Era di Mana “Pelaburan AI” dan “Kebimbangan” Berkembang Serentak
Syarikat IT gergasi AS terus melaporkan peningkatan keuntungan dalam keputusan kewangan mereka. Permintaan awan dan perkhidmatan berkaitan AI yang semakin meningkat menjadi pemacu pendapatan, dan ini sudah menjadi trend biasa. Namun, seperti yang dilaporkan oleh NHK News, “kebimbangan terhadap pelaburan besar-besaran” juga semakin kuat. Ketidakjelasan pulangan pelaburan (ROI) adalah cabaran bersama bagi para pemimpin perniagaan.
Dalam konteks ini, konsep “AIOWN” yang diumumkan oleh NTT memberikan pandangan yang menarik. Syarikat itu merancang untuk meningkatkan kapasiti pusat data (DC) domestik lebih daripada tiga kali ganda menjelang tahun fiskal 2033 bagi memenuhi permintaan inferens AI yang semakin meningkat. Konsep yang dipasarkan sebagai infrastruktur asli AI ini bukan sekadar pelaburan peralatan, tetapi direka berdasarkan “andaian bahawa AI akan menjadi teras pengurusan.”
Satu lagi perkara yang perlu diberi perhatian ialah perbincangan yang dilaporkan oleh IT Leaders tentang “meningkatkan penggunaan AI daripada bantuan tugas kepada domain pembuatan keputusan.” Memandangkan banyak syarikat masih menggunakan AI sebagai “alat bantuan yang mudah,” hala tuju untuk beralih ke fasa seterusnya telah digariskan.
Artikel ini, berdasarkan berita terkini ini, akan menerangkan kriteria keputusan khusus dan kaedah praktikal untuk pemimpin perniagaan mengembangkan AI daripada “bantuan tugas” kepada “asas pembuatan keputusan.”
“AIOWN” Menunjukkan Cara Baharu untuk Pelaburan Infrastruktur
AIOWN NTT ialah infrastruktur yang dikhususkan untuk pemprosesan inferens AI. Tidak seperti awan tradisional, ia menggunakan seni bina yang dioptimumkan untuk pelaksanaan model AI. Dengan meningkatkan kapasiti DC domestik tiga kali ganda, ia bertujuan untuk menyediakan persekitaran inferens AI yang selamat dan kependaman rendah.
Terdapat tiga perkara utama yang perlu difahami oleh pemimpin perniagaan.
Pertama, andaian bahawa permintaan inferens AI akan berkembang secara eksponen pada masa hadapan. Dengan penyebaran AI generatif, pelbagai pemprosesan inferens seperti pengecaman imej, pemprosesan suara, dan analisis data, selain penjanaan teks, akan meresap ke dalam tugas harian. Pelan penggunaan AI syarikat anda juga perlu direka bentuk dengan mengambil kira perkembangan ini.
Kedua, pertimbangan kos infrastruktur. Apabila infrastruktur khusus seperti AIOWN menjadi meluas, pemprosesan AI boleh dijalankan dengan lebih cekap berbanding awan generik tradisional. Akibatnya, kos operasi penggunaan AI mungkin menurun. Era di mana anda tidak perlu mempunyai platform AI berskala besar sendiri, tetapi boleh menggunakannya mengikut keperluan, semakin hampir.
Ketiga, kepentingan tadbir urus data. Peningkatan kapasiti DC domestik adalah untuk memenuhi keperluan penyimpanan data dalam negara. Ini amat penting bagi syarikat yang mengendalikan data sensitif seperti kewangan, perubatan, dan kerajaan, menjadikan penggunaan AI dan perlindungan data lebih realistik.
Tiga Langkah untuk Mengembangkan AI ke Domain Pembuatan Keputusan
Tema “daripada bantuan tugas kepada domain pembuatan keputusan” yang digariskan dalam artikel IT Leaders adalah isu mendesak bagi banyak syarikat. Berdasarkan pengalaman saya sendiri membantu lebih 38 pelanggan dalam pelaksanaan AI, saya yakin terdapat langkah-langkah yang jelas dalam evolusi ini.
Langkah 1: Penyepaduan dan Peningkatan Kualiti Data
Data berkualiti tinggi adalah penting untuk AI menyokong pembuatan keputusan. Cabaran yang dihadapi banyak syarikat ialah data terpencil dalam silo jabatan. Mulakan dengan menyatukan data yang diperlukan untuk keputusan pengurusan dan menjalankan pembersihan (peningkatan kualiti). Secara khusus, langkah pertama ialah memastikan data jualan, data pelanggan, data inventori, dan data HR boleh dihubungkan.
Langkah 2: Pembinaan dan Pengesahan Model Ramalan
Setelah data tersedia, langkah seterusnya ialah membina model ramalan. Contohnya, mulakan dengan topik yang berkaitan secara langsung dengan keputusan pengurusan seperti ramalan permintaan, ramalan kadar pusing ganti pekerja, dan ramalan keciciran pelanggan. Perkara penting di sini ialah jangan menyasarkan kesempurnaan. Pendekatan yang realistik ialah mencuba dengan model ringkas terlebih dahulu, mengesahkan hasil, dan meningkatkan ketepatan secara beransur-ansur.
Langkah 3: Mengintegrasikan Keputusan AI ke dalam Proses Pengurusan
Peringkat akhir ialah mengintegrasikan hasil analisis dan ramalan AI ke dalam proses pembuatan keputusan pengurusan sebenar. Contohnya, sertakan data ramalan AI dalam agenda mesyuarat pengurusan bulanan, atau rujuk hasil simulasi AI semasa merangka belanjawan. Pada peringkat ini, penting untuk tidak menjadikan AI sebagai “kotak hitam.” Pilih AI yang boleh menerangkan asas keputusannya, atau gunakan mekanisme untuk meningkatkan kebolehjelasan.
Implikasi “Kajian tentang Perubahan Tempat Kerja dan Pengurusan Melalui Penggunaan AI”
Keputusan kajian yang diumumkan oleh Jabatan Sumber Manusia Jepun juga tidak boleh diabaikan. Kajian ini menganalisis secara kuantitatif kesan penggunaan AI terhadap tempat kerja dan pengurusan. Walaupun angka khusus tidak diperkenalkan dalam artikel, rangka kerja kajian itu sendiri mengandungi implikasi penting.
Semakin meluas penggunaan AI, peranan pengurusan berubah daripada “arahan dan perintah” kepada “reka bentuk dan penilaian penggunaan AI.” Ini bermakna set kemahiran yang diperlukan oleh pengurus berubah secara asas.
Berdasarkan pengalaman saya, syarikat yang berjaya dalam pelaksanaan AI mempunyai pihak pengurusan yang secara aktif meningkatkan literasi AI. Sebaliknya, syarikat yang tidak maju dalam pelaksanaan AI sering kali mempunyai pengurus yang takut “AI akan mengambil alih kerja pekerja.” Perbezaan minda ini menentukan kejayaan atau kegagalan penggunaan AI.
Tiga Tindakan yang Boleh Dimulakan oleh Pemimpin Perniagaan Hari Ini
Teori sahaja tidak akan menggerakkan organisasi. Berikut adalah tiga tindakan khusus yang boleh dilaksanakan oleh pemimpin perniagaan mulai hari ini.
Tindakan 1: Audit Keputusan
Klasifikasikan keputusan pengurusan syarikat anda kepada “keputusan rutin” dan “keputusan bukan rutin.” Keputusan rutin (seperti pesanan inventori, semakan harga, pelarasan syif) adalah bidang yang mudah diautomasikan dan dioptimumkan oleh AI. Keputusan bukan rutin (seperti pelaburan perniagaan baharu, M&A, penyusunan semula organisasi) memerlukan manusia membuat keputusan akhir dengan merujuk hasil analisis AI. Audit ini sahaja akan menjelaskan keutamaan penggunaan AI.
Tindakan 2: Melaksanakan Projek Berskala Kecil
Pelaksanaan AI berskala besar membawa risiko. Mulakan dengan projek perintis AI sokongan keputusan yang tertumpu pada satu jabatan atau tugas. Kos boleh bermula daripada beberapa ribu ringgit sebulan. Berdasarkan pengalaman saya, bidang seperti analisis belanjawan sebenar di jabatan perakaunan atau keutamaan kes di jabatan jualan agak mudah untuk dilaksanakan.
Tindakan 3: Menjalankan Pendidikan Literasi AI
Laksanakan pendidikan literasi AI untuk semua pekerja. Pengetahuan teknikal yang mendalam tidak diperlukan. Perkara penting ialah memahami “apa yang AI boleh dan tidak boleh lakukan.” Mulakan dengan sesi pembelajaran 30 minit seminggu, dan minta pekerja mencuba ChatGPT atau Claude secara langsung. Ini akan mengurangkan keraguan dengan cepat.
Kesimpulan: Peralihan kepada AI Pembuatan Keputusan Menentukan Daya Saing
Konsep AIOWN NTT memberi gambaran tentang ketibaan masyarakat yang menganggap AI sebagai asas pada tahap infrastruktur. Perbincangan IT Leaders menunjukkan hala tuju bagaimana infrastruktur itu boleh dimanfaatkan dalam pengurusan. Dan kajian Jabatan Sumber Manusia menekankan keperluan perubahan dalam organisasi dan bakat.
Apa yang diperlukan daripada pemimpin perniagaan ialah menaik taraf AI daripada “alat pengurangan kos” kepada “rakan kongsi pembuatan keputusan.” Untuk mencapai matlamat ini, tiga perkara perlu dijalankan secara serentak: penyediaan platform data, pelaksanaan projek berskala kecil, dan pembangunan bakat.
Semak semula sama ada penggunaan AI syarikat anda terhenti pada “bantuan tugas.” Jika anda bersedia untuk beralih ke fasa seterusnya, sekarang adalah masanya.
コメント