Vodeći poslovni lideri iz različitih industrija i dalje smatraju generativnu umjetnu inteligenciju (AI) kao transformacijsku snagu koja može preoblikovati poslovanje, angažman s kupcima i strateško donošenje odluka. Iako je široko uzbuđenje i brzo usvajanje pokrenuto lansiranjem ChatGPT prije tri godine, mnoge organizacije se bore da ostvare značajne i dosljedne povrate od svojih AI inicijativa. Nedavne ankete vodećih istraživačkih firmi Forrester i Boston Consulting Group (BCG) ističu realnost: samo mali postotak kompanija—oko 15% za Forrester i 5% za BCG—ostvarilo je smislena poboljšanja u poslovnim rezultatima povezanima sa svojim naporima u generativnoj AI. Ovaj ograničeni uspjeh rezultat je nekoliko stalnih izazova s kojima se suočavaju tehnologije generativne AI. Jedan ključni problem je tendencija AI da proizvodi odgovore koji su previše ugodni ili jednostavni, često bez kritičnog nijansiranja ili bez odgovarajućeg izazivanja unesenih podataka. To smanjuje dubinu i pouzdanost AI-generiranih uvida. Također, nedosljednost u pružanju tačnih rezultata otežava praktičnu primjenu, posebno kod složenih, dužih ili domen-specifičnih dokumenata. Primjeri iz stvarnog svijeta ilustruju te poteškoće: CellarTracker-ov AI-podržan alat za preporuku vina teško interpretira korisničke preferencije zbog raznolikosti vinskih termina i suptilnih razlika, dok se Cando Rail-ov AI alat za sažimanje sigurnosnih pravila suočava s izazovima održavanja preciznosti na širokim regulatornim tekstovima. Kupcinska služba je jedna od zrelijih primjena čatbot tehnologija. Kompanije poput Klarna i Verizon koriste AI čatbotove za upravljanje rutinskim upitima, donoseći operativnu učinkovitost i smanjenje troškova.

Međutim, sve je više prepoznato da AI ne može u potpunosti zamijeniti ljudske agente u rješavanju složenih, osjetljivih ili nijansiranih interakcija s kupcima. Nedostatak empatičnosti i nemogućnost razumijevanja suptilnih kontekstualnih nijansi ograničavaju učinkovitost AI u tim situacijama, zbog čega je stalno uključivanje ljudi neophodno. Stručnjaci opisuju trenutno stanje generativne AI kao “zrnastu granicu, ” odražavajući neujednačenost u performansama kod različitih slučajeva upotrebe. Dok AI ima sjajne rezultate u zadacima poput generiranja jezika i sažimanja podataka, bori se s aktivnostima koje zahtijevaju duboko kontekstualno razumijevanje ili specijalizirano znanje. Izazovi u preciznom tumačenju geografskih podataka ili kolokvijalnih izraza vezanih za vrijeme ističu potrebu za daljnjim razvojem i usavršavanjem. Kako bi prevazišli ove prepreke i maksimizirali vrijednost AI, kompanije velikodušno ulažu u usku saradnju između svojih unutarnjih timova i pružatelja AI tehnologija. Lideri industrije poput OpenAI i Anthropic, kao i inovativni startupovi poput Writera, uključuju svoje inženjere unutar organizacija klijenata radi zajedničkog kreiranja prilagođenih AI rješenja prilagođenih specifičnim poslovnim potrebama i radnim tokovima. Opće mišljenje u poslovnim i tehnološkim krugovima je da, iako generativna AI ima ogroman potencijal, ostvarivanje njenog punog učinka zahtijeva fokusiranije primjene, stalno ljudsko uključivanje i spremnost na značajnu promjenu postojećih procesa i vještina. Generativnu AI treba smatrati snažnim alatom za povećanje, a ne samostalnim rješenjem. Za strateški napredak, uz namjerno planiranje i uporan rad, organizacije mogu preći od početnih eksperimenata do postizanja mjerljivih poslovnih rezultata, na taj način pozicionirajući AI kao ključni pokretač konkurentske prednosti u budućnosti.