Jak firmy powinny teraz podchodzić do budżetów na AI?

Zamiast darmowych pul eksperymentalnych, budżety na AI powinny być powiązane z konkretnymi obszarami funkcjonalnymi i mierzyć rzeczywisty zwrot z inwestycji, a nie tylko ilość użytych tokenów.

Które stanowiska znikną z powodu AI?

Historia pokazuje, że prace nie znikają, ale się transformują. Specjaliści będą musieli opanować nowe narzędzia i skupić się na bardziej złożonych zadaniach wymagających kreatywności i strategii.

Jakie działy dostaną największe korzyści z AI?

Obsługa klienta, finanse, sprzedaż i HR będą transformowane, ale szczególny potencjał ma life sciences — AI może skrócić przygotowanie badań klinicznych z 15-18 miesięcy do kilku godzin.

Koszty AI ograniczą jej używanie. Prawo Moore'a nie działa

Q: Dlaczego ceny narzędzi AI nie spadają mimo rosnącej podaży?

Popyt na moc obliczeniową i energię pozostaje ogromny, a firmy budujące centra danych mogą utrzymywać wysokie ceny przez długi czas. Prawo Moore'a, które działało dla procesorów, nie stosuje się do obecnego rynku AI.

Dyrektor Snowflake wyjaśnia, dlaczego ceny AI nie spadają mimo rosnącej podaży. Jak to zmieni strategie firm i które działy czekają największe zmiany.

Ceny narzędzi AI nie będą spadać tak szybko, jak firmy się spodziewały — popyt na moc obliczeniową i koszty energii utrzymują wysokie ceny przez długi czas, a prawo Moore’a przestaje działać. Tę prognozę stawia Jeremy Burton, dyrektor generalny działu Observability w Snowflake, wskazując na fundamentalną zmianę w podejściu przedsiębiorstw do sztucznej inteligencji.

Prawo Moore’a już nie rządzi AI

Przez dziesięciolecia technologia procesorów podlegała prawu Moore’a — wraz ze wzrostem skali produkcji ceny spadały. Sztuczna inteligencja nie podąża tym schematem. Powód jest prosty: popyt na moc obliczeniową pozostaje ogromny, a firmy budujące centra danych mogą utrzymywać wysokie ceny przez długi czas. To oznacza, że jesteśmy w punkcie bardzo odległym od tego, do którego przyzwyczaiła nas historia mocy obliczeniowej.

Jeśli ceny AI nie będą spadać, przedsiębiorstwa muszą zmienić strategię. Będą albo używać AI mniej, albo będą bardziej rozsądne i selektywne w sposobach jej zastosowania. Decyzja będzie należeć do biznesu — nieograniczona pula darmowych pieniędzy na eksperymenty z AI już nie istnieje.

Od maksymalizacji użycia do mierzenia realnego zwrotu

Sześć-dziewięć miesięcy temu wiele firm tworzyło rankingi pokazujące, którzy pracownicy najczęściej korzystają z AI. Miało to rzekomo dowodzić ich produktywności. Dziś podejście się całkowicie zmieniło.

Kiedy pojawia się ranking, zaczyna się wyścig o miejsce na szczycie — a wszyscy wiedzą już, że może to być bardzo kosztowne. Firmy odkryły, że maksymalizowanie zużycia tokenów nie równa się rzeczywistemu zwiększeniu produktywności.

Stary podход	Nowy podход
Rankingi użycia AI	Pomiar realnej produktywności
Luźne pule budżetowe na eksperymenty	Budżety powiązane z obszarami funkcjonalnymi
Nieograniczone wydatki na naukę	Rozliczalność i zwrot z inwestycji
Pytanie: kto najwięcej używa AI?	Pytanie: jak usprawnić cały cykl pracy?

Dziś firmy pytają: jak usprawnić cały cykl życia oprogramowania — nie tylko samo pisanie kodu, ale również jego przegląd, testowanie i zarządzanie pracą zespołu? Liderzy biznesowi zaczynają decydować, czy chcą korzystać z AI więcej, mniej albo inaczej, i czy rzeczywiście osiągają z tego zwrot.

Co to oznacza: Firmy, które chcą wdrażać AI efektywnie kosztowo, muszą zdefiniować konkretne procesy biznesowe, które AI ma usprawnić, i mierzyć rzeczywiste wyniki — nie ilość eksperymentów czy użytych narzędzi.

Które działy zmienią się najszybciej?

AI wpłynie na każdą część biznesu, ale kolejność transformacji nie będzie przypadkowa. Oprogramowanie będzie zdecydowanie na czele, ale transformacja kolejnych obszarów — sprzedaży, HR czy finansów — będzie nieunikniona.

Obsługa klienta: ogromny potencjał, duże ryzyko

Wielu ekspertów widzi ogromny potencjał w obsłudze klienta. Bardzo często trudno dziś dotrzeć do właściwej osoby i uzyskać właściwą odpowiedź na problem — czy to przy rezerwacji, czy podczas pobytu w hotelu, czy w wielu innych sytuacjach. Interfejs oparty na języku naturalnym mogłby demokratyzować dostęp do usług.

Ale pojawia się kluczowy problem: nie można klientom udzielać błędnych odpowiedzi. Jeśli systemy i źródła danych nie są pod kontrolą, AI może serwować złe informacje. Ludzie także popełniają błędy, ale w przypadku wadliwego systemu AI skala błędu może być znacznie większa.

Life sciences: potencjał do skrócenia badań z lat do godzin

Sektory takie jak life sciences mają szczególnie duży potencjał. Jeśli uda się zbudować dobre zbiory danych z dokumentacji medycznej pacjentów, można dramatycznie skrócić czas potrzebny do przygotowania badania klinicznego — z 15-18 miesięcy do zaledwie kilku godzin. Firmy farmaceutyczne mogą również liczyć na to, że AI przy odpowiednich danych i obrazach będzie szybciej identyfikować biomarkery, bo znakomicie rozpoznaje wzorce.

Sprzedaż: zmiana charakteru pracy, nie jej koniec

Dzisiejsza sprzedaż w dużej mierze polega na budowaniu relacji z klientem, pomaganiu mu zrozumieć technologię i pokazaniu, jak rozwiązuje ona jego problem biznesowy. AI może być tu znakomitym narzędziem, bo najtrudniejsza część pracy handlowca polega często na połączeniu problemu biznesowego klienta z konkretną technologią.

Nowe role: forward deployed engineer

Historia pokazuje, że gdy jakaś praca staje się łatwiejsza i bardziej produktywna, ludzie nie przestają pracować — tylko znajdują nowe, bardziej złożone zadania. Pojawi się wiele nowych ról, a jedną z najbardziej interesujących jest rola forward deployed engineer — inżyniera wdrożeniowego osadzonego bardzo blisko biznesu.

To ktoś techniczny, kto wchodzi bezpośrednio do organizacji, rozumie przepływ pracy, rozumie dane, które wchodzą w interakcję z procesami, i potrafi wymyślić, jak użyć AI, aby ten przepływ zmienić. Taka osoba wie również, jak uporządkować dane, rozumie skutki wdrożenia nowej wersji modelu i potrafi przełożyć technologię na realny proces biznesowy.

Wiele organizacji dostrzeże wartość w rolach, które pomagają przekładać możliwości AI na konkretne procesy operacyjne. To bardzo ciekawe stanowisko, bo inżynier nie siedzi wyłącznie nad kodem — pracuje w linii biznesowej z ludźmi, próbując zrozumieć, jak pracują i jak można tę pracę usprawnić.

Kiedy AI rzeczywiście zacznie transformować przedsiębiorstwa?

Biznes ma dziś wobec AI ogromne oczekiwania, ale nie wszystkie pozostają spełnione. Przenikanie AI do przedsiębiorstw zajmie więcej czasu, niż wielu osobom się dziś wydaje. Firmy mają istniejące procesy biznesowe, a wdrażanie nowej technologii wymaga nie tylko narzędzi, ale przede wszystkim zmian organizacyjnych i kulturowych.

W ciągu najbliższych 12 miesięcy rynek wyraźnie odróżni naprawdę wartościowe zastosowania AI od takich, które są tylko ciekawostką. Pojawią się kategorie startupów, które będą mieć problemy, bo nie dostarczają wystarczającej wartości albo wystarczającego zróżnicowania, a ich propozycja nie przewyższa tego, co już oferują czołowe modele. To doprowadzi do przetasowań na rynku.

Co to oznacza dla małych firm: Zamiast wdrażać AI wszędzie, skoncentruj się na jednym-dwóch procesach, które rzeczywiście kosztują Cię czas i pieniądze. Mierz rzeczywisty zwrot z inwestycji, a nie ilość eksperymentów. Wysokie koszty infrastruktury będą ograniczać możliwości — wybieraj narzędzia, które dostarczają gotowych rozwiązań, zamiast budować od zera.