Что нужно знать о конкуренции в эпоху искусственного интеллекта | Большие Идеи

・ Технологии
Статья, опубликованная в журнале «Гарвард Бизнес Ревью Россия»

Что нужно знать о конкуренции в эпоху
искусственного интеллекта

Как разумные машины меняют правила бизнеса

Авторы: Карим Лакхани , Марко Янсити

Что нужно знать о конкуренции в эпоху искусственного интеллекта
Иллюстрация: Eddie Guy

читайте также

Модель швейцарского сыра: отрывок из книги Павла Алферова

Павел Алферов

Почему потребители восстают против слоганов

Анраде Эдуардо,  Дальтон Эми,  Лоран Джулиано

Что реально заботит лучших CEO

Ади Игнейшес

Как Apple сокращает рынок смартфонов

Хуан Пабло Васкес Сампере

В 2019 году, спустя всего пять лет с момента основания Ant Financial Services Group, число людей, пользующихся ее сервисами, превысило миллиард. Компания, отпочковавшаяся от гиганта Alibaba, использует данные и искусственный интеллект его главной платформы мобильных платежей Alipay, чтобы управлять необычайно широким спектром направлений: от потребительского кредитования, краткосрочных инвестиций и управления частным капиталом до медицинского страхования, услуг в сфере кредитного рейтинга и даже онлайн-игры, помогающей людям уменьшать свой углеродный след. Компания об­служивает по меньшей мере в десять раз больше клиентов, чем крупнейшие банки США, имея при этом в десять раз меньше сотрудников. В 2018 году, во время последнего раунда финансирования, она оценивалась в $150 млрд — это почти половина от стоимости самой дорогой финансовой организации мира JPMorgan Chase.

В отличие от традиционных банков, инвестиционных фондов и страховых компаний, Ant Financial выстроена на цифровой основе. Ключевые этапы ее операционной деятельности обходятся без участия человека. Здесь правит искусственный интеллект. Кредиты одобряют не менеджеры, финансовые рекомендации дают не консультанты, медицинские расходы подтверждают не агенты. В отсутствие трудовых ограничений, сдерживающих традиционные фирмы, Ant Financial обретает небывалые возможности для конкуренции, роста и влияния в самых разных отраслях.

С появлением подобных фирм началась эра искусственного интеллекта. Помимо Ant Financial, в их число входят такие гиганты, как Google, Facebook, Alibaba и Tencent, а также множество менее крупных, но стремительно развивающихся фирм, от Zebra Medical Vision и Wayfair до Indigo Ag и Ocado. Каждый раз, когда мы пользуемся услугами этих компаний, происходит одна и та же важная вещь: мы получаем ценность не от традиционных бизнес-­процессов, реализуемых рабочими, менеджерами, технологами, диспетчерами или операторами техподдержки, а от алгоритмов. Глава Microsoft Сатья Наделла называет ИИ новой «рабочей средой» компании. Конечно, над созданием искусственного интеллекта и ПО для алгоритмов по-прежнему работают инженеры и менеджеры — но дальше система генерирует ценность самостоятельно, путем цифровой автоматизации или через экосистемы сторонних поставщиков. Именно ИИ назначает цены на Amazon, рекомендует песни на Spotify, сводит покупателей и продавцов на маркетплейсе Indigo, оценивает заемщиков на Ant Financial.

Снятие привычных ограничений меняет правила конкуренции. По мере того как цифровые сети и алгоритмы проникают в саму структуру компаний, целые отрасли начинают работать по-новому, а границы между ними постепенно стираются. Изменения выходят далеко за пределы цифровых фирм: сталкиваясь с соперниками нового типа, традиционные организации тоже переходят к моделям на базе ИИ. Walmart, Fidelity, Honeywell и Comcast активно внедряют аналитику данных, алгоритмы и цифровые сети, стремясь достойно конкурировать в новой эре. Не имеет значения, руководите ли вы цифровым стартапом или модернизируете традиционное предприятие, — вам в любом случае необходимо понимать революционное значение ИИ для производства, стратегии и конкуренции.

ФАБРИКА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Основу компании нового типа составляет фабрика принятия решений — мы называем ее фабрикой искусственного интеллекта. Ее ПО ежедневно проводит миллионы рекламных аукционов на Google и Baidu. Ее алгоритмы решают, какие машины будут поданы клиентам Didi, Grab, Lyft и Uber. Она назначает цены на наушники и рубашки поло на Amazon и управляет роботами-­уборщиками в магазинах Walmart. Она контролирует ботов клиентского сервиса в Fidelity и анализирует рентгеновские снимки в Zebra Medical. В каждом из этих случаев фабрика ИИ применяет научный подход к принятию решений. Аналитические алгоритмы последовательно конвертируют внутренние и внешние данные в прогнозы, знания и решения, которые, в свою очередь, направляют и автоматизируют операционные процессы.

Как ни странно, взрывному росту цифровых фирм зачастую способствуют даже не самые совершенные алгоритмы ИИ. Для достижения революционного эффекта ИИ не обязательно должен творить чудеса — действовать или мыслить подобно человеку, что обычно приписывают так называемому «сильному ИИ». Вам будет достаточно «слабого ИИ» — компьютерной системы, способной выполнять задачи, которые прежде поручались людям.

Даже со слабыми алгоритмами фабрика ИИ может брать на себя принятие ряда ключевых решений. В одних компаниях (например, в Google и Facebook) она отвечает за информационные направления. В других — координирует действия по разработке, поставкам или использованию физических продуктов (складские роботы Amazon, сервис беспилотных такси Waymo от Google). Однако во всех случаях цифровые фабрики принятия решений обслуживают важнейшие процессы и операционные задачи. Ядром организации становится ПО, а люди перемещаются на второй план.

Каждой фабрике ИИ для работы необходимы четыре компонента. Во-первых, конвейер данных — систематический, устойчивый и масштабируемый полуавтоматический процесс сбора, очистки, интеграции и защиты данных. Во-вторых, алгоритмы, прогнозирующие будущие ситуации и действия. В-третьих, платформа для экспериментов, на которой можно проверять идеи и выяснять, дадут ли те или иные усовершенствования алгоритмов нужный эффект. В-четвертых, инфраструктура — системы, позволяющие встроить этот процесс в ПО и связать его с внутренними и внешними пользователями.

Вспомним поисковики вроде Google или Bing. Когда мы начинаем вводить слово в строку поиска, алгоритмы динамически предсказывают наш запрос на основе всех запросов, сделанных ранее другими пользователями, а также наших последних действий. Эти предсказания появляются перед нами в виде выпадающего списка автоматических подсказок, что позволяет нам быстро выбрать нужный вариант. Каждое касание клавиатуры и каждый клик сохраняются системой как важные данные, позволяющие улучшить предсказания для будущих запросов. ИИ генерирует и органические результаты поиска, извлекая их из предварительно составленного веб-индекса и оптимизируя согласно кликам пользователя по результатам предыдущего поиска. Ввод слова в строку поиска запускает автоматический аукцион по выбору наиболее релевантной для этого случая рекламы. На результаты этого аукциона влияют дополнительные эксперименты и петли обучения. Каждый клик на странице результатов поиска и далее дает системе полезную информацию. Чем чаще мы прибегаем к поисковику, тем лучше предсказания — и тем активнее мы продолжаем им пользоваться.

МАСШТАБ, ОХВАТ И ОБУЧЕНИЕ БЕЗ ГРАНИЦ

Как минимум со времен промышленной революции ключевой задачей бизнеса было масштабирование. Великий теоретик менеджмента и историк бизнеса Альфред Чандлер писал о том, как промышленные предприятия Нового времени достигали невероятного уровня производительности при очень низких удельных издержках (в этих условиях у крупных фирм было ­серьезное ­преимущество перед мелкими). Он делал упор на выгоду, которую компании могли извлечь из расширения производственных возможностей или ассортимента продукции. Поскольку фирмы стремились к улучшениям и инновациям, добавилось третье требование — обучение. Масштаб, охват и обучение стали считаться ключевыми факторами операционной эффективности. Долгое время на эти факторы работали отлаженные бизнес-процессы: для поставок товаров и предоставления услуг клиентам использовался человеческий труд, а управление осуществляли менеджеры; традиционные ИТ-системы поддерживали эти процессы.

Сегодня, после сотен лет постепенного совершенствования промышленной модели, стали появляться цифровые фирмы, которые в корне меняют устоявшуюся парадигму масштаба, охвата и обучения. Процессы на базе ИИ масштабируются намного быстрее традиционных, обеспечивают гигантский охват за счет взаимодействия цифровизированных направлений, создают эффективные возможности для обучения и улучшений — например, построения еще более сложных и точных моделей клиентского поведения и дальнейшей подстройки услуг.

При традиционной модели производства масштабирование в какой-то момент неизбежно перестает быть выгодным. Но в случае с ИИ-моделями так происходит не всегда: здесь эффект масштаба может расти очень долго, достигая небывалого уровня (см. врезку «В чем ИИ-компании сильнее обычных»). Представьте себе, что происходит, когда ИИ-фирма начинает конкурировать с обычной, делая тем же клиентам такое же (или лучшее) ценностное предложение при куда более масштабируемой операционной модели.

Мы называем такое противостояние «столкновением». Поскольку эффект масштаба усиливается за счет обучения и сетевых эффектов, цифровые фирмы получают колоссальное преимущество перед обычными. Все мы видим, к чему привело столкновение Amazon с традиционными ритейлерами, Ant Financial — с традиционными банками, Didi и Uber — с традиционными сервисами такси. Клейтон Кристенсен, Майкл Рейнор и Рори Макдоналд писали в своей статье «Подрывные инновации: двадцать лет спустя» («HBR Россия», март 2016 года), что такие победы нельзя считать подрывными. Столкновения не связаны с какими-либо инновациями в технологиях или бизнес-модели, они возникают в результате появления фирм совершенно нового типа. Но они в корне меняют целые отрасли и саму природу конкурентных преимуществ.

Важно понимать, что операционная модель на базе ИИ может далеко не сразу начать создавать экономическую ценность, сопоставимую с ценностью от масштабирования при традиционной модели. До достижения критической массы сетевые эффекты работают плохо, а большинству алгоритмов после «холодного запуска» необходимо время, чтобы накопить нужный объем данных. Ant Financial росла быстро, но ее основной платежный сервис Alipay, запущенный Alibaba в 2004 году, достиг нынешних масштабов лишь через много лет. Это объясняет, почему топ-менеджерам, привыкшим к традиционной модели, поначалу сложно поверить в потенциал цифровой. Но когда цифровая модель набирает обороты, она позволяет создать намного бóльшую ценность и легко обогнать традиционные фирмы.

Столкновения традиционных и ИИ-компаний происходят в самых разных сферах, таких как ПО, финансовые услуги, ритейл, телеком, медиа, здравоохранение, автомобилестроение и даже сельское хозяйство. Трудно представить себе фирму, которую появление соперников нового типа не заставило бы задуматься о переходе на цифру.

КАК ПЕРЕСТРОИТЬ ТРАДИЦИОННОЕ ПРЕДПРИЯТИЕ

Традиционной компании, желающей соперничать с цифровыми конкурентами, потребуется нечто большее, чем развертывание корпоративного ПО, организация конвейеров данных, осмысление алгоритмов и экспериментирование. Такая конкуренция требует пересмотра всей организационной и операционной модели. На протяжении очень долгого времени компании оптимизировали масштаб, охват и обучение за счет сужения фокуса и специализации. В результате в большинстве нынешних предприятий структурные подразделения обособлены друг от друга. Несколько поколений информационных технологий не изменили эту картину. Десятилетиями эти технологии использовались для повышения эффективности отдельных функций и подразделений. Традиционные производственные системы зачастую даже еще больше изолировали корпоративные структуры друг от друга, возводя стены между разными отделами и продуктами.

Разрозненность — враг развития на основе ИИ. Сервисы вроде Google Ads или MyBank от Ant Financial сознательно от нее уходят. Эти направления выстраиваются в расчете на использование единого массива данных и общей базы исходного кода. Если структуры организации разрозненны и работают каждая на своем коде со своими данными, внутренние разработки будут фрагментированы, а наладить связи между структурами или подключиться к внешним бизнес-сетям или экосистемам будет почти невозможно. Так же сложно будет составить полное представление о клиенте: это требует усилий всех подразделений и при этом полезно им всем. Поэтому, строя новую цифровую основу, нужно стараться избегать глубоких внутриорганизационных разломов.

Перейти на ИИ-модель непросто, но многие традиционные компании (с некоторыми из них мы работали) уже начали эту трансформацию. В нашем недавнем исследовании участвовали более 350 традиционных предприятий из товарного и сервисного сегментов; оказалось, что большинство их них уже стали больше фокусироваться в своей работе на данных и аналитике. Многие — в их числе Nordstrom, Vodafone, Comcast и Visa — заметно продвинулись на этом пути: они оцифровывают и ­преображают ключевые компоненты операционных моделей, а также разрабатывают сложные платформы для обработки данных и алгоритмы ИИ. Чтобы перевести на цифровые рельсы важнейшие части компании, не нужно быть софтверным стартапом — однако необходимо разрушить замкнутые структуры и устаревшие разобщенные системы, добавить нужные ресурсы и скорректировать корпоративную культуру. (Информацию о ключевых принципах подобных трансформаций см. во врезке «Искусственный интеллект как основа фирмы».)

Fidelity Investments использует ИИ для поддержки процессов в важных областях, таких как обслуживание клиентов, потребительское поведение, инвестиционные рекомендации. Эти инициативы — результат многолетней работы по интеграции информационных активов в единую цифровую базу и соответствующей перестройке организации. Работа еще не завершена, но ИИ уже помогает решать многие важные вопросы по всей компании. Чтобы конкурировать с Amazon, Walmart выстраивает свою операционную модель вокруг ИИ, заменяя прежде разрозненные корпоративные системы ПО единой облачной архитектурой. Благодаря этому Walmart надеется использовать свои уникальные накопленные данные там, где они раньше не приносили пользы, автоматизируя или совершенствуя с помощью ИИ и аналитики все больше рабочих задач. Сатья Наделла уверен, что будущее Microsoft зависит от полноценной трансформации ее операционной модели (см. врезку «ИИ-трансформация в Microsoft»).

ИИ-ТРАНСФОРМАЦИЯ В MICROSOFT

Превращение Microsoft в ИИ-­компанию потребовало нескольких лет исследований и началось с реорганизации внутренних ИТ-активов и данных, прежде разбросанных по разным подразделениям. Этим процессом руководил Курт Делбене — бывший глава направления Microsoft Office, который временно покидал компанию, чтобы помочь властям наладить работу сайта HealthCare.gov, и вернулся в 2015 году.

Глава Microsoft Сатья Наделла не случайно выбрал человека с опытом управления продуктом для работы с ИТ и построения «фабрики ИИ» как основы новой операционной модели. «Наш продукт — это процесс, — объясняет Делбене. — Сначала мы формулируем видение будущего наших систем и процессов, а затем работаем как группа разработки продукта. При этом мы должны быть гибкими». Чтобы привить эту установку коллегам, Курт привлек менеджеров и инженеров из продуктовых подразделений.

Сегодня команда Core Engineering (так стал называться отдел ИТ) — образец для трансформации всей Microsoft. Благодаря ее работе многие разрозненные внутренние процессы удалось перевести на единую программную базу в облаке Microsoft Azure. Теперь команда настроена унифицировать архитектуру данных по всей компании. Новая операционная платформа на основе ИИ обеспечивает огромную корпорацию единой библиотекой программных компонентов, базой алгоритмов и каталогом данных, что позволяет быстро запускать и развертывать цифровые процессы в любых подразделениях.

Помимо повышения эффективности и масштабируемости, ИИ помогает прогнозировать проблемы. «Благодаря ему мы заранее узнаем о том, чтоóможет пойти не так, — говорит Делбене. — Раньше мы могли в лучшем случае быстро отреагировать на сбой, а теперь научились предотвращать проблемы: от плохих контрактов до утечки данных».

ПЕРЕСМОТР СТРАТЕГИИ И ВОЗМОЖНОСТЕЙ

В соперничестве ИИ-фирм с традиционными преимущество все чаще получает тот, кому удается создать и контролировать цифровые сети (см. статью «Почему одни платформы успешны, а другие нет», «HBR Россия», январь — февраль 2019 года). Выигрывают фирмы, успешно связывающие воедино свои направления, агрегирующие данные и извлекающие из них ценность посредством аналитики и ИИ. Традиционные сетевые эффекты и накапливаемые ИИ знания усиливают друг друга. Эту динамику легко увидеть в таких компаниях, как Google, Facebook, Tencent и Alibaba: они стали мощными «хабами» благодаря аккумулированию данных через множество сетевых связей и выстраиванию алгоритмов для получения конкурентных преимуществ в разных отраслях.

Вместе с тем теряют эффективность привычные подходы к стратегии, основанные на традиционном ­отраслевом анализе. Так, автопроизводители сталкиваются с рядом новых цифровых угроз — от Uber до Waymo, каждая из которых лежит вне традиционных рамок автоиндустрии. При этом если руководителям автоконцернов удастся представить себе машину вне привычного контекста, как сетевую ИИ-услугу, они смогут не просто защитить свой бизнес, но и получить новую выгоду — через локальные коммерческие возможности, рекламу, новостную и развлекательную ленту, местные сервисы и т. д.

Когда-то лидерам советовали не уходить от бизнеса, в котором они разбираются, из отрасли, которую они хорошо знают. Но синергетические эффекты в сфере алгоритмов и потоков данных не признают границ отраслей. Организации, неспособные привлечь клиентов и данные за этими границами, столкнутся с серьезными проблемами. Вместо того чтобы погружаться в отраслевой анализ и управление внутренними ресурсами, лучше сосредоточить стратегию на межотраслевых связях фирмы и на потоке данных, проходящих через используемые ею сети.

Описанные процессы преображают организации и их сотрудников. Машинное обучение меняет суть почти любой должности, независимо от ее природы, уровня или специализации. Безусловно, операционные модели на базе ИИ скажутся на жизни людей. Ряд исследований показал, что ИИ-системами можно заменить примерно половину наших нынешних профессий. Этому не стоит удивляться. В конце концов, операционные модели давно уже создаются так, чтобы большинство задач были предсказуемыми и повторяющимися. Скажем, процедуры сканирования продуктов на кассе, или приготовления латте, или удаления грыжи от стандартизации только становятся лучше: они не требуют творческого подхода. Хотя ИИ обогатит множество профессий и откроет целый спектр новых возможностей, огромное число нынешних рабочих мест неизбежно утратит актуальность.

Перераспределение ролей будет связано не только с заменой людей программами, но и с размыванием традиционных представлений о работе вообще. ИИ-компании обходят узкоспециализированные фирмы почти по всем направлениям. В их мире на смену узким специалистам придут универсалы, умеющие работать с данными и создавать алгоритмы для любых целей. Новые универсальные возможности уже сегодня меняют стратегии, принципы организации бизнеса и даже руководства. В самых разных цифровых и сетевых компаниях стратегии и факторы операционной эффективности сегодня весьма похожи. Опыт в конкретной сфере перестал играть решающую роль. Когда Uber искала нового гендиректора, выбор совета директоров пал не на главу люксовой службы такси, а на бывшего лидера цифровой фирмы Expedia.

Мы переходим от эпохи специфических для каждой отрасли ключевых компетенций к эпохе, которую формируют данные и аналитика, а поддерживают алгоритмы, находящиеся в облаке и открытые для всех. Именно по­этому Alibaba и Amazon успешно конкурируют в таких разных отраслях, как ритейл и финансовые услуги, здравоохранение и оценка заемщиков. Сегодня у этих секторов много общего в технологическом базисе, они используют одни и те же методы и инструменты. Стратегии перестают быть дифференцированными, основанными на затратах, качестве, брендовом капитале и узком вертикальном опыте, и начинают тяготеть к новым преимуществам — например, положению в бизнес-сети, накоплению уникальных данных, развертыванию передовой аналитики.

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ КАК ОСНОВА ФИРМЫ

Переход от традиционной модели к ИИ нельзя отрепетировать на опытном образце или осуществить силами отдельной команды. Этот процесс требует общих усилий. В ходе исследований и работы с разными компаниями мы сформулировали пять принципов трансформации в дополнение к общеизвестным практикам управления изменениями.

Единая стратегия. Пересмотреть операционную модель — значит создать каж­дое подразделение с нуля на новом едином базисе: данных, аналитике, ПО. Эта сложная и трудоемкая задача требует сосредоточенности и наделения руководителей трансформации системными полномочиями по координации и поддержке инициатив снизу.

Продуманная архитектура. Новый подход требует некоторой централизации и полной согласованности. Для максимального эффекта информационные активы следует интегрировать в самые разные процессы. Фрагментированные данные почти невозможно защитить системно, особенно учитывая соображения конфиденциальности и безопасности. Если не все данные хранятся в централизованных репозиториях, нужно по крайней мере составить точный каталог их расположения, четкие правила использования (и защиты) и определить сроки и способ хранения данных, чтобы ими могли пользоваться все заинтересованные стороны.

Нужные возможности. Создание базового ПО, инструментов обработки данных и аналитики займет много времени, но со многими задачами справится даже небольшая группа компетентных и ­мотивированных специалистов. Увы, не во всех организациях осознают, как важно регулярно нанимать разнообразные таланты и продумывать для них карьерные траектории и систему стимулов и поощрений.

Гибкий «продуктовый» подход. Переход к модели на основе ИИ предполагает превращение традиционных процессов в ПО. Для этого необходимо мыслить в категориях продукта. Подобно продакт-­менеджерам в масштабных проектах разработки ПО, ИТ-­команды, развертывающие приложения на основе ИИ, должны хорошо понимать сценарии их использования. Такой подход принципиально отличается от практик в традиционных организациях. В прошлом ИТ-отдел в основном поддерживал работу существующих систем, обновлял ПО, защищал компанию от кибератак и отвечал на вопросы пользователей. Программная разработка операционной модели — совершенно иная задача.

Междисциплинарное управление. Управление цифровыми активами становится все более важным и сложным. Оно требует слаженного взаимодействия разных подразделений и направлений. Проблемы защиты данных, алгоритмической предвзятости и кибербезопасности повышают риски, в том числе вмешательства и регулирования со стороны государства. К управлению такими активами следует привлекать юристов и специалистов по корпоративным действиям (они могут участвовать даже в принятии продуктовых и технологических решений). Работа с ИИ требует полного внимания к правовым и этическим вопросам, включая решения о том, какие данные следует хранить и защищать, а какие нет.

ЗАДАЧИ РУКОВОДСТВА

Устранение операционных ограничений не всегда полезно, хотя оно и может вызвать быстрый рост. Лишенные трения системы часто нестабильны и, единожды запущенные, останавливаются с большим трудом. Представьте себе автомобиль без тормозов или лыжника, который никак не может замедлиться на спуске с горы. Цифровой сигнал (например, вирусный мем) способен невероятно быстро распространяться по сетям, и никто не сможет остановить этот процесс — даже организация, запустившая его, или владелец ключевых узлов сети. При полном отсутствии преград видео с насилием или лживый манипулятивный заголовок может гулять по миллиардам пользователей во множестве сетей и даже трансформироваться в процессе для оптимизации кликов и загрузок. Если вы хотите донести до людей нечто важное, ИИ дает отличные возможности по охвату и персонализации вашего послания. Но рай для маркетолога порой превращается в ад для потребителя.

Цифровые операционные модели могут накапливать не только ценность, но и вред. Даже при самых благих намерениях потенциальные проблемы могут оказаться огромными. Одна ошибка — и большая цифровая сеть подвергнется разрушительной кибератаке. Неконтролируемые алгоритмы усугубят стереотипы и ложь. Риски многократно вырастут. Вспомним, что цифровые банки накапливают гигантские суммы частных сбережений. Ant Financial, ныне оперирующая одним из крупнейших в мире фондов краткосрочных инвестиций, пользуется доверием миллионов китайских потребителей. Их деньги подвергаются существенному риску, особенно учитывая относительно небольшой опыт компании.

Цифровой масштаб, охват и обучение создают новые проблемы, связанные не только с конфиденциальностью и кибербезопасностью, но и социальной турбулентностью из-за концентрации рынка, кризисов и роста неравенства. Институты, созданные для контроля бизнеса (в том числе регуляторы), с трудом успевают за переменами.

В мире ИИ совпадение предложения со спросом вызывает бурный рост числа пользователей, вовлеченности и дохода. Однако неограниченный рост опасен. Потенциал фирм с цифровой операционной моделью велик, но важно помнить и о вероятности огромного ущерба. Сумеют ли бизнес и общественные институты справиться с новыми возможностями и угрозами? Эта задача станет для лидеров проверкой на прочность.

Об авторах. Марко Янсити (Marco Iansiti) — профессор делового администрирования Гарвардской школы бизнеса, глава отделения технологического и операционного менеджмента, руководитель Digital Initiative. Консультировал такие ИТ-компании, как Microsoft, Facebook и Amazon. Карим Лакхани (Karim R. Lakhani) — профессор делового администрирования и научный сотрудник Гарвардской школы бизнеса, основатель и один из руководителей гарвардской Лаборатории теории инноваций. Марко и Карим — авторы книги «Competing in the Age of AI» (Harvard Business Review Press, 2020).

* деятельность на территории РФ запрещена