Podczas gdy sztuczna inteligencja staje się kluczowym rozwiązaniem technologicznym w dyskursach politycznych i ekonomicznych, jej integracja w strukturach MŚP i średnich firm we Francji jest bardziej ostrożna. Niedawne badanie przeprowadzone przez Bpifrance Le Lab, wśród ponad 1200 menedżerów, pozwala lepiej zrozumieć dynamikę przyjmowania tej technologii.
Zgodnie z badaniem "Sztuczna inteligencja w MŚP i średnich firmach we Francji: Cicha rewolucja", menedżerowie zdają sobie sprawę z wyzwania: 58% z nich uważa, że sztuczna inteligencja jest kwestią przetrwania w perspektywie 3-5 lat. Co do podejmowania działań, jest to rzeczywistość, ale wciąż niepewna: 43% menedżerów zdefiniowało strategię AI, 26% korzysta z generatywnej AI, 16% z niegeneratywnej AI, a tylko 10% korzysta z obu.
Wśród firm, które przyjęły AI, połowa korzysta wyłącznie z darmowych lub gotowych rozwiązań. Optymalizacja istniejących zasobów, poprawa wydajności, utrzymanie konkurencyjności i redukcja kosztów to główne motywacje menedżerów: 94% wskazuje co najmniej jedną formę optymalizacji, w porównaniu do zaledwie 54% rozwijania działalności.
To rozbieżność między strategicznym postrzeganiem a wdrażaniem wskazuje na kilka wyzwań: brak dojrzałości oferty, wysokie koszty, czy trudność w identyfikowaniu odpowiednich przypadków użycia.

Dane, wciąż zbyt mało wykorzystywane jako strategiczny zasób

AI opiera się na kilku kluczowych warunkach: cyfryzacji firmy, strukturze danych, identyfikacji odpowiednich przypadków użycia oraz zaangażowaniu zespołów. Mimo niewielkiego postępu w cyfryzacji z 72% w 2017 roku do 76%, 43% z nich wciąż nie wykorzystuje swoich danych do zarządzania działalnością.
Jednakże, cyfryzowana firma jest pięć razy bardziej skłonna do przyjęcia AI, a te, które analizują swoje dane, są 2,5 razy bardziej skłonne do korzystania z niej.

Różnice sektorowe ujawniające strukturalne wyzwania

Przyjęcie AI znacznie się różni w zależności od sektorów, odzwierciedlając ich specyficzne potrzeby technologiczne i dynamikę wewnętrzną. Tak więc, technologie informacyjne i komunikacyjne oraz finanse wykazują wysokie wskaźniki przyjęcia generatywnej AI (odpowiednio 79% i 47%), podczas gdy bardziej tradycyjne sektory, takie jak budownictwo (19%) czy transport (5%), pozostają w tyle.

Typologia menedżerów: między sceptycyzmem, eksperymentacją a innowacją

Badanie identyfikuje cztery główne profile menedżerów:
  • Sceptycy (27%): pochodzący z mało cyfryzowanych sektorów, przeciwni AI, obawiają się jej społecznych skutków i nie dostrzegają konkretnej użyteczności;
  • Zablokowani (26%): świadomi wyzwań, ale sparaliżowani brakiem kompetencji lub wsparcia;
  • Eksperymentatorzy (28%): ciekawi i zaangażowani, ale powstrzymywani przez ograniczenia finansowe i brak ekspertów;
  • Innowatorzy (19%): przodujący w cyfryzacji, integrują AI w swoich procesach i produktach, z uznanym przywództwem.
Te profile różnią się w zależności od sektorów: sceptycy dominują w budownictwie i transporcie, zablokowani w handlu, eksperymentatorzy w przemyśle, a innowatorzy w technologiach informacyjnych i komunikacyjnych, finansach i usługach dla firm. Zauważa się również nadreprezentację kobiet wśród sceptyków, a mężczyzn wśród innowatorów.

Różnice w przyjęciu związane z profilem menedżera

W 73% przypadków projekty AI są inicjowane przez menedżera. Im młodszy i lepiej wykształcony jest menedżer, tym bardziej zaawansowana jest jego firma w przyjmowaniu AI. Gdy używa GenAI w swojej codziennej pracy zawodowej, firma jest pięć razy bardziej skłonna do jego używania (46% w porównaniu do 9%).
Menedżerowie poniżej 35 roku życia w 67% korzystają osobiście z GenAI w pracy, w porównaniu do 46% osób powyżej 45 roku życia, a odsetek ten spada do 36% dla osób powyżej 66 roku życia. Poziom wykształcenia również ma znaczenie: 62% osób z tytułem doktora korzysta z generatywnej AI w porównaniu do zaledwie 19% osób bez wykształcenia.

Jak przyspieszyć przyjęcie AI?

Aby przezwyciężyć te wyzwania, zaleca się kilka dźwigni:
  • Wzmocnienie transformacji cyfrowej, aby stworzyć podstawy do efektywnego przyjęcia;
  • Strukturyzacja i wykorzystywanie danych, aby zidentyfikować odpowiednie zastosowania;
  • Szkolenie pracowników, aby przezwyciężyć opory i zmaksymalizować skuteczność narzędzi AI;
  • Eksperymentowanie z dostępnymi rozwiązaniami przed inwestowaniem w zaawansowane technologie.