„Lenktynėse dėl pamatinių DI modelių Europa taip pat patyrė
nesėkmę infrastruktūros srityje. Tačiau DI taikymo srityje atsiranda naujų
galimybių.
Europa pralaimėjo lenktynes dėl galingiausių DI modelių.
Tikroji konkurencija vyksta ne tik tiekėjų pusėje, bet ir klausime, kas
greičiausiai ir nuosekliausiai naudoja generatyvinį DI.
Našumo padidėjimas yra įrodytas, išlaidos yra skaidrios.
Nepaisant to, daugelyje įmonių vis dar vyrauja dvejonės, susirūpinimas ir
patogus atidėliojimas. Elgesio ekonomikos analizė rodo, kad neveiklumas vis
labiau tampa didžiausia konkurencine rizika.
Nuo „ChatGPT“ proveržio 2022 m. pabaigoje didelių kalbų
modelių pasaulis vystėsi sparčiai. Pažvelgus į lyginamąsias platformas, matyti,
kad aukščiausiose vietose aiškiai dominuoja JAV ir Kinija. Pirmauja JAV
modeliai, tokie kaip „OpenAI“ GPT-5 arba „Google“ „Gemini 2.5 Pro“, po jų seka
Kinijos tiekėjai, tokie kaip „Deepseek“. Europa lieka stebėtoja pasaulinėse
lenktynėse dėl geriausių pamatinių modelių. modeliai.
Teikėjo perspektyva
Kelias į viršų yra labai brangus.
Modernaus kalbos modelio mokymas sunaudoja milžiniškas
pinigų ir energijos sumas skaičiavimo galiai, elektrai ir aušinimui.
Energijos poreikis iki šiol didėjo su kiekviena modelio
karta. Didelės technologijų įmonės reaguoja į tai investuodamos didžiules sumas
į savo energetikos infrastruktūrą. „Google“, „Meta“ ir „Microsoft“ sudaro
ilgalaikes sutartis dėl branduolinės energetikos pajėgumų arba tiesiogiai
dalyvauja reaktorių projektuose, kad patenkintų būsimus savo duomenų centrų
energijos poreikius.
Pasak „Wall Street Journal“, GPT-5 mokymo „OpenAI“ išlaidos
siekė maždaug 500 mln. USD.
Atsižvelgiant į tai, kyla abejonių, ar Europos iniciatyvos
gali neatsilikti šiose lenktynėse. Ištekliai – finansiniai, infrastruktūros ir
politiniai – yra riboti, o JAV ir Kinijos įmonių technologinis pranašumas vis
didėja. Ambicingi, politiškai motyvuoti projektai, tokie kaip „Gaia-X“ ar
suverenių debesų ir duomenų infrastruktūrų kūrimas, buvo gerų ketinimų, tačiau
pastaraisiais metais jiems nepavyko įgyti didelio tarptautinio matomumo ar
rinkos galios.
Be to, tie, kurie nori konkuruoti Aukščiausiam lygiui reikia
ne tik kapitalo, bet ir geriausių protų. Pirmaujančios dirbtinio intelekto
laboratorijos „OpenAI“, „Google“ ir „Anthropic“ pritraukia talentingiausius
pasaulio kūrėjus – turėdamos tyrimų laisvę, didžiulę skaičiavimo infrastruktūrą
ir atlyginimų paketus, su kuriais Europa negali lygintis.
Remiantis naujausiomis ataskaitomis, „Meta“ generalinis
direktorius Markas Zuckerbergas siūlo geriausiems dirbtinio intelekto talentams
iki 100 mln. USD per metus.
Visų pirma, didelės JAV technologijų įmonės plečia savo
lyderio pozicijas, užtikrindamos nepaprastą strateginį nuoseklumą.
„OpenAI“ sąmoningai siūlo savo GPT modelius Indijoje mažomis
kainomis – tai sumanus žingsnis siekiant greitai įgyti rinkos dalį daugiausiai
gyventojų turinčioje pasaulio šalyje ir sukurti kūrėjų ekosistemas.
Tuo pačiu metu „Google“ investuoja apie 15 mlrd. USD į
naujus dirbtinio intelekto duomenų centrus, parodydama šiandien reikalingo
mąstymo ir veiksmų mastą.
Palyginimui, investicijos Europos šalyse yra gana kuklios.
Dėl visų šių priežasčių Europai konkurencija tiekėjų pusėje
praktiškai prarandama. Pirmaujantys modeliai jau egzistuoja – jie veikia
puikiai, yra prieinami visame pasaulyje ir gali būti naudojami teisėtai ir
saugiai.
Vartotojo perspektyva
Tačiau tai nereiškia, kad kad Europa turi visiškai praleisti
dirbtinio intelekto revoliuciją. Tikroji amžiaus galimybė slypi naudotojų
pusėje.
30–40 procentų produktyvumo padidėjimas ir akivaizdus
kokybės pagerėjimas naudojant generatyvųjį dirbtinį intelektą buvo įrodyti
daugybe tyrimų ir praktinių pavyzdžių.
Tai taikoma visoms pramonės šakoms ir beveik visiems
darbams, kurių rezultatus galima suskaitmeninti, pavyzdžiui, tyrimams, rinkos
analizei, socialinei žiniasklaidai, ataskaitų rašymui, įvairių tipų dokumentų
peržiūrai ir analizei ar programinės įrangos kūrimui.
„Google“ generalinis direktorius Sundaras Pichai teigia, kad
viena iš trijų kodo eilučių naujuose „Google“ produktuose yra sukurta dirbtinio
intelekto.
Tačiau generatyvinio dirbtinio intelekto naudojimas yra daug
daugiau nei techninis klausimas – tai strateginis valdymo sprendimas. Kalbama
apie tai, ar reikėtų sumažinti išlaidas, ar permąstyti verslo modelius.
Pavyzdžiui, jei leidėjo redakcijos komanda gali dirbti 30 procentų greičiau ir
parengti aukštesnės kokybės tekstus naudodama dirbtinį intelektą, kyla toks
sprendimas: ar tą patį produkciją reikėtų gaminti su mažiau darbuotojų, ar
atlaisvintus pajėgumus reikėtų panaudoti naujiems verslo modeliams ar
pasiūlymams?
Kitas pavyzdys: draudimo įmonė Įmonė gali naudoti
generatyvinį dirbtinį intelektą, kad efektyviau apdorotų pretenzijas,
automatizuotų procesus ir sumažintų išlaidas arba pasiūlytų suasmenintą rizikos
analizę, dinamišką kainodarą ir visą parą veikiančius dirbtinio intelekto
konsultantus. Technologiškai abu variantai yra įmanomi; skirtumas slypi tik
verslo sprendime.
Be to, pramoninių duomenų naudojimas dirbtinio intelekto
taikymams taiko istorinę galimybę, ypač Vokietijos įmonėms ir MVĮ.
Vargu ar kuri nors kita šalis gali pasigirti tokia tankia
pramonės vertės grandine, tiksliai dokumentuotais gamybos procesais ir per
dešimtmečius išaugusiais mašinų parkais – duomenų lobynu, kurio potencialo
daugelis įmonių iki šiol išnaudojo tik dalį. Tie, kurie dabar sistemingai
atrakina, susieja ir naudoja šiuos duomenis dirbtinio intelekto modeliams, gali
ne tik padidinti efektyvumą, bet ir sukurti visiškai naujus verslo modelius:
nuo nuspėjamosios priežiūros ir išmaniosios kokybės kontrolės iki duomenimis
pagrįstų paslaugų, kurias galima pritaikyti visame pasaulyje.
Galimybė MVĮ
Visų pirma MVĮ, kurios ilgą laiką gana dvejojo
skaitmeninimo srityje, gali tapti inovacijų varikliais, strategiškai
naudodamos savo pramonės duomenis, ir taip tvariai sustiprinti savo tarptautinį
konkurencingumą.
Įėjimas į generatyvinį dirbtinį intelektą taip pat yra
lengvas, o užsispyrimo efektai yra minimalūs. Aiškiai išmatuojamo efektyvumo
padidėjimo ir patikimo sąnaudų skaidrumo derinys reiškia, kad investicijos į
generatyvinį dirbtinį intelektą paprastai yra labai pelningos, o neapibrėžtumas
yra palyginti mažas.
Nepaisant to, daugelyje organizacijų diegimas vėluoja arba
net blokuojamas – dažnai tai lydi uolus priežasčių, kodėl dabar ne pats
tinkamiausias laikas ir kodėl nereikėtų patekti į skubotų veiksmų spąstus,
ieškojimas. Įdomu tai, kad prieštaravimai yra stebėtinai panašūs ir beveik
visada atitinka tą patį modelį.
Teisinės abejonės – ypač dėl duomenų apsaugos ir ES
Dirbtinio intelekto įstatymo, tyrimai, kurie tariamai rodo generatyvinio
dirbtinio intelekto diegimo problemas, ir teiginys apie konkurencinių pranašumų
trūkumą.
Pažvelkime atidžiau į šį rūpesčių repertuarą.
1. Teisinės problemos
Federalinės tinklų agentūros prezidentui Klausui Mülleriui
daugelis baimių dėl griežto reguliavimo yra perdėtos. „Yra didžiulis
neatitikimas tarp savęs suvokimo ir to, ką iš tikrųjų įpareigoja Dirbtinio
intelekto įstatymas“, – sako jis „Frankfurter Allgemeine Zeitung“ dirbtinio
intelekto tinklalaidėje. Rezultatas – nereikalingos dvejonės.
Be to, generatyvinis dirbtinis intelektas šiandien gali būti
valdomas saugiai ir laikantis duomenų apsaugos taisyklių – tiek viduje, tiek
debesyje.
Nepaisant to, įvairios apklausos rodo, kad daugelis
respondentų duomenų apsaugą laiko didžiausia rizika arba pagrindiniu
pasiteisinimu nenaudoti dirbtinio intelekto.
2. Selektyvus tyrimų naudojimas
Tyrimai dažnai naudojami kaip, regis, neutralūs įrodymai,
siekiant sulėtinti įgyvendinimo projektus. Naujausias pavyzdys – dažnai
cituojama „MIT ataskaita“, kurioje teigiama, kad 95 procentai visų
generatyvinio dirbtinio intelekto projektų neduoda jokios verslo naudos.
Keletas ekspertų straipsnių – nuo „Marketing AI Institute“ iki „Harvard
Business Review“ – rodo, kad nuoroda į MIT yra neaiški, metodologija lieka
neaiški, o daugelis teigiamų poveikių net nebuvo apsvarstyti. Ataskaita
nepatvirtina išvadų, kurias iš jos daro daugelis kritikų. Nepaisant to, ji lengvai
naudojama skepticizmui sustiprinti.
3. Konkurencinių pranašumų trūkumas?
Dažnai teigiama, kad generatyvinis dirbtinis intelektas
nebegali sukurti konkurencinių pranašumų, nes visos įmonės turi prieigą prie tų
pačių modelių. Tiesa, kad tokie modeliai kaip „Gemini 2.5“ ar „GPT-5.1“ yra
plačiai prieinami. Tačiau būtent dėl to pranašumai kyla ne iš išskirtinės
prieigos, o iš galimybės naudoti tuos pačius modelius greičiau, protingiau ir
nuosekliau. Tie, kurie neinvestuoja, palieka pranašumą kitiems. Tarptautinėje
aplinkoje, kurioje kiti jau seniai produktyviai dirba su generatyviniu
dirbtiniu intelektu, neveiklumas tampa strategine rizika ir dideliu
konkurenciniu trūkumu.
Šį laukimo ir stebėjimo bei dvejonių požiūrį galima gerai
paaiškinti elgesio ekonomikos metodais.
Danielio Kahnemano elgesio ekonomikos paaiškinimai
1 sistemos ir 2 sistemos mąstymas
Generatyvaus dirbtinio intelekto naudojimas yra susijęs su
toli siekiančiais pokyčiais. Danielis Kahnemanas rodo, kad žmonės dažnai rodo
mažą norą keistis, nes yra giliai įsišakniję status quo ir vengia protinių
pastangų, kurių reikalauja naujas mąstymas. Greitas, intuityvus 1 sistemos
mąstymas pateikia greitas neveiklumo priežastis („ne dabar“, „nereikia skubotų
veiksmų“), o lėtesnė, analitinė 2 sistema aktyvuojama tik sunkiai. Taigi
pasiteisinimai atsiranda kaip patogūs psichologinės gynybos mechanizmai. Jie
perteikia racionalų atsargumą, bet pirmiausia padeda atidėti būtinus veiksmus.
Kaip galima padidinti norą priimti naujus mąstymo būdus? Šis
klausimas veda prie antro elgesio ekonomikos paaiškinimo:
Kompetencija kaip įtakos veiksnys
Jau daugelį metų tyrimai rodo, kad suvokiama naujųjų
technologijų nauda yra glaudžiai susijusi su asmens kompetencijos ir patirties
lygiu. Darmštato technikos universiteto (TU Darmstadt) dirbtinio intelekto
monitorius nuo 2025 m. tai patvirtina dirbtinio intelekto kontekste. Viena
vertus, suvokiamas dirbtinio intelekto produktyvumo padidėjimas priklauso nuo
amžiaus.
Tačiau dar stipresnė koreliacija išryškėja, analizuojant
numatomą produktyvumą, prieaugis priklauso nuo dalyvių DI žinių.
Ar manote, kad kalbos modeliai gali padidinti vartotojų
produktyvumą, ar ne?
Susirūpinimas yra ne kartų, o kompetencijų problema.
Rezultatai yra tikėtini iš elgsenos ekonomikos perspektyvos:
žmonės dažnai vertina technologijas ne tiek pagal objektyvius kriterijus, kiek
pagal saviveiksmingumą, kurį patiria jas naudodami. Didėjant patirčiai, šis
suvokimas beveik automatiškai keičiasi – nuo susirūpinimo iki entuziazmo dėl
atsirandančių galimybių. Todėl nedrąsūs sprendimai įmonėse yra ne kartų, o
kompetencijų problema.
Kai tik darbuotojai turi galimybę patys išbandyti DI,
dalyvauti mokymo kursuose arba įgyti pirmųjų konkrečių sėkmės patirčių,
suvokimas pastebimai pasikeičia. Pradinis skepticizmas – nesvarbu, ar dėl
duomenų apsaugos, ar dėl rezultatų kokybės – paprastai gerokai sumažėja, kai
tik praktiškai paaiškėja, kiek generatyvinis DI palengvina įprastą darbą,
sumažina klaidų skaičių ar suteikia kūrybinių impulsų.
Įmonės, kurios specialiai skatina šį kompetencijų ugdymą –
pavyzdžiui, rengdamos žemo slenksčio mokymus, bandomuosius projektus ar vidines
„DI konsultacijų valandas“, – ne tik sumažina pasipriešinimą, bet ir žymiai
padidina savo mokymosi bei transformacijos greitį. Tokio kompetencijų ugdymo
turinys, kurio taip pat reikalauja ES DI įstatymas, apima, be kita ko,
mašininio mokymosi pagrindus ir taikymo sritis, generatyvinio DI galimybes ir
ekonominį gyvybingumą bei etinius ir teisinius klausimus. Kai pagrindinis
mašininio mokymosi principas suprantamas fundamentaliu lygmeniu, žmonės
reaguoja ramiau ir rodo žymiai mažiau abejonių nei tada, kai terminas
„dirbtinis intelektas“ lieka abstraktus ir jų galvose užgožtas dešimtmečius
trukusių popkultūros naratyvų iš „Terminatoriaus“, „Svetimo“ ir panašių filmų –
šį efektą Danielis Kahnemanas savo darbe taip pat apibūdino kaip prieinamumo
euristinę teoriją: žmonės pasikliauja tuo, kas greičiausiai ateina į galvą, ir
taip sistemingai pervertina riziką.
Europa galbūt pralaimėjo lenktynes dėl pirmaujančių
pamatinių modelių. Tačiau lemiamos lenktynės vyksta ne JAV ar Kinijos tyrimų
laboratorijose, o įmonėse, kurios produktyviai naudoja šiuos modelius.
Galimybės milžiniškos, išlaidos skaidrios, nauda empiriškai įrodyta, o dvejonių
kaina didelė. Todėl esminis klausimas nebėra tas, ar įmonės turėtų naudoti
generatyvinį dirbtinį intelektą. Veikiau klausimas: kiek ilgai jos dar gali sau
leisti to nedaryti?
Wolfas Matthiasas Mangas yra šeimos verslininkas, „Oechsler
AG“ stebėtojų tarybos pirmininkas ir „Arno Arnold GmbH“ generalinis
direktorius. Jis taip pat yra Heseno verslo asociacijų asociacijos prezidentas
ir „Hessenmetall“ valdybos garbės pirmininkas.
Peteris Buxmannas yra verslo informatikos profesorius
Darmštato technikos universitete. Jis taip pat dirba verslo sektoriuje kaip
stebėtojų tarybos narys, vyresnysis patarėjas ir įkūrėjas. Kartu su Holgeriu
Schmidtu jis veda F.A.Z. podcast'ą „Dirbtinis intelektas“.”
Komentarų nėra:
Rašyti komentarą