Vis dėlto, nors daugelis gilųjį tyrimą naudoja individualiai – ieško ir apibendrina informaciją internete, – įmonėse jo naudą pajuto nedaugelis. Ne todėl, kad jis būtų nenaudingas – veikiau priešingai, – bet dėl abejonių, susijusių su patikimumu, skirtingais duomenų šaltiniais ir modelio gebėjimu apdoroti daug konteksto, pavyzdžiui, daugybę įvairių tipų failų.
Per pastaruosius 12 mėnesių įgyta patirtis kuriant įmonėms skirtus giliojo tyrimo įrankius parodė, kad apgalvotais inžineriniais sprendimais šias problemas vis dažniau galima sušvelninti. Šiame tinklaraščio įraše aptariame pagrindines kliūtis veiksmingoms įmonių giliojo tyrimo programoms, jų įveikimo būdus ir šios srities raidą 2026 m.
Galimybių kartelė smarkiai pakilo. 2025 m. rugpjūtį pasirodęs gpt-5 tapo lūžio tašku įmonių DI srityje. Mūsų produkcinėse sistemose, įskaitant vaistų taikinių paieškos platformą, sukurtą vienai didžiausių pasaulio farmacijos bendrovių, šaltinių haliucinacijų sumažėjo nuo 3–4 % iki beveik nulio. Gruodį pasirodęs gpt-5.2 dar labiau padidino efektyvų konteksto ilgį. Praktinis rezultatas: dabar vieno tyrimo metu galime apdoroti nebe šimtus, o tūkstančius šaltinių neprarasdami patikimumo. Ribojantis veiksnys vėl yra ten, kur ir turėtų būti: jūsų duomenys, vertinimai ir programos architektūra, o ne modelio galimybės.
Duomenų strategija: pasiekiamumas svarbiau už suvienodinimą. Suprantama, kodėl įmonių DI norisi laikyti duomenų integravimo uždaviniu, tačiau dažnai tai duoda priešingą rezultatą. Visiškas suvienodinimas vyksta lėtai, kelia politinių nesutarimų ir verčia per anksti pasirinkti kryptį, dar nežinant, kurie klausimai iš tiesų svarbūs. 2026 m. pragmatiškas sprendimas – negausūs ryšiai. Užuot ilgus metus laukę, kol viską suvienodinsite, padarykite duomenis pasiekiamus per informatyvias atramas: specifikacijas, politikas, SKU ir sutarčių nuostatas. Priešakiniai modeliai išvedimo metu jau gali „minkštai sujungti“ skirtingas sistemas, susiedami susijusius terminus be formalių atitikmenų. Taip išlaikote spartų diegimą ir galimybę vėliau pridėti naujų šaltinių.
Navigacija neleidžia klaidžioti. Įmonės duomenys – ne žiniatinklis. Jie išsibarstę, kupini vietinių susitarimų, o konkrečiam faktui dažnai tinka tik vienas šaltinis. Be gairių modeliai linkę vykdyti nesibaigiančias užklausas, ieškodami dar vieno šaltinio, ir taip eikvoja laiką bei vartotojų kantrybę. Lengvas semantinis sluoksnis – maišos lentelės, esybių paieška ir paprasti ryšių grafai – suteikia sistemai greitų ir nebrangių būdų veiksmingai pasiekti tinkamą kontekstą. Tai primena patyrusio kolegos patarimą naujokui: “bookmark these sites, talk to Ross if you have AWS issues.” Sprendimas neprivalo būti sudėtingas. Jam tereikia padėti sistemai greitai rasti tai, ko reikia.
Mechaniniai (vykdomi su kiekviena užklausa): citatų kokybė, tinkamas įrankių naudojimas, delsa ir sąnaudos. Tai jūsų apsauginiai barjerai – kasdieniški, bet būtini.
Analitiniai (vykdomi periodiškai): ar sistema renkasi tinkamus įrankius ir prasmingas tyrimo kryptis, naudoja autoritetingus šaltinius ir žino, kada sustoti? Paprastai vertinama taikant LLM kaip vertintojo metodą ir lyginant su pažymėtais pavyzdžiais.
Vartotojų (nuolatiniai): užduočių užbaigimo rodikliai, kokybiniai aktyvių vartotojų atsiliepimai ir naudojimo analitika. Galutinis išbandymas. Ar sukūrėme tai, kas žmonėms iš tiesų naudinga?
Investicijų grąžą duoda sunkūs, o ne saugūs uždaviniai. Pasirodžius pranešimams, kad dauguma įmonių DI projektų neatsiperka, kantrybė įspūdingoms, bet taip ir neįdiegtoms demonstracijoms išseko. Vadovai nori įrodymų – ir kuo greičiau. Paradoksalu, bet toks spaudimas gali pastūmėti komandas rinktis netinkamai. Kyla pagunda pradėti nuo mažos rizikos užduočių, nes jas lengva įdiegti ir jos vargu ar sukels nepasitenkinimą. Tačiau tokie naudojimo atvejai retai sukuria pakankamą poveikį tolesnėms investicijoms pateisinti. Įmonių giliojo tyrimo sistemos puikiai tinka vertei įrodyti, nes sprendžia jau dabar brangiai kainuojančius uždavinius: sudėtingus, didelės svarbos procesus, kurių dabartinės padėties kaina aiškiai matoma. Vertingiausi mūsų matyti naudojimo atvejai apima RFP ir pasiūlymų rengimą, mokslo srities analizę bei investicinius tyrimus – sritis, kuriose poveikis matuojamas laimėtų konkursų dalimi, greitesniu keliu iki klinikinių tyrimų ir spartesniu apsisprendimu, o ne vien sutaupytomis valandomis.
Naudotojo patirties pokytis: nuo pokalbių prie užduočių delegavimo, nuo atsakymų prie galutinių rezultatų. Manome, kad tai vienas iš naudotojo patirties pokyčių, lemsiančių 2026-uosius. Vertinant pastaruoju metu plačiausiai prigijusius sprendimus, išsiskiria keli dalykai. Didėjant šių sistemų patikimumui, vartotojai jas ėmė laikyti ne tiek pokalbių robotais, kuriems teikiamos užklausos, kiek analitikais, kuriems galima pavesti darbą. Tai leidžia du dalykai: komandos gali pritaikyti šablonus ir sustojimo kriterijus savo darbo eigai, o rezultatus iš karto eksportuoti reikiamu formatu – kaip pažymą, skaidres, santrauką ir pan. – užuot pačios rengusios galutinį dokumentą iš pokalbio gijos. Įgyvendinus abu dalykus, sistema tampa nebe informaciniu įrankiu, o darbo atlikimo būdu.
Praėjusiais metais rašėme apie giliojo tyrimo diegimą įmonėse. OpenAI išpopuliarintą, į žiniatinklį orientuotą giliojo tyrimo paradigmą pritaikėme įmonių nuosaviems duomenų šaltiniams, neprarasdami duomenų kilmės atsekamumo ar kontrolės. Taip pat pabrėžėme, kad giliojo tyrimo sistemas reikėtų laikyti ne nukrypimu nuo klasikinių RAG sistemų, o jų evoliucija.
Artėjant 2026 m. pasikeitė ne tiek pati giliojo tyrimo idėja, kiek pasiekiamų vykdymo galimybių riba.
Kai 2025 m. pradžioje ėmėme kurti šias sistemas, tarp priešakinių modelių buvo OpenAI o1, gpt-4o ir claude-3.5-sonnet – per 12 trumpų mėnesių nuėjome išties ilgą kelią. Pirmaisiais metų mėnesiais didelę pažangą atnešė tokie modeliai kaip OpenAI o3 ir gemini-2.5-pro. Savo metu jie buvo puikūs ir leido kurti patikimas giliojo tyrimo programas, tačiau tik iki tam tikros ribos. Paprastai ši riba siekė kelis šimtus šaltinių. Ją viršijus reikėjo labai agresyviai apkarpyti kontekstą, kitaip atsakyme dingdavo informacija, modelis prasčiau laikydavosi nurodymų arba tiesiog haliucinuodavo.
Jei kūrėte tokias sistemas, atpažinsite kai kuriuos iš šių gedimų.
Konkretus pavyzdys: 2025 m. viduryje vienai didžiausių pasaulio farmacijos bendrovių pradėjome kurti įmonių giliojo tyrimo sprendimą, skirtą paspartinti vaistų taikinių paiešką – procesą, per kurį mokslininkai ieško genų, hormonų ar kitų žmogaus organizmo elementų, į kuriuos būtų galima nukreipti gydymą. Tuo metu pajėgiausias prieinamas modelis buvo OpenAI o3. Nors jis veikė labai gerai, 3–4 % jo sugeneruotų atsakymų būdavo šaltinių, kurie modeliui nebuvo pateikti įrankių iškvietimais iš kliento nuosavų duomenų šaltinių. Šią problemą sušvelninome vėlesnėmis citatų patikromis, kurios pažymėdavo pateikto konteksto nepatvirtintas atsakymo dalis. Ankstyvajame koncepcijos įrodymo etape tai padėjo sustiprinti suinteresuotųjų šalių pasitikėjimą įrankiu ir sparčiai judėti pirmyn. Tačiau toliau stengėmės mažinti šias klaidas: švelninome modelių trūkumus ir kartu vykdėme suinteresuotųjų šalių prašymus į sistemą įtraukti daugiau šaltinių.
Svarbus priešakinių giliojo tyrimo ir apskritai agentinių sprendimų kūrimo lūžis įvyko rugpjūtį pasirodžius gpt-5. OpenAI o3 pakeitus gpt-5, mūsų vertinimai parodė, kad šaltinių haliucinacijų rodiklis iš karto sumažėjo iki 0 %.
Tiksliau apibrėžiant šį rodiklį: jis griežtai matuoja, ar modelis cituoja dokumento ID arba URL, kurio nebuvo gautame kontekste. OpenAI o3 ir ankstesnių modelių laikais modeliai kartais išgalvodavo įtikinamai skambančius failų pavadinimus ar mokslinius straipsnius, kad užpildytų žinių spragas. gpt-5 leido šią konkrečią ydą beveik visiškai pašalinti.
Svarbu tai atskirti nuo tikslumo klaidų, kai cituojamas tinkamas dokumentas, bet neteisingai interpretuojamas jo tekstas. Šią problemą tebesprendžiame minėtomis vėlesnėmis patikromis.
Tai atvėrė milžiniškų galimybių. Tada pradėjome tikrinti, kiek toli galime išplėsti sistemą naudodami naujos kartos modelius. Paaiškėjo, kad vieno giliojo tyrimo metu galime apdoroti maždaug dešimt kartų daugiau šaltinių – apie 3 000–5 000. Galutinė riba atsirado ne dėl nurodymų nesilaikymo, o dėl ilgo konteksto apdorojimo: efektyvus modelių konteksto ilgis dažnai gerokai mažesnis už skelbiamą, ypač naudojant tankius farmacijos duomenis.
Šį apribojimą iš dalies sušvelnino gruodžio viduryje išleistas gpt-5.2. Mūsų vidiniai ilgo konteksto testai parodė ryškų efektyvaus ilgo konteksto apdorojimo pagerėjimą, todėl priešakinių giliojo tyrimo sistemų galimybes galėjome išplėsti dar labiau. Tai leido padidinti žetonų, kuriuos galima tiesiogiai perduoti vartotojui skirtą išvestį generuojančiam modeliui, skaičių ir pateikti išsamesnį atsakymą. Vis dėlto norėtume, kad 2026 m. efektyvus priešakinių modelių konteksto ilgis ir toliau didėtų.
Taip išaugus pačių modelių galimybėms, pajėgių giliojo tyrimo sistemų kūrimo kliūtys daugeliu atžvilgių grįžo ten, kur visada turėjo būti: prie jūsų duomenų, vertinimų ir giliojo tyrimo programos organizavimo įmonėje. Kiekviename iš šių etapų reikia pragmatiškai nuspręsti, kas iš tiesų pagerins kuriamą giliojo tyrimo sistemą.
Likusioje straipsnio dalyje paaiškiname, kaip vertiname šiuos sprendimus.
Kyla pagunda įmonių tyrimų projektus laikyti duomenų integravimo uždaviniu. Suvienodinkite šaltinius bei schemą ir leiskite modeliams veikti.
Ir būkime aiškūs: kartais būtent taip ir reikia elgtis. Jei pagrindinės srities esybės stabilios, užklausos kartojasi, o galutinis tikslas – industrializuoti darbo eigą, suvienodinimas gali duoti apčiuopiamos naudos. Klasikiniai pavyzdžiai: klientų ir pajamų duomenų sujungimas, rinkos kainodaros duomenys ir visi atvejai, kai reikia patikimų kelias sistemas apimančių ataskaitų.
Tačiau praktiškai šiandienos novatoriški lyderiai iš įmonių giliojo tyrimo sistemų tikisi ko nors kito.
Vis daugiau dėmesio skiriant DI išlaidų grąžai, sprendimų priėmėjams svarbu greitai įrodyti vertę netvarkingoje tikrosios įmonės veiklos aplinkoje. O visiškas duomenų šaltinių suvienodinimas – vienas lėčiausių kelių iki pirmojo vertės įrodymo. Tai sudėtinga. Tai tampa politiniu klausimu. Dažnai tai verčia pasirinkti kryptį dar neišsiaiškinus, kurie klausimai iš tiesų svarbūs.
Todėl manome, kad 2026 m. pragmatiška priešakinių giliojo tyrimo sistemų kūrimo pradžia paprastai yra tokia: pirmiausia padarykite duomenis pasiekiamus, o tik tada – nepriekaištingus.
Jei tikėtina, kad laikui bėgant pridėsite daugiau šaltinių – o taip yra daugumoje įmonių, – negausių ryšių vertė dažnai nepakankamai įvertinama. Per vienodą duomenų gavimo sąsają galite padaryti pasiekiamus keliasdešimt šaltinių. Sistema vis tiek galės veikti, o svarbiausia – išlaikysite spartaus diegimo galimybę. Pridedant naujų šaltinių nereikės visko pertvarkyti. Tereikės prijungti naują jungtį, pagrindinei sistemai paaiškinti, kas tai yra ir kaip ja naudotis, o visa kita palikti modeliams. Tai veikia, nes dabartiniai priešakiniai modeliai išvedimo metu gali minkštai sujungti du ar daugiau duomenų šaltinių, susiedami vienos sistemos „Customer ID“ su kitos sistemos „Client Reference“, nors niekas nėra sukūręs formalaus atitikmenų žemėlapio. Taip mąstome ne vien mes. Taip mąstome ne vien mes: OpenAI vidinis duomenų agentas sukurtas tam, kad modeliai galėtų samprotauti naudodami 70 000 nevienalyčių duomenų rinkinių, užklausos metu pasiekdami kontekstą ir ryšius, o ne iš anksto viską suvienodinant.
Čia verta aiškiai pabrėžti vieną niuansą: negausūs ryšiai neprivalo būti paviršutiniški.
Negausi integracija geriausiai veikia tada, kai sukurti ryšiai yra prasmingi ir išreikšti taip, kad sistema galėtų lengvai jais pasinaudoti. Tam tikrą informaciją naudinga laikyti atramomis: specifikacijas, politikas, produktų apibrėžtis, SKU, sutarčių nuostatas ir panašiai. Kad šios atramos būtų naudingos, nereikia suvienodinti kiekvieno duomenų rinkinio – pakanka stabilaus identifikatoriaus ir kelių informatyvių ryšių.
Pavyzdžiui, įsivaizduokite, kad modelis arba vartotojas ieško specifikacijos. Primityvioje sistemoje tuo sąveika ir baigiasi. Gaunate specifikaciją, ją apibendrinate ir galbūt pacituojate. Tačiau kurdami naudingas duomenų struktūras norime, kad ši paieška taptų valdomos plėtros pradžia. Pavyzdžiui, tos specifikacijos įrašą galėtume pasirinktinai susieti su istoriškai aktualiais dokumentais. „Aktualumas“ čia gali reikšti kelis dalykus, tačiau paprastai priklauso nuo sistemos atliekamos užduoties. Tai gali būti specifikaciją minintys RFP, ankstesni sėkmingi atsakymai į su ja susijusius konkursus, teisės skyriaus siūlytos jos pataisos ir kita. Šis metodas gali smarkiai pagerinti atsakymų kokybę ir sumažinti delsą, nes svarbiausios įžvalgos giliojo tyrimo sistemai greitai pateikiamos pačios užklausos metu.
Tuomet kyla kitas klausimas: kai turite negausiai susietų duomenų šaltinių pasaulį su keliais informatyviais ryšiais, kaip neleisti giliojo tyrimo sistemai blaškytis lyg vaikui saldainių parduotuvėje ir išmokyti ją orientuotis kaip patyrusį analitiką?
Įmonių duomenų šaltiniai neveikia kaip žiniatinklis. Jie išsibarstę, kupini vietinių susitarimų, o konkrečiam faktui dažnai tinka tik vienas „teisingas“ šaltinis – jei pavyksta jį rasti. Be to, dabartiniai modeliai paieškos užduotyse linkę maksimaliai didinti aprėptį: vykdo daugybę užklausų, kad rastų dar vieną šaltinį, ir taip eikvoja laiką bei vartotojų kantrybę. Kruopščios instrukcijos gali tai iš dalies sušvelninti.
Veiksmingiausias sprendimas – lengvas įrankis, padedantis modeliui orientuotis netvarkingame įmonės duomenų kraštovaizdyje. Kai kurios komandos tai vadina ontologija. Kitos – semantiniu sluoksniu, paieškos paslauga, grafu ar sąvokų saugykla. Pavadinimas nėra svarbus.
Svarbu tai, kad sistema gautų greitų ir nebrangių būdų veiksmingai pereiti tarp tinkamų konteksto dalių, užuot be galo klaidžiojusi.
Paprasta metafora: tai lyg ką tik pradėjus dirbti naujoje įmonėje ar prisijungus prie naujo projekto išgirsti kolegų patarimus: “You must bookmark these sites, you’ll use them all the time,” or “any time you have an issue with AWS just speak to Ross, he’ll get you the info you need,” ir panašiai. Taip ir čia tiesiog siekiame padėti giliojo tyrimo sistemai greitai rasti tai, ko reikia.
Praktiškai ši sistema neprivalo būti sudėtinga ar prižiūrima rankiniu būdu. Geriausi mūsų rasti sprendimai generuojami LLM duomenų įkėlimo metu, automatiškai išskiriant esybes grafui užpildyti, arba tiesiog perduoda užklausas esamoms apskaitos sistemoms, pavyzdžiui, atlieka paiešką per „Salesforce“ API. Keli dažni pavyzdžiai:
Paieška maišos lentelėse, pavyzdžiui, pagal produkto pavadinimą grąžinamas jo aprašas.
Paprasta dažnų ryšių paieška, pavyzdžiui, su kokiomis ligomis šis genas dažniausiai siejamas mūsų priežastinių genų ryšių grafe.
Įvardytųjų esybių atpažinimo modeliai, ypač naudingi srityse, kuriose sudėtinga atskirti esybių reikšmes, pavyzdžiui, farmacijoje.
Sudėtingiausiems duomenų ryšiams lengvi RDF grafai gali būti lanksčiausias ontologijos sprendimas.
… ir daugiau
Tai įdiegus sistema gali veiksmingai judėti tarp jūsų duomenų šaltinių. Kitas klausimas paprastas: kaip įsitikinti, kad realiomis naudojimo sąlygomis ji nuosekliai elgiasi tinkamai?
Kai duomenys pasiekiami, o navigacijos sluoksnis suteikia žemėlapį, sistema jau pajėgi atlikti darbą. Tačiau įmonėje pajėgumas be patikimumo nieko vertas.
Būtent čia yra didžiausios DI projektų kapinės. Daug komandų pateko į vertinimo „pagal nuojautą“ spąstus. Jos pateikdavo užklausą, perskaitydavo rezultatą, pritariamai linktelėdavo ir įdiegdavo sprendimą. Toks metodas netinka kuriant giliojo tyrimo sistemą, kuri gali savarankiškai peržiūrėti 5 000 dokumentų ir pateikti rekomendaciją dėl milijoninės tiekimo grandinės sprendimo.
Svarbus pokytis: dabar vertinate nebe modelį, o sistemą. Klausimo interpretavimas, planavimas, įrankių iškvietimas, rezultatų aiškinimas, konteksto apkarpymas, perrikiavimas ir net iš pažiūros nuobodžios jungčių detalės, pavyzdžiui, laiko žymos – visa tai atsispindi naudotojo patirtyje.
Šias problemas padeda spręsti struktūruoti, kartojami vertinimai.
Kuriamus vertinimus galima suskirstyti į tris plačias kategorijas – nuo mechaninių iki subjektyvių.
Ši dalis labiausiai primena vienetų testus, todėl pradžioje komandos čia dažnai gali sparčiausiai pažengti. Paprastai šie vertinimai laikui bėgant išlieka stabiliausi: kartą juos įdiegus, nauda jaučiama visą projekto gyvavimo laiką.
„Mechaniniai vertinimai“ paprastai yra patikros, kurias galima vykdyti su kiekviena užklausa be žmogaus įsikišimo. Jos suteikia pasitikėjimo, kad sistema veikia nuspėjamai ir saugiai esant tikrai vartotojų apkrovai.
Keletas pavyzdžių:
Citatų kokybė: ar visos citatos nurodo iš tiesų gautas teksto ištraukas? Ar yra teiginių be citatų? Ar yra teiginių, kurių nepatvirtina šaltinio medžiaga? Ar citatos nėra pernelyg bendros, pavyzdžiui, kai dėl vieno teiginio cituojamas visas dokumentas?
Tinkamas įrankių naudojimas: ar sistema panaudojo visus įrankius, kuriuos teigė naudojusi? Ar ji tinkamai naudojo navigacijos įrankius? Ar kuri nors įrankio užklausa buvo netinkamai suformatuota? Ar gavusi klaidų ji prasmingai bandė dar kartą?
Delsos ir sąnaudų ribos: ar išlaikytas tikslinis laikas iki pirmojo žetono? Ar neviršytas numatytas įrankių iškvietimų skaičius arba biudžetas? Ar dėl menkos naudos nebuvo išeikvota daug laiko ir skaičiavimo išteklių?
Tai skamba kasdieniškai, tačiau būtent tokie testai apsaugo įmonės sistemą nuo irimo.
Praktinis pavyzdys: vykdydami vaistų taikinių paieškos giliojo tyrimo projektą naudojome du su kiekviena užklausa vykdomų citatų patikrų sluoksnius. Pirmiausia nurodome modeliui generuojant atsakymą dažnai pateikti citatas pačiame tekste. LLM gebėjimas tai daryti patikimai taip pat yra gana naujas reiškinys, atsiradęs 2025 m. pirmąjį pusmetį. Anksčiau bandžiusieji taip apdoroti didelį duomenų kiekį žino, kokį iššūkį tai kėlė. Tada paprastomis reguliariųjų išraiškų patikromis galime nustatyti, pavyzdžiui, ar paminėta straipsnio nuoroda, kurios nebuvo pateiktuose šaltiniuose.
Antrasis patikrų sluoksnis taikomas jau baigus srautiniu būdu teikti atsakymą. Pirmiausia atsakymas suskaidomas į dalis. Tada kiekviena dalis įvertinama, o sistema gautuose duomenyse ieško joje pateiktus teiginius patvirtinančių šaltinių. Jei patvirtinančių įrodymų nerandama, tai pažymima kaip galima haliucinacija.
Jei mechaniniai vertinimai yra vienetų testai, analitiniai vertinimai – tai kodo peržiūra.
Čia jau siekiame suprasti, ar sistema darbą atlieka gerai. Paprastai norime išsiaiškinti, ar ji naudoja tinkamus įrankius, renkasi teisingas tyrimo kryptis ir autoritetingiausius šaltinius, žino, kada sustoti, ir kita.
Praktiškai tai dažniausiai būna klausimų ir atsakymų poros, kurioms žinoma, pavyzdžiui, prasminga įrankių iškvietimo tvarka arba teisingas sprendimas, atsižvelgiant į pirmuoju įrankiu rastą medžiagą. Šios poros neprivalo tiksliai atitikti visos giliojo tyrimo sistemos įvesties ir išvesties – taip galima tikrinti ir tarpinius procesus. Remdamiesi šiomis žymomis, kurias gali parengti žmogus arba pajėgus žymėjimo modelis, galime taikyti LLM kaip vertintojo metodą ir įvertinti tyrimų vykdymo kokybę. Stebėdami šiuos balus laikui bėgant galime suprasti, ar pakeitimai gerina sistemą norima kryptimi, ar sukėlė veikimo regresijų.
Kadangi šie vykdymai kainuoja daugiau pinigų ir laiko, juos paprastai reikėtų atlikti periodiškai – nustatytu intervalu arba prieš versijų naujinimus.
Tai duoda ir papildomos naudos: tokie analitiniai vertinimai gali tiesiogiai padėti tobulinti anksčiau aptartus negausius ryšius. Jei modelis nuolat atlieka tą patį kokybišką perėjimą, pavyzdžiui, „specifikacija → istoriškai aktualūs RFP pavyzdžiai“, nors žmonės šių rezultatų dabar aiškiai nesusieja, tai vertinga informacija. Šį perėjimą galima paversti visaverte grafo briauna ar nuoroda, kad ateityje vykdymai būtų spartesni ir nuoseklesni.
Čia taip pat galima aptikti vieną brangiausių giliojo tyrimo sistemų ydų – polinkį pagal numatytąją nuostatą maksimaliai didinti aprėptį. Modelis visada gali rasti dar vieną šaltinį. Klausimas – ar jis turėtų. Galime sureguliuoti modelį taip, kad jis sustotų tada, kai papildoma paieška veikiausiai nebepakeis išvados, ir pateiktų gerai pagrįstą atsakymą į vartotojo klausimą.
Mechaniniai vertinimai parodo, kad sistema saugi. Analitiniai vertinimai parodo, kad ji kompetentinga. Vartotojų vertinimai parodo, ar ji iš tiesų naudinga.
Tai dar viena sritis, kurioje daugelis komandų suklumpa. Jos sukuria techniškai įspūdingą sprendimą, kurio niekas nenori naudoti antrą kartą. Įmonėje tai ir yra skirtumas tarp sėkmingo diegimo ir brangiai kainavusio tyrimų projekto.
Vartotojų vertinimais iš esmės siekiama suprasti, ar sistema tinkamu būdu sprendžia tinkamą problemą. Tai reiškia, kad nepakanka klausti „ar atsakymas teisingas?“ – reikia klausti „ar gavau tai, kuo galiu remtis veikdamas?“
Praktiškai vartotojų vertinimai paprastai būna kelių formų:
Užduočių užbaigimo tyrimai: ar naudodami sistemą vartotojai iš tiesų gali greičiau ar geriau atlikti tikrąjį darbą? Svarbu ne tai, ar modelis galėtų atsakyti į klausimą, o tai, ar tikras vartotojas savo darbo eigoje gavo, ko jam reikėjo.
Kokybinio grįžtamojo ryšio ciklai: reguliarūs struktūruoti pokalbiai su aktyviais vartotojais. Kokias užklausas jie vykdo pakartotinai? Kada jie praranda pasitikėjimą? Kada jie pasiduoda ir grįžta prie senojo būdo? Per šiuos pokalbius dažnai išryškėja testų rinkiniuose nematomi gedimai: vartotojai užduoda klausimus nenumatytais būdais arba taiko numanomus kokybės standartus, apie kuriuos nežinojote.
Naudojimo analitika: kurios užklausos vykdomos pakartotinai? Kurie atsakymai nukopijuojami ir panaudojami kitur? Kur vartotojai paspaudžia neigiamą įvertinimą? Mažėjantis naudojimas ne visada reiškia nesėkmę – kartais vartotojai tiesiog gauna atsakymą ir eina toliau. Tačiau tai, kada ir kaip žmonės atsisako užklausų, daug pasako apie nepateisintus lūkesčius.
Visi šie metodai leidžia įvertinti naudingumą nespėliojant ir pastebėti problemas dar prieš joms pradedant griauti vartotojų pasitikėjimą.
Tačiau net nepriekaištingai mechaninio tikslumo testus atliekanti ir pirmuosius vartotojus džiuginanti sistema gali neišlaikyti galutinio išbandymo – nepadidinti įmonės pajamų. Patikimumas ir vartotojų pasitenkinimas tėra būtinos prielaidos. Norint peržengti prarają tarp sėkmingo bandomojo projekto ir įmonę keičiančio turto, reikia vertinti ne tik tai, kaip sistema veikia, bet ir kur ji taikoma.
Aptarėme, kaip duomenis pritaikyti sistemai, o tada – kaip sistemą pritaikyti vartotojams. Dabar turime aptarti, kaip šią sistemą pritaikyti jūsų verslui.
Pastaruoju metu verslo lyderiai tam skiria daug dėmesio – ir pagrįstai. Pasirodžius tokiems pranešimams kaip MIT teiginys, kad 95 % įmonių DI projektų nepasiekia investicijų grąžos, kantrybė įspūdingoms, bet taip ir neįdiegtoms demonstracijoms išseko. Modeliai pasirengę. Architektūrų veiksmingumas įrodytas. Dabar kyla klausimas: ar galite iš tiesų įdiegti sprendimą taip, kad jis kurtų vertę jūsų verslui?
Gera žinia ta, kad pagal pirmiau išdėstytus principus sukurtos priešakinės giliojo tyrimo sistemos puikiai pasirengusios įveikti šią kartelę. Jos nesiekia automatizuoti visko ar pakeisti ištisų profesijų. Jos siekia padėti geriausiems jūsų darbuotojams daug veiksmingiau atlikti jau dabar dirbamą vertingą darbą.
Tačiau norint nuo „techniškai veikia“ pereiti prie „duoda investicijų grąžą“, reikia dar kelių dalykų: organizacinių, naudotojo patirties ir matavimo sprendimų, nuo kurių priklauso, ar sistema taps kasdieniu įrankiu, ar pamiršta naršyklės kortele.
Mūsų patirtis rodo, kad jų yra du.
Dažnai kyla pagunda pradėti nuo mažos svarbos vidaus užduočių, pavyzdžiui, “summarise this meeting.” Nors tai saugu, tokie naudojimo atvejai retai sukuria pakankamai vertės sąnaudoms pateisinti.
Giliojo tyrimo sistemos geriausiai prigyja spręsdamos didelius ir sudėtingus uždavinius – brangias problemas, kurių sprendimo kokybės ar spartos pagerėjimas akivaizdžiai didina pajamas arba suteikia strateginį pranašumą.
Didžiausią investicijų grąžą matome, kai įmonės pasirenka tokias pradines sritis:
Sudėtingų pasiūlymų ir RFP rengimas: giliojo tyrimo sistemos gali automatiškai rasti panašiausius anksčiau laimėtus ir pralaimėtus konkursus, išskirti nuostatas, dėl kurių nuolat teikiamos pataisos, rasti stipriausius konkretaus reikalavimo įrodymus ir visa tai paversti tvirta, nuoseklia konkurso pozicija. Čia vertinama ne sutaupyta trukmė, o laimėtų konkursų dalis, išsaugota marža ir mažiau vėlyvų teisinių ar komercinių netikėtumų.
Mokslo srities analizė: daug mokslinių tyrimų ir plėtros vykdančiose organizacijose – farmacijos, biotechnologijų ar puslaidininkių įmonėse – tikslas yra kelių savaičių literatūros ir vidaus žinių analizę sutraukti į praktiškai pritaikomą tyrimo kryptį. Giliojo tyrimo sistema gali perskaityti tūkstančius straipsnių, patentų, vidaus ataskaitų, laboratorijos užrašų ir ankstesnių programų apžvalgų, nustatyti, kas žinoma ir dėl ko nesutariama, ir parengti įrodymais pagrįstą srities apžvalgą. Tai leidžia sparčiau kartoti tyrimų ciklus, rečiau pasirinkti aklavietes ir, svarbiausia, sutrumpinti laiką iki pirmojo tyrimo su žmonėmis.
Rinkos įžvalgos: bankams ir rizikos draudimo fondams vertę kuria išskaidytų vidaus tyrimų – užrašų, modelių, pokalbių išrašų ir brokerių komentarų – bei išorinių signalų – dokumentų, finansinių rezultatų, makroekonominių rodiklių ir naujienų – pavertimas sprendimams tinkama prekybos analize. Giliojo tyrimo sistema gali nuolat kurti ir atnaujinti įmonės, temos ar makroekonominio klausimo analizę, išryškinti svarbiausius pokyčius nuo praėjusios savaitės, suderinti prieštaringus šaltinius ir parengti investicinę pažymą ar prekybos dokumentų paketą su visa kilmės informacija.
Visus šiuos atvejus sieja tai, kad jie nėra pokalbiai. Tai sudėtingos darbo eigos, kurioms paprastai reikia brangių išorės konsultantų arba kelių savaičių vyresniųjų darbuotojų darbo. Pritaikius giliojo tyrimo sistemą šioms problemoms, jos vertė nekelia abejonių.
Tai vienas iš naudotojo patirties pokyčių, lemsiančių 2026-uosius.
Jei giliojo tyrimo sistema tėra pokalbių robotas, kuriam vartotojai pateikia užklausas, ji gali greitai tapti tik retkarčiais naudojamu įrankiu. Ji lieka informaciniu įrankiu, o vartotojai vis tiek turi patys surinkti rezultatus į norimą galutinį produktą. Tačiau jei ji veikia kaip visada pasiekiamas analitikas, kuriam galima pavesti darbą, komandos veiklos modelis gali iš esmės pasikeisti.
Matome perėjimą nuo „pokalbių“, kuriuos sudaro trumpos abipusės žinutės, prie delegavimo: apibrėžiama apimtis, šablonas ir tikslas, o sistema darbą atlieka pati.
Tai leidžia trys konkretūs pokyčiai:
Rezultatai kaip galutiniai dokumentai: vertingas darbas retai lieka pokalbio lange – jis pateikiamas dokumentuose, pažymose ir skaidrėse. Šiuolaikinės giliojo tyrimo sistemos turėtų praleisti pokalbio etapą ir iš karto kurti galutinį verslo dokumentą. Kai vartotojas gali paprašyti “3-page investment memo in our corporate format” ir vietoj teksto srauto gauti atsisiunčiamą failą, laikas iki vertės sukūrimo smarkiai sutrumpėja. Dažnai tai išplečiama planiniu generavimu: vartotojai gali nurodyti, kad atsiradus naujų duomenų būtų automatiškai kuriami naujų įžvalgų turintys el. laiškai ar ataskaitos ir siunčiami susijusiems asmenims.
Vietinis optimizavimas naudojant pasirinktinius šablonus: modeliai tapo pakankamai patikimi, kad verslo padaliniai ar net atskiri vartotojai galėtų patys keisti instrukcijas ir veikseną nesugadindami sistemos. Rizikos ataskaita Londone atrodo kitaip nei Niujorke. Leidus komandoms įkelti ar kurti savo struktūrinius šablonus, nustatyti sustojimo kriterijus, pavyzdžiui, “always check these three specific internal databases”, ir pasirinkti išvesties formatą, vartotojai gali gauti daug daugiau vertės ir susikurti vis dažniau naudojamą sprendimą.
Pasitikėjimas kaip sąsajos dalis: kai vartotojas deleguoja užduotį, vykdomą ilgiau nei 20 minučių, pasitikėjimas tampa itin svarbus. Negalima pateikti juodosios dėžės. Sąsaja turi atskleisti sistemos samprotavimą ir pasirinkimus: rodyti vartotojui naudojamus įrankius, generuoti citatas ir kita. Dažnai geriausia tokių sistemų sąsaja pagal numatytąją nuostatą rodo bendras tyrimo eigos įžvalgas, o vartotojui leidžia išskleisti šoninį skydelį ar panašų elementą ir peržiūrėti daugiau informacijos.
Įsivaizduojame ateitį, kurioje kiekviena pirmaujanti įmonė svarbiausioms darbo eigoms naudoja individualiai pritaikytą giliojo tyrimo sistemą. Tai bus nuolat veikiantys analitikai, galintys patikimai peržiūrėti tūkstančius vidaus dokumentų ir parengti sprendimus bei rezultatus, kuriais žmonės galės remtis veikdami. Priešakiniams modeliams keliant galimybių kartelę, svarbiausi tampa pagrindai: duomenų pasiekiamumas, sistemos žemėlapis ir vertinimais užtikrinamas patikimumas.
Per pastaruosius metus matytas modelių galimybių augimas aiškiausiai rodo, kur link judame. 2026 m. lyderių galimybė – veikti anksti. Pasirinkite pradinę sritį, kurioje vertė aiškiai matoma, užsitarnaukite pasitikėjimą užtikrindami kilmės atsekamumą ir apsauginius barjerus, o bandomąjį įmonių giliojo tyrimo sprendimą paverskite kasdien naudojamu, nuolat vertę didinančiu pajėgumu.