EuroEkonóm.sk
Označení AI-native se používá pro produkty, jejichž fungování a uživatelská hodnota jsou od počátku postaveny na umělé inteligenci. Nejde pouze o zavedení chatbotu nebo automatizace do existujícího řešení. Umělá inteligence ovlivňuje návrh produktu, způsob práce s daty, uživatelské rozhraní i ekonomiku jeho provozu.
Rozdíl je podstatný. Produkt s doplněnou funkcí AI může bez ní obvykle dál plnit původní účel, byť méně pohodlně. U AI-native produktu je model, případně soustava modelů a dalších algoritmů, součástí samotného mechanismu, který zákazníkovi poskytuje hodnotu. To přináší nové příležitosti, ale také nároky na spolehlivost, řízení nákladů a odpovědnost za výstupy.
Co znamená přístup AI-native
AI-native není přesně vymezená technická kategorie ani záruka určité úrovně kvality. Jde především o způsob uvažování o produktu: jeho základní užitná hodnota vzniká díky schopnostem umělé inteligence, například porozumění jazyku, rozpoznávání obrazů, tvorbě obsahu, předpovědi nebo rozhodování na základě rozsáhlého souboru vstupů.
Takový produkt obvykle nestaví jen na jednorázovém volání jazykového modelu. Může kombinovat modely s vlastními daty, pravidly, vyhledáváním, specializovaným softwarem a lidskou kontrolou. Důležitá je celá cesta od vstupu přes zpracování až po použitelný výsledek. Samotný model je jen jednou součástí této služby.
Příkladem principu AI-native je nástroj, který uživateli umožňuje zadat úkol přirozeným jazykem a následně na základě kontextu připraví návrh, provede analýzu nebo sestaví pracovní postup. Podstatou není konverzační rozhraní samo o sobě, ale to, že systém dokáže pružně zpracovat požadavky, které by dříve vyžadovaly množství ručních kroků či pevně definovaných formulářů.
Rozdíl oproti produktu s doplněnou funkcí AI
Tradiční produkt bývá zpravidla navržen kolem pevně daných funkcí a postupů. Umělá inteligence se do něj může přidat například jako nástroj pro shrnutí textu, doporučení nebo automatické vyplnění některých polí. Taková funkce může být užitečná, ale nemění nutně logiku celého produktu.
U AI-native řešení se návrh začíná otázkou, jaký úkol lze díky modelům vykonávat novým způsobem. Uživatelské rozhraní pak může být méně založené na procházení nabídek a více na zadávání záměru, průběžném doplňování kontextu a úpravách výsledku. Produkt současně musí počítat s tím, že výstup nemusí být pokaždé stejný ani bezchybný.
Rozdíl lze shrnout podle několika hledisek:
- Úloha AI: u doplněné funkce podporuje existující proces, u AI-native produktu se podílí na jeho hlavním účelu.
- Uživatelská zkušenost: tradiční rozhraní vede uživatele předem stanovenými kroky, zatímco AI-native rozhraní může reagovat na přirozeně formulované zadání.
- Provoz: kromě vývoje softwaru je nutné průběžně sledovat výkon modelů, kvalitu výstupů a náklady na jejich používání.
- Odpovědnost: produkt musí srozumitelně vymezit, co systém vykonal automaticky a kde je nutné ověření člověkem.
Návrh produktu začíná konkrétní potřebou
To, že lze do produktu zapojit umělou inteligenci, samo o sobě neznamená, že má takové řešení obchodní smysl. Návrh by měl vycházet z konkrétní potřeby zákazníka: například z práce, která je časově náročná, opakující se nebo vyžaduje zpracování velkého množství nejednotných informací. Teprve potom je vhodné posoudit, zda model daný úkol zvládne lépe než běžná automatizace, klasické vyhledávání či změna pracovního postupu.
Ne každý problém vyžaduje generativní model. Pokud lze požadovaný výsledek spolehlivě získat pomocí jednoduchých pravidel nebo standardního algoritmu, může být takové řešení levnější, předvídatelnější a snazší na údržbu. AI-native přístup proto neznamená používat model všude, ale navrhnout produkt kolem schopností AI tam, kde skutečně přinášejí hodnotu.
Při ověřování nápadu je užitečné rozdělit celý úkol na jednotlivé části. Některé kroky může vykonávat model, jiné běžný software a další uživatel. Tím lze omezit riziko, že systém dostane příliš široké oprávnění nebo bude automatizovat rozhodnutí, která vyžadují lidský úsudek.
Data, kontext a kvalita výstupů
U AI-native produktu významně záleží na tom, jaký kontext systém při zpracování požadavku dostává. Může jít o obsah zadaný uživatelem, dokumenty organizace, historii předchozích úkonů nebo údaje získané z jiných firemních systémů. Bez odpovídajícího kontextu může model vytvořit obecnou odpověď, která sice působí přesvědčivě, ale neodpovídá konkrétní situaci.
Práce s daty proto zahrnuje nejen jejich dostupnost, ale také oprávnění k použití, aktuálnost, kvalitu a zabezpečení. Produkt musí mít promyšleno, jaké informace do modelu předává, kde se zpracovávají a jak se s nimi nakládá. U citlivých nebo důvěrných údajů je třeba posuzovat celý dodavatelský a technický řetězec, nikoli pouze rozhraní, které uživatel vidí.
Kvalitu nelze posuzovat jen podle toho, zda odpověď zní přirozeně. Podstatné je, zda je výstup správný, úplný, použitelný a přiměřený riziku daného úkolu. V praxi se proto stanovují hodnoticí postupy, které kombinují testovací případy, odbornou kontrolu a sledování chování systému při skutečném používání. Výsledky je třeba vyhodnocovat opakovaně, protože změna modelu, dat nebo instrukcí může ovlivnit jeho výkon.
Ekonomika provozu a obchodní model
U běžného softwarového produktu může být hlavním nákladem vývoj a provoz infrastruktury. AI-native řešení k tomu přidává náklady spojené s používáním modelů, zpracováním dat a průběžným vyhodnocováním výstupů. Ty se mohou měnit podle objemu požadavků, délky vstupů, složitosti úloh nebo zvolené technologie.
Pro podnik je proto důležité sledovat náklady na jednotku poskytnuté hodnoty, nikoli pouze celkové výdaje na modely. Užitečné může být například měřit náklady na vyřízený požadavek, připravený dokument nebo úspěšně dokončený úkol. Vedle nich je nutné posuzovat čas, který uživatel ušetří, míru dokončení práce a případné náklady na opravy chybných výstupů.
Obchodní model musí odpovídat tomu, jak zákazníci produkt používají. Předplatné může být vhodné pro stabilní a předvídatelnou spotřebu, zatímco u výrazně proměnlivého objemu práce může být potřebné zohlednit využití. Cenotvorba by měla zůstat srozumitelná a neměla by uživatele motivovat k neefektivnímu používání systému ani zakrývat skutečné náklady.
Spolehlivost, lidská kontrola a řízení rizik
Modely mohou vytvářet nesprávné nebo zavádějící výstupy, nesprávně vyložit zadání či reagovat jinak, než produkt očekává. U úkolů s nízkým dopadem může být přijatelné, když uživatel výsledek rychle zkontroluje a upraví. U rozhodnutí s významnými finančními, právními nebo bezpečnostními důsledky je třeba nastavit přísnější kontrolní postupy a jasné hranice automatizace.
Dobře navržený produkt by měl uživateli umožnit výstup ověřit, upravit nebo odmítnout. Podle povahy úkolu může být vhodné zobrazit zdroje, upozornit na nejistotu, vyžadovat potvrzení před provedením akce nebo předat případ člověku. Kontrola nemá být pouze formální krok; musí odpovídat reálnému riziku a poskytovat dostatek informací pro kvalifikované posouzení.
Rizika se týkají také ochrany dat, neoprávněného přístupu a zneužití systému. Součástí návrhu proto mají být přístupová práva, protokolování důležitých operací, bezpečnostní testování a postup pro řešení incidentů. Rozsah opatření se odvíjí od toho, jaké údaje produkt zpracovává a k jakým činnostem může přistupovat.
Vývoj a průběžné zlepšování
U AI-native produktu nekončí vývoj jeho uvedením na trh. Tým musí sledovat, zda systém plní zamýšlený účel, kde uživatelé výstupy opravují a které typy požadavků vedou k neúspěchu. Tyto poznatky pomáhají upravovat instrukce, rozhraní, práci s kontextem i samotný výběr modelů.
Vhodné je oddělovat změny modelu od změn ostatních částí produktu a před nasazením je testovat na reprezentativních úlohách. Pokud systém závisí na externím poskytovateli, je třeba počítat s tím, že se jeho dostupnost, vlastnosti nebo podmínky mohou změnit. Architektura by proto měla umožňovat řídit závislosti a reagovat na výpadky či změnu kvality.
Vývojový tým obvykle potřebuje propojit produktové, technické, datové a oborové znalosti. Samotné zvládnutí modelu nestačí: stejně důležité je porozumět pracovnímu procesu zákazníka, správně vymezit odpovědnost systému a navrhnout způsob, jak ověřovat jeho přínos.
Umělá inteligence jako součást hodnoty produktu
AI-native přístup má smysl tehdy, když umělá inteligence umožní zákazníkovi řešit důležitý úkol účinněji nebo způsobem, který by jinak nebyl praktický. Nestačí připojit model k existující aplikaci a označit výsledek za nový typ produktu. Rozhodující je, zda se promění uživatelská zkušenost, pracovní postup a měřitelná hodnota pro zákazníka.
Úspěšné řešení proto spojuje schopnosti modelů s kvalitními daty, promyšleným rozhraním, provozní kontrolou a udržitelnou ekonomikou. Umělá inteligence může převzít část práce, ale produkt musí zároveň nabídnout způsob, jak výsledek posoudit a bezpečně využít. Právě toto propojení technologie, odpovědnosti a obchodního smyslu odlišuje skutečně AI-native produkt od pouhé demonstrace možností modelu.
