Ang Nakatagong Bitag na Nagpapabagal sa Paggamit ng AI sa mga Enterprise

Paggamit ng AI sa mga Enterprise

Muhammed Gider
10 min na pagbasa • 

Mas mabilis lumalawak ang paggamit ng AI sa mga enterprise kaysa sa anumang pagbabagong teknolohikal sa kamakailang kasaysayan. Sa bawat pulong ng pamunuan, nauuwi ang usapan sa iisang inaasahan. Dapat maghatid ang AI ng nasusukat na pakinabang sa buong organisasyon. Matapos ilabas ang ChatGPT, nagsimulang gumamit ng Copilot ang mga engineering team, tinangkilik ng mga analyst ang Perplexity, at nag-eksperimento sa automation ang mga pangkat sa operasyon. Halos agad na tumaas ang produktibidad.

Ngunit makalipas lamang ang ilang buwan, bumagal ang paglago ng paggamit. Natigil ang mga pilot project. Naging hindi pare-pareho ang ROI. Hindi mahihinang modelo o kakulangan ng ambisyon ng mga executive ang sanhi ng pagbagal na ito. Bunga ito ng hindi pagtutugma ng mga kakayahan ng AI at ng istruktura ng mga enterprise.

Kamakailan, nakabasa ako ng pagsusuri ni Caleb, isang creator na madalas tumalakay sa paggamit ng AI mula sa pananaw ng organisasyon. Hindi naglahad ng mga bagong konsepto ang kanyang pagtingin, ngunit nilinaw nito ang isang tensyong nararamdaman na ng maraming lider ng enterprise. Ipinaliwanag nito kung bakit mahusay ang AI sa magkakahiwalay na gamit ngunit nahihirapang maghatid ng pagbabago sa antas ng buong sistema.

Hindi nakasalalay sa lakas ng modelo ang paggamit ng AI. Nakasalalay ito sa antas kung saan ipinapasok ang AI sa enterprise.

Para sa mga CIO, CTO, at mga lider ng pagbabago na nagtataka kung bakit kahanga-hanga ang AI sa mga demo ngunit hindi umuusad kapag ipinapatupad na, inilalatag ng artikulong ito ang mga nakatagong limitasyon at mga estratehikong hakbang na kailangan para sa pangmatagalang paggamit nito sa buong enterprise.

Mula sa “Dapat Ba Tayong Gumamit ng AI” tungo sa “Bakit Napakabagal Lumawak ng Paggamit Nito”

Dalawang taon na ang nakalipas, pinagtatalunan pa ng mga enterprise kung kailangan nila ng AI. Ngayon, ang tanong ay kung paano ito ligtas na maisasama sa kanilang mga proseso at mapapanatili sa paglipas ng panahon. Tinataya ng mga analyst na malaking bahagi ng output ng mga enterprise ay maaaring malapit nang magmula sa AI. Sa teorya, tila hindi ito maiiwasan. Sa aktuwal, hindi pa rin pantay-pantay ang epekto nito.

Mas mabilis kumilos ang mga engineering team, ngunit halos hindi bumubuti ang pagtupad sa mga gawain sa pagitan ng mga departamento. Ina-automate ng mga sales team ang pakikipag-ugnayan sa mga potensyal na kliyente, ngunit nauubos pa rin ang oras nila sa manu-manong koordinasyon. Mabilis na nakakakuha ng mga insight ang mga pangkat sa operasyon, ngunit manu-mano pa rin nilang pinagtutugma ang pira-pirasong data.

Hindi gumagana ang mga enterprise gaya ng mga makinang tuwid at sunod-sunod ang proseso. Gumagana sila bilang mga masalimuot na sistemang hinuhubog ng pamamahala, mga insentibo, kultura, at lumang teknolohiya. Pinatitindi ng AI ang pagiging masalimuot na ito sa halip na bawasan ito.

Makakatulong na tingnan ang AI sa mga enterprise ayon sa tatlong antas ng pag-unlad.

Antas 1. Mga Gawaing May Tulong ng AI

Kapaki-pakinabang ngunit Likas na Limitado

Dito nagsisimula ang karamihan sa mga enterprise. Gumagamit ang mga empleyado ng generative AI para sa pananaliksik, pagbubuod, mga mungkahi sa pag-code, at paggawa ng content. Agad na nakapagbibigay ng pakinabang ang mga tool na ito.

Ngunit ang pagpapabilis ng mga gawain ay hindi katumbas ng pagbabago sa workflow. Nananatiling pareho ang mga prosesong nakapaligid dito—mga pag-apruba, paglilipat ng trabaho, at mga antas ng pag-uulat. Dahil dito, hindi gaanong bumibilis ang takbo ng enterprise.

Ang bilis ng gawain ay hindi katumbas ng bilis ng organisasyon.

Tila ligtas ang yugtong ito dahil walang kailangang baguhin sa istruktura. Ngunit likas na may hangganan ang pangmatagalang ROI nito dahil sa pagkakadisenyo nito.

Antas 2. Mga Agentic Workflow

Malaking Potensyal at Matinding Pagtutol

Kusang nagsasagawa ang agentic AI ng mga workflow na may maraming hakbang. Binabago ng mga agent ang mga file, sinusuri ang mga output, pinamamahalaan ang mga gawain, o pinag-uugnay ang mga operasyon. Napakalaki ng potensyal nito.

Pero hindi ganoon kalawak ang paggamit dito.

Ang hadlang ay hindi teknikal na kakayahan kundi kahandaan ng organisasyon. Nangangailangan ang mga agentic system ng tiwala, pangangasiwa, pamamahala, at pagtanggap sa automation. Ginagambala ng mga ito ang mga nakatatag na hirarkiya at mga nakagawiang proseso ng pagsunod sa mga patakaran. Nagdadala ang mga ito ng mga panganib sa operasyon na hindi pa pamilyar.

Dahil dito, maraming agentic tool ang nauuwi sa pagiging mga assistant na bahagya lamang ang awtonomiya at kumikilos lang sa loob ng ligtas na mga hangganan.

Hindi tinatanggihan ng mga enterprise ang awtonomiya dahil sa takot. Tinatanggihan nila ito dahil sa hindi pagkakatugma.

Antas 3. Mga AI-Native na System

Ang Pangmatagalang Kalamangan

Ang mga AI-native na system ang kumakatawan sa pinakamataas na antas ng kahinugan. Dinisenyo ang mga ito para may bahagi ang AI mula pa sa simula. Sa halip na baguhin ang mga umiiral na workflow na iniangkop para sa tao, bumubuo ang mga enterprise ng mga bagong istruktura ng operasyon kung saan ang AI ang nag-uugnay sa daloy ng data, pagkakasunod-sunod ng mga desisyon, at ritmo ng trabaho.

Nagbibigay-daan ito sa mga operasyong gumagamit ng mga prediksyon, binabawasan ang mga sagabal sa daloy ng trabaho, at ginagawang posible ang tuloy-tuloy na pagdedesisyon.

Mataas ang hadlang. Ngunit higit na malaki ang pangmatagalang kalamangan kaysa sa mga paunti-unting pakinabang.

Gayunman, mahaba ang paglalakbay patungo sa mga AI-native na system. Lumilitaw ang tunay na panganib habang hindi pa nakararating doon.

Ang Problema sa Ferrari

Ang Hindi Pinamamahalaang AI ay Isang Bantang May Mataas na Performance

Gumamit si Caleb ng isang metapora na mas tumitindi ang dating sa konteksto ng enterprise. Ang pagbibigay sa mga empleyado ng access sa makapangyarihang mga AI tool tulad ng ChatGPT o Copilot ay hindi lang basta pagbibigay sa kanila ng isang Ferrari.

Binibigyan sila ng Ferrari nang walang pagsasanay, walang mga patakaran sa kalsada, walang insurance, at walang paraan para makita kung saan talaga pupunta ang sasakyan.

Pambihira ang makina. Ngunit sa masalimuot na kapaligiran ng isang malaking negosyo na may sensitibong data, mga kinakailangan sa pagsunod sa regulasyon, at mga legacy system, ang ganitong antas ng hindi kontroladong kapangyarihan ay isang banta sa mismong istruktura.

Ang AI na walang regulasyon ay humahantong sa hindi sinasadyang pagtagas ng data, paggamit ng shadow IT, mga output na hindi mapatunayan, hindi kontroladong mga input sa modelo, at ganap na pagkawala ng kakayahang magsagawa ng audit.

Hindi lang mabilis umandar ang Ferrari. Pumupunta ito sa mga direksiyong hindi nakikita ng negosyo.

Hangga't hindi muling binubuo ang mga workflow, mga hangganan ng pamamahala, mga antas ng pagpapatunay, at arkitektura ng integrasyon, ang AI na hindi pinamamahalaan ay nananatiling isang pananagutan, hindi isang kapaki-pakinabang na yaman.

Bakit Nagdudulot ng Sagabal sa Buong Sistema ang Laki ng Negosyo

Habang lumalaki ang mga organisasyon, mas mabilis na nagiging masalimuot ang koordinasyon. Kapag dinoble ang laki ng isang team, hindi lang dumodoble ang pagiging masalimuot nito. Lalo itong dumarami.

Pinapahusay ng AI ang pagganap ng bawat indibidwal. Ngunit ang mga malalaking negosyo ay kumikilos bilang isang network. Dahil sa hindi pagtutugmang ito, nawawala ang karamihan ng epekto.

Ipinapakita ng pananaliksik ang isang pangunahing katotohanan.

Pinapalakas ng AI ang dati nang umiiral. Bumibilis ang magkakatugma. Bumibigay ang watak-watak.

Kung hindi muling ididisenyo ang mga workflow at pamamahala, hiwa-hiwalay na pagpapahusay ang naihahatid ng AI sa halip na pagbabago sa buong sistema.

Ang Katotohanan sa mga Malalaking Negosyo

Seguridad, Tiwala, Panganib sa Data, at Panloob na Pagtutol

Bago hangarin ng mga malalaking negosyo ang awtonomiya o mga workflow na likas na nakabatay sa AI, humaharap sila sa mga hindi maiiwasang limitasyon.

Mga kinakailangan sa seguridad ang pumipigil sa anumang kompromiso sa mga hangganan ng data o pagsunod sa regulasyon.
Pagiging hindi maaasahan ng LLM ang nagdudulot ng pag-aatubili dahil hindi maaaring palampasin ang mga hallucination.
Shadow IT ang lumilitaw kapag hindi na nakasasabay ang mga opisyal na tool sa pangangailangan ng mga empleyado.
Estratehiko at personal na data ang nagdadala ng panganib na legal at panganib sa reputasyon.
Kawalan ng sentralisadong pamamahala ang nagdudulot ng kawalan ng katiyakan sa pagpapatunay at pangangasiwa.

Hindi ito mga palatandaan ng konserbatismo.
Mga palatandaan ito ng pananagutan ng institusyon.

Bumibilis lamang ang paggamit ng AI kapag iginagalang ang mga pundasyong ito.

Ang Tunay na Puwang sa Merkado

Hindi Lahat ng Workflow ay Nais Baguhin Mula sa Simula

Ipinapalagay ng ilang salaysay tungkol sa AI na gusto ng mga empleyado ang automation. Sa katotohanan, maraming workflow ang nananatiling matatag dahil madaling asahan ang mga ito at nagbibigay ng pakiramdam ng seguridad sa loob ng kultura ng organisasyon.

Nasa ibang bahagi ang tunay na oportunidad.
Manwal na paglilipat ng data.
Paulit-ulit na dokumentasyon.
Palipat-lipat ng konteksto.
Mga platform na magkakahiwalay.
Mga workflow na hindi magkakaugnay.

Unti-unting pinapahina ng mga sagabal na ito ang produktibidad nang hindi napapansin.

Alisin ang mga hindi nakikitang sagabal, at magiging natural ang paggamit.

Mga Praktikal na Hakbang para sa Pangmatagalang Pagbabago ng mga Kumpanya

May magkakatulad na gawi ang mga kumpanyang nagtatagumpay.

Magsagawa ng masusing pag-audit ng mga workflow.
Unti-unting ipakilala ang kakayahang kumilos nang kusa, na may pangangasiwa.
Baguhin muna ang disenyo ng mga tungkulin bago ang teknolohiya.
Magsimula sa mga bahaging hindi gaanong nalilimitahan ng mga lumang sistema.
Sukatin ang bilis ng pag-usad ng organisasyon, hindi ang bilis ng paggawa ng mga gawain.

Mukhang simple ang mga hakbang na ito. Eksponensyal ang epekto ng mga ito.

Isang Pangwakas na Pagninilay para sa mga Lider ng Kumpanya

Ang paggamit ng AI sa mga kumpanya ay hindi hamon sa modelo. Isa itong hamon sa istruktura at kultura. Karamihan sa mga organisasyon ay hindi makalampas sa mga pakinabang sa antas ng indibidwal na gawain dahil hindi idinisenyo ang kanilang mga workflow para sa mga sistemang kumikilos nang kusa.

Ang mga lider na nakauunawa nito at sadyang nagbabago ng disenyo ang huhubog sa susunod na yugto ng produktibidad ng mga kumpanya.

Pinapalakas ng AI ang mga organisasyong magkakatugma at lalo nitong pinatitindi ang pagkakawatak-watak ng mga organisasyong hindi magkakaugnay. Patibayin muna ang pundasyon. Saka palawakin.

Isang Praktikal na Paalala

Ang Pangangailangan para sa Isang Ligtas at Pinag-ugnay na Layer para sa mga Kumpanya

Sa mga pag-uusap sa mga CIO at mga pangkat na nangunguna sa pagbabago, iisang tema ang paulit-ulit na lumilitaw. Hindi kailangan ng mga kumpanya ng isa na namang hiwalay na assistant. Kailangan nila ng isang ligtas na productivity layer na maaaring i-audit at malalim ang pagkakaugnay sa kanilang mga sistema—nag-uugnay ng mga application, nagpoprotekta sa data, umaayon sa pamamahala, at nagdadala ng AI sa mga workflow nang hindi naaapektuhan ang katatagan ng mga umiiral na sistema.

Ang mga platform na binuo na may malalim na integrasyon, arkitekturang inuuna ang pagkapribado, at pangangasiwang angkop sa mga kumpanya ay ginagawang estratehikong bentahe ang AI na walang pamamahala sa halip na panganib. Ibinibigay nila ang maingat na dinisenyong sistema ng mga kalsada na hindi kailanman nagkaroon ang Ferrari.

Ito ang pilosopiya sa likod ng Dvina. Dinisenyo ito hindi bilang kasangkapan para sa indibidwal na gawain o hiwalay na agent, kundi bilang isang productivity layer na nakauunawa sa mga workflow na pinag-iisa ang mga application, pinangangalagaan ang sensitibong data, at nagbibigay-daan sa mga pangkat na makamit ang pagbabago sa antas ng workflow nang hindi isinusuko ang kontrol.

Pangwakas na Pagninilay

Ang Kinabukasan ay Para sa mga Kumpanyang Bumubuo ng Tamang mga Daan

Ang mga kumpanyang magtatagumpay sa paglipat sa AI ay hindi ang mga may pinakamaraming modelo. Sila ang mga bubuo ng pinakaligtas, pinakamalinaw, at pinakamadaling iangkop na mga landas para makakilos ang AI.

Kapag nagtutugma ang mga workflow, pamamahala, at daloy ng data, hindi na kumikilos ang AI na parang isang eksperimental na makina at nagiging tunay na imprastraktura ng kumpanya.

Ang hinaharap ay hindi para sa mga negosyong may pinakamabibilis na makina. Para ito sa mga may pinakamatitibay na kalsada.

Panoorin ang Video na Sanggunian

Sumali sa Dvina

Mag-sign up nang libre at pagsamahin ang lahat ng iyong tool sa isang simpleng workspace.

Tumuklas pa