Ostatnia runda finansowania OpenAI ilustruje zmianę tonu w sektorze: inwestorzy domagają się teraz od sztucznej inteligencji zrównoważonego modelu biznesowego i mierzalnej wartości, podczas gdy dotąd wystarczyła sama technologiczna obietnica. Według opublikowanej analizy ten zwrot może być korzystny dla przyszłości AI.
OpenAI zebrało 11 miliardów dolarów podczas pierwszej zamkniętej rundy finansowania, podczas gdy jego pierwotne ambicje sięgały kwoty do 30 miliardów dolarów. Jego wycena wynosi około 1 250 miliardów dolarów, poniżej początkowo zakładanych celów. Te liczby pozostają ogromne, ale teraz uwagę przykuwa właśnie rozbieżność między ambicjami a rzeczywistością.
Firma, która pomogła zapoczątkować światową rewolucję generatywnej AI, przekonuje się, że technologiczny entuzjazm nie wystarczy już, by zapewnić nieograniczony dostęp do kapitału. Czy to początek pękania bańki? Autor nie uważa, że „koniecznie ». Widzi raczej przejście od gospodarki obietnicy do gospodarki dowodu, przejście, które nie dotyczy wyłącznie OpenAI.
Postęp technologiczny, adopcja i kreacja wartości
Od pojawienia się ChatGPT przemysł rozwija się w wyjątkowym tempie. Modele zyskują na wydajności, możliwości multimodalne rosną, a agenci potrafią korzystać z narzędzi, produkować kod i wykonywać sekwencje złożonych działań. Ten postęp jest niezaprzeczalny, ale pojawiło się zamieszanie: uważa się, że wzrost możliwości technicznych automatycznie prowadzi do proporcjonalnej kreacji wartości.
Inteligentniejszy model niekoniecznie jest bardziej dochodowy, a szeroko przyjęta technologia niekoniecznie jest ekonomicznie zrównoważona. Liczba użytkowników, wolumen zużytych tokenów (jednostek tekstu przetwarzanych przez model) czy liczba wdrożonych agentów to wskaźniki aktywności. Same w sobie nie dowodzą one kreacji wartości.
Organizacja może mnożyć eksperymenty i odnotowywać indywidualne zyski produktywności bez znaczącej poprawy swoich wyników operacyjnych. Czas zaoszczędzony przez programistę nie przyspiesza automatycznie wdrożenia, a agent automatyzujący dziesięć zadań niekoniecznie tworzy wartość, jeśli ogólny proces pozostaje niezmieniony. Jak podsumowuje autor: „Nauczyliśmy się mierzyć to, co AI produkuje. Teraz czas zmierzyć to, co ona przekształca. »
Ekonomiczny paradoks AI
Z jednej strony koszt wykorzystania wielu możliwości inferencji (uruchamiania już wytrenowanego modelu) maleje dzięki optymalizacjom sprzętowym, programowym i architektonicznym. Z drugiej strony wyścig o najnowocześniejsze modele wymaga znaczących inwestycji w infrastrukturę, energię, centra danych i moc obliczeniową. Każda jednostka przetwarzania staje się tańsza, ale wydatki niezbędne do utrzymania konkurencyjności rosną.
Inwestycje również nie gwarantują trwałej dyferencjacji. Konkurencyjne modele się rozwijają, otwarte alternatywy zyskują na wydajności, a firmy uczą się orkiestrować wiele modeli zgodnie ze swoimi potrzebami i kosztami. Gdzie będzie leżała wartość – w modelach, infrastrukturze, platformach czy transformacji procesów biznesowych? Autor uważa, że będzie się ona stopniowo przesuwać w stronę tego ostatniego wymiaru, nie powodując zniknięcia wartości innych warstw.
Dla firm korzystających z AI konieczność mierzenia rezultatów idzie w parze z wymogiem elastyczności. Ich strategia nie może całkowicie zależeć od jednego dostawcy i muszą zachować zdolność zmiany modelu, kontroli nad swoimi danymi i śledzenia kosztów. Pierwsza faza rewolucji AI polegała na udostępnieniu tej technologii wszystkim; druga będzie musiała wykazać, że może ona tworzyć trwałą wartość ekonomiczną.
