Tren AI paling penting pada tahun 2024

Tahun 2022 adalah tahun di mana kecerdasan buatan (AI) generatif meledak ke dalam kesadaran publik, dan tahun 2023 adalah tahun di mana kecerdasan buatan mulai mengakar di dunia bisnis. Dengan demikian, 2024 akan menjadi tahun yang sangat penting bagi masa depan AI, karena para peneliti dan perusahaan berusaha untuk menentukan bagaimana lompatan evolusioner dalam teknologi ini dapat diintegrasikan ke dalam kehidupan kita sehari-hari.

Evolusi AI generatif telah mencerminkan evolusi komputer, meskipun pada jangka waktu yang dipercepat secara dramatis. Komputer mainframe besar yang dioperasikan secara terpusat dari beberapa pemain digantikan oleh mesin yang lebih kecil dan lebih efisien yang dapat diakses oleh perusahaan dan lembaga penelitian. Dalam beberapa dekade berikutnya, kemajuan bertahap menghasilkan komputer rumah yang dapat diutak-atik oleh para penghobi. Seiring berjalannya waktu, komputer pribadi yang canggih dengan antarmuka tanpa kode yang intuitif menjadi umum.

AI generatif telah mencapai fase “hobi”, dan seperti halnya komputer, kemajuan lebih lanjut bertujuan untuk mencapai kinerja yang lebih besar dalam paket yang lebih kecil. Tahun 2023 menyaksikan ledakan model dasar yang semakin efisien dengan lisensi terbuka, dimulai dengan peluncuran rangkaian model bahasa besar (LLM) LlaMa dari Meta dan diikuti oleh orang-orang seperti StableLM, Falcon, Mistral, dan Llama 2. DeepFloyd dan Stable Diffusion telah mencapai keseimbangan relatif dengan model-model berpemilik terkemuka. Disempurnakan dengan teknik fine-tuning dan kumpulan data yang dikembangkan oleh komunitas sumber terbuka, banyak model terbuka sekarang dapat mengungguli semua model sumber tertutup yang paling kuat pada sebagian besar benchmark, meskipun jumlah parameternya jauh lebih kecil.

Seiring dengan tingkat kemajuan yang semakin cepat, kemampuan model canggih yang terus berkembang akan menarik perhatian media. Namun, pengembangan yang paling berdampak adalah yang berfokus pada tata kelola, middleware, teknik pelatihan, dan jalur data yang membuat AI generatif lebih dapat dipercaya, berkelanjutan, dan dapat diakses, baik untuk perusahaan maupun pengguna akhir.

Berikut adalah beberapa tren AI penting saat ini untuk dilihat di tahun mendatang.

• Pemeriksaan realitas: harapan yang lebih realistis
• AI multimodal
• Model bahasa kecil dan kemajuan sumber terbuka
• Kekurangan GPU dan biaya cloud
• Optimasi model semakin mudah diakses
• Model lokal dan jalur pipa data yang disesuaikan
• Agen virtual yang lebih canggih
• Masalah peraturan, hak cipta, dan AI etis
• AI bayangan (dan kebijakan AI perusahaan)

Ketika AI generatif pertama kali mencapai kesadaran massal, pengetahuan pemimpin bisnis sebagian besar berasal dari materi pemasaran dan liputan berita. Pengalaman nyata (jika ada) terbatas pada bermain-main dengan ChatGPT dan DALL-E. Sekarang, komunitas bisnis memiliki pemahaman yang lebih mendetail tentang solusi yang didukung AI.

Gartner Hype Cycle memposisikan AI Generatif tepat di “Puncak Ekspektasi yang Melambung”, di ujung penurunan menuju “Palung Kekecewaan”[1], dengan kata lain, akan memasuki masa transisi yang (relatif) mengecewakan, sementara laporan “State of Generated AI in the Enterprise” dari Deloitte dari Kuartal 1 2024 mengindikasikan bahwa banyak pemimpin ”mengharapkan dampak transformatif yang substansial dalam jangka pendek”.[2] Kenyataannya mungkin akan berada di antara keduanya: AI generatif menawarkan peluang dan solusi yang unik, tetapi tidak akan untuk setiap orang.

Bagaimana hasil dunia nyata dibandingkan dengan hype sebagian adalah masalah perspektif. Alat-alat mandiri seperti ChatGPT biasanya menjadi pusat perhatian dalam imajinasi populer, tetapi integrasi yang lancar ke dalam layanan yang sudah mapan sering kali menghasilkan lebih banyak daya tahan. Sebelum siklus hype saat ini, alat machine learning generatif seperti fitur “Smart Compose” yang diluncurkan oleh Google pada tahun 2018 tidak digembar-gemborkan sebagai pergeseran paradigma, meskipun menjadi penanda layanan pembuatan teks saat ini. Demikian pula, banyak alat AI generatif berdampak tinggi sedang diimplementasikan sebagai elemen terintegrasi dari lingkungan perusahaan yang meningkatkan dan melengkapi, alih-alih merevolusi atau mengganti, alat yang ada: misalnya, fitur “Copilot” di Microsoft Office, fitur “Generative Fill” di Adobe Photoshop atau agen virtual dalam aplikasi produktivitas dan kolaborasi.

Di mana AI generatif pertama kali membangun momentum dalam alur kerja sehari-hari akan memiliki pengaruh lebih besar pada masa depan alat AI daripada sisi positif dari kemampuan AI tertentu. Menurut survei IBM baru-baru ini terhadap lebih dari 1.000 karyawan di perusahaan skala perusahaan, tiga faktor teratas yang mendorong adopsi AI adalah kemajuan dalam alat AI yang membuatnya lebih mudah diakses, kebutuhan untuk mengurangi biaya dan mengotomatiskan proses utama dan meningkatnya jumlah AI yang tertanam ke dalam aplikasi bisnis standar siap pakai.

Karena itu, ambisi AI generatif canggih semakin berkembang. Gelombang kemajuan berikutnya tidak hanya berfokus pada peningkatan kinerja dalam domain tertentu, tetapi juga pada model multimodal yang dapat menggunakan berbagai jenis data sebagai input. Meskipun model yang beroperasi di berbagai modalitas data bukanlah fenomena yang benar-benar baru, model text-to-image seperti CLIP dan model speech-to-text seperti Wave2Vec telah ada selama bertahun-tahun, model-model ini biasanya hanya beroperasi dalam satu arah, dan dilatih untuk menyelesaikan tugas tertentu.

Generasi model interdisipliner yang akan datang, yang terdiri dari model berpemilik seperti GPT-4V dari OpenAI atau Gemini dari Google, serta model sumber terbuka seperti LLaVa, Adept, atau Qwen-VL, dapat bergerak dengan bebas di antara pemrosesan bahasa alami (NLP) dan tugas-tugas visi komputer. Model-model baru juga membawa video ke dalam lipatan: pada akhir Januari, Google mengumumkan Lumiere, sebuah model difusi text-to-video yang juga dapat melakukan tugas-tugas image-to-video atau menggunakan gambar untuk referensi gaya.

Manfaat paling langsung dari AI multimodal adalah aplikasi AI yang lebih intuitif dan serbaguna dan asisten virtual. Pengguna dapat, misalnya, bertanya tentang sebuah gambar dan menerima jawaban bahasa alami, atau meminta petunjuk untuk memperbaiki sesuatu dan menerima bantuan visual bersama petunjuk teks langkah demi langkah.

Pada tingkat yang lebih tinggi, AI multimodal memungkinkan model untuk memproses input data yang lebih beragam, memperkaya dan memperluas informasi yang tersedia untuk pelatihan dan kesimpulan. Video, khususnya, menawarkan potensi besar untuk pembelajaran holistik. “Ada kamera yang aktif 24/7 dan mereka menangkap apa yang terjadi apa adanya tanpa penyaringan apa pun, tanpa niat apa pun,” kata Peter Norvig, Distinguished Education Fellow di Stanford Institute for Human-Centrated Artificial Intelligence (HAI).[3] “Model AI belum memiliki data semacam itu sebelumnya. Model-model itu hanya akan memiliki pemahaman yang lebih baik tentang segalanya.”

Dalam model khusus domain, khususnya LLM, kita mungkin telah mencapai titik pengembalian yang semakin berkurang dari jumlah parameter yang lebih besar. Sam Altman, CEO OpenAI (yang model GPT-4-nya dikabarkan memiliki sekitar 1,76 triliun parameter), menyatakan hal ini pada acara Imagination in Action di MIT pada bulan April lalu: “Saya rasa kita berada di akhir era di mana model-model raksasa ini akan terus ada, dan kita akan membuatnya lebih baik dengan cara lain,” prediksinya. “Saya pikir ada terlalu banyak fokus pada jumlah parameter.”

Model besar memulai zaman keemasan AI yang sedang berlangsung ini, tetapi mereka bukannya tanpa kekurangan. Hanya perusahaan terbesar yang memiliki dana dan ruang server untuk melatih dan memelihara model yang haus energi dengan ratusan miliar parameter. Menurut satu perkiraan dari University of Washington, melatih satu model berukuran GPT-3 membutuhkan konsumsi listrik tahunan lebih dari 1.000 rumah tangga; satu hari standar kueri ChatGPT menyaingi konsumsi energi harian 33.000 rumah tangga AS.[4]

Model yang lebih kecil, sementara itu, jauh lebih hemat sumber daya. Makalah Maret 2022 yang berpengaruh (tautan berada di luar ibm.com) dari Deepmind menunjukkan bahwa melatih model yang lebih kecil pada lebih banyak data menghasilkan kinerja yang lebih baik daripada melatih model yang lebih besar pada data yang lebih sedikit. Sebagian besar inovasi yang sedang berlangsung di LLM berfokus pada menghasilkan hasil yang lebih besar dari parameter yang lebih sedikit. Seperti yang ditunjukkan oleh kemajuan model terbaru dalam kisaran 3-70 miliar parameter, khususnya yang dibangun di atas model dasar LLaMa, Llama 2, dan Mistral pada tahun 2023, model dapat dirampingkan tanpa banyak mengorbankan kinerja.

Kekuatan model terbuka akan terus tumbuh. Pada bulan Desember 2023, Mistral merilis “Mixtral”, sebuah model mixture of experts (MoE) yang mengintegrasikan 8 jaringan neural, masing-masing dengan 7 miliar parameter. Mistral mengklaim bahwa Mixtral tidak hanya mengungguli varian parameter 70B dari Llama 2 pada sebagian besar benchmark dengan kecepatan inferensi 6 kali lebih cepat, tetapi juga menyamai atau mengungguli GPT-3.5 dari OpenAI yang jauh lebih besar pada sebagian besar benchmark standar. Tak lama kemudian, Meta mengumumkan pada bulan Januari bahwa mereka telah memulai pelatihan model Llama 3, dan mengkonfirmasi bahwa model tersebut akan menjadi sumber terbuka. Meskipun rinciannya (seperti ukuran model) belum dikonfirmasi, namun cukup masuk akal untuk mengharapkan Llama 3 mengikuti kerangka kerja yang telah ditetapkan pada dua generasi sebelumnya.

Kemajuan dalam model yang lebih kecil ini memiliki tiga manfaat penting:

• Membantu mendemokratisasi AI: model yang lebih kecil yang dapat dijalankan dengan biaya lebih rendah pada perangkat keras yang lebih terjangkau memberdayakan lebih banyak amatir dan institusi untuk mempelajari, melatih, dan meningkatkan model yang ada.
• Dapat dijalankan secara lokal pada perangkat yang lebih kecil: ini memungkinkan AI yang lebih canggih dalam skenario seperti komputasi edge dan internet of things (IoT). Selain itu, menjalankan model secara lokal, seperti pada ponsel cerdas pengguna, membantu menghindari banyak masalah privasi dan keamanan siber yang muncul dari interaksi dengan data pribadi atau hak milik yang sensitif.
• Membuat AI lebih mudah dijelaskan: semakin besar modelnya, semakin sulit untuk menentukan bagaimana dan di mana untuk membuat keputusan penting. AI yang dapat dijelaskan sangat penting untuk memahami, meningkatkan, dan memercayai hasil sistem AI.

Tren ke arah model yang lebih kecil akan didorong oleh kebutuhan dan juga semangat kewirausahaan, karena biaya komputasi awan meningkat seiring dengan berkurangnya ketersediaan perangkat keras.

“Perusahaan-perusahaan besar (dan masih banyak lagi) berupaya menghadirkan kemampuan AI internal, dan ada sedikit permintaan untuk GPU,” kata James Landay, Wakil Direktur dan Direktur Fakultas Riset, Stanford HAI. “Hal ini akan menciptakan tekanan besar tidak hanya untuk meningkatkan produksi GPU, tetapi juga bagi para inovator untuk menghasilkan solusi perangkat keras yang lebih murah dan lebih mudah dibuat dan digunakan.”¹

Seperti yang dijelaskan oleh laporan O'Reilly pada akhir tahun 2023, penyedia cloud saat ini menanggung sebagian besar beban komputasi: relatif sedikit pengadopsi AI yang memelihara infrastruktur mereka sendiri, dan kekurangan perangkat keras hanya akan meningkatkan rintangan dan biaya untuk menyiapkan server on premises. Dalam jangka panjang, ini dapat memberikan tekanan ke atas pada biaya cloud karena penyedia memperbarui dan mengoptimalkan infrastruktur mereka sendiri untuk secara efektif memenuhi permintaan dari AI generatif.[5]

Bagi perusahaan, menavigasi lanskap yang tidak pasti ini membutuhkan fleksibilitas, baik dari segi model, mengandalkan model yang lebih kecil dan lebih efisien jika diperlukan atau model yang lebih besar dan lebih berkinerja ketika praktis, dan lingkungan penerapan. “Kami tidak ingin membatasi di mana orang menerapkan [model],” kata CEO IBM Arvind Krishna dalam wawancara Desember 2023 dengan CNBC (tautan berada di luar ibm.com), mengacu pada platform watsonx IBM. “Jadi [jika] mereka ingin menerapkannya di cloud publik yang besar, kami akan melakukannya di sana. Jika mereka ingin menerapkannya di IBM, kami akan melakukannya di IBM. Jika mereka ingin melakukannya sendiri, dan mereka kebetulan memiliki infrastruktur yang cukup, kami akan melakukannya di sana.”

Tren untuk memaksimalkan kinerja model yang lebih ringkas dilayani dengan baik oleh hasil terbaru dari komunitas sumber terbuka. 

Banyak kemajuan utama telah (dan akan terus) didorong tidak hanya oleh model dasar baru, tetapi juga oleh teknik dan sumber daya baru (seperti kumpulan data sumber terbuka) untuk melatih, mengubah, menyempurnakan, atau menyelaraskan model yang telah dilatih sebelumnya. Teknik model-agnostik terkenal yang berlaku pada tahun 2023 meliputi:

• Low Rank Adaptation (LoRA): Daripada secara langsung menyempurnakan miliaran parameter model, LoRA memerlukan pembekuan bobot model yang telah dilatih sebelumnya dan menyuntikkan lapisan yang dapat dilatih, yang merepresentasikan matriks perubahan bobot model sebagai 2 matriks yang lebih kecil(peringkat yang lebih rendah), di setiap blok transformator. Hal ini secara dramatis mengurangi jumlah parameter yang perlu diperbarui, yang pada gilirannya, secara dramatis mempercepat penyempurnaan dan mengurangi memori yang diperlukan untuk menyimpan pembaruan model.
• Kuantisasi: Seperti menurunkan bitrate audio atau video untuk mengurangi ukuran file dan latensi, kuantisasi menurunkan presisi yang digunakan untuk merepresentasikan titik data model, misalnya, dari floating point 16-bit menjadi integer 8-bit-untuk mengurangi penggunaan memori dan mempercepat penemuan. Teknik QLoRA menggabungkan kuantisasi dengan LoRA.
• Direct Preference Optimization (DPO): Model obrolan biasanya menggunakan pembelajaran penguatan dari masukan manusia (RLHF) untuk menyelaraskan hasil model dengan preferensi manusia. Meskipun kuat, RLHF kompleks dan tidak stabil. DPO menjanjikan manfaat serupa dengan komputasi yang ringan dan jauh lebih sederhana.

Bersamaan dengan kemajuan paralel dalam model sumber terbuka dalam ruang 3-70 miliar parameter, teknik-teknik yang berkembang ini dapat mengubah dinamika lingkungan AI dengan menyediakan pemain yang lebih kecil, seperti startup dan amatir, dengan kemampuan AI yang canggih yang sebelumnya tidak terjangkau.

Dengan demikian, perusahaan pada tahun 2024 dapat mengejar diferensiasi melalui pengembangan model yang dipesan lebih dahulu, daripada membangun pembungkus di sekitar layanan yang dikemas ulang dari “Big AI”. Dengan kerangka kerja data dan pengembangan yang tepat, model dan alat AI sumber terbuka yang ada dapat disesuaikan dengan hampir semua skenario dunia nyata, mulai dari penggunaan dukungan pelanggan hingga manajemen rantai pasokan hingga analisis dokumen yang kompleks.

Model sumber terbuka memberikan kesempatan kepada organisasi untuk mengembangkan model AI khusus yang kuat, dilatih dengan data milik mereka dan disesuaikan untuk kebutuhan spesifik mereka, dengan cepat, tanpa investasi infrastruktur yang sangat mahal. Hal ini sangat relevan dalam bidang-bidang seperti hukum, kesehatan, atau keuangan, di mana kosakata dan konsep yang sangat terspesialisasi mungkin tidak dipelajari oleh model dasar dalam pra-pelatihan.

Bidang hukum, keuangan, dan layanan kesehatan juga merupakan contoh utama dari industri yang dapat mengambil manfaat dari model yang cukup kecil untuk dijalankan secara lokal dengan perangkat keras yang sederhana. Menjaga pelatihan AI, inferensi, dan pengambilan augmented generation (RAG) lokal menghindari risiko data kepemilikan atau informasi pribadi sensitif digunakan untuk melatih model sumber tertutup atau melewati tangan pihak ketiga. Dan menggunakan RAG untuk mengakses informasi yang relevan daripada menyimpan semua pengetahuan secara langsung di dalam LLM itu sendiri membantu mengurangi ukuran model, sehingga meningkatkan kecepatan dan mengurangi biaya.

Seiring dengan terus meratanya model permainan di tahun 2024, keunggulan kompetitif akan semakin didorong oleh jalur data eksklusif yang memungkinkan penyempurnaan terbaik di industri.

Dengan peralatan yang lebih canggih dan efisien serta masukan pasar selama satu tahun, bisnis siap memperluas contoh penggunaan agen virtual di luar sekadar chatbot pengalaman pelanggan biasa.

Karena sistem AI mempercepat dan menggabungkan aliran dan format informasi baru, sistem ini memperluas kemungkinan tidak hanya untuk komunikasi dan mengikuti instruksi, tetapi juga otomatisasi tugas. “2023 adalah tahun untuk bisa mengobrol dengan AI. Beberapa perusahaan meluncurkan sesuatu, tetapi interaksinya selalu Anda mengetikkan sesuatu dan perusahaan tersebut mengetikkan sesuatu kembali,” kata Norvig dari Stanford. “Pada tahun 2024, kita akan melihat kemampuan agen untuk menyelesaikan sesuatu untuk Anda. Buat reservasi, rencanakan perjalanan, terhubung ke layanan lain.”

Multimodal AI, khususnya, secara signifikan meningkatkan peluang untuk interaksi yang lancar dengan agen virtual. Sebagai contoh, daripada hanya meminta resep kepada bot, pengguna dapat mengarahkan kamera ke kulkas yang terbuka dan meminta resep yang dapat dibuat dengan bahan-bahan yang tersedia. Be My Eyes, sebuah aplikasi seluler yang menghubungkan individu tunanetra dan berpenglihatan rendah dengan sukarelawan untuk membantu melakukan tugas-tugas cepat, sedang mengujicobakan alat bantu AI yang membantu pengguna berinteraksi secara langsung dengan lingkungan sekitar melalui AI multimodal sebagai pengganti sukarelawan manusia.

Jelajahi IBM watsonx™ Assistant: AI percakapan terdepan di pasar dengan integrasi lancar untuk alat bantu yang mendukung bisnis Anda →

Peningkatan kemampuan multi-moda dan penurunan hambatan masuk juga membuka pintu baru untuk penyalahgunaan: deepfake, masalah privasi, pelestarian bias, dan bahkan penghindaran perlindungan CAPTCHA mungkin menjadi semakin mudah bagi pelaku kejahatan. Pada bulan Januari tahun 2024, gelombang deepfake selebriti yang eksplisit melanda media sosial; penelitian pada bulan Mei 2023 menunjukkan bahwa terdapat 8 kali lebih banyak deepfake suara yang diunggah secara online dibandingkan periode yang sama pada tahun 2022.[6]

Ambiguitas dalam lingkungan peraturan dapat memperlambat adopsi, atau setidaknya implementasi yang lebih agresif, dalam jangka pendek hingga menengah. Ada risiko yang melekat pada investasi besar dan tidak dapat diubah dalam teknologi atau praktik baru yang mungkin memerlukan pelatihan ulang yang signifikan, atau bahkan menjadi ilegal, setelah adanya undang-undang baru atau perubahan politik di tahun-tahun mendatang.

Pada Desember 2023, Uni Eropa (UE) mencapai kesepakatan sementara tentang Undang-Undang Kecerdasan Buatan (tautan berada di luar ibm.com). Di antara langkah-langkah lainnya, ini melarang pengikisan gambar tanpa pandang bulu untuk membuat basis data pengenalan wajah, sistem kategorisasi biometrik yang berpotensi menimbulkan bias diskriminatif, sistem “penilaian sosial”, dan penggunaan AI untuk manipulasi sosial atau ekonomi. Peraturan ini juga berupaya untuk mendefinisikan kategori sistem AI “berisiko tinggi”, yang berpotensi mengancam keselamatan, hak-hak dasar, atau aturan hukum, yang akan tunduk pada pengawasan tambahan. Selain itu, ini juga menetapkan persyaratan transparansi untuk apa yang disebutnya sebagai sistem “general-purpose AI (GPAI)”, yaitu model dasar sistem, termasuk dokumentasi teknis dan pengujian adversarial sistemik.

Namun, meskipun beberapa pemain kunci, seperti Mistral, berada di Uni Eropa, sebagian besar pengembangan AI yang inovatif terjadi di Amerika, di mana legislasi substantif AI di sektor swasta akan membutuhkan tindakan dari Kongres, yang mungkin tidak mungkin dilakukan di tahun pemilu. Pada 30 Oktober, pemerintahan Biden mengeluarkan perintah eksekutif yang komprehensif (tautan berada di luar ibm.com) yang merinci 150 persyaratan untuk penggunaan teknologi AI oleh lembaga federal; beberapa bulan sebelumnya, administrasi mendapatkan komitmen sukarela dari pengembang AI terkemuka (tautan berada di luar ibm.com) untuk mematuhi pagar pembatas tertentu untuk kepercayaan dan keamanan. Khususnya, California dan Colorado secara aktif mengupayakan undang-undang mereka sendiri mengenai hak privasi data individu terkait kecerdasan buatan.

China telah bergerak lebih proaktif terhadap pembatasan AI formal, melarang diskriminasi harga oleh algoritme rekomendasi di media sosial dan mewajibkan pelabelan yang jelas untuk konten yang dihasilkan oleh AI. Peraturan yang akan datang tentang AI generatif berusaha untuk mewajibkan data pelatihan yang digunakan untuk melatih LLM dan konten yang dihasilkan oleh model harus “benar dan akurat”, yang mana para pakat telah mengambil langkah-langkah untuk menyensor hasil LLM.

Sementara itu, peran materi berhak cipta dalam pelatihan model AI yang digunakan untuk pembuatan konten, dari model bahasa hingga generator gambar dan model video, tetap menjadi isu yang diperdebatkan dengan sengit. Hasil gugatan hukum tingkat tinggi yang diajukan oleh New York Times terhadap OpenAI (tautan berada di luar ibm.com) dapat secara signifikan memengaruhi lintasan legislasi AI. Alat-alat yang bersifat adversarial, seperti Glaze (tautan berada di luar ibm.com) dan Nightshade (tautan berada di luar ibm.com), keduanya dikembangkan di Universitas Chicago, muncul dalam apa yang mungkin menjadi semacam perlombaan senjata antara pembuat dan pengembang model.

Untuk bisnis, potensi yang meningkat untuk konsekuensi hukum, peraturan, ekonomi, atau reputasi ini diperparah oleh seberapa populer dan mudah diaksesnya alat AI generatif. Organisasi tidak hanya harus memiliki kebijakan perusahaan yang hati-hati, koheren, dan diartikulasikan dengan jelas seputar AI generatif, tetapi juga waspada terhadap AI bayangan: penggunaan AI secara pribadi “tidak resmi” di tempat kerja oleh karyawan.

Disebut juga sebagai “IT bayangan” atau “BYOAI,” AI bayangan muncul ketika karyawan yang tidak sabaran dan ingin segera menemukan solusi (atau sekadar ingin mencoba teknologi baru yang lebih cepat daripada yang diizinkan oleh kebijakan perusahaan yang hati-hati) menerapkan AI generatif di tempat kerja tanpa melalui persetujuan atau pengawasan dari IT. Banyak layanan yang ditujukan bagi konsumen, beberapa di antaranya gratis, memungkinkan individu nonteknis untuk mengimprovisasi penggunaan alat AI generatif. Dalam sebuah studi dari Ernst & Young, 90% responden mengatakan mereka menggunakan AI di tempat kerja.[7]

Semangat giat itu bisa jadi sangat bagus, dalam sekilas, tetapi karyawan yang bersemangat mungkin kurang memiliki informasi atau perspektif yang relevan terkait keamanan, privasi, atau kepatuhan. Hal ini dapat mengekspos bisnis pada banyak risiko. Misalnya, seorang karyawan mungkin secara tidak sadar memberikan rahasia dagang kepada model AI yang berhadapan dengan publik yang terus melatih input dari pengguna, atau menggunakan materi yang dilindungi hak cipta untuk melatih model hak milik untuk pembuatan konten dan mengekspos perusahaan mereka terhadap tindakan hukum.

Seperti banyak pengembangan yang sedang berlangsung, hal ini menggarisbawahi bagaimana bahaya AI generatif meningkat hampir secara linier dengan kemampuannya. Dengan kekuatan besar datang tanggung jawab besar.

Seiring dengan berjalannya tahun yang sangat penting dalam kecerdasan buatan, memahami dan beradaptasi dengan tren yang muncul sangatlah penting untuk memaksimalkan potensi, meminimalkan risiko, dan meningkatkan skala adopsi AI generatif secara bertanggung jawab.