Ang Nakatagong Hamon sa Likod ng mga Pamumuhunan ng mga Kumpanya sa AI

Hindi Iisang Sukatan ng Tagumpay ang Kailangan sa Pamumuhunan sa AI

Isipin ang isang kumpanyang sinusuri ang tatlong panukala sa AI: isang produkto para sa serbisyo sa customer, isang pakikipagtulungan sa pananaliksik, at isang panloob na kasangkapan para lutasin ang mga hindi pagkakaunawaan sa invoice. Bawat isa ay humihingi ng pondo at nangangakong maghahatid ng halaga. Gayunman, maaaring kaunti lang ang masabi sa mga tagapamahala tungkol sa iba pang panukala ng ebidensiyang sapat para suportahan ang isa sa mga ito.

Nangangailangan ang isang produkto ng mga customer at maaasahang paghahatid. Kailangan naman ng isang pakikipagtulungan ang kapaki-pakinabang na kolaborasyon. Dapat lutasin ng panloob na kasangkapan ang isang partikular na suliraning pang-operasyon. Kapag iisang checklist ang ginamit sa pagsusuri sa tatlo, maaaring mapaboran ang mga proyektong nakapaghahain ng kapani-paniwalang mga pagtataya habang napalalampas ang mga proyektong nangangailangan ng eksperimento.

Nag-aalok ang isang pag-aaral sa Technovation na pinamagatang “Pag-aangkop ng mga gawain sa pamamahala ng portfolio ng inobasyon sa panahon ng umuusbong na mga digital na teknolohiya” ng balangkas para maunawaan ang hindi pagtutugmang ito.¹ Higit pa sa pamamahala ng proyekto ang saklaw ng mga implikasyon nito: dapat suriin ng mga mamumuhunang tumatasa sa paggastos ng mga kumpanya sa AI kung paano nagpapasya ang mga ito kung aling mga proyekto ang karapat-dapat dagdagan ng puhunan.

Mga Natuklasan ng Pag-aaral sa Digital na Inobasyon

Ininterbyu ng mga mananaliksik na sina Kristian Hilmar Mikkelsen Wegener at Karl Joachim Breunig ang 26 na tao mula sa pitong organisasyon sa Scandinavia. Isinagawa ang mga panayam noong 2023, at gumamit sila ng mga sumusuportang dokumento upang patibayin ang kanilang pagsusuri. Naging mababasa online ang papel noong Oktubre 2026 at kabilang ito sa tomo ng journal para sa 2027.

Kabilang sa mga organisasyon ang mga nasa telekomunikasyon, mga serbisyong nagbibigay-katiyakan at namamahala ng panganib, mga solusyon sa transportasyon, paggawa ng serbesa, pagkonsulta, mga produktong pangkalusugan, at pampublikong pagpopondo sa pananaliksik. Malawak na sinaklaw ng pananaliksik ang mga umuusbong na digital na teknolohiya, kabilang ang AI, machine learning, at Internet ng mga Bagay.

Nakatuon ang pangunahing natuklasan sa pagkakaiba ng mismong uri ng mga gawain. Maaaring magkaiba ang badyet o panganib ng dalawang proyekto ngunit maaari pa ring umangkop ang mga ito sa iisang proseso ng pamamahala. May iba pang mga gawaing lumilikha ng halaga sa batayang naiibang paraan, kaya hindi angkop sa mga ito ang magkakatulad na pamantayan sa pagsusuri.

Tinukoy ng mga may-akda ang tatlong paulit-ulit na kaayusan. Mga padron ito ng mga gawain sa pamamahala na maaaring magsabay sa loob ng isang organisasyon, hindi mga permanenteng katawagang ikinakabit sa buong negosyo.

Paano Lumilikha ng Halaga ang Iba’t Ibang Proyekto sa AI

Kapag inilapat sa AI, nakatutulong ang balangkas na ito para mas madaling maunawaan ang mga pagkakaiba. Ipinakikita ng mga sumusunod na halimbawa kung paano ito maaaring gamitin; hindi mga karagdagang natuklasan ng pananaliksik ang mga ito.

Nangangailangan ng Paulit-ulit na Paghahatid ang mga Produkto sa AI

Isaalang-alang ang isang kompanya ng software na gumagawa ng AI assistant para sa mga nagbabayad na customer. Kabilang sa gawain nito ang pagdidisenyo ng produkto, pagsubok, paglalagay nito sa operasyon, at pagbibigay ng suporta. Sa pamamagitan ng mga nakabalangkas na pagsusuri, matitiyak kung natutugunan ng assistant ang mga kinakailangan sa kalidad, nakaaakit ito ng mga gumagamit, at maihahatid ito sa paraang matipid.

Sa ganitong sitwasyon, makatuwirang humiling ang pamunuan ng mga milestone at maihahambing na ebidensiyang pangkomersiyo. Ang pangunahing tanong ay kung kaya ng kumpanya na paulit-ulit na maghatid ng produktong handang bayaran ng mga customer.

Nangangailangan ng Koordinasyon ang mga Pakikipagtulungan sa AI

Isaalang-alang naman ang isang tagagawa na nakikipagtulungan sa isang unibersidad at mga dalubhasang tagapagtustos para gumamit ng machine learning sa pagpapanatili ng mga kagamitan. Nakadepende ang progreso sa pagkuha ng datos, pagkakaroon ng magkakakomplementong kadalubhasaan, at pagkakasundo kung paano gagamitin ang mga natuklasan.

Maaaring kaunti lang ang maipakita ng target sa benta kada quarter tungkol sa kung nagiging mahalaga ang pakikipagtulungang iyon. Mas makabuluhan sa simula ang mga tanong tungkol sa pagkuha ng datos, pinagsasaluhang teknikal na progreso, at kung kaya ng mga kalahok na pagsamahin ang kani-kanilang ambag upang makabuo ng magagamit na solusyon.

Nililinaw rin nito ang paggamit ng pag-aaral sa salitang “plataporma.” Tumutukoy ito sa pagpapadali ng palitan sa pagitan ng mga kalahok, at hindi nito kailangang mangahulugan ng pagbebenta ng isang plataporma ng software.

Nangangailangan ng Ebidensiyang Pang-operasyon ang mga Panloob na Kasangkapan sa AI

Nagdudulot ng ibang hamon ang isang assistant para sa mga hindi pagkakaunawaan sa invoice. Nauunawaan ng mga empleyadong pinakamalapit sa proseso ang mga eksepsiyon, nawawalang dokumento, at mga dahilan kung bakit nagiging komplikado ang mga kasong tila simple lamang. Maaaring mas kapaki-pakinabang na bigyan ng kalayaang hubugin ang kasangkapan ang mga espesyalistang ito kaysa ipatupad ang mga espesipikasyong isinulat bago pa maunawaan ang mga komplikasyong iyon.

Maaaring mangahulugan ang tagumpay ng mas kaunting kasong muling nabubuksan o mas mabilis na paglutas nang walang dagdag na mga pagkakamali. Kabilang sa mahalagang konteksto ng merkado ang mga ulat ng Securities.io tungkol sa paghahanap sa loob ng organisasyon at pagtuklas ng kaalaman at integrasyon ng mga sistema at pag-automate ng mga daloy ng trabaho sa organisasyon. Inuugnay ng dalawang larangang ito ang mga layunin sa AI sa impormasyong ginagamit na ng mga negosyo at sa mga prosesong sinusunod ng mga ito.

Sukatin ang Pag-unlad sa AI Bago Ihambing ang mga Kita

Isang kapaki-pakinabang na implikasyon nito ay kailangan ng mga kumpanya ang dalawang antas ng pagsusuri. Inaalam sa una kung umuusad ang isang inisyatiba ayon sa sarili nitong mga layunin. Sa ikalawa, sinusuri kung makatwiran pa rin ang patuloy na paggasta kumpara sa iba pang paggagamitan ng kapital.

Iniiwasan nito ang maling pagpili sa pagitan ng paghingi ng agarang kita mula sa bawat eksperimento at pagpapahintulot na magpatuloy ang eksperimento nang walang hanggan. Maaaring magsilbing batayan ng mga pasya sa pagpopondo ang iba’t ibang uri ng ebidensiya nang hindi isinasantabi ang disiplina sa pananalapi.

Halimbawa, maaaring makakuha ng panibagong yugto ng pagpopondo ang isang maagang pakikipagsosyo sa pananaliksik kung maipapakita nitong magagamit ang isang dataset na dati’y hindi naaabot upang makabuo ng kapaki-pakinabang na hula. Sa kalaunan, dapat sumailalim ang produktong mabubuo rito sa mas mahihigpit na pagsusuri sa pagiging maaasahan, pagtanggap ng mga gagamit, at ekonomikong kapakinabangan.

Maaaring gawing tahasan ng mga tagapamahala ang paglipat na ito sa pamamagitan ng tatlong tanong:

• Anong kawalang-katiyakan ang kailangang malutas sa susunod na yugto ng pagpopondo?
• Anong ebidensiya ang magbibigay-katwiran sa pagpapalawak, pagbabago, o paghinto sa gawain?
• Sino ang may kaalaman at kapangyarihang magpasya?

Paglalapat ng balangkas ang mga tanong na ito, hindi isang pormulang sinubok sa papel. Praktikal ang pakinabang ng mga ito: iniuugnay ng mga ito ang paggasta sa pagkatuto at sa susunod na hakbang.

Maaaring Baluktutin ng Pinagsasaluhang Imprastraktura ng AI ang Ekonomika ng mga Proyekto

May isa pang implikasyong may kinalaman sa mga pinagsasaluhang gastos. Ipagpalagay na nakasalalay sa iisang kakayahan sa paglilinis ng datos, pagtatakda ng mga pahintulot, at pagsubaybay ang ilang AI tool. Kung ipapataw sa unang proyekto ang buong gastos sa pagbuo ng mga ito, maaari itong magmukhang hindi kaakit-akit. Kung hindi naman isasama ang gastos na iyon sa bawat proyekto, mapapasobra ang pagtataya sa kakayahang kumita.

Mas malinaw na paraan ang paghiwalayin ang muling magagamit na imprastraktura sa dagdag na gastos ng bawat aplikasyon, habang isinasama pa rin sa kuwenta ang dalawang uri ng gastos sa antas ng kumpanya. Sa gayon, matutukoy ng mga mamumuhunan kung mahal ang pundasyong imprastraktura o kung hindi pa rin kumikita ang isang aplikasyon kahit naitayo na ang pundasyong iyon.

Dapat isama sa pagkukuwentang ito ang seguridad. Itinatampok ng kamakailang mga ulat tungkol sa pamumuhunan sa seguridad ng datos para sa AI ang malaking interes ng negosyo sa pag-access ng mga ahente at sa sensitibong impormasyon. Para sa mga tagapamahala, ang aral sa pagsusuri ay maglaan ng badyet para sa mga kontrol, kasabay ng mga kakayahang pinapagana ng mga ito.

Hindi rin nangangahulugan ang desentralisasyon ng mga pasya sa proyekto na kailangang desentralisahin ang bawat tuntunin. Maaaring pumili ang mga pangkat ng angkop na daloy ng trabaho habang sumusunod sa magkakatulad na kontrol sa pag-access, limitasyon sa paggasta, at mga kinakailangan sa pananagutan.

Nagbibigay ang Microsoft ng Pagkakalantad sa Iba’t Ibang Aspeto ng AI sa mga Negosyo

Dahil sa mga hamong ito sa pamamahala, lumalaki ang pangangailangan sa teknolohiyang sumusuporta kapwa sa pag-eeksperimento at sa paulit-ulit na pagpapatupad. Nagbibigay ang Microsoft ng pagkakataong mamuhunan sa isang kumpanyang ipinagbibili sa publiko, sa pamamagitan ng software para sa mga negosyo, imprastraktura sa cloud, mga tool para sa mga developer, at mga serbisyong AI.

Sa taunang ulat para sa 2026, inilalarawan ng Microsoft ang alok nitong AI na sumasaklaw sa mga aplikasyon, modelo, imprastraktura, at kontrol para sa mga negosyo. Mahalaga ito sa talakayang ito dahil sa lawak ng alok: magagamit ng mga customer ang teknolohiya ng kumpanya para sa mga komersiyal na produkto, sama-samang pagbuo, at mga daloy ng trabahong panloob sa organisasyon.

Direktang may kaugnayan din sa problemang ito ang anunsyo ng Microsoft noong Setyembre tungkol sa mga kakayahan ng Copilot at mga kontrol sa paggasta para sa AI. Kasabay ng mga bagong kakayahan, naglahad ang kumpanya ng mga tool na nilayong tumulong sa mga organisasyon na pamahalaan ang paggamit ng AI at ang mga patakaran sa paggasta.

May mga kundisyon ang pangangatwiran sa pamumuhunan. Kung gagawing tuluy-tuloy na gawain ng mga customer ang mga eksperimento, maaaring makinabang ang Microsoft mula sa paulit-ulit na pangangailangan sa software at paggamit ng imprastraktura. Kung mananatiling magastos o hindi kasiya-siya sa operasyon ang mga deployment, maaaring hindi humantong sa kaakit-akit na ekonomika para sa mga customer ang pagpapalawak lamang ng mga kakayahang teknikal.

Hindi sinusuri ng pag-aaral ang Microsoft, hindi nito tinutukoy ang kumpanya bilang kalahok, at hindi nito pinatutunayang napapahusay ng mga produkto nito ang pamamahala sa inobasyon. Halimbawa lamang ito ng ugnayan sa pamumuhunan. Para masuri ang mga sapi nito, kailangan pa ring pag-aralan ang pagpapahalaga rito, kompetisyon, paggasta sa imprastraktura, at kakayahang kumita ng paglago.

Pinakabagong Balita at mga Pag-unlad tungkol sa Microsoft (MSFT)

Ano ang Dapat Bantayan ng mga Mamumuhunan sa Paggasta sa AI

Mahalaga ang mga limitasyon ng papel. Nagmula ang mga natuklasan nito sa mga iniulat na gawi sa isang maliit na grupo ng mga organisasyon sa Scandinavia. Hindi nito ipinakikitang mas mataas ang mga kita, sinusukat ang mga antas ng pagkabigo ng mga proyekto sa AI, o pinatutunayang napapahusay ng paggamit sa balangkas ang pagganap.

Gayunman, nagbibigay ito ng kapaki-pakinabang na pananaw sa pagsusuri ng mga estratehiya ng mga kumpanya sa AI. Ipinakikita ng bilang ng mga pilot project, pakikipagsosyo, o naipatupad na tool ang antas ng aktibidad. Mas nagbibigay-kaalaman ang mga pagsisiwalat na nagpapaliwanag kung anong mga problema ang tinutugunan, anong ebidensiya ang kailangan bago magpalawak, at kung paano nagbabago ang paggasta kapag hindi kasiya-siya ang mga resulta.

Maaaring mahusay na naglalaan ng puhunan ang isang kumpanyang humihinto sa isang pilotong walang napapala. Kahit maraming pilotong isinasagawa ang isang kumpanya, maaaring wala pa rin itong malinaw na landas tungo sa aktuwal na paggamit. Nakabatay ang pagkakaiba sa kalidad ng pagpapasya at sa ebidensiyang mula sa operasyon.

Habang nagagamit ang AI sa mas maraming tungkulin sa negosyo, maaaring maging mahalagang kalamangan sa kompetisyon ang kakayahang pondohan nang magkakaugnay ang iba’t ibang uri ng inobasyon. Pinalalawak ng mas mahuhusay na modelo ang mga posibleng subukan ng mga kumpanya. Nakakatulong naman ang mas mahusay na pamamahala upang matukoy kung alin sa mga pagsubok na ito ang magiging matatag na negosyo.

Mga Sanggunian:

¹ Wegener, K. H. M., at Breunig, K. J. (2027). Pagsasaayos ng mga kasanayan sa pamamahala ng portfolio ng inobasyon sa panahon ng pag-usbong ng mga digital na teknolohiya. Technovation, 159, 103752. https://doi.org/10.1016/j.technovation.2026.103752