AI Disclosure: A cikk elkészítéséhez generatív AI-eszközöket is használtam. A végső tartalomért és annak pontosságáért a szerző vállal felelősséget.
A mesterséges intelligenciába ömlő pénz lassan olyan méreteket ölt, hogy már nem az a kérdés, valóban forradalmi technológiáról van-e szó. Hanem az, hogy mikor kezd annyi pénzt termelni, amennyit most beletesznek.
A Bitport friss cikke pontosan ezt a kérdést járja körül: az AI-infrastruktúrára, adatközpontokra és modellekre elképesztő összegek mennek el, miközben a másik oldalon még nem látszik hasonló nagyságrendű bevétel. A Bain becslése szerint a nagy technológiai infrastruktúra-szolgáltatóknak több mint 4,2 ezermilliárd dollárnyi új bevételt kellene kitermelniük a következő öt évben ahhoz, hogy a tervezett kapacitásbővítések finanszírozhatók legyenek.
Már nem az a kérdés, hogy meg tudjuk-e építeni
Ez azért érdekes, mert szorosan kapcsolódik ahhoz, amiről néhány nappal ezelőtt írtunk az „Az AI tényleg gyorsítja a fejlesztést, vagy csak illúzió?” című cikkben. Ott nem egyszerűen arról volt szó, hogy az AI-val gyorsabban lehet kódot írni. Inkább arról, hogy miközben a fejlesztés sebessége valóban brutálisan felgyorsult, ezzel egy másik probléma vált láthatóvá: már nem feltétlenül maga a fejlesztés a szűk keresztmetszet.
Régebben egy új funkció vagy termék esetében az volt a cél, hogy mire a felhasználó elé kerül, lehetőleg stabil, jól letesztelt és minél kevesebb hibát tartalmazó állapotban legyen. A fejlesztés jelentős része arról szólt, hogy a „kész” verziót minél közelebb vigyük ehhez az ideális állapothoz.
Az AI ezt a gondolkodást is elkezdte átírni. Ha valamit néhány óra vagy nap alatt össze lehet rakni, akkor sokkal kevésbé fájdalmas azt mondani: legyen elég jó ahhoz, hogy megmutassuk a felhasználóknak. Nem kell minden részletet előre tökéletesre csiszolni, mert gyorsabban kiderülhet, hogy egyáltalán jó irányba indultunk-e.
Az AI felgyorsította a fejlesztést, de a valóságot nem
Ez elsőre pusztán fejlesztési hatékonyságnak tűnik, valójában azonban a teljes termékfejlesztési ciklust változtatja meg. A fejlesztés egyre kevésbé arról szól, hogy hónapokig építünk valamit, majd a végén kiderül, hogy kellett-e egyáltalán. Sokkal inkább arról, hogy minél gyorsabban eljussunk egy olyan állapotig, ahol valódi felhasználóktól kaphatunk választ erre a kérdésre.
Vagyis a szűk keresztmetszet lassan átkerül a kódolásról a discoveryre, a validációra és a user testingre. Nem feltétlenül az a kérdés, hogy milyen gyorsan tudjuk megépíteni az ötletet, hanem hogy milyen gyorsan tudjuk kideríteni, hogy az ötlet jó-e.
És ez azért fontos az AI gazdasági hatásának megítélésénél is, mert könnyű összekeverni a fejlesztési sebességet a gazdasági értékteremtés sebességével.
Attól, hogy egy vállalat sokkal gyorsabban tud szoftvert készíteni, még nem lesz automatikusan több ügyfele. Attól, hogy tíz termékváltozatot tud előállítani ott, ahol korábban egyre volt kapacitása, még nem tudja, melyik fog működni. És attól, hogy egy AI-rendszer technikailag képes valamire, még nem biztos, hogy a felhasználók tényleg akarják is azt.
A technológia tehát felgyorsíthatja azt a szakaszt, amelyben valamit létrehozunk, miközben a valódi érték létrehozásához szükséges többi lépés nem gyorsul fel ugyanilyen mértékben.
Talán valami hasonló történik most az AI gazdasági oldalán is.
A pénz is gyorsabban érkezett, mint a megtérülés
Az infrastruktúrára, adatközpontokra és modellekre elképesztő mennyiségű tőke érkezik. A technológiai lehetőség már most kézzelfogható, de abból, hogy valami technikailag megvalósítható, még nem következik, hogy abból gyorsan üzlet is lesz.
A vállalatoknak meg kell találniuk azokat a feladatokat és folyamatokat, ahol az AI valódi értéket teremt. Ki kell próbálniuk, mérniük kell az eredményeket, át kell alakítaniuk a működésüket, és végül a felhasználóknak vagy ügyfeleknek is hajlandónak kell lenniük fizetni érte.
Ez időbe telik.
A Gartner friss adatai szerint az egyszerűbb AI-feladatoknál akár kilenc-tíz hónap alatt is megjelenhet a megtérülés, az összetettebb alkalmazásoknál viszont ennél jóval hosszabb idővel kell számolni. A Deloitte kutatásai szintén azt mutatják, hogy sok vállalat többéves időtávon várja az AI-projektek érdemi megtérülését.
Közben a befektetők már most olyan növekedési pályákat áraznak, amelyekhez óriási jövőbeli bevételekre lesz szükség. Ez nem feltétlenül jelenti azt, hogy az AI lufi, és még kevésbé azt, hogy az AI értéktelen technológia lenne. Lehet, hogy egyszerűen a tőke gyorsabban érkezett meg, mint ahogy a gazdaság képes feldolgozni az új technológiát.
Az internet esetében is megtörtént, hogy a technológiai lehetőség és a belőle származó üzleti érték között évek teltek el. A dotkomlufi kipukkanása nem azért történt, mert az internet rossz ötlet volt, hanem mert a piac sok esetben túl korán és túl magasra árazta azt a gazdasági értéket, amelynek létrehozásához még idő kellett.
Az AI-nál is lehet, hogy valami hasonló történik. Nem az a probléma, hogy a technológia nem működik. Éppen ellenkezőleg: talán túl jól működik ahhoz, hogy továbbra is ugyanúgy gondolkodjunk a termékfejlesztésről, a munkáról és a befektetésekről.
Ha egyre olcsóbban és gyorsabban tudunk bármit megépíteni, akkor nem feltétlenül maga a megvalósítás lesz a legértékesebb képesség. Hanem annak eldöntése, hogy mit érdemes egyáltalán megépíteni, és milyen gyorsan tudjuk ezt valódi felhasználókon validálni.
És ugyanez lehet az AI-piac nagy kérdése is. Nem az, hogy képesek vagyunk-e elképesztő AI-rendszereket létrehozni. Hanem az, hogy képesek vagyunk-e olyan dolgokat létrehozni velük, amelyekért a gazdaság hajlandó annyi pénzt fizetni, amennyi igazolja a mögöttük álló befektetést.
Lehet, hogy nem az AI-forradalom túl lassú, hanem egyszerűen a pénzügyi megtérülés nem tud olyan gyorsan haladni, mint ahogy maga a technológia.
AI Disclosure: A cikk elkészítéséhez generatív AI-eszközöket is használtam. A végső tartalomért és annak pontosságáért a szerző vállal felelősséget.