Model można wymienić. Kontekstu klubu nie.

W rozmowach o technologii w klubach wraca dziś jedno pytanie: który model sztucznej inteligencji wybrać. Chodzi o duże modele językowe, w skrócie LLM, czyli technologię stojącą za obecną falą generatywnej sztucznej inteligencji. Uważamy, że to pytanie jest coraz mniej istotne, i warto wyjaśnić, dlaczego.

Co właściwie znaczy, że model staje się commodity

Zacznijmy od definicji, bo pojęcie commodity jest w tej dyskusji kluczowe i warto je ustawić precyzyjnie.

Komodytyzacja to proces, w którym różnice między ofertami różnych dostawców maleją z perspektywy klienta, produkty stają się coraz bardziej zastępowalne, a cena i dostępność coraz słabiej różnicują.

Dotyczy to każdej technologii, która z rzadkiej staje się powszechna. Produkt pozostaje potrzebny, a przestaje być powodem, dla którego wybiera się jednego dostawcę zamiast drugiego.

Commodity nie oznacza więc, że coś jest nieważne. Nie oznacza też, że łatwo to zbudować.

Z dużymi modelami językowymi dzieją się dziś trzy rzeczy równocześnie i dopiero razem dają ten efekt. Modele są coraz lepsze. Są przy tym coraz bardziej do siebie podobne pod względem tego, co faktycznie potrafią, i dotyczy to zarówno rozwiązań otwartych, jak i zamkniętych. A koszt ich użycia spada w tempie, które trudno śledzić.

W efekcie dostęp do dobrego modelu coraz trudniej traktować jako trwałe źródło przewagi.

Nie jest to teza nowa w literaturze zarządzania. Mikalef i Gupta opisali ten mechanizm już w 2021 roku: technologia sama w sobie jest zasobem koniecznym, ale niewystarczającym, bo techniki, które można swobodnie kupić na rynku i które podlegają replikacji, nie tworzą przewagi same z siebie.

Zaczyna się to pojawiać również w badaniach. Wu, Lin i Li przeanalizowali, co stało się po publicznym udostępnieniu jednego z dużych modeli językowych w wersji otwartej. Potraktowali ten moment jako szok komodytyzacyjny: technologia, która wcześniej była trudniej dostępna, stała się dostępna dla znacznie większej liczby deweloperów. Ci, których ta zmiana dotyczyła, zaczęli przesuwać wysiłek w stronę obszarów mniej skomodytyzowanych. Innymi słowy: kiedy technologia przestała różnicować, zaczęli szukać przewagi gdzie indziej.

Nie komodytyzuje się całe AI. Komodytyzuje się dostęp do modeli AI ogólnego przeznaczenia, takich jak duże modele językowe. Budowanie modeli na granicy możliwości pozostaje kapitałochłonne i skoncentrowane. Azoulay, Krieger i Nagaraj analizują ten rynek narzędziami ekonomii innowacji i dochodzą do wniosku, że kontrola nad infrastrukturą i wyspecjalizowanymi zdolnościami prawdopodobnie doprowadzi do koncentracji, podobnie jak przy wcześniejszych przełomach technologicznych.

Dla klubu ta różnica jest całą sprawą. Klub nie musi budować modelu. Wystarczy, że będzie go używał. A tę możliwość ma dziś coraz więcej klubów.

Futbol zna podobny mechanizm z GPS. Sam dostęp do technologii był kiedyś wyróżnikiem. Dziś nadajniki GPS są powszechnym elementem profesjonalnego futbolu. To, co nadal może różnicować kluby, nie leży w samym posiadaniu urządzenia, ale w tym, jak dane są interpretowane, łączone z kontekstem i wykorzystywane w decyzjach.

Jeżeli model nie jest przewagą, wartość przesuwa się do warstwy aplikacji

Samo kupienie dostępu do modelu nie rozwiązuje problemu organizacji. Model z półki nie zadziała sam, bo nie wie, gdzie się znalazł, na czym ma pracować ani do czego jego odpowiedź ma posłużyć.

To, co trzeba wokół niego mieć, to warstwa aplikacji. To w niej AI ogólnego przeznaczenia spotyka konkretną organizację, jej dane, zasady, ograniczenia i sposób działania.

Najprościej opisać ją przez to, co się w niej rozstrzyga:

Tylko pierwsze z tych rozstrzygnięć dotyczy samego modelu, a model można kupić gotowy. Pozostałe pięć zależy od tego, co wie klub. Dlatego warstwa aplikacji musi znać organizację, w której działa, a to, co zostaje w niej zapisane, należy do klubu.

Model staje się commodity. Przewaga przesuwa się do kontekstu, a warstwa aplikacji jest miejscem, w którym model może ten kontekst wykorzystać.

To jest różnica między „mamy AI” a rzeczywistym użyciem technologii w klubie. Nie chatbot, nie pojedynczy prompt, nie jedna trafna odpowiedź, tylko zestaw rozstrzygnięć, który sprawia, że model działa w konkretnym miejscu, na konkretnych danych, według konkretnych reguł.

Modele będą się zmieniać. Pojawi się lepszy, tańszy, bardziej wyspecjalizowany. Warstwa aplikacji powinna pozwalać je zmieniać bez utraty kontekstu organizacji. Dlatego to ona, a nie model, jest właściwym przedmiotem strategicznej decyzji.

Model jest komponentem, nie systemem

Klub potrzebuje do tego trzech rzeczy. Jest jednak między nimi istotna różnica.

Model się zmienia. Warstwa dojrzewa. Kontekst rośnie.

Stąd wniosek praktyczny: model językowy powinien być wymienny. Klub, który oprze swoją strategię technologiczną na jednym modelu językowym, podejmuje zakład na coś, co zmienia się co kilka miesięcy.

Model i dostawcę modelu da się zmienić. To operacja techniczna i z każdym miesiącem coraz tańsza, pod warunkiem że to, co ważne, nie mieszka w modelu. Kontekst organizacji, czyli jej definicje, metoda, procesy, reguły decyzyjne i historia, musi być zapisany w warstwie aplikacji. Tylko wtedy wymiana modelu nie oznacza utraty tego, co klub wie.

Pytanie strategiczne brzmi więc inaczej, niż brzmi dziś większość rozmów o technologii w sporcie.

Nie: który model wybrać. Tylko: czy mamy warstwę aplikacji, która pozwoli zmienić model bez utraty tego, co wiemy o sobie.

Tam, gdzie AI spotyka organizację

Porównajmy teoretycznie dwa kluby. Pierwszy to klub z czołówki europejskiej. Drugi to klub średniej wielkości z ligi krajowej. Załóżmy, że oba mają dokładnie ten sam dostęp do najlepszego istniejącego modelu: tę samą jakość, ten sam koszt, ten sam dzień startu.

Co nadal je różni?

Nie technologia, bo technologia jest w tym porównaniu identyczna. Model wchodzi do obu organizacji z tą samą wiedzą o świecie i z zerową wiedzą o miejscu, w którym się właśnie znalazł.

Model wie, czym jest pressing, czym są oczekiwane gole, co pokazują dane GPS i co mówi literatura o obciążeniach treningowych. Zna futbol jako dziedzinę i zna go coraz lepiej.

Nie wie natomiast, co w którymkolwiek z tych klubów znaczy, że zawodnik jest gotowy. Nie zna modelu gry, który sztab uzgadniał przez trzy lata, ani tego, które jego elementy są nienegocjowalne, a które adaptuje się do materiału. Nie wie, dlaczego dwa lata temu przesunięto zawodnika o rocznik wyżej i jak to się skończyło. Nie wie, że poprzedni dyrektor sportowy próbował już podobnego rozwiązania i dlaczego się nie przyjęło. Nie zna kalendarza, ograniczeń boisk, zasad awansu ani tego, że w jednym z tych klubów decyzja o zmianie w sztabie zapada zupełnie inaczej niż w drugim.

Model zna futbol. Nie zna twojego klubu.

Zadaniem warstwy aplikacji jest sprawić, żeby model ogólnego przeznaczenia stał się w konkretnym środowisku bezpieczny, użyteczny i precyzyjny. Te trzy słowa oddzielają narzędzie, którym można się pobawić, od narzędzia, któremu organizacja pozwala uczestniczyć w realnych decyzjach.

Dlaczego akurat to jest trudne do skopiowania, wyjaśniają Mikalef i Gupta. Zasoby niematerialne organizacji są nieodtwarzalne dlatego, że powstają z niepowtarzalnej mieszanki historii organizacji, jej ludzi, procesów i warunków, w jakich działa. Dwa kluby piłkarskie różnią się dokładnie tym.

Łączy się to z tym, co coraz wyraźniej mówi literatura o wiedzy organizacji. Hussinki, Mikalef i Ritala opisują ten mechanizm od strony organizacji: wartość pojawia się wtedy, gdy technologia pracuje na własnych, zastrzeżonych danych organizacji, a lepsza widoczność tych danych pozwala jej zrozumieć, co właściwie wie, odnaleźć wiedzę ukrytą i ją zintegrować, prowadząc do decyzji lepiej poinformowanych, bardziej spójnych i szybszych.

Nasza teza brzmi więc: im bardziej wymienne stają się modele, tym bardziej strategiczny staje się kontekst.

Wynika to z prostego rachunku. Wartość z nowej technologii rzadko przechwytuje ten, kto ją wymyślił. Przechwytuje ją ten, kto ma to, co trzeba do niej dołożyć, żeby cokolwiek z niej wynikło. W klubie tym czymś jest metoda, procesy, historia, ludzie i reguły, według których zapadają decyzje.

Mikalef i Gupta piszą wprost: nawet organizacja dysponująca ogromnymi zasobami danych, wysoko wykwalifikowanymi specjalistami i najnowocześniejszą infrastrukturą nie osiągnie poprawy wyników, jeżeli nie jest w stanie zmienić sposobu, w jaki pracuje. To zamyka drogę najwygodniejszej odpowiedzi, czyli kupienia większej ilości technologii.

Kontekst to więcej niż dane

Typowy software sportowy zatrzymuje się w jednym miejscu:

Dalej stoi człowiek, który patrzy i decyduje. Uważamy, że to jest za mało, i nie dlatego, że dashboard jest zły, tylko dlatego, że dane nie są końcem systemu. Są jego wejściem.

Pełniejsza sekwencja wygląda tak:

Z bezpieczeństwem i uprawnieniami jako warstwą przekrojową, bo w klubie nie każdy może wiedzieć wszystko i nie każdy może zdecydować o wszystkim.

I tu pojawia się luka. Tradycyjna architektura bardzo dobrze pamięta, co się wydarzyło. Znacznie gorzej pamięta, dlaczego organizacja zrobiła to, co zrobiła.

Czternastego marca zawodnik przechodzi z U17 do U19. To jest w systemie. Data, nazwisko, zespół.

Czego w systemie nie ma: jakie były alternatywy, kto rekomendował ten ruch, na podstawie jakich przesłanek, kto miał wątpliwości i jakie, dlaczego dyrektor zdecydował inaczej, niż sugerował sztab, i czy sześć miesięcy później okazało się to trafne.

Prowadzi to do kategorii, którą warto nazwać, bo bez nazwy nie da się o niej rozmawiać.

Pamięć decyzyjna klubu: zapis rozważanych opcji, rekomendacji, samej decyzji, jej uzasadnienia i rezultatu.

Pętla, która zamyka się dopiero przy decyzji

Pamięć decyzyjna oznacza, że organizacja zachowuje nie tylko wejście i wynik, ale również sam proces: jakie opcje były rozważane, co rekomendował system, co zdecydował człowiek, dlaczego zdecydował inaczej, jakie działanie wykonano i jaki był rezultat.

Powstaje wtedy pętla:

Ostatnia strzałka jest najważniejsza, bo to ona sprawia, że organizacja przestaje tylko raportować, a zaczyna się uczyć. Klub, który wie, że trzy lata temu przy podobnych przesłankach podjął podobną decyzję i jak się ona skończyła, podejmuje kolejną inaczej.

To rozróżnienie dzieli też narzędzia, z których klub korzysta. Dashboard pokazuje problem. Asystent może zasugerować rozwiązanie. Dopiero system uczestniczący w pełnej drodze od informacji do działania i z powrotem gromadzi coś, czego nie kupi się od żadnego dostawcy: własną historię decyzji i ich konsekwencji.

To jest przy tym zasób, którego wartość kumuluje się w czasie. Model za dwa lata będzie inny. Pamięć decyzyjna za dwa lata będzie o dwa lata bogatsza, jeżeli ktoś zadbał, żeby powstawała. Albo o dwa lata uboższa, jeżeli w tym czasie odeszło kilka osób.

Hagiu i Wright, modelując konkurencję firm uczących się na danych, pokazują przy tym, że o przewadze decyduje kształt krzywej uczenia, a nie sama ilość danych. Liczy się to, jak długo kolejne dane wciąż coś wnoszą. Tam, gdzie uczenie szybko dochodzi do progu, przewaga się nie utrzymuje. Nasza hipoteza jest taka, że pamięć decyzyjna klubu może być właśnie takim zasobem: każdy kolejny sezon przynosi nowe przypadki, decyzje i ich konsekwencje, które dopisują się do historii tej samej, jednej organizacji.

Widać wtedy, czym naprawdę jest zjawisko, które branża zna od dawna z zupełnie innej strony. Kiedy odchodzi dyrektor sportowy, klub nie traci danych. Dane zostają. Klub traci rozumowanie: kryteria, powody, wcześniejsze próby i wiedzę o tym, co się nie sprawdziło. Ta wiedza nigdy nie była w organizacji. Była w człowieku i wyszła razem z nim.

Co to znaczy dla ludzi w klubie

Model zna świat. Trener, dyrektor sportowy, analityk i fizjoterapeuta znają organizację, a to jest dokładnie ta część, której model nie ma skąd wziąć. Wartość powstaje z połączenia obu.

Osąd tych ludzi jest więc wejściem do systemu i jego najcenniejszym materiałem. Kryteria, według których oceniają zawodnika, powody, dla których kiedyś zdecydowali inaczej, niż sugerowały liczby, i wiedza o tym, jak to się skończyło, to jest dokładnie to, z czego powstaje kontekst klubu. Zadaniem warstwy aplikacji jest sprawić, żeby ten materiał został w organizacji także wtedy, kiedy odchodzą ludzie, którzy go wnieśli.

Pytanie, które z tego wynika, brzmi: co się dzieje, kiedy wiedza najlepszych ludzi w organizacji zaczyna pracować szerzej, niż oni sami są w stanie?

W poprzednim tekście pytaliśmy, czy klub może zwielokrotniać swoje zdolności, zamiast tylko zwiększać zasoby. To jest jedna z konkretnych odpowiedzi na tamto pytanie.

Gdzie to prowadzi

Komodytyzacja nie jest tezą tego tekstu. Jest jego warunkiem początkowym.

Jeżeli każdy klub ma dostęp do porównywalnej inteligencji, pytanie „kto ma najlepszy model” traci strategiczne znaczenie. Zyskuje je inne: co klub wie o sobie i czy ta wiedza ma gdzie pracować.

To pytanie nie ma jednorazowej odpowiedzi. Model będzie się zmieniał co kilka miesięcy. Warstwa aplikacji dojrzewa z każdym sezonem. A kontekst, czyli metoda, historia i rozumowanie stojące za decyzjami, rośnie tylko w tym jednym klubie i tylko w czasie.

Model można wymienić. Kontekstu klubu nie.