Przedsiębiorczy liderzy z różnych branż nadal postrzegają generatywną sztuczną inteligencję (AI) jako siłę przemianową, zdolną do przekształcania operacji, zaangażowania klientów i podejmowania decyzji strategicznych. Mimo powszechnego entuzjazmu i szybkiego wdrażania zapoczątkowanego przez uruchomienie ChatGPT trzy lata temu, wiele organizacji boryka się z trudnościami w osiągnięciu znaczących i spójnych zwrotów z inicjatyw AI. Ostatnie badania firm badawczych takich jak Forrester i Boston Consulting Group (BCG) pokazują ponurą rzeczywistość: tylko niewielki procent firm — około 15% według Forrester i 5% według BCG — odnotował istotne poprawy w wynikach biznesowych związanych z ich generatywnymi działaniami AI. Te ograniczone sukcesy wynikają z kilku trwających wyzwań, z którymi mierzą się technologie generatywnej AI. Jednym z głównych problemów jest tendencja AI do generowania odpowiedzi zbyt zgodnych lub uproszczonych, często bez koniecznej krytycznej niuansowości lub bez odpowiedniego kwestionowania otrzymywanych danych wejściowych. To osłabia głębokość i wiarygodność generowanych przez AI wglądów. Dodatkowo, niekonsystencja w dostarczaniu precyzyjnych wyników utrudnia praktyczne zastosowania, szczególnie przy obsłudze skomplikowanych, długich lub branżowo specyficznych dokumentów. Przykłady z życia pokazują te trudności: system rekomendacji win oparty na AI, CellarTracker, ma trudności z dokładnym interpretowaniem preferencji użytkowników w obliczu różnorodności terminologii win i subtelnych różnic, podczas gdy narzędzie AI firmy Cando Rail, które ma podsumowywać przepisy bezpieczeństwa, napotyka na wyzwania w utrzymaniu precyzji w rozbudowanych tekstach regulacyjnych. Obsługa klienta to jedno z bardziej dojrzałych zastosowań technologii chatbotów. Firmy takie jak Klarna i Verizon wdrożyły chatboty oparte na AI do obsługi rutynowych zapytań, co pozwoliło na zwiększenie efektywności operacyjnej i obniżenie kosztów.

Jednak coraz częściej pojawia się uznanie, że AI nie jest w stanie całkowicie zastąpić ludzkich agentów w obsłudze złożonych, wrażliwych lub subtelnych interakcji z klientami. Brak empatii przypominającej ludzką oraz niezdolność do wychwycenia subtelnych kontekstualnych niuansów ograniczają skuteczność AI w tych sytuacjach, co czyni konieczną ciągłą kontrolę ludzi. Eksperci opisują obecną kondycję generatywnej AI jako „sfalowany frontiers, ” co odzwierciedla nierówną wydajność w różnych przypadkach zastosowań. Chociaż AI świetnie radzi sobie z niektórymi zadaniami, takimi jak generowanie języka czy podsumowania danych, to ma trudności z działaniami wymagającymi głębokiego zrozumienia kontekstu lub specjalistycznej wiedzy. Problemy z dokładnym interpretowaniem danych geograficznych czy wyrażeń potocznych związanych z czasem podkreślają potrzebę dalszych prac rozwojowych i udoskonaleń. Aby pokonać te przeszkody i maksymalizować wartość AI, firmy inwestują znaczne środki we wzmacnianie ścisłej współpracy między własnymi zespołami a dostawcami technologii AI. Liderzy branży, tacy jak OpenAI i Anthropic, wraz z innowacyjnymi startupami, takimi jak Writer, angażują swoich inżynierów bezpośrednio do organizacji klientów, aby wspólnie tworzyć dostosowane rozwiązania AI, odpowiadające specyficznym potrzebom biznesowym i procesom. Panujący konsensus w kręgach biznesowych i technologicznych jest taki, że choć generatywna AI niesie ze sobą ogromny potencjał, to pełne jego wykorzystanie wymaga bardziej skupionych zastosowań, ciągłego udziału człowieka i gotowości do radykalnej zmiany istniejących procesów oraz umiejętności. Generatywna AI powinna być traktowana jako potężne narzędzie wspomagające, a nie jako samodzielne rozwiązanie. Przy świadomej strategii i wytrwałej pracy organizacje mogą przejść od początkowych eksperymentów do osiągnięcia wymiernych wyników biznesowych, ostatecznie umacniając AI jako kluczowy czynnik konkurencyjności w nadchodzących latach.