Cinci motive pentru care organizațiile se luptă cu ROI-ul AI
De Chris Gaetano 24 februarie 2026 10:08 AM
Jonathan Richard Schwarz, șeful cercetării AI la Thomson Reuters, a subliniat că, deși există un mare entuziasm cu privire la AI, multe organizații încă se luptă să obțină randamente semnificative din tehnologie. Deși nu există un singur motiv pentru care s-ar putea întâmpla acest lucru, Schwarz a indicat o serie de factori diferiți - tehnologici, conceptuali și organizaționali - care au împiedicat eforturile de implementare cu succes a AI.
Schwarz a spus că au existat două abordări generale față de AI observate în ultimii ani: orizontală, tipificată de modele publice mari precum ChatGPT sau Gemini, și verticală, modele extrem de specializate construite pentru aplicații restrânse. Fiecare abordare, totuși, are limitări majore. Abordarea orizontală largă, a spus el, este bună pentru scopuri generale, dar nu are profunzimea necesară pentru sarcini mai complexe, care depășesc doar răspunsul la e-mailuri și rezumarea documentelor. Dimpotrivă, abordarea verticală are un grad mare de concentrare, dar nu are "deceniile de conținut" necesare pentru a contextualiza corect problemele și adesea nu are infrastructura necesară pentru a fi rulată la scară.
"În acest moment, companiile au încercat ambele abordări", a spus Schwartz. "Le-au testat. Realizează că niciuna nu poate oferi cu adevărat ROI-ul de care au nevoie profesioniștii și de aceea am construit CoCounsel diferit de la început."
ROI-ul real, a spus el, necesită sisteme AI cu un grad ridicat de autonomie și capacitate. Cu toate acestea, multe dintre produsele de pe piață astăzi sunt mai bine considerate ca fiind comodități care aduc mici îmbunătățiri incrementale. Ceea ce au nevoie organizațiile pentru a realiza cu adevărat rentabilitatea investiției, a spus el, sunt sisteme de calitate profesională cu capacități transformatoare. El a citat exemplul mașinilor autonome. Timp de mult timp, producătorii de automobile au adăugat caracteristici precum asistența la menținerea benzii, monitorizarea unghiului mort și controlul adaptiv al vitezei de croazieră. Deși acestea sunt plăcute, a spus el, "tot trebuia să puneți mâinile pe volan pentru a conduce". Autonomia completă, pe de altă parte, este o dezvoltare transformatoare care regândește complet ce înseamnă să fii într-o mașină.
"Aici cred că ne aflăm acum", a spus el. "În cadrul AI-ului profesional, avem o mulțime de instrumente acolo care sunt comodități precum acele caracteristici din mașină, dar foarte puține au reușit să treacă peste prăpastia către autonomia deplină, unde poți lua mâinile de pe volan."
Schwarz a adăugat că modelele AI, de-a lungul anilor, au devenit mai bune la scriere, precum și la urmarea instrucțiunilor. Mai este loc de îmbunătățiri, a spus el, dar se îndreaptă în direcția corectă. Pe de altă parte, acuratețea și corectitudinea rămân o provocare majoră. Prea des, modelele încă greșesc sau inventează complet informații. O astfel de rată de eroare este încă prea mare pentru automatizarea serioasă în multe domenii.
"În ceea ce privește corectitudinea, în special, accentul pe dovezi, modelele se luptă cu adevărat, în ciuda anilor de discuții despre halucinații despre importanța citării corecte, și suntem în acest punct în care, într-adevăr, ceea ce obținem sunt modele care pot suna legal și rapoartele arată profesional, dar când sapi cu adevărat, obții o calitate care citează postări aleatorii de pe blog, care face afirmații care nu sunt susținute de citări și o muncă care nu este deloc într-un punct în care ai putea chiar să-ți imaginezi că se întâmplă o automatizare reală", a spus el.
Când AI a pătruns pentru prima dată în mainstream, înțelepciunea convențională era că modelele au nevoie de cât mai multe date posibil pentru a funcționa bine. Cu cât puteai alimenta mai multe date un AI, cu atât devenea mai inteligent și cu atât devenea mai eficient. Schwarz a spus că acest lucru a fost în mare parte infirmat. Oamenii au ajuns să înțeleagă că calitatea datelor este mult mai importantă decât cantitatea.
"Există un consens științific că calitatea datelor este substanțial mai importantă decât cantitatea datelor, că feedback-ul experților, conținutul, datele sunt esențiale pentru progres. ... Această idee că ai putea antrena pe web și modelul rezolvă totul este o poveste frumoasă pe care ne-o spuneam, dar nu se potrivește cu ceea ce vedem în realitate", a spus el.
În mod similar, în timp ce anterior se credea că, cu cât un model AI are mai multă putere, cu atât va funcționa mai bine, această viziune a dispărut și ea în mare măsură. Schwarz a spus că a văzut prea mulți oameni, odată ce implementările lor AI încep să aibă probleme, pur și simplu aruncă hardware și putere (și, prin urmare, bani) în problemă până când dispare. Dar aceasta rezolvă problema greșită. Similar cu modul în care mai multe date nu înseamnă rezultate mai bune, hardware-ul mai bun nu se traduce neapărat în performanțe mai bune. Cel mult, duce la o inteligență "zimțată" în care modelul funcționează admirabil la unele sarcini și abisal la altele.
"Părerea mea personală este că, dacă te afli într-o situație în care ai această inteligență zimțată în care, în aceste domenii valoroase din punct de vedere economic, nu vezi creșterea productivității, atunci, în loc să arunci mai mult hardware și mai multă putere de calcul asupra același tip de abordare, ar trebui să țintești și să încerci să aduci această expertiză în domeniu în procesul de instruire", a spus Schwarz.