Kai yra kalbama apie dirbtinį intelektą, dažnai pagaunu save klausant tų pačių pažadų skirtingais balsais. Vieni kalba su užsidegimu, tarsi pagaliau mes radome būdą išvengti brangių klaidų ir žmogiškųjų silpnybių, kiti – su nerimu, tarsi sprendimų priėmimas tuoj taps automatizuotas ir mūsų vaidmuo susitrauks iki mygtuko paspaudimo.

Ir vis dėlto, kuo ilgiau stebiu, kaip įmonės realiai priima sprendimus, tuo aiškiau matau paradoksą: DI gali tapti ne „sprendimų pakaitalu“, o veidrodžiu, kuris išryškina tai, ko visą laiką vengėme pripažinti.

Yra toks viliojantis tikėjimas, kurį būtų galima pavadinti duomenizmu – mintis, kad jei tik surinksime pakankamai duomenų ir juos perleisime per pakankamai galingą algoritmą, tiesa pati iškils į paviršių, sprendimas taps akivaizdus, o vertė susikurs savaime.

Šitas tikėjimas patogus, nes jis žada paprastą kelią: daugiau duomenų, daugiau galios, mažiau abejonių. Tačiau jis pavojingas, nes nutyli esminę detalę: duomenys patys nepasako, ką laikome sėkme, ką bijome prarasti ir ką laikome nepriimtina.

Neatsitiktinai praktika juda lėčiau nei pažadai. 2025 m. „McKinsey“ apklausoje 88 proc. respondentų teigė, kad jų organizacijos reguliariai naudoja DI bent vienoje verslo funkcijoje, tačiau dauguma vis dar buvo eksperimentavimo ar pilotavimo stadijoje, o tik maždaug trečdalis buvo pradėję platesnį DI mastelio didinimą. Kitaip tariant, technologija plinta greičiau nei organizacinis gebėjimas paversti ją brandžiu sprendimų priėmimu.

O būtent šios dalys dažniausiai nulemia, kur organizacija pasuks. Tam suprasti užtenka prisiminti vieną istoriją, kuri verslo pasaulyje jau tapo legendine.

„Kodak“ buvo viena iš bendrovių, kuri padėjo atverti skaitmeninės fotografijos erą: pirmą vartotojams skirtą „Kodak DC40“ fotoaparatą pristatė 1995 m., tačiau 2012–2013 m. uždarė. Tuo tarpu „Fujifilm“ per pastaruosius du dešimtmečius transformavosi į diversifikuotą grupę, kurios veikla driekiasi nuo vaizdavimo iki sveikatos priežiūros, elektronikos ir verslo inovacijų.

Šioje istorijoje man įdomiausia ne tai, kad viena įmonė buvo „teisi“, o kita – „neteisi“. Įdomiausia tai, kad panašūs technologiniai signalai organizacijose virsta skirtingais sprendimais, nes jie perskaitomi per skirtingus interesus, baimes, tapatybę ir vaizduotės ribas.

Skirtumas nebuvo pačiuose duomenyse. Skirtumas buvo tame, kaip žmonės tuos duomenis įrėmino, kokį kontekstą pasirinko, kokias prielaidas laikė savaime suprantamomis ir kokią ateitį leido sau įsivaizduoti.

Sprendimai priklauso nuo interpretacijos

O interpretacija nėra vien algoritmas. Tai yra žmogaus darbas.

Ir čia verta sustoti ties dar vienu nepatogiu skaičiumi. „McKinsey“ duomenimis, iš 25 tirtų veiksnių didžiausią ryšį su apčiuopiamu generatyvinio DI poveikiu pelnui turi ne pats įrankis, o darbo procesai. Tačiau tik 21 proc. organizacijų, kurios naudoja generatyvinį DI, teigė iš esmės perprojektavusios bent dalį savo darbo procesų. Vadinasi, vertę kuria ne vien modelis, o žmonių pasirinkimas keisti pačią veikimo logiką.

Kad tai pajustume dar aiškiau, nusileiskime iš strateginių aukštumų į kasdienybę.

Įsivaizduokite, kad perkate automobilį. Jūs tikrai peržiūrėsite kainą, kuro sąnaudas, saugumo reitingus, galbūt ir draudimo kainas.

Bet ar tai ir yra sprendimas? Dažniausiai – ne.

Nes vienam automobilis yra būdas saugiai vežti vaikus, kitam – priemonė patogiai judėti mieste, trečiam – statuso ženklas.

Net jei du žmonės matys tą pačią lentelę su tais pačiais skaičiais, jie gali išeiti su visiškai skirtingais rakteliais kišenėje, nes jų „sėkmės apibrėžimas“ yra kitoks.

Ir čia atsiranda pirmasis dalykas, kurio duomenys negali padaryti už mus: aiškiai pasakyti, kokio galutinio tikslo siekiame.

Versle tai dar sudėtingiau, nes įmonė niekada nėra vienas žmogus.

Vieni galutinę sėkmę matuoja vien tik pelno eilute, kiti – reputacija, tvarumu, atsparumu krizėms, poveikiu visuomenei, darbuotojų gerove ar ilgalaikiu prekės ženklo pasitikėjimu.

DI gali apskaičiuoti scenarijus, bet negali nuspręsti, ką laikote svarbiau, kai šie dalykai susikerta.

O jie susikerta nuolat.

Neatsitiktinai IBM 2025 m. CEO tyrime tik 25 proc. DI iniciatyvų buvo davusios laukiamą investicijų grąžą, o visos organizacijos mastu išplėstos buvo tik 16 proc. Tai nėra technologijos nesėkmės nuosprendis. Tai priminimas, kad tarp piloto, demonstracijos ir tikro organizacinio sprendimo vis dar stovi žmogus, kuris turi nuspręsti, ką iš tiesų verta optimizuoti.

Kai tikslai ir kompromisai pradeda aiškėti, atsiranda dar viena sritis, kurioje duomenys padeda, bet nėra pagrindinis elementas.

Tai galimybių laukas – klausimas, ką apskritai laikome įmanoma.

Duomenys beveik visada yra retrospektyvūs: jie pasakoja apie praeitį. Bet sprendimai dažnai remiasi kontrfaktiniais klausimais: kas būtų, jeigu elgtumėmės kitaip?

Versle tai yra būtent ta vieta, kur gimsta inovacijos.

Airbnb istorija irgi primena, kad inovacija kartais prasideda ne nuo geresnio esamos rinkos matavimo, o nuo naujo jos apibrėžimo. 2007 m. du būsimi įkūrėjai savo namuose San Franciske priėmė pirmuosius tris svečius, o netrukus išplėtė pačią nakvynės sampratą nuo kambario iki viso būsto. Tai buvo vaizduotės aktas: jei žmogus turi laisvą erdvę, kodėl ji negali tapti nakvyne kitam?

Šalia vaizduotės visada stovi ir kita mažiau romantiška, bet kritiškai svarbi sprendimo dalis: duomenų šaltinių pasirinkimas.

Žodis „duomenys“ skamba taip, tarsi jie būtų neutralūs faktai, kurie kažkur guli ir laukia, kol juos surinksime. Bet realybėje duomenys yra kuriami: jie gaudomi, atrenkami, filtruojami, interpretuojami, taisomi.

O tai reiškia, kad bet kuri „duomenimis grįsta“ išvada dažnai yra grįsta ne tik duomenimis, bet ir tuo, kas nusprendė, kuriuos duomenis laikyti svarbiais.

Todėl nenuostabu, kad beveik pusė verslo lyderių – 45 proc. – duomenų tikslumą ar šališkumą įvardija kaip vieną pagrindinių kliūčių DI plėtrai. Kai įvestis yra kreiva, DI ne panaikina problemą, o padeda ją išdidinti.

Kartais vertingiausia informacija nėra skaitinė.

Komfortas, estetika, patirtis, pasitikėjimas – tai subjektyvūs dalykai, kuriems reikia arba protingų pakaitinių rodiklių, arba tiesioginio stebėjimo.

Ne veltui ir P&G pasakojime apie „Swiffer“ proveržis aiškinamas ne masine apklausa, o viena aiškiai pamatyta vartotojo įžvalga: grindų plovimas reikalavo per daug skirtingų priemonių, todėl sprendimas gimė tada, kai problema buvo suprasta kaip patirties, o ne tik funkcijos klausimas.

Kai viską sudedi, ima aiškėti, kodėl DI era nėra paprastas perėjimas nuo žmonių prie mašinų.

Tai veikiau perėjimas nuo iliuzijos, kad sprendimai yra skaičiavimas, prie realybės, kad sprendimai yra visuma.

Ir čia atsiranda nauja taisyklė: žmogus turi vesti, DI turi padėti.

2025 m. KPMG ir Melburno universiteto tyrime 83 proc. respondentų teigė, kad labiau pasitikėtų DI sistema, jei joje būtų aiškios apsaugos priemonės – žmogaus galimybė įsikišti, patikimumo stebėsena ir atskaitomybė.

Nes jei žmogus pasitraukia, DI užpildo tuštumą ne išmintimi, o tuo, ką jam davėme – mūsų duomenimis, mūsų prielaidomis, mūsų aklosiomis zonomis.

Ir tai jau matosi praktikoje: tame pačiame tyrime 66 proc. DI naudojančių darbuotojų prisipažino remiantys DI išvestimi jos kritiškai neįvertinę, 56 proc. sakė dėl DI jau padarę klaidų darbe, o tik du iš penkių nurodė, kad jų organizacijoje apskritai yra generatyvinio DI naudojimą reglamentuojanti politika ar gairės.

Bet jei priimame šį iššūkį, DI netampa grėsme sprendimų priėmimui.

Jis tampa proga sprendimus priimti brandžiau.