Διακυβέρνηση Τεχνητής Νοημοσύνης στη Μόδα & την Πολυτέλεια

Η οπτική του CIO σχετικά με την υιοθέτηση της Τεχνητής Νοημοσύνης

Συνέντευξη με την Andrea Pertici, CIO στην Global Fashion & Luxury Brands

Πώς μεταμορφώνει η Τεχνητή Νοημοσύνη τις στρατηγικές διαδικασίες στη μόδα και την πολυτέλεια;

Η Τεχνητή Νοημοσύνη μετασχηματίζει τις στρατηγικές διαδικασίες στους τομείς της μόδας και των πολυτελών προϊόντων, καθιστώντας απαραίτητη μια μετάβαση από την καθαρά τεχνολογική εφαρμογή σε μια ολιστική focus σχετικά με την οργανωσιακή κουλτούρα, τον κίνδυνο managementκαι διακυβέρνηση δεδομένων. Σύμφωνα με τους ειδικούς του κλάδου, η ενσωμάτωση της Τεχνητής Νοημοσύνης απαιτεί το ίδιο επίπεδο στρατηγικού και οργανωτικού οράματος που εφαρμοζόταν προηγουμένως σε καινοτομίες όπως το Blockchain ή τα συστήματα ERP, καθώς η τεχνολογία από μόνη της δεν μπορεί να λύσει επιχειρηματικά προβλήματα και μπορεί ακόμη και να δημιουργήσει νέα χωρίς σαφή στρατηγική.

Ο μετασχηματισμός των στρατηγικών διαδικασιών είναι εμφανής στους ακόλουθους βασικούς τομείς:

• Εκτίμηση Κινδύνου και Διακυβέρνηση: Με την εισαγωγή κανονισμών όπως π. ευρωπαϊκός AI Act, οι εταιρείες πρέπει πλέον να αξιολογούν όλες τις επενδύσεις και τις εφαρμογές στην Τεχνητή Νοημοσύνη με βάση το επίπεδο κινδύνου που εισάγουν στον οργανισμό. Οι στρατηγικές πρέπει να λαμβάνουν υπόψη τέσσερα επίπεδα κινδύνου, που κυμαίνονται από το «μη αποδεκτό» (το οποίο πρέπει να αποφεύγεται) έως το «ελάχιστο» ρίσκο. Επιπλέον, η ηγεσία πρέπει να διαχειρίζεται «Τεχνητή Νοημοσύνη Σκιάς»—το φαινόμενο όπου οι διεπαφές γενετικής τεχνητής νοημοσύνης επιτρέπουν σε οποιονδήποτε εργαζόμενο να εισάγει ψηφιακά εργαλεία ανεξάρτητα, παρακάμπτοντας τις τυπικές διαδικασίες ελέγχου και δημιουργώντας πιθανούς κινδύνους ασφαλείας.
• Οικονομικός και Χρηματοοικονομικός Σχεδιασμός: Η εφαρμογή της Τεχνητής Νοημοσύνης αλλάζει ριζικά τις δομές κόστους. Συνήθως πρόκειται για λειτουργικό κόστος (OpEx) που επηρεάζει άμεσα τα περιθώρια κέρδους μιας εταιρείας. Σε αντίθεση με προηγούμενες εξελίξεις στην πληροφορική, η εισαγωγή της Τεχνητής Νοημοσύνης δεν μειώνει απαραίτητα το παραδοσιακό κόστος πληροφορικής και η ανάκτηση αυτών των εξόδων μέσω αύξησης της αποδοτικότητας, αύξησης των πωλήσεων ή μείωσης του προσωπικού είναι επί του παρόντος δύσκολη στον τομέα της μόδας. Κατά συνέπεια, είναι απαραίτητα αυστηρά επιχειρηματικά σχέδια, καθώς τα τρέχοντα δεδομένα υποδηλώνουν ότι το ποσοστό επιτυχίας για την εφαρμογή της Τεχνητής Νοημοσύνης στην αλυσίδα αξίας είναι μόνο περίπου 5%.
• Ενοποίηση Δεδομένων ως Θεμέλιο: Μια επιτυχημένη στρατηγική Τεχνητής Νοημοσύνης εξαρτάται σε μεγάλο βαθμό από την ικανότητα ενός οργανισμού να να ενοποιήσει και να αξιοποιήσει τα δικά του δεδομέναΗ βάση κάθε πρωτοβουλίας Τεχνητής Νοημοσύνης πρέπει να είναι οι ενσωματωμένες διαδικασίες και τα δεδομένα. Χωρίς αυτό, οι εταιρείες διατρέχουν τον κίνδυνο «κλειδώματος σε προμηθευτές», όπου χάνουν τον έλεγχο των δεδομένων και των ικανοτήτων από εξωτερικές υπηρεσίες, διατηρώντας τον έλεγχο μόνο στην επεξεργασία πληρωμών.
• Βελτιστοποίηση Διαδικασιών έναντι Υποβελτιστοποίησης: Ο στρατηγικός σχεδιασμός πρέπει να διασφαλίζει ότι η εφαρμογή της Τεχνητής Νοημοσύνης σε συγκεκριμένες περιπτώσεις χρήσης, όπως ο μετασχηματισμός της αλυσίδας αξίας, δεν υποβελτιστοποιεί άλλους τομείς. Οι υπεύθυνοι λήψης αποφάσεων πρέπει να αξιολογήσουν εάν θα αναπτύξουν, θα συναρμολογήσουν ή θα αγοράσουν υπηρεσίες, διασφαλίζοντας παράλληλα ότι η βελτιστοποίηση μιας διαδικασίας δεν μεταφέρει απλώς το κόστος σε ένα άλλο μέρος του οργανισμού.

Τελικά, ο επιτυχημένος μετασχηματισμός των στρατηγικών διαδικασιών εξαρτάται λιγότερο από την ίδια την τεχνολογία και περισσότερο από την κουλτούρα και ταυτότητα της εταιρείας, διασφαλίζοντας ότι η υιοθέτηση της Τεχνητής Νοημοσύνης καθοδηγείται από μια σαφή κατανόηση των επιχειρηματικών αναγκών και όχι από αυθόρμητη υιοθέτηση.

Ποιοι είναι οι κύριοι κίνδυνοι από την υιοθέτηση της Τεχνητής Νοημοσύνης σε οργανισμούς;

Οι κύριοι κίνδυνοι υιοθέτησης της Τεχνητής Νοημοσύνης σε οργανισμούς μπορούν να κατηγοριοποιηθούν σε ρυθμιστικές, ασφαλιστικές, οικονομικές και στρατηγικές προκλήσεις:

Ρυθμιστικοί κίνδυνοι και Κίνδυνοι Συμμόρφωσης Με την εισαγωγή του AI Act Στην Ευρώπη, οι εταιρείες αντιμετωπίζουν αυστηρές υποχρεώσεις συμμόρφωσης με βάση τέσσερα επίπεδα κινδύνου, που κυμαίνονται από «ελάχιστο» έως «μη αποδεκτό». Οι οργανισμοί πρέπει να αξιολογούν προσεκτικά τις επενδύσεις για να διασφαλίσουν ότι αποφεύγουν «Απαράδεκτοι» κίνδυνοι, όπως η μη εξουσιοδοτημένη αναγνώριση προσώπου ή η κοινωνική μηχανική, οι οποίες απαγορεύονται.

Κίνδυνοι Ασφάλειας και Διακυβέρνησης («Shadow AI») Ένας σημαντικός κίνδυνος είναι η εμφάνιση «Τεχνητή Νοημοσύνη Σκιάς», ένα φαινόμενο όπου η ευκολία πρόσβασης σε παραγωγική Τεχνητή Νοημοσύνη (διεπαφές συνομιλίας) επιτρέπει σε οποιονδήποτε εργαζόμενο να εισάγει ψηφιακά εργαλεία ανεξάρτητα. Αυτό παρακάμπτει τις τυπικές διαδικασίες ελέγχου, που σημαίνει ότι τα άτομα μπορούν να εγγραφούν και να χρησιμοποιούν εργαλεία που ενδέχεται να εισαγάγουν τρωτά σημεία ασφαλείας ή διαρροές δεδομένων χωρίς την εποπτεία του οργανισμού.

Χρηματοοικονομικοί και Οικονομικοί Κίνδυνοι Οι οικονομικές επιπτώσεις της υιοθέτησης της Τεχνητής Νοημοσύνης θέτουν σοβαρούς κινδύνους για την κερδοφορία:

• Επιπτώσεις στα περιθώρια κέρδους: Η Τεχνητή Νοημοσύνη είναι συνήθως μια λειτουργικό κόστος (OpEx), κάτι που επηρεάζει άμεσα τα περιθώρια κέρδους.

• Πρόσθετο κόστος: Σε αντίθεση με προηγούμενες τεχνολογικές αλλαγές, η Τεχνητή Νοημοσύνη δεν μειώνει απαραίτητα το παραδοσιακό κόστος πληροφορικής. Αντίθετα, τείνει να αποτελεί ένα πρόσθετο έξοδο. Ενώ τα έσοδα για τους προμηθευτές Τεχνητής Νοημοσύνης προβλέπεται να αυξηθούν σημαντικά, αυτό συνεπάγεται αυξημένο κόστος για τις εταιρείες-πελάτες.

• Χαμηλά ποσοστά επιτυχίας: Οι αποδόσεις των επενδύσεων δεν είναι εγγυημένες. Όταν εφαρμόζεται σε σύνθετες διαδικασίες όπως η αλυσίδα αξίας (αντί για απλή προσωπική παραγωγικότητα), το ποσοστό επιτυχίας εκτιμάται ότι είναι τόσο χαμηλό όσο 5%,.

• Δυσκολία στην ανάκτηση κόστους: Η ανάκτηση αυτών των δαπανών μέσω μείωσης προσωπικού, αύξησης της αποδοτικότητας ή αύξησης των πωλήσεων είναι επί του παρόντος δύσκολη στους τομείς της μόδας και των ειδών πολυτελείας.

Στρατηγικοί και Λειτουργικοί Κίνδυνοι

• Κλείδωμα προμηθευτή: Υπάρχει μεγάλος κίνδυνος να εισέλθουμε σε μια κατάσταση "κλειδώσει", όπου ένας οργανισμός βασίζεται σε τόσο μεγάλο βαθμό σε εξωτερικές υπηρεσίες που χάνει τον έλεγχο των δικών του δεδομένων και των εσωτερικών του ικανοτήτων. Σε αυτό το σενάριο, η εταιρεία διατηρεί ουσιαστικά τον έλεγχο μόνο στην πληρωμή των τιμολογίων, ενώ η βασική πληροφορία βρίσκεται εξωτερικά.

• Υπο-βελτιστοποίηση Διαδικασίας: Χωρίς μια ολιστική άποψη, υπάρχει ο κίνδυνος βελτιστοποίησης μιας συγκεκριμένης διαδικασίας, ενώ παράλληλα γίνεται ακούσια υποβελτιστοποίηση άλλων, απλώς μετατοπίζοντας το κόστος ή τις ανεπάρκειες σε διαφορετικό μέρος του οργανισμού αντί να τα εξαλείφει.

• Έλλειψη στρατηγικού οράματος: Η αυθόρμητη υιοθέτηση της Τεχνητής Νοημοσύνης χωρίς σαφή οργανωτική και πολιτισμική στρατηγική μπορεί να δημιουργήσει περισσότερα προβλήματα από όσα λύνει βραχυπρόθεσμα.

Γιατί το ποσοστό επιτυχίας για την εφαρμογή της τεχνητής νοημοσύνης στις επιχειρήσεις είναι χαμηλό αυτήν τη στιγμή;

Το ποσοστό επιτυχίας για την εφαρμογή της Τεχνητής Νοημοσύνης στις επιχειρηματικές διαδικασίες —ειδικά όσον αφορά τον μετασχηματισμό της αλυσίδας αξίας— εκτιμάται ότι είναι τόσο χαμηλό όσο 5%Αυτό το χαμηλό ποσοστό επιτυχίας αποδίδεται σε διάφορους διαρθρωτικούς, οικονομικούς και οργανωτικούς παράγοντες:

• Πολυπλοκότητα της ολοκλήρωσης της αλυσίδας αξίας: Ενώ τα «ενσωματωμένα» εργαλεία Τεχνητής Νοημοσύνης για προσωπική παραγωγικότητα (π.χ., σε προγράμματα περιήγησης ή σε σουίτες γραφείου) υιοθετούνται εύκολα, η εφαρμογή της Τεχνητής Νοημοσύνης σε πολύπλοκες εταιρικές διαδικασίες και στην αλυσίδα αξίας είναι πολύ πιο δύσκολη. Αυτός ο τύπος υλοποίησης απαιτεί βαθιά ενσωμάτωση και όχι απλή υιοθέτηση.

• Προκλήσεις πρόσθετου κόστους και απόδοσης επένδυσης: Σε αντίθεση με προηγούμενες τεχνολογικές αλλαγές, η εισαγωγή της Τεχνητής Νοημοσύνης δεν μειώνει απαραίτητα το παραδοσιακό κόστος πληροφορικής. Αντίθετα, συχνά λειτουργεί ως πρόσθετο. Λειτουργικό Κόστος (OpEx) που επηρεάζει άμεσα τα περιθώρια κέρδους. Η ανάκτηση αυτών των δαπανών —είτε μέσω μείωσης προσωπικού, βελτίωσης της αποδοτικότητας είτε αύξησης των πωλήσεων— αποδεικνύεται επί του παρόντος δύσκολη στους τομείς της μόδας και των ειδών πολυτελείας.

• Ωριμότητα Δεδομένων και Διαδικασιών: Η επιτυχία εξαρτάται σε μεγάλο βαθμό από την υπάρχουσα κουλτούρα ενός οργανισμού και την ικανότητά του να να ενοποιήσει και να αξιοποιήσει τα δικά του δεδομέναΧωρίς μια σταθερή βάση ολοκληρωμένων δεδομένων και διαδικασιών, οι εταιρείες δεν μπορούν να αναπτύξουν αποτελεσματικά την Τεχνητή Νοημοσύνη και διατρέχουν τον κίνδυνο «κλειδώματος σε προμηθευτές», όπου βασίζονται εξ ολοκλήρου σε εξωτερικές υπηρεσίες και χάνουν τον έλεγχο των εσωτερικών τους ικανοτήτων και περιουσιακών στοιχείων.

• Κίνδυνος υποβελτιστοποίησης: Υπάρχει στρατηγικός κίνδυνος η βελτιστοποίηση μιας συγκεκριμένης διαδικασίας μέσω Τεχνητής Νοημοσύνης να μην είναι δυνατή ακούσια. υπο-βελτιστοποίηση άλλους τομείς, απλώς μετατοπίζοντας το κόστος ή τις ανεπάρκειες σε διαφορετικά μέρη του οργανισμού αντί να τα εξαλείφουν.

• Κρυφό κόστος υλοποίησης: Το κόστος της Τεχνητής Νοημοσύνης δεν περιορίζεται ποτέ μόνο στο τέλος παροχής υπηρεσιών. Περιλαμβάνει μια σημαντική καμπύλη μάθησης, καθώς και κόστη που σχετίζονται με την εκπαίδευση, τις υποδομές και τη δικτύωση.

Τι σημαίνει η «Shadow AI» για την ασφάλεια της βιομηχανίας της μόδας;

«Τεχνητή Νοημοσύνη Σκιάς» Στο πλαίσιο της βιομηχανίας της μόδας, ο όρος «συνδρομή» αναφέρεται στο φαινόμενο όπου οι εργαζόμενοι εγγράφονται ανεξάρτητα και εισάγουν εργαλεία τεχνητής νοημοσύνης στην εταιρεία χωρίς επίσημη εποπτεία ή έλεγχο πληροφορικής.

Σύμφωνα με την Andrea Pertici, CIO για την παγκόσμια μόδα brands, αυτό παρουσιάζει συγκεκριμένες επιπτώσεις στην ασφάλεια:

• Παράκαμψη της Διακυβέρνησης Ασφάλειας: Ο κύριος κίνδυνος είναι ότι αυτά τα εργαλεία παρακάμπτουν τις αυστηρές αξιολογήσεις κινδύνου που απαιτούνται πλέον από κανονισμούς όπως ο Ευρωπαϊκός AI ActΟι εταιρείες είναι νομικά υποχρεωμένες να αξιολογούν τις εφαρμογές της Τεχνητής Νοημοσύνης ως προς τέσσερα επίπεδα κινδύνου (από «ελάχιστο» έως «μη αποδεκτό», όπως η μη εξουσιοδοτημένη αναγνώριση προσώπου ή η κοινωνική μηχανική), αλλά η Shadow AI εμποδίζει αυτήν την αξιολόγηση.

• Πρόσβαση χωρίς εμπόδια: Σε αντίθεση με προηγούμενες πολύπλοκες τεχνολογίες, η «διεπαφή συνομιλίας» της γενετικής τεχνητής νοημοσύνης έχει καταργήσει όλα τα τεχνικά εμπόδια. Οποιοσδήποτε εργαζόμενος μπορεί να πληκτρολογήσει ή να μιλήσει μπορεί πλέον να εισάγει ψηφιακά εργαλεία που ενδέχεται να περιέχουν ευπάθειες ασφαλείας, δημιουργώντας ουσιαστικά ένα κρυφό επίπεδο τεχνολογίας που ο οργανισμός δεν μπορεί να ελέγξει ή να ασφαλίσει.

• Εξέλιξη του Shadow IT: Περιγράφεται ως η σύγχρονη εξέλιξη του «Shadow IT», όπου η ευκολία πρόσβασης σε ισχυρά εργαλεία αυξάνει την πιθανότητα διαρροών δεδομένων ή παραβιάσεων συμμόρφωσης, επειδή ο κεντρικός οργανισμός δεν γνωρίζει καν ότι η τεχνολογία χρησιμοποιείται.

Πώς μπορώ brandΑποφεύγετε το «κλείδωμα από τον προμηθευτή» κατά τη χρήση της Τεχνητής Νοημοσύνης;

Για να αποφύγετε το «κλείδωμα από τον προμηθευτή», brandπρέπει να διασφαλίζουν ότι δεν θα φτάσουν σε κατάσταση όπου δεδομένα, υπηρεσίες και ικανότητες βρίσκονται εξ ολοκλήρου εξωτερικά, αφήνοντας στην εταιρεία τον έλεγχο μόνο για την πληρωμή των τιμολογίων.

Σύμφωνα με τις πηγές, η κύρια στρατηγική για την αποτροπή αυτού περιλαμβάνει τη δημιουργία μιας ισχυρής εσωτερικής βάσης και όχι απλώς την αγορά λύσεων. Αυτό περιλαμβάνει:

• Ενοποίηση και Αξιοποίηση Εσωτερικών Δεδομένων: Το κρίσιμο σημείο εκκίνησης είναι η ικανότητα του οργανισμού να ενοποιεί τα δικά του δεδομένα. Μια εταιρεία πρέπει να έχει ολοκληρωμένες διαδικασίες και δεδομένα ως «θεμέλιο». Χωρίς αυτήν την εσωτερική ραχοκοκαλιά, η εταιρεία εξαρτάται υπερβολικά από την υποδομή του προμηθευτή για τη διαχείριση των βασικών της περιουσιακών στοιχείων.

• Στρατηγικές Αποφάσεις Εύρεσης Υλικών: Μόλις δημιουργηθεί αυτή η βάση δεδομένων, η εταιρεία είναι σε καλύτερη θέση να λάβει τεκμηριωμένες στρατηγικές αποφάσεις σχετικά με το εάν θα «ανάπτυξη, συναρμολόγηση ή αγορά» συγκεκριμένες υπηρεσίες κατά περίπτωση. Αυτό επιτρέπει την brand να ενσωματώσουν εξωτερική Τεχνητή Νοημοσύνη όπου είναι αποτελεσματική, χωρίς να παραδώσουν τον πλήρη έλεγχο της αλυσίδας αξίας.

• Διατήρηση Εσωτερικών Ικανοτήτων: Ο κίνδυνος εγκλωβισμού συνδέεται ρητά με την εξωτερίκευση ικανότητες. Επομένως, brandπρέπει να διασφαλίζουν ότι, ενώ μπορούν να χρησιμοποιούν εξωτερικά εργαλεία, η στρατηγική κατανόηση και management από αυτές τις διαδικασίες παραμένουν εντός της εταιρείας για να αποφευχθεί η εξάρτηση.

Πώς μπορεί η μόδα brandεμποδίζουν τους υπαλλήλους να χρησιμοποιούν Shadow AI;

Η αποτροπή της «Shadow AI» δεν παρουσιάζεται ως ένα απλό τεχνικό εμπόδιο, αλλά μάλλον ως μια πρόκληση που απαιτεί αλλαγή οργανωτική στρατηγική, κουλτούρα και διακυβέρνηση.

Μόδα brandμπορούν να αντιμετωπίσουν και να μετριάσουν τη χρήση της Shadow AI μέσω των ακόλουθων στρατηγικών μέτρων:

• Εφαρμογή της Επίσημης Εκτίμησης Κινδύνου (Νόμος περί Τεχνητής Νοημοσύνης): Οι εταιρείες πρέπει να αντικαταστήσουν την αυθόρμητη υιοθέτηση με μια επίσημη διαδικασία αξιολόγησης. Σύμφωνα με κανονισμούς όπως ο AI Act, οι οργανισμοί υποχρεούνται να αξιολογούν όλες τις εφαρμογές Τεχνητής Νοημοσύνης με βάση τέσσερα επίπεδα κινδύνου, που κυμαίνονται από «ελάχιστο» έως «μη αποδεκτό» (όπως μη εξουσιοδοτημένη αναγνώριση προσώπου ή κοινωνική μηχανική). Με την εφαρμογή αυτής της διαδικασίας ελέγχου, brandδιασφαλίζουν ότι κανένα ψηφιακό εργαλείο δεν εισέρχεται στο οικοσύστημα της εταιρείας χωρίς να περάσει από αυτό το φίλτρο διακυβέρνησης.

• Μετάβαση από την Αυθόρμητη στη Στρατηγική Υιοθέτηση: Ο κύριος μοχλός της Σκιώδους Τεχνητής Νοημοσύνης (Shadow AI) είναι η «αυθόρμητη υιοθέτηση» από τους εργαζομένους. Για να αποτραπεί αυτό, η ηγεσία πρέπει να επιβάλει ένα «στρατηγικό, οργανωτικό και πολιτισμικό όραμα» παρόμοιο με προηγούμενες εφαρμογές συστημάτων PLM ή ERP. Ο οργανισμός πρέπει να καθορίσει ενεργά τον τρόπο με τον οποίο η Τεχνητή Νοημοσύνη λύνει τα επιχειρηματικά προβλήματα, ώστε οι εργαζόμενοι να μην αισθάνονται την ανάγκη να αναζητούν ανεξάρτητα εξωτερικά εργαλεία.

• Συγκέντρωση Δεδομένων και Δεξιοτήτων: Ένα βασικό προληπτικό μέτρο είναι η διασφάλιση ότι ο οργανισμός δημιουργεί μια ισχυρή εσωτερική βάση. focusΒασιζόμενη στην «κουλτούρα και την ικανότητα... να ενοποιεί και να αξιοποιεί τα δικά της δεδομένα», η εταιρεία παρέχει μια νόμιμη, ολοκληρωμένη υποδομή. Εάν η εταιρεία παρέχει ολοκληρωμένες διαδικασίες και δεδομένα, μειώνει το κίνητρο για τους εργαζομένους να χρησιμοποιούν εξωτερικά εργαλεία «σκιάς» που θα μπορούσαν να οδηγήσουν σε «κλείδωμα από τον προμηθευτή» ή απώλεια δεδομένων.

Γιατί η πρόληψη είναι δύσκολη: Οι πηγές σημειώνουν ότι η αποτροπή της Shadow AI είναι ιδιαίτερα δύσκολη επειδή η Generative AI (συγκεκριμένα η διεπαφή συνομιλίας) έχει «Έσπασε πλήρως κάθε εμπόδιο στη χρήση»Σε αντίθεση με τα πολύπλοκα παλαιότερα συστήματα, όποιος μπορεί να πληκτρολογήσει ή να μιλήσει μπορεί πλέον ανεξάρτητα να εγγραφεί και να εισαγάγει αυτά τα εργαλεία, παρακάμπτοντας τα παραδοσιακά εμπόδια της πληροφορικής. Επομένως, η λύση αφορά λιγότερο τα τεχνικά εμπόδια και περισσότερο τα... εταιρική κουλτούρα και η τήρηση του νέου ρυθμιστικών πλαισίων