość z tokena.

Po piąte, rozproszcie odpowiedzialność za ład AI w całej organizacji. Ładu AI nie można delegować do jednej roli, takiej jak Chief AI Officer. Menedżerowie we wszystkich funkcjach muszą odpowiadać za kierowanie zrównoważoną adopcją AI w swoich zespołach. Pracownicy z kolei potrzebują praktycznego wsparcia zarówno po to, by rozumieć, jak oceniane jest ich użycie AI, jak i po to, by rozwijać umiejętności potrzebne do znaczącego i efektywnego wykorzystywania AI w długim terminie.

Dalsza droga

Firmy, które zwyciężą w tej fazie adopcji AI, nie będą tymi, które używają AI najwięcej, ani tymi, które wydają najmniej. Będą to te, które najlepiej nią zarządzają, konsekwentnie przekształcając konsumpcję AI w trwałą przewagę ekonomiczną. Osiągnięcie tej równowagi jest trudne, zwłaszcza przy technologii rozwijającej się w takim tempie. Jednak błędne wyważenie tych elementów może wkrótce stać się kwestią egzystencjalną.

Opinie wyrażane w komentarzach publikowanych na Fortune.com są wyłącznie poglądami ich autorów i niekoniecznie odzwierciedlają opinie oraz przekonania Fortune.

Ten tekst pierwotnie ukazał się na Fortune.com.