Bret Taylor, CEO Sierra i przewodniczący rady OpenAI, porównuje obecną gorączkę wokół sztucznej inteligencji do bańki internetowej sprzed ćwierćwiecza. Jego diagnoza jest bez litości, wartość powstanie, ale wiele firm straci ogromne pieniądze. Różnica między przetrwaniem a porażką zależy od realnego efektu biznesowego, a nie od performatywnych projektów na pokaz.
Bańka AI, podobieństwa i różnice wobec dotcom
W wywiadzie dla The Verge Taylor stawia tezę, iż na rynku AI jednocześnie zachodzą dwa procesy. Tworzy się infrastruktura i rozwiązania, które przełożą się na realny wzrost produktywności, zwłaszcza w inżynierii systemu i obsłudze klienta. Równolegle jednak widać objawy przeinwestowania, agresywne wyceny i pogoń za modą. To niemal jak przez kalkę przypomina koniec lat 90., gdy obok upadków w rodzaju Webvan narodziły się globalne potęgi pokroju Amazon i Google. Kapitał zbudował łącza i serwerownie, część właścicieli przegrała, ale aktywa zostały wykorzystane przez kolejnych graczy. Tak samo będzie z mocą obliczeniową czy danymi do trenowania modeli, choćby jeżeli pierwotni inwestorzy nie odzyskają środków.
W tym obrazie najgroźniejsza nie jest sama euforia, ale rozminięcie się inwestycji z rezultatem. Taylor krytykuje turystykę AI, czyli wdrożenia, które kończą się na demonstracji. Wskazuje też, iż dojrzały rynek uformują firmy dostarczające gotowe rozwiązania dla konkretnych procesów, a nie ogólne platformy do samodzielnego budowania wszystkiego. Przykładem są agenci Sierra, rozliczani wyłącznie za sprawy domknięte bez udziału człowieka. Taki model upraszcza rachunek korzyści i ogranicza ryzyko rozczarowania po stronie klienta.
Co napędza bańkę i jak jej nie paść ofiarą
Źródła powstania bańki są czytelne. Po pierwsze, obietnica obniżenia kosztu rozmowy z klientem choćby o rzędy wielkości. Po drugie, wizja większej dostępności talentu programistycznego dzięki agentom do kodowania. Po trzecie, fala kapitału, którą napędza strach przed przegapieniem przełomu. To wystarczy, by powstało wiele firm bez konkretnego produktu i bez ścieżki do mierzalnego wpływu na przychody lub koszty.
Taylor podpowiada filtr, który pozwala oddzielić sygnał od szumu. Kryterium pierwsze, wynik musi być policzalny i przypisany do procesu, na przykład krótszy czas rozwiązania sprawy, niższy koszt kontaktu, więcej sprzedaży z tej samej bazy. Kryterium drugie, rozliczenie powinno odzwierciedlać odpowiedzialność dostawcy, czyli płatność za efekt, a nie za licencje i godziny pracy. Kryterium trzecie, technologia musi mieć wbudowany nadzór i reguły, aby bezpiecznie wykonywać działania w środowiskach regulowanych. Bez spełnienia tych warunków ryzyko wpadki rośnie wykładniczo.
Z drugiej strony Taylor studzi narrację o rzekomym wyhamowaniu jakości modeli. Skokowe ulepszenia zależą od zadania. W kodowaniu postęp między generacjami bywa duży, w prostszym planowaniu mniejszy. W praktyce przedsiębiorstwa powinny postrzegać modele jak infrastrukturę i dobierać je do zadań pod kątem kosztu, opóźnienia i jakości. To nie eliminuje ryzyka bańki, ale przenosi decyzję z poziomu mody na poziom rachunku ekonomicznego.
Wnioski dla zarządów i CIO
Euforia nie zwalnia z dyscypliny. Zamiast ogólnego projektu AI lepiej kupić gotowego agenta do konkretnej funkcji i rozliczać dostawcę za rozwiązane sprawy. Zamiast dążyć do pełnej automatyzacji każdego kontaktu, warto zacząć od procesów, gdzie efekt jest natychmiast mierzalny, jak weryfikacja roszczeń, aktualizacja planu taryfowego czy umawianie wizyt. Zamiast deklarować transformację, trzeba prowadzić ciągły test A B, który pokaże wpływ na odpływ klientów, NPS i koszt per kontakt. Takie podejście nie gwarantuje odporności na pęknięcie bańki, ale daje najlepszą szansę, by znaleźć się po stronie zwycięzców, gdy opadnie kurz.
