Problema sa Tao ang Deployment Gap ng AI

Ang pinakakaraniwang dahilan kung bakit nakadidismaya ang mga AI project ay hindi ang modelo. Ito ay walang sinuman sa organisasyon ang marunong gawing gumaganang proseso ang isang may-kakayahang modelo. Noong 2 Oktubre, nilagyan ng Anthropic ng presyo ang problemang iyon: US$100 milyon upang sanayin ang 10,000 tao na iyon mismo ang trabaho.

Ano ang nangyari

Ayon sa anunsyo ng Anthropic, layunin ng bagong Claude Frontier Academy na sanayin ang 10,000 "Frontier Deployed Engineer" bago matapos ang 2027, na sinusuportahan ng US$100 milyong pangako. Ang unang programa ay isang residency na, sa mga salita ng Anthropic, "sumusunod sa medical model sa pagbuo ng kadalubhasaan". Nagno-nominate ang mga organisasyon ng mahuhusay na engineer, na bawat isa ay dumarating na may nakapangalang Claude project. Dumadalo muna sila sa isang ilang-araw na in-person na programa na may simulated na enterprise deployment at isang graded practical, pagkatapos ay gumugugol ng 12 linggo sa pamumuno sa isang totoong use case sa sarili nilang organisasyon na may suporta mula sa mga engineer ng Anthropic, na sinusundan ng isang huling assessment.

Tumatakbo ang mga cohort sa San Francisco, New York at London. Kabilang sa mga kumpanyang pinangalanan sa mga unang cohort ang Accenture, Bain, Capgemini, Commonwealth Bank of Australia, Deloitte, McKinsey, Morgan Stanley at Novo Nordisk. Sinasabi ng Anthropic na nakabatay ang academy sa partner network nito, kung saan nakakuha na ang mga propesyonal sa 46,000 firm ng mahigit 175,000 certification.

Sinasabi ng isang lead ng Accenture na sinipi sa anunsyo na sinusuri ng residency ang "paghuhusgang sinubok laban sa isang simulated na enterprise deployment, hindi mga teknikal na kasanayan nang hiwalay."

Bakit ito mahalaga

Basahin ang listahan ng mga unang kalahok: mga consultancy, bangko, isang pharmaceutical company. Ito ang mga organisasyong magde-deploy ng AI sa loob ng ibang mga kumpanya, kabilang sa loob ng mga marketing department. Hindi bago ang modelo; may mga field engineer at solution architect sa bawat kategorya ng enterprise software. Ang bago ay ang laki at ang diin sa paghuhusga sa mga totoong deployment.

May parehong agwat ang marketing, at mas kaunti ang taong tumutugon dito. Maraming team ang may access na ngayon sa mahuhusay na modelo at tool. Mas kaunti ang may taong ang trabaho ay kumuha ng magulong proseso sa marketing, gaya ng competitor monitoring, creative testing o pag-uulat, at idisenyo itong muli sa paligid ng AI na may kasamang pagsukat, guardrail at adoption.

Dapat ding pansinin ang mga lokasyon ng cohort. Wala ni isa sa Asya. Para sa ating rehiyon, ito ay alinman sa isang agwat na dapat punan nang lokal o senyales na ang unang alon ng sertipikadong deployment talent ay mapupunta sa ibang lugar.

Ang sinasabi ng aking pananaliksik

Sa aking pananaw, ang pinakamahirap na hakbang sa applied AI ay ang nasa pagitan ng gumaganang modelo at gumaganang proseso. Sinasalamin iyan ng aming pananaliksik. Sa MindFuse (ACM Multimedia 2025) at sa SOMIN industry demonstration sa ACM Multimedia 2025, ang kontribusyon ay hindi lamang ang mga modelo kundi kung paano sila umaangkop sa strategy work ng isang marketer: performance prediction kasama ang isang LLM na nagpapaliwanag at nagrerekomenda.

Sumulat ako sa Forbes tungkol sa pagsasara ng agwat sa pagitan ng marketing at mga AI system at tungkol sa paggamit ng mga LLM sa negosyo nang lampas sa mga chatbot. Ang pare-parehong tema ay lumilitaw ang halaga kapag may nakauunawa sa magkabilang panig: kung ano ang maaasahang magagawa ng modelo, at kung ano talaga ang kailangan ng negosyo. Bihira ang ganoong tao sa marketing.

Nagtuturo rin ako, sa NUS at INSEAD bukod sa iba pa, at tumutugma sa akin ang balangkas ng medical residency. Hindi ka natututo ng deployment mula sa mga slide. Natututunan mo ito sa pag-ako ng isang totoong kaso, sa ilalim ng superbisyon, at sa pagsusuri sa iyong paghuhusga.

Paano mabubuo ngayon ng mga marketing team ang tungkuling ito

• Magtalaga ng may-ari. Bigyan ang isang tao ng tahasang pananagutan sa paggawang marketing process ng kakayahan ng AI, na may oras para gawin ito.
• Matuto sa isang totoong kaso. Pumili ng isang live na workflow, gaya ng lingguhang competitor reporting, at idisenyo itong muli mula simula hanggang dulo, na may baseline at target.
• Pagsamahin ang marketing at engineering. Ang pinakamahuhusay na deployment ay nagmumula sa isang marketer na alam ang desisyon at isang technologist na alam ang system, na nagtutulungan.
• Suriin ang paghuhusga, hindi ang husay sa tool. Kaya bang ipaliwanag ng tao kung kailan hindi dapat pagkatiwalaan ang AI at ano ang mangyayari pagkatapos?
• Ibahagi ang gumagana. Isulat ang bawat deployment bilang isang maikling kaso: ang problema, ang disenyo, ang resulta, ang mga failure mode.

Malaking halaga ang isandaang milyong dolyar para sa training. Maliit itong halaga kumpara sa nawawala sa mga organisasyon sa mga AI project na hindi kailanman nakararating sa araw-araw na trabaho. Hindi dapat hintayin ng marketing na iba ang magsanay sa mga deployer nito.

FAQ