EuroEkonóm.sk
AI-native aplikace jsou digitální produkty, jejichž hlavní funkce a způsob používání od počátku počítají s umělou inteligencí. Nejde pouze o běžný software, do něhož byla dodatečně přidána funkce generující text nebo odpovědi. Umělá inteligence je součástí návrhu aplikace, jejího pracovního postupu i hodnoty, kterou zákazník získává.
Tento přístup mění způsob, jakým firmy vyvíjejí software, organizují práci a posuzují jeho ekonomickou návratnost. Zároveň přináší nové požadavky na kvalitu dat, bezpečnost, řízení nákladů a odpovědnost za výsledky automatizovaných systémů.
Co znamená, že je aplikace AI-native
Označení AI-native se používá pro aplikace, jejichž ústřední schopnosti vycházejí z modelů umělé inteligence. Model může například rozumět přirozenému jazyku, vytvářet obsah, rozpoznávat vzory, předvídat vývoj nebo vykonávat vícekrokové úkoly ve spolupráci s uživatelem.
AI-native aplikace obvykle propojuje několik prvků: uživatelské rozhraní, modely, firemní data, nástroje a pravidla, podle nichž systém jedná. Uživatel tak nemusí každou operaci provádět samostatně. Může zadat záměr běžným jazykem a aplikace se pokusí vyhodnotit kontext, navrhnout postup nebo provést část práce.
Rozhodující není samotná přítomnost jazykového modelu. Důležité je, zda umělá inteligence zásadně mění způsob řešení úlohy nebo umožňuje službu, která by bez ní byla obtížně proveditelná. Pokud systém pouze doplňuje tradiční aplikaci o okrajovou automatizaci, bývá přesnější označení AI-enabled, tedy aplikace s funkcemi využívajícími umělou inteligenci.
Rozdíl oproti tradičnímu softwaru
Tradiční aplikace zpravidla pracuje podle předem určených pravidel. Uživatel zadá údaje do formuláře, zvolí příkaz a systém provede definovanou operaci. Výsledek bývá opakovatelný, protože stejný vstup vede podle stejné logiky ke stejnému výstupu.
AI-native systém může pracovat s neúplnými, nestrukturovanými nebo přirozeně formulovanými vstupy. Výsledek proto nemusí být pokaždé totožný a jeho kvalita závisí na modelu, kontextu, datech i způsobu zadání. To otevírá prostor pro pružnější práci, ale zároveň vyžaduje kontrolu a nové způsoby testování.
Například podnikový systém může uživateli umožnit zadat požadavek na přípravu souhrnu dokumentů. AI-native aplikace může dokumenty vyhledat, porovnat, shrnout a uvést související zdroje. Odpovědnost za správnost a vhodnost výsledku však nelze automaticky přenést na model: zejména při rozhodování s významnými finančními či právními dopady je namístě lidské ověření.
Jak jsou AI-native aplikace navrženy
Architektura takové aplikace se liší podle účelu, zpravidla však zahrnuje model nebo více modelů, aplikační logiku, přístup ke kontextovým datům a rozhraní pro uživatele. Systém může také využívat nástroje, například vyhledávání v interních dokumentech, databázové dotazy nebo propojení s podnikovými aplikacemi.
Model sám o sobě obvykle nemá všechny potřebné informace o konkrétní firmě či zákazníkovi. Aplikace proto může při zpracování požadavku vyhledat relevantní údaje a předat je modelu jako kontext. Tím se zvyšuje užitečnost odpovědi, ale zároveň vzniká povinnost řídit, k jakým datům má systém přístup a zda je smí pro daný účel použít.
U složitějších úloh může aplikace rozdělit zadání na několik kroků. Nejprve vyhodnotí požadavek, následně zvolí vhodný nástroj, získá potřebné informace a připraví výsledek. Takový postup může zvýšit míru automatizace, ale také rozšířit prostor pro chybu. Proto je důležité přesně vymezit, které kroky systém smí provádět samostatně a kde musí práci potvrdit člověk.
Hodnota pro podnik a zákazníka
Ekonomický přínos AI-native aplikace může vznikat několika způsoby. Automatizace opakovaných činností snižuje časovou náročnost procesů, práce s nestrukturovanými daty zpřístupňuje informace, které by jinak vyžadovaly ruční zpracování, a personalizace může přizpůsobit službu konkrétní situaci uživatele.
Přínos se však neprojevuje pouze úsporou pracovních hodin. Aplikace může zkrátit dobu potřebnou k obsluze zákazníka, zlepšit dostupnost odborné podpory nebo umožnit vznik nového produktu. Pro podnik je proto užitečné posuzovat celkovou hodnotu služby, nikoli jen počet automatizovaných úkonů.
Provozní náklady mohou zahrnovat používání modelů, vývoj a údržbu datových integrací, bezpečnostní opatření, lidskou kontrolu i řešení chybných výstupů. Ekonomické hodnocení by mělo porovnávat tyto náklady s měřitelným přínosem a zohlednit také dopady na kvalitu, rychlost a zákaznickou zkušenost.
Nové obchodní modely a konkurenční prostředí
AI-native aplikace mohou ovlivnit podobu cenotvorby. Vedle tradičního předplatného se mohou uplatnit poplatky podle objemu využití, počtu zpracovaných úloh nebo dosaženého výsledku. Volba modelu závisí na tom, zda zákazník dokáže předem odhadnout spotřebu a zda je přínos služby snadno měřitelný.
Firmy zároveň čelí otázce, jak odlišit vlastní nabídku od konkurence. Přístup k podobným základním modelům může mít více poskytovatelů, takže samotné využití AI nemusí představovat dlouhodobou konkurenční výhodu. Významnější mohou být kvalitní specializovaná data, znalost konkrétního oboru, spolehlivé začlenění do pracovních procesů, důvěra zákazníků a schopnost průběžně vyhodnocovat výsledky.
Rizika a odpovědné nasazení
AI-native aplikace mohou vytvářet přesvědčivě formulované, ale nesprávné odpovědi. Mohou také přehlédnout důležitý kontext, nepřiměřeně zobecnit nebo odrážet zkreslení obsažené v datech. Riziko roste, pokud systém jedná bez lidského dohledu nebo pokud jsou jeho výstupy používány při rozhodnutích s významnými dopady na zákazníky, zaměstnance či obchodní partnery.
Podnik by měl před nasazením určit, jaká data aplikace zpracovává, kdo k nim má přístup a jak se s nimi nakládá. Důležitá je také ochrana citlivých informací, kontrola oprávnění a stanovení pravidel pro uchovávání vstupů a výstupů. U generovaných odpovědí je vhodné poskytnout uživatelům srozumitelné informace o omezeních systému a umožnit jim výsledek ověřit nebo eskalovat.
Řízení kvality nekončí dokončením vývoje. Výkonnost je třeba sledovat v reálném provozu, protože se mohou měnit data, uživatelské chování i samotné modely. Podnik by měl mít postup pro hlášení chyb, vyhodnocování jejich závažnosti a úpravu systému. U důležitých procesů je užitečné definovat hranice automatizace a možnost lidského zásahu.
Jak postupovat při zavádění
Smysluplný začátek představuje výběr konkrétního pracovního problému, nikoli samotná technologie. Firma by měla určit, kdo bude aplikaci používat, jakou činnost má zlepšit a podle čeho se úspěch pozná. Může jít například o kratší dobu vyřízení požadavku, vyšší přesnost určitého procesu nebo omezení ručního zpracování dokumentů.
Následně je vhodné prověřit dostupnost a kvalitu potřebných dat, posoudit bezpečnostní a provozní požadavky a stanovit, jak bude výsledek ověřován. Pilotní provoz může ukázat, zda aplikace funguje v podmínkách skutečné práce a zda její přínos odpovídá nákladům. Teprve na základě těchto poznatků dává smysl rozšiřovat řešení na další uživatele nebo procesy.
AI-native aplikace nejsou automaticky lepší než tradiční software. Jejich přínos závisí na vhodně zvoleném problému, kvalitním návrhu a průběžném řízení. Pokud umělá inteligence přináší uživateli jasnou hodnotu a je zasazena do bezpečného a měřitelného procesu, může změnit nejen jednotlivé funkce aplikace, ale i způsob, jakým podnik poskytuje své služby.
