Čeprav mnogi poglobljeno raziskovanje uporabljajo individualno – za spletno iskanje in združevanje informacij –, ga je le malo ljudi lahko izkoristilo v podjetjih. Ne zato, ker ne bi bilo uporabno – prav nasprotno –, temveč zaradi širših pomislekov o zanesljivosti, razpršenih podatkovnih virih in zmožnosti modela za obdelavo velike količine konteksta, denimo ogromnega števila različnih vrst datotek.
Naše izkušnje z razvojem orodij za poglobljeno raziskovanje v podjetjih v zadnjih 12 mesecih kažejo, da je te pomisleke z dobro premišljenim inženiringom vse lažje odpraviti. V tem prispevku obravnavamo glavne ovire za učinkovite aplikacije poglobljenega raziskovanja v podjetjih, načine za njihovo odpravo in pričakovani razvoj tega področja v letu 2026.
Zgornja meja izvedljivosti se je močno zvišala. Prihod modela gpt-5 avgusta 2025 je pomenil prelomnico za umetno inteligenco v podjetjih. V naših produkcijskih sistemih, vključno s platformo za odkrivanje tarč zdravil za eno največjih farmacevtskih družb na svetu, se je delež haluciniranih virov s 3–4 % zmanjšal praktično na nič. Decembra je gpt-5.2 nato še povečal učinkovito dolžino konteksta. Praktični rezultat: obseg posameznega raziskovanja lahko zdaj povečamo s stotin na tisoče virov, ne da bi ogrozili zanesljivost. Ozko grlo se je z zmogljivosti modela premaknilo tja, kamor spada: k vašim podatkom, evalvacijam in zasnovi programa.
Podatkovna strategija: dostopnost je pomembnejša od poenotenja. Razumljivo je, da podjetja umetno inteligenco obravnavajo kot problem integracije podatkov, vendar je to pogosto kontraproduktivno. Popolno poenotenje je počasno in politično ter zahteva prezgodnjo zavezo, še preden ugotovite, katera vprašanja so zares pomembna. Pragmatična poteza v letu 2026 je ohlapna povezljivost. Podatke naredite dostopne prek ključnih opornih točk (specifikacij, pravilnikov, SKU-jev, pogodbenih določil), namesto da leta čakate na poenotenje vsega. Prelomni modeli lahko zdaj med izvajanjem »mehko povezujejo« sisteme in sorodne pojme brez formalnih preslikav. Tako ohranite hitrost uvedbe in prilagodljivost za poznejše dodajanje virov.
Usmerjanje preprečuje tavanje. Podatki podjetja niso splet. So razpršeni, polni lokalnih pravil in pogosto imajo za posamezno dejstvo natanko en pravilen vir. Brez usmerjanja modeli radi izvajajo neskončne poizvedbe, da bi našli še en vir, pri tem pa povečujejo zakasnitev in izčrpavajo potrpljenje uporabnikov. Lahka semantična plast (razpršene tabele, iskanje entitet, preprosti grafi odnosov) sistemu omogoča hitre in poceni korake do pravega konteksta. Predstavljajte si nasvet izkušenega sodelavca novincu: »Te strani dodaj med zaznamke, pri težavah z AWS pa se obrni na Rossa.« Ni treba, da je zapleteno. Sistemu mora le pomagati hitro najti, kar potrebuje.
Mehanske (ob vsaki poizvedbi): kakovost navedb, pravilna uporaba orodij, zakasnitev in stroški. To so vaša varovala – vsakdanja, vendar nujna.
Analitične (občasno): Ali sistem izbira prava orodja in smiselne smeri raziskovanja, uporablja verodostojne vire ter ve, kdaj se ustaviti? Običajno jih glede na označene primere ocenjuje veliki jezikovni model v vlogi sodnika.
Uporabniške (stalno): uspešnost izvedbe nalog, kvalitativne povratne informacije naprednih uporabnikov in analitika uporabe. Končni preizkus. Ali smo ustvarili nekaj, kar se ljudem zdi uporabno?
Donosnost naložbe prinašajo težki, ne varni problemi. Po poročilih, da večina projektov umetne inteligence v podjetjih ne doseže donosnosti naložbe, je potrpljenja za impresivne predstavitve, ki nikoli ne pridejo v uporabo, konec. Vodstvo želi dokaze, in to hitro. Ta pritisk lahko ekipe paradoksalno vodi k napačnim odločitvam. Mikavno je začeti z manj pomembnimi nalogami, saj jih je preprosto uvesti in verjetno ne bodo nikogar vznemirile. Toda ti primeri uporabe le redko ustvarijo dovolj učinka, da bi upravičili nadaljnje naložbe. Sistemi za poglobljeno raziskovanje v podjetjih lahko dobro dokažejo svojo vrednost, saj so namenjeni delu, ki je že zdaj drago: zapletenim, pomembnim potekom dela z očitnimi stroški obstoječega načina dela. Najuspešnejše primere uporabe opažamo pri pripravi RFP-jev in ponudb, analizi znanstvenega okolja ter naložbenih raziskavah – na področjih, kjer se učinek meri z uspešnostjo ponudb, hitrejšim prehodom v klinična preskušanja in hitrejšim sprejemanjem trdnih odločitev, ne le s prihranjenimi urami.
Premik uporabniške izkušnje: od klepeta k delegiranju, od odgovorov h končnim izdelkom. Menimo, da bo to eden ključnih premikov uporabniške izkušnje v letu 2026. Pri rešitvah, ki so bile v zadnjem času najbolje sprejete, izstopa nekaj značilnosti. Z večjo zanesljivostjo teh sistemov jih uporabniki vse manj obravnavajo kot klepetalne robote za poizvedbe in vse bolj kot analitike, ki jim lahko predajo naloge. To omogočata dve stvari: ekipam dovolimo, da predloge in merila za ustavitev prilagodijo svojim potekom dela, ter jim omogočimo neposreden izvoz v dejansko potreben format (memorandum, predstavitev, povzetek itd.), namesto da bi morale končni izdelek sestavljati iz niti klepeta. Ko je poskrbljeno za oboje, sistem ni več le referenčno orodje, temveč postane način opravljanja dela.
Lani smo pisali o uvajanju poglobljenega raziskovanja v podjetja. Spletno usmerjeno paradigmo poglobljenega raziskovanja, ki jo je sprva populariziral OpenAI, smo razširili na lastniške podatkovne vire podjetij, ne da bi izgubili sledljivost ali nadzor. Poudarili smo tudi, da sistemi poglobljenega raziskovanja niso odmik od klasičnih sistemov RAG, temveč njihov razvoj.
Ob vstopu v leto 2026 se ni toliko spremenila zamisel poglobljenega raziskovanja kot zgornja meja njegove izvedljivosti.
Ko smo te sisteme začeli razvijati v začetku leta 2025, so prelomni modeli vključevali o1, gpt-4o in claude-3.5-sonnet – v samo 12 mesecih smo res prišli daleč –, večje premike pa so v prvih mesecih leta prinesli modeli, kot sta o3 in gemini-2.5-pro. Za svoj čas so bili odlični in z njimi je bilo vsekakor mogoče razviti robustne aplikacije poglobljenega raziskovanja – do določene meje. Ta meja je bila običajno pri nekaj sto virih. Nato je bilo treba kontekst precej agresivno krčiti, sicer so bili odgovori pomanjkljivi, upoštevanje navodil slabše ali pa so se pojavile očitne halucinacije.
Če ste razvijali takšne sisteme, boste nekatere od teh načinov odpovedi prepoznali.
Za ponazoritev: sredi leta 2025 smo z eno največjih farmacevtskih družb na svetu začeli razvijati rešitev za poglobljeno raziskovanje v podjetju. Sistem pospešuje odkrivanje tarč zdravil, pri katerem raziskovalci iščejo gene, hormone ali druge sestavine človeškega telesa, na katere je mogoče ciljati pri zdravljenju bolezni. Takrat je bil najzmogljivejši razpoložljivi model o3. Čeprav je zagotavljal visoko zmogljivost, je 3–4 % odgovorov tega modela vsebovalo vire, ki mu niso bili posredovani prek klicev orodij do lastniških podatkovnih virov stranke. To smo ublažili z naknadnim preverjanjem navedb, ki je označilo dele odgovorov brez podpore v podanem kontekstu. V zgodnji fazi dokazovanja koncepta je to dobro okrepilo zaupanje deležnikov v orodje in nam omogočilo hiter napredek. Kljub temu smo še naprej zmanjševali te napake, blažili omejitve modelov in hkrati izpolnjevali zahteve deležnikov po dodajanju novih virov v sistem.
Ključna prelomnica za razvoj prelomnih rešitev poglobljenega raziskovanja – in agentskih rešitev na splošno – je bil prihod modela gpt-5 avgusta. Ko smo o3 zamenjali z gpt-5, so naše evalvacije pokazale, da se je delež haluciniranih virov takoj zmanjšal na 0 %.
Natančneje: ta metrika meri izključno, ali model navede ID dokumenta ali URL, ki ga ni bilo v pridobljenem kontekstu. V obdobju modela o3 in prej so si modeli včasih izmislili verodostojno zveneča imena datotek ali člankov, da bi zapolnili vrzeli v znanju. Z modelom gpt-5 smo to konkretno pomanjkljivost praktično odpravili.
To se razlikuje od napak v zvestobi viru, ko model navede pravi dokument, vendar besedilo napačno razume. Ta izziv še vedno obvladujemo z omenjenimi naknadnimi preverjanji.
To je odpravilo veliko oviro. Nato smo sistem začeli preizkušati, da bi ugotovili, kako daleč ga lahko potisnemo z novo generacijo modelov. Ugotovili smo, da lahko število virov v posameznem poglobljenem raziskovanju povečamo približno desetkrat, na okoli 3.000–5.000. Končna omejitev ni bilo slabše upoštevanje navodil, temveč zmogljivost pri dolgem kontekstu. Učinkovita dolžina konteksta modelov je pogosto veliko manjša od navedene, zlasti pri gostih farmacevtskih podatkih.
To omejitev je sredi decembra delno ublažila izdaja modela gpt-5.2. Naša interna merila uspešnosti pri dolgem kontekstu so pokazala veliko izboljšanje učinkovite zmogljivosti, zato smo lahko prelomne sisteme poglobljenega raziskovanja potisnili še dlje. Tako smo lahko povečali število žetonov, posredovanih neposredno modelu, ki pripravi rezultat za uporabnika, in ponudili vsebinsko bogatejši odgovor. Vseeno si želimo, da bi se učinkovita dolžina konteksta prelomnih modelov v letu 2026 še povečevala.
Zaradi tega napredka osnovnih zmogljivosti modelov so se ozka grla pri razvoju sposobnih sistemov poglobljenega raziskovanja v marsičem vrnila tja, kjer bi morala biti že ves čas: k vašim podatkom, evalvacijam in načinu vzpostavitve programa poglobljenega raziskovanja v podjetju. Pri vsakem od teh korakov morate pragmatično odločiti, kaj bo pri razvoju poglobljenega raziskovanja resnično izboljšalo rezultate.
V nadaljevanju članka predstavljamo, kako razmišljamo o teh odločitvah.
Mikavno je projekte raziskovanja v podjetjih obravnavati kot problem integracije podatkov. Poenotite vire, normalizirajte shemo in modelom prepustite delo.
Da ne bo pomote: včasih je to natanko prava poteza. Če delujete na področju, kjer so ključne entitete stabilne in poizvedbe ponovljive, končni cilj pa je industrializacija poteka dela, lahko poenotenje prinese znatne koristi. Klasični primeri vključujejo povezovanje podatkov o strankah in prihodkih, podatke o tržnih cenah ter vse, kar zahteva zanesljivo poročanje med sistemi.
V praksi pa današnji inovativni voditelji od sistemov poglobljenega raziskovanja v podjetjih pričakujejo nekaj drugega.
Ob vse večjem poudarku na donosnosti naložb v umetno inteligenco je ključni cilj odločevalcev hitro dokazati vrednost v neurejeni resničnosti vsakodnevnega poslovanja. Popolno poenotenje podatkovnih virov pa je eden najpočasnejših načinov za pridobitev prvega dokaza. Je zahtevno. Postane politično. Pogosto vas prisili, da se zavežete določeni smeri, še preden ugotovite, katera vprašanja so zares pomembna.
Menimo, da je pragmatično izhodišče za razvoj prelomnih sistemov poglobljenega raziskovanja v letu 2026 običajno naslednje: podatki naj bodo najprej dostopni, šele nato lepo urejeni.
Če obstaja realna možnost, da boste sčasoma dodajali nove vire – kar velja za večino podjetij –, so ohlapnejše povezave podcenjene. Za enotnim vmesnikom za pridobivanje podatkov lahko izpostavite več deset virov. Sistem bo še vedno deloval, predvsem pa boste ohranili možnost hitre uvedbe. Pri dodajanju novih virov vam ni treba premikati gora. Preprosto priključite nov povezovalnik, osrednjemu sistemu pojasnite, kaj je in kako ga uporabljati, nato pa delo prepustite modelom. To deluje, ker lahko današnji prelomni modeli med izvajanjem mehko povežejo dva ali več podatkovnih virov, na primer »Customer ID« v enem sistemu z »Client Reference« v drugem, ne da bi kdo napisal formalno preslikavo. Nismo edina ekipa, ki razmišlja tako. Nismo edina ekipa, ki razmišlja tako: interni podatkovni agent družbe OpenAI modelom omogoča sklepanje na podlagi 70.000 raznovrstnih zbirk podatkov tako, da kontekst in povezave naredi dostopne ob poizvedbi, namesto da bi zahteval popolno vnaprejšnje poenotenje.
Pomembno je poudariti, da ohlapno ne pomeni nujno plitvo.
Ohlapna integracija najbolje deluje, ko so vzpostavljene povezave smiselne in izražene tako, da jih sistem zlahka izkoristi. Koristno je, da nekatere informacije obravnavate kot oporne točke, denimo specifikacije, pravilnike, opredelitve izdelkov, SKU-je in pogodbena določila. Za učinkovite oporne točke ni treba poenotiti vseh zbirk podatkov; potrebujete le stabilen identifikator in nekaj zelo informativnih povezav.
Predstavljajte si na primer, da model ali uporabnik poišče specifikacijo. V preprostem sistemu se interakcija tu konča. Pridobite specifikacijo, jo povzamete in morda navedete. Pri razvoju uporabnih podatkovnih struktur pa želimo to iskanje spremeniti v začetek nadzorovanega širjenja. Zapis te specifikacije bi lahko na primer povezali z zgodovinsko relevantnimi izdelki. »Relevantno« ima lahko več pomenov, vendar je običajno odvisno od naloge sistema. Vključuje lahko RFP-je, ki omenjajo specifikacijo, pretekle uspešne ponudbe zanjo, popravke, pri katerih je pravna služba ugovarjala tej specifikaciji, in podobno. Ta pristop lahko močno izboljša kakovost odgovorov in zakasnitev, saj sistemu poglobljenega raziskovanja že med poizvedbo hitro prikaže najpomembnejše vpoglede.
S tem se odpre naslednje vprašanje: ko imate svet ohlapno povezanih podatkovnih virov z nekaj zelo informativnimi povezavami, kako preprečiti, da bi sistem poglobljenega raziskovanja taval kot otrok po slaščičarni, in ga pripraviti do krmarjenja kot izkušen analitik?
Podatkovni viri podjetij se ne vedejo kot splet. So razpršeni, polni lokalnih pravil in pogosto imajo za posamezno dejstvo natanko en »pravilen« vir – če ga lahko najdete. Poleg tega današnji modeli pri iskalnih vprašanjih radi maksimirajo priklic in izvajajo vedno nove poizvedbe, da bi našli še en sam vir, pri tem pa povečujejo zakasnitev in izčrpavajo potrpljenje uporabnikov. To je mogoče delno ublažiti s skrbno zasnovanimi pozivi.
Najučinkovitejša rešitev je lahko orodje, ki modelu pomaga pri orientaciji v nepreglednem podatkovnem okolju podjetja. Nekatere ekipe temu pravijo ontologija. Druge temu pravijo semantična plast, iskalna storitev, graf ali zbirka konceptov. Poimenovanje pravzaprav ni pomembno.
Pomembno je, da sistemu omogoča niz hitrih in poceni korakov, s katerimi lahko model učinkovito prehaja med pravimi deli konteksta, namesto da bi navidez neskončno taval.
Preprosta prispodoba je prihod v novo podjetje ali projekt, kjer vam sodelavci povedo: »Te strani moraš dodati med zaznamke, saj jih boš ves čas uporabljal,« ali »Whenever you have an issue with AWS just speak to Ross, he’ll get you the info you need,« in podobno. Tudi tu želimo sistemu poglobljenega raziskovanja le pomagati, da hitro najde, kar potrebuje.
V praksi ni treba, da je ta sistem zapleten ali ročno vzdrževan. Najboljše rešitve, ki smo jih našli, ustvarijo veliki jezikovni modeli med vnosom podatkov, tako da izluščijo entitete in samodejno napolnijo graf, ali pa gre za preproste prehode do obstoječih evidenčnih sistemov, na primer poizvedbo prek API-ja Salesforce. Pogosti primeri vključujejo:
Iskanje po razpršeni tabeli (npr. poizvedba z imenom izdelka vrne njegov opis)
Preprost vpogled v »pogoste« odnose (npr. ta gen je v našem grafu vzročnih povezav med geni najpogosteje povezan s temi boleznimi)
Modeli za prepoznavanje poimenovanih entitet (koristni predvsem na področjih z zahtevnim razločevanjem entitet, kot je farmacija)
Pri najzapletenejših podatkovnih odnosih so lahko lahki grafi RDF najbolj razširljiva rešitev za ontologijo
… in še veliko več
Ko je to vzpostavljeno, se lahko sistem učinkovito premika med vašimi podatkovnimi viri. Naslednje vprašanje je preprosto: kako veste, da ob dejanski uporabi vedno ravna pravilno?
Ko so podatki dostopni in navigacijska plast zagotavlja zemljevid, lahko sistem opravi svoje delo. Toda v podjetju zmogljivost brez zanesljivosti ne pomeni nič.
Tu leži največje pokopališče projektov umetne inteligence. Številne ekipe so se ujele v past ocenjevanja »po občutku«. Izvedle so poizvedbo, prebrale rezultat, zadovoljno prikimale in ga uvedle. Ta pristop ne deluje pri razvoju sistema poglobljenega raziskovanja, ki lahko samostojno pregleda 5.000 dokumentov in pripravi priporočilo za večmilijonsko odločitev o dobavni verigi.
Ključni premik je, da ne ocenjujete več modela, temveč sistem. Na uporabniško izkušnjo vplivajo razumevanje vprašanj, načrtovanje, klicanje orodij, interpretacija, krčenje konteksta, ponovno razvrščanje in celo na videz dolgočasne podrobnosti povezovalnikov, kot so časovni žigi.
Te težave rešujemo s strukturiranimi in ponovljivimi evalvacijami.
Evalvacije lahko na splošno razdelimo v tri kategorije, od mehanskih do subjektivnih.
Ta del je najbolj podoben testom enot in ekipe lahko pri njem na začetku pogosto najhitreje napredujejo. Običajno so tudi dolgoročno najstabilnejše: ko jih vzpostavite, prinašajo koristi v celotni življenjski dobi projekta.
»Mehanske evalvacije« so praviloma preverjanja, ki se lahko brez sodelovanja človeka izvedejo ob vsaki poizvedbi. Pomagajo nam vzpostaviti zaupanje, da se sistem pri dejanskih uporabniških obremenitvah vede predvidljivo in varno.
Nekaj primerov:
Kakovost navedb: Ali vse navedbe kažejo na odlomke, ki so bili dejansko pridobljeni? Ali obstajajo trditve brez navedb? Ali obstajajo trditve, ki jih izvorno gradivo ne podpira? Ali so navedbe preveč splošne (npr. za eno trditev je naveden celoten dokument)?
Pravilna uporaba orodij: Ali je sistem uporabil vsa orodja, za katera je navedel, da jih je? Ali je pravilno uporabil navigacijska orodja? Ali je katero od zahtev orodjem nepravilno oblikoval? Ali je ob napakah smiselno poskusil znova?
Omejitve zakasnitve in stroškov: Ali je ostal znotraj ciljnega časa do prvega žetona? Ali je presegel pričakovano število klicev orodij ali proračun? Ali je za neznatno izboljšanje porabil veliko časa in računske moči?
Morda se zdijo vsakdanji, vendar prav takšni testi preprečujejo propadanje sistema v podjetju.
Pri dejanskem projektu poglobljenega raziskovanja za odkrivanje tarč zdravil smo denimo uporabili dve ravni preverjanja navedb, ki se izvedeta ob vsaki poizvedbi. Najprej modelu naročimo, naj pri ustvarjanju odgovora pogosto vključuje sprotne navedbe. Tudi zmožnost velikih jezikovnih modelov, da to zanesljivo počnejo, je razmeroma nov pojav iz prve polovice leta 2025. Kdor je to prej poskušal izvajati z večjimi količinami podatkov, ve, kako zahtevno je bilo. Tako lahko z nekaj preprostimi preverjanji z regularnimi izrazi ugotovimo, ali je denimo omenjena povezava do članka, ki je ni bilo med podanimi viri.
Druga raven preverjanj se izvede naknadno, po pretočnem prikazu odgovora. Odgovor se najprej razdeli na dele, nato pa se vsak del oceni tako, da sistem v pridobljenih podatkih poišče vire, ki podpirajo navedene trditve. Če podpornih dokazov ne najde, se to označi kot morebitna halucinacija.
Če so mehanske evalvacije vaši testi enot, so analitične evalvacije vaš pregled kode.
Tu poskušamo razumeti, ali sistem delo opravlja dobro. Običajno želimo vedeti, ali uporablja prava orodja, sledi ustreznim smerem raziskovanja, izbira najverodostojnejše vire in ve, kdaj se ustaviti.
V praksi so to običajno pari vprašanj in odgovorov (V–O), pri katerih je denimo znano smiselno zaporedje klicev orodij ali pravilna odločitev na podlagi raziskovalnega gradiva, najdenega s prvim orodjem. Pari V–O se ne ujemajo nujno v razmerju 1 : 1 z vhodom in izhodom celotnega sistema poglobljenega raziskovanja; z njimi lahko preizkušamo tudi podprocese. S temi oznakami, ki jih lahko pripravi človek ali dovolj zmogljiv označevalni model, lahko nato po metodi velikega jezikovnega modela v vlogi sodnika ocenimo uspešnost raziskovanj. S spremljanjem teh ocen skozi čas ugotovimo, ali naše spremembe sistem izboljšujejo ali pa so povzročile nazadovanje zmogljivosti.
Zaradi višjih denarnih in časovnih stroškov jih je praviloma smiselno izvajati občasno, po določenem urniku ali pred posodobitvami različic.
To prinaša še korist drugega reda: takšne analitične evalvacije lahko neposredno usmerjajo nadgradnje prej omenjenih ohlapnih povezav. Če model vedno znova naredi enak kakovosten preskok, na primer »specifikacija → zgodovinsko relevantni primeri RFP«, čeprav ljudje teh izdelkov trenutno ne povezujejo izrecno, je to koristna ugotovitev. Ta preskok lahko spremenite v neposredno povezavo ali bližnjico, da bodo prihodnja raziskovanja hitrejša in doslednejša.
Tu odkrijete tudi eno najdražjih pomanjkljivosti sistemov poglobljenega raziskovanja: težnjo po privzetem maksimiranju priklica. Model lahko vedno najde še en vir. Vprašanje je, ali ga mora. Model lahko prilagodimo tako, da spodbuja smiselno ustavljanje: sistem prepozna, kdaj dodatno pridobivanje podatkov verjetno ne bo spremenilo sklepa, ter poda dobro podprt odgovor na uporabnikovo vprašanje.
Mehanske evalvacije povedo, ali je sistem varen. Analitične evalvacije povedo, ali je sposoben. Uporabniške evalvacije povedo, ali je dejansko uporaben.
Tudi na tem področju številne ekipe naredijo napako. Ustvarijo tehnično impresivno rešitev, ki je nihče ne želi uporabiti dvakrat. V podjetju je to razlika med uspešno uvedbo in dragim raziskovalnim projektom.
Bistvo uporabniških evalvacij je ugotoviti, ali sistem pravi problem rešuje na pravi način. To pomeni preseči vprašanje »ali je pravilno odgovoril?« in se vprašati »ali mi je dal nekaj, na podlagi česar lahko ukrepam?«
V praksi imajo uporabniške evalvacije običajno več oblik:
Študije izvedbe nalog: Ali lahko uporabniki s sistemom dejansko hitreje ali bolje opravijo svoje delo? Ne gre za to, ali bi model lahko odgovoril na vprašanje, temveč ali je dejanski uporabnik v svojem resničnem poteku dela dobil, kar je potreboval.
Kvalitativne povratne zanke: redni strukturirani pogovori z naprednimi uporabniki. Katere poizvedbe vedno znova izvajajo? Kje izgubijo zaupanje? Kdaj obupajo in se vrnejo k staremu načinu dela? Te seje pogosto razkrijejo načine odpovedi, ki se v vaših testnih naborih nikoli ne pojavijo, saj uporabniki vprašanja zastavljajo nepričakovano ali pa imajo neizrečena merila kakovosti, za katera niste vedeli.
Analitika uporabe: Katere poizvedbe uporabniki ponovijo? Katere odgovore kopirajo in uporabijo drugje? Kje uporabniki kliknejo palec navzdol? Upad uporabe ni vedno znak neuspeha – včasih uporabniki dobijo odgovor in nadaljujejo delo –, vendar vzorci opuščanja poizvedb veliko povedo o tem, kje sistem ne izpolnjuje pričakovanj.
Skupaj omogočajo merjenje uporabnosti brez ugibanja in pomagajo odkriti težave, preden začnejo spodkopavati zaupanje uporabnikov.
Toda tudi sistem s popolno mehansko natančnostjo in navdušenimi prvimi uporabniki lahko pade na končnem preizkusu: povečanju prihodkov podjetja. Zanesljivost in zadovoljstvo uporabnikov sta le predpogoja za to. Za prehod od uspešnega pilotnega projekta do preobrazbenega sredstva podjetja morate pogledati onkraj delovanja sistema in se osredotočiti na področje njegove uporabe.
Predstavili smo, kako podatke pripraviti za sistem in nato sistem za uporabnike. Zdaj moramo pojasniti, kako naj ta sistem koristi vašemu podjetju.
Poslovni voditelji temu v zadnjem času namenjajo veliko pozornosti, in to upravičeno. Po poročilih, kot je trditev MIT-a, da 95 % projektov umetne inteligence v podjetjih ne doseže donosnosti naložbe, je potrpljenja za impresivne predstavitve, ki nikoli ne pridejo v uporabo, konec. Modeli so pripravljeni. Arhitekture so preizkušene. Zdaj je vprašanje: ali lahko to dejansko uvedete tako, da bo ustvarjalo vrednost za vaše podjetje?
Dobra novica je, da lahko prelomni sistemi poglobljenega raziskovanja, zgrajeni po zgornjih načelih, to zahtevo uspešno izpolnijo. Ne poskušajo avtomatizirati vsega ali nadomestiti celotnih poklicev. Vašim najboljšim ljudem želijo omogočiti, da bodo pri svojem obstoječem delu z visoko vrednostjo veliko učinkovitejši.
Toda prehod od »tehnično deluje« do »prinaša donosnost naložbe« zahteva še nekaj ključnih dejavnikov: organizacijske odločitve ter odločitve glede uporabniške izkušnje in merjenja, ki določajo, ali bo rešitev postala vsakodnevno orodje ali pozabljen zavihek.
Po naših izkušnjah sta dva.
Pogosto je mikavno začeti z manj pomembnimi internimi nalogami, kot je »summarise this meeting«. Čeprav je to varno, takšni primeri uporabe le redko dokažejo dovolj vrednosti, da bi upravičili stroške.
Sistemi poglobljenega raziskovanja se najbolje obnesejo pri velikih in zahtevnih nalogah – dragih problemih, pri katerih izboljšanje kakovosti ali hitrosti dokazljivo poveča prihodke ali ustvari strateško prednost.
Največjo donosnost naložbe opažamo, ko podjetja izberejo začetna področja, kot so:
Priprava zapletenih ponudb in RFP-jev: sistemi poglobljenega raziskovanja lahko samodejno poiščejo najbolj podobne pretekle uspešne in neuspešne ponudbe, izluščijo določila, ki vedno sprožijo popravke, najdejo najmočnejša dokazila za zahteve in vse to preoblikujejo v prepričljivo, usklajeno ponudbeno argumentacijo. Merilo ni prihranjeni čas, temveč uspešnost ponudb, ohranjanje marže in manj poznih pravnih ali komercialnih presenečenj.
Analiza znanstvenega okolja: v organizacijah z intenzivnimi raziskavami in razvojem (farmacija, biotehnologija, polprevodniki) je cilj tedne pregledovanja literature in internega znanja skrčiti v uporabno raziskovalno usmeritev. Sistem poglobljenega raziskovanja lahko prebere na tisoče člankov, patentov, internih poročil, laboratorijskih zapiskov in pregledov preteklih programov ter na podlagi dokazov prikaže, kaj je znano in kaj ostaja sporno. Tako lahko omogoči hitrejše cikle izboljšav, manj slepih ulic in predvsem krajši čas do prvega preskušanja na ljudeh.
Tržni vpogled: za banke in hedge sklade je vrednost v pretvorbi razdrobljenih internih raziskav (zapiskov, modelov, prepisov, komentarjev posrednikov) in zunanjih signalov (poročil, poslovnih rezultatov, makroekonomskih objav, novic) v zanesljivo podporo trgovalnim odločitvam. Sistem poglobljenega raziskovanja lahko neprekinjeno gradi in osvežuje pogled na podjetje, temo ali makroekonomsko vprašanje, izpostavi ključne spremembe od prejšnjega tedna, uskladi nasprotujoče si vire ter pripravi naložbeni memorandum ali trgovalni sveženj s popolno sledljivostjo.
Skupno jim je, da ne gre za klepete. Gre za zapletene poteke dela, ki običajno zahtevajo drage zunanje svetovalce ali tedne dela izkušenih zaposlenih. Ko sistem poglobljenega raziskovanja usmerite v te probleme, je njegova vrednost nesporna.
To bo eden ključnih premikov uporabniške izkušnje v letu 2026.
Če je vaš sistem poglobljenega raziskovanja zgolj klepetalni robot, ki mu uporabniki postavljajo poizvedbe, ga lahko hitro začnejo uporabljati le občasno. Ostane referenčno orodje, uporabniki pa morajo njegove rezultate še vedno sami sestaviti v želeni končni izdelek. Če pa deluje kot vedno razpoložljiv analitik, ki mu lahko dodelite delo, lahko povsem spremeni način delovanja ekipe.
Opažamo premik od »klepetanja« – kratkih izmenjav – k delegiranju, pri katerem določite obseg, predlogo in cilj ter sistemu prepustite izvedbo.
To omogočajo trije konkretni premiki:
Rezultati kot končni izdelki: Delo z visoko vrednostjo le redko ostane v oknu za klepet; konča v dokumentih, memorandumih in predstavitvah. Sodobni sistemi poglobljenega raziskovanja bi morali preskočiti fazo klepeta in neposredno ustvariti končni poslovni izdelek. Ko lahko uporabnik zahteva »3-page investment memo in our corporate format« in namesto toka besedila prejme datoteko za prenos, se čas do ustvarjene vrednosti drastično skrajša. To se pogosto razširi na načrtovano ustvarjanje, pri katerem lahko uporabniki zahtevajo, da se ob pojavu novih podatkov samodejno pripravijo e-poštna sporočila ali poročila z novimi vpogledi ter razpošljejo ustreznim osebam.
Lokalna optimizacija s predlogami po meri: Modeli so postali dovolj robustni, da lahko poslovne enote ali posamezni uporabniki oblikujejo svoje pozive in vedenje, ne da bi pokvarili sistem. Poročilo o tveganjih je v Londonu videti drugače kot v New Yorku. Če ekipam omogočite nalaganje ali oblikovanje lastnih strukturnih predlog ter določanje meril za ustavitev, na primer »always check these three specific internal databases«, in izhodnega formata, lahko uporabniki iz sistema pridobijo veliko več vrednosti in ustvarijo nekaj, kar bodo želeli uporabljati vedno pogosteje.
Zaupanje kot vmesnik: Ko uporabnik preda nalogo, ki se izvaja več kot 20 minut, postane zaupanje ključna prednostna naloga. Ne morete ponuditi črne skrinjice. Vmesnik mora razkriti razmišljanje in odločitve sistema ter uporabniku pokazati, katera orodja se uporabljajo, ustvarjati navedbe in še več. Najboljša uporabniška izkušnja pri teh sistemih običajno privzeto prikazuje ključne informacije o napredku raziskovanja, uporabniku pa omogoča, da v stranski vrstici ali podobnem elementu razširi podrobnosti.
Predstavljamo si prihodnost, v kateri ima vsako vodilno podjetje sistem poglobljenega raziskovanja, prilagojen njegovim najpomembnejšim potekom dela. Deloval bo kot niz vedno razpoložljivih analitikov, ki lahko zanesljivo pregledajo na tisoče internih izdelkov ter pripravijo uporabne odločitve in končne rezultate. Ko prelomni modeli zvišujejo zgornjo mejo izvedljivosti, razliko znova ustvarjajo temelji: dostopni podatki, zemljevid za sistem in operativno zagotavljanje zanesljivosti z evalvacijami.
Napredek zmogljivosti modelov v zadnjem letu je najjasnejši pokazatelj smeri razvoja. Priložnost za voditelje v letu 2026 je, da ukrepajo zgodaj. Izberite začetno področje z jasno vrednostjo, pridobite zaupanje s sledljivostjo in varovali ter pilotno rešitev za poglobljeno raziskovanje v podjetju spremenite v vse zmogljivejšo rešitev, ki jo podjetje uporablja vsak dan.