Lielākā daļa uzņēmumu patlaban neizmanto savu vērtīgāko informācijas kapitālu, jo tas neslēpjas klasiskajās datubāzēs vai pārskatāmās atskaitēs. Līdz pat 90% no visa organizācijas datu apjoma veido tā dēvētie nestrukturētie dati – e-pastu sarakstes, dokumentu mapes, līgumi, sapulču protokoli un klientu čati. Tā kā tradicionālie biznesa lēmumi visbiežāk tiek balstīti viegli strukturējamos datos, lielākā daļa uzņēmuma uzkrātās pieredzes un kritisko biznesa ieskatu paliek neizmantoti, kas mūsdienu tirgū jau kļūst par nopietnu konkurētspējas risku, norāda Emergn Mākslīgā intelekta virziena direktors Aldis Ērglis.
Kāpēc tieši tagad nestrukturētie dati kļūst izšķiroši?
Vēl nesen nestrukturēto datu efektīva izmantošana lielākoties bija dārga un teorētiska ambīcija, kas prasīja milzīgas datu noliktavas, manuālu marķēšanu un specializētas datu zinātnieku komandas ar grūti prognozējamu investīciju atdevi. Situāciju tirgū ir fundamentāli mainījusi lielo valodu modeļu (LLM) parādīšanās un straujā attīstība. Šodien jaunākās paaudzes mākslīgā intelekta (MI) risinājumi, īpaši RAG (Retrieval-Augmented Generation) tehnoloģija un semantiskās līdzības meklēšana, ļauj šos iepriekš nepieejamos datus pārvērst praktiskos rīkos gan klientu apkalpošanā, gan iekšējo procesu automatizācijā.
Praksē šie risinājumi jau šobrīd uzrāda vērā ņemamus efektivitātes rādītājus dažādās industrijās. Apdrošināšanas nozarē MI spēj patstāvīgi apstrādāt atlīdzību pieteikumus un sagatavot pirmās atbildes, juridiskajā un medicīnas sfērā – veikt padziļinātu līgumu un medicīnisko atskaišu analīzi, savukārt klientu atbalsta centros – operatīvi sagatavot precīzas atbildes operatoriem. Rezultātā administratīvie procesi, kas iepriekš prasīja pat nedēļu, tagad ir paveicami pāris stundās, bet ikdienas uzdevumu izpildes laiks tiek samazināts no četrām stundām līdz divdesmit minūtēm, dramatiski kāpinot uzņēmumu operacionālo ātrumu.
RAG un MI kā “jaunais kolēģis” nevis brīnumlīdzeklis
Šīs tehnoloģiskās iespējas būtiski paplašina vadības rīcības arsenālu, jo mūsdienīgs MI spēj precīzi apgūt konkrētas organizācijas iekšējo valodu un kontekstu. Kamēr publiski pieejamie modeļi pārzina vispārīgo pasaules informāciju, tikai uzņēmuma paša dokumenti satur unikālās biznesa zināšanas. Tieši šī kombinācija veido stratēģisku priekšrocību, jo vispārīga un virspusēja “čatbota” vietā uzņēmums iegūst inteliģentu sistēmu, kas strādā organizācijas reālo datu, specifiskā regulējuma un biznesa īpatnību ietvaros.
Tajā pašā laikā MI un RAG pieeja nav jāuztver kā absolūti brīnumlīdzekļi, jo tiem piemīt savi tehnoloģiskie ierobežojumi, piemēram, informācijas izraušana no konteksta, riski interpretēt daļēju saturu kā pilnīgu patiesību, datu aktualitātes uzturēšanas grūtības un tā dēvētās halucinācijas. Šī iemesla dēļ tehnoloģiju attīstības virziens šobrīd strauji mainās no vienkāršām meklēšanas sistēmām uz kompleksām un mērogojamām struktūrām. Tirgū ienāk aģentiskās pieejas un specializēti, šauram domēnam pielāgoti modeļi, kuros vairāki neatkarīgi MI aģenti paši plāno, meklē, pārbauda un validē atbildes, nodrošinot daudz augstāku precizitāti tādās jomās kā jurisprudence, inženierija vai medicīna.
Stratēģiska vadības atbildība
No vadības skatupunkta mākslīgais intelekts būtu jāuztver nevis kā autonoma sistēma jeb “melnā kaste”, bet gan kā jauns, augsti kvalificēts kolēģis, kuram ir savas stiprās un vājās puses. Tas spēj apstrādāt cilvēka prātam neaptveramus datu apjomus, taču tam ir nepieciešama korekta datu arhitektūra un profesionāli speciālisti, kuri prot uzdot pareizos jautājumus un pārbaudīt rezultātu. Tāpēc nestrukturēto datu kapitalizācija vairs nav uzskatāma par IT nodaļas blakus projektu, bet gan par kritisku vadības līmeņa stratēģiju. Organizāciju vadītājiem jau tuvākajā laikā ir jāatbild uz jautājumiem par savu nestrukturēto datu kvalitāti, skaidru plānu to pārvēršanai biznesa vērtībā nākamo 12 mēnešu laikā, kā arī drošas un mērogojamas pārvaldības politikas ieviešanu.
Nākotnē, kad lielākā daļa tirgus spēlētāju izmantos līdzīgus pamata MI modeļus, vienīgo un neapstrīdamo konkurences priekšrocību veidos tieši uzņēmuma iekšējie dati par tā klientu uzvedību, vajadzībām un specifiskajiem procesiem. Kā savulaik norādījis menedžmenta teorētiķis Pīters Drakers, svarīgākais nav izdarīt visu ātri vai vēl ātrāk, bet gan saprast, ko darīt, ko nedarīt un kāpēc. Nestrukturēto datu kontekstā tas nozīmē nesteigties ar mirkļa impulsa vadītu MI rīku iepirkšanu, bet mērķtiecīgi definēt, kuras informācijas krātuves uzņēmumam var sniegt vislielāko atdevi un nodrošināt līderību tirgū.
