Pierwszą ważną kwestią jest bezpieczeństwo i jakość danych. AI, a szczególnie duże modele językowe lepiej radzą sobie, kiedy dane wejściowe są w jakiś sposób ustrukturyzowane – bez tego jakość wyników potrafi pozostawić wiele do życzenia.
Dane dla AI muszą być więc odpowiednio przygotowane, a to wymaga nie tylko nakładu pracy, ale i specjalistycznej wiedzy.
Kolejnym wyzwaniem są wdrożenia produkcyjne. Z pomocą AI można szybko przygotować efektowne rozwiązania, ale żeby mogły one zostać rzeczywiście wdrożone, najpierw trzeba je gruntownie przetestować. Tymczasem działanie AI wciąż jest niejasne i nie do końca znamy zasady tej gry. Trudno więc uzyskać pewność, że gotowy produkt jest poprawny produkcyjnie. Z tego powodu staramy się działać tak, by AI jedynie uzupełniała nasze rozwiązania “od zaplecza”, ale nie była skierowana frontem do klienta. Dzięki temu mamy większą kontrolę nad tym, co AI wygenerowało i możemy zdecydować, czy nadaje się to do wykorzystania.