Tekort aan talent en strategische planning belemmering voor omarming GenAI

Dit blijkt uit een recent onderzoek onder organisaties in de Verenigde Staten (VS), uitgevoerd door Coleman Parkes Research en gesponsord door SAS. Het onderzoek richtte zich op 300 Amerikaanse besluitvormers op het gebied van GenAI-strategie of data analytic. Zij zijn gevraagd naar hun belangrijkste investeringsgebieden en de uitdagingen waarmee hun organisaties worden geconfronteerd.

"Organisaties beseffen zich dat ze hun zakelijke uitdagingen niet alleen kunnen oplossen met Large Language Models (LLMs)," zegt Marinela Profi, Strategic AI Advisor bij SAS. "Ze moeten GenAI zien als een mogelijke oplossing voor hyperautomatisering en versnelling van bestaande processen en systemen. Niet als een wondermiddel waarmee ze al hun zakelijke ambities kunnen realiseren. Voordat organisaties zich er volledig in storten en vastlopen, moeten ze een doordachte strategie ontwikkelen en investeren in technologie die integratie, governance en verklaarbaarheid van LLMs garandeert.”

Struikelblokken

Organisaties lopen bij implementaties tegen vier struikelblokken aan:

• Vertrouwen in data-gebruik en conformiteit. Slechts één op de 10 organisaties heeft een betrouwbaar systeem om bias en privacyrisico's in LLMs te meten. Bovendien heeft 93% van de ondervraagde bedrijven geen volledig governance framework voor GenAI, en de meerderheid loopt het risico de regelgeving niet te kunnen naleven.
• Integratie van GenAI in bestaande systemen en processen. Organisaties geven aan dat ze compatibiliteitsproblemen ondervinden wanneer ze proberen om GenAI met hun huidige systemen te combineren.
• Beschikbaarheid van GenAI talent en vaardigheden. Nu HR-afdelingen te weinig geschikte kandidaten kunnen vinden, vrezen leidinggevenden dat ze niet de vereiste skills in huis hebben om hun GenAI-investering optimaal te benutten.
• Voorspellen van kosten. Te weinig zicht op directe en indirecte kosten verbonden aan het gebruik van LLMs wordt door respondenten gezien als een belemmerende factor. Modelontwikkelaars geven een symbolische schatting van de kosten (waarvan organisaties zich nu beseffen dat ze onbetaalbaar zijn). Daarnaast zijn er ook nog vele kosten voor het opbouwen van eigen kennis, training en ModelOps management.

Welke toepassing levert de meeste winst op?

Profi: "Het zal aankomen op het identificeren van concrete toepassingen die het meest opleveren en op een duurzame en schaalbare manier tegemoetkomen aan de menselijke behoeften. Met dit onderzoek blijven we organisaties helpen om relevant te blijven, hun geld verstandig te investeren en veerkrachtig te blijven. In een tijdperk waarin AI-technologie bijna dagelijks evolueert, is concurrentievoordeel sterk afhankelijk van hoe goed je de regels voor veerkracht toepast."