Matt Comyn, szef Commonwealth Bank of Australia, w publicznym wystąpieniu zwrócił uwagę na rosnący problem, który zaczyna paraliżować korporacyjne wdrażanie sztucznej inteligencji. Problem ma nazwę: "work slop" – czyli słabej jakości wyniki generowane przez modele AI, które teraz przepływają przez biznesowe procesy. Okazuje się, że praktyczna implementacja AI w dużych organizacjach wcale nie wygląda tak różowo, jak obiecują producenci. Comyn podkreślił dwie kluczowe barier: rosnące koszty operacyjne (bezpośrednio związane z rozliczeniami za tokeny) oraz systematyczne obniżanie się jakości wyników, gdy AI tworzy coraz bardziej złożone treści.
To nie jest zwykły problem techniczny – to sygnał alarmowy z samego serca światowego sektora finansowego. Większości przedsiębiorstw wydawało się, że AI to przede wszystkim przyspieszenie pracy i redukcja kosztów. Tymczasem okazuje się, że gdy zadania stają się bardziej skomplikowane, model musi przetwarzać więcej tokenów, co skutkuje wyższymi rachunkami. Równocześnie natychmiast spadает efektywność – AI zaczyna produkować treści, które wymagają mnóstwa poprawiania przez ludzi. Innymi słowy, wielkie oszczędności mogą okazać się iluzją.
Sytuacja ta ma szersze implikacje dla całej branży. Jeśli nawet ogromne korporacje z profesjonalnym IT stawiają czoła takim problemom, to jak będzie wyglądać rzeczywistość dla średnich czy mniejszych firm? Może to oznaczać, że musimy przemodelować całe założenia dotyczące rentowności AI – model ekonomiczny oparty na masowym skalowaniu trafia na naturalny limit, gdzie koszty rosną szybciej niż korzyści. To zadanie dla wszystkich, którzy planujesz poważne inwestycje w sztuczną inteligencję: rzeczywisty koszt może być znacznie wyższy, a wyniki mogą wymagać więcej czasu na kontrolę jakości niż się spodziewacie.