Генеративный ИИ: Трансформация отраслей и предприятий
Генеративный ИИ стал темой для обсуждения, условным прорывом технологий с потенциалом кардинально изменить различные сферы, включая саму человеческую жизнь.
Несмотря на ажиотаж вокруг генеративного ИИ в 2023 году, отчет Menlo Ventures показывает, что его внедрение проходит медленно и составляет менее 1% расходов предприятий на облачные технологии. В противоположность этому традиционный ИИ занимает 18% из $400 миллиардов на облачном рынке. "Многие считали, что генеративный ИИ быстро революционизирует отрасли," комментирует Дерек Сяо, инвестор Menlo. "Хотя это значительный прогресс, настоящие изменения в секторе предприятий потребуют времени."
Рост расходов на традиционный ИИ
Прогнозы указывают на то, что рынок генеративного ИИ может достичь $76.8 миллиардов к 2030 году с впечатляющим среднегодовым темпом роста (CAGR) 31.5% начиная с 2023 года. Другие оценки предполагают, что эта технология может генерировать как минимум $450 миллиардов в 12 секторах в течение следующих семи лет.
После своего дебюта в ноябре 2022 года ChatGPT стал центральной фигурой как в корпоративных встречах, так и в повседневных разговорах. Однако отчет Menlo о состоянии ИИ в предприятиях показывает, что 50% опрошенных компаний уже использовали какую-либо форму ИИ до 2023 года. Количество компаний, применяющих ИИ, увеличилось на 7%, поднявшись с 48% до 55%, со средним ростом инвестиций около 8%. Отделы по продуктовой инженерии возглавляют расходы на ИИ-решения.
Несмотря на этот рост, компании проявляют осторожность в отношении генеративного ИИ. "Мы ожидали, что генеративный ИИ станет мгновенным успехом," говорит партнер Menlo Наоми Ионита. "Однако 2023 год стал годом исследований." Заглядывая в будущее, Сяо утверждает, что 2024 год будет ключевым для внедрения генеративного ИИ.
Проблемы с внедрением генеративного ИИ
Научаясь ориентироваться в этом ландшафте, партнер Menlo Тим Талли советует подходить к процессу осмотрительно. "Руководители должны понимать, что медленный переход — это нормально," подчеркивает он. Он отмечает, что стремительное развитие генеративного ИИ порождает опасения в его внедрении, зачастую из-за ограничений в бюджете.
"Принятие таких затратных решений требует тщательного рассмотрения," добавляет он. Исторические тенденции в трансформационных технологиях, таких как облачные вычисления, предполагают, что принятие решений будет продолжаться постепенно.
Препятствия к внедрению включают неопределенный ROI, "последнюю милю", проблемы с конфиденциальностью данных, нехватку талантов в области ИИ, ограниченные организационные возможности, трудности совместимости с существующими системами и недостаточную объяснимость и адаптивность.
Menlo сообщает, что текущие решения для предприятий "пока не оправдали своих обещаний значительных преобразований." Они сталкиваются с трудностями в создании новых рабочих процессов, а прирост производительности остается ограниченным, что вызывает скептицизм у покупателей, пока они не увидят очевидную ценность. Этот скепсис усложняется трудностями, с которыми сталкиваются компании при получении финансового одобрения, поскольку Ионита утверждает: "С каждым разом труднее вести переговоры с CFO. Есть серьезные препятствия для преодоления. Хотя потенциал очевиден, путь к реализации сложен."
Тем не менее, ранние пользователи генеративного ИИ наблюдают значительное улучшение в управлении данными и сокращении рутинных процессов. "Это улучшает пользовательский опыт в недоступных ранее формах," замечает Ионита.
Талли добавляет, что пользователи могут создавать "исключительные инструменты" за 20 минут и менее. "Генеративный ИИ трансформирует рабочие процессы, упрощает задачи и увеличивает успех сотрудников. Он генерирует реальную ценность и доход."
Возможности в секторе генеративного ИИ
С расширением рынка генеративного ИИ Menlo идентифицирует значительные возможности для стартапов как в вертикальных (специфических для отрасли), так и в горизонтальных (универсальных) приложениях. Ионита подчеркивает, что компании все чаще используют гибридные модели ИИ, задействуя несколько базовых платформ наряду со специализированными моделями для различных случаев использования.
"Когда генеративный ИИ внедряется, специализированные инструменты отрасли обретают удивительные возможности," указывается в отчете. Например, маркетологи используют Synthesia для создания видеоконтента, в то время как юридический сектор применяет Harvey для анализа контрактов и соблюдения норм. Стартапы, такие как Greenlite в финансах, Abridge в здравоохранении и Higharc в архитектуре, также добиваются успеха.
На горизонтальном направлении инструменты ИИ автоматизируют рутинные задачи. Menlo ожидает роста числа ИИ-агентов, способных на "независимое мыслительное и исполнительное действие", которые будут управлять электронной почтой, календарями, заметками и бесшовно интегрироваться в конкретные рабочие процессы. "Возвращение ценного времени сотрудникам — это очевидное преимущество," отмечает Ионита, признавая, что средний работник обычно использует сложный набор инструментов.
Смотрев в будущее, Menlo прогнозирует, что "ИИ перейдет из разряда новшества в статус стандартного, ожидаемого партнера в повседневной работе."
Стандартизация современной ИИ-инфраструктуры
Инвестиции Menlo в компании, такие как Anthropic и Pinecone, отражают растущие вложения предприятий — $1.1 миллиарда в этом году — в современный стек ИИ, что делает его ключевой областью в генеративном ИИ. Компании сообщают, что 35% их бюджетов на инфраструктуру выделено на базовые модели, такие как OpenAI и Anthropic, которые доминируют в производственных моделях, составляя более 85%.
Большинство моделей ИИ являются существующими, и только 10% предприятий выбирают предварительную тренировку модели. Компании обычно используют разнообразные модели для повышения контроля и экономической эффективности, при этом 96% расходов направляется на инференс. Популярные методы настройки включают инженерный подход к формулированию запросов, в то время как оценка часто включает человеческий обзор.
Дополнительно, генерация с использованием внешних баз знаний (RAG) становится стандартной практикой, улучшая большие языковые модели (LLM) для своевременных и актуальных ответов. В опросе Menlo 31% предприятий сообщили о применении RAG, в то время как 19% занимаются тонкой настройкой, 18% применяют адаптеры, а 13% используют обучение с подкреплением на основе человеческого опыта (RLHF).
Хотя ранние этапы генеративного ИИ были охарактеризованы быстрыми изменениями, Сяо отмечает сдвиг в индустрии к конвергенции вокруг основных компонентов и лучших практик. Тем не менее, современная ИИ-инфраструктура пока не имеет полной стандартизации, что открывает возможности для стартапов, предоставляющих услуги по развертыванию моделей, управлению потоками данных и обеспечению безопасности.
Стартапам следует приоритизировать разработку инструментов, которые поддерживают новые рабочие процессы, углубленное рассуждение и анализ частных данных, а не просто создавать "обертку для ChatGPT". "Ключ к успеху — это инновации на рынках, где нет устоявшихся игроков," предупреждает Сяо, подчеркивая важность дифференциации.
Рейтинг
