Искусственный интеллект с широкими полномочиями | Большие Идеи

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

Искусственный интеллект с
широкими полномочиями

Не пытайтесь изменить сразу все, но начните с чего-то важного

Авторы: Брайан Маккарти , Тамим Салех , Тим Фаунтейн

Искусственный интеллект с широкими полномочиями
Фото: Patrick Fry

читайте также

«Вы просто продаете товары или способны на большее?»: о чем забывают компании

Лиза Ерл Маклеод

Татьяна Бакальчук: «Ошибки — неотъемлемая часть роста»

Под влиянием

Анна Натитник

Спад экономики в Китае через призму цепочек поставок

Дэвид Симчи-Леви

Большинство гендиректоров признают, что искусственный интеллект (ИИ) способен полностью изменить бизнес. Они могут нарисовать картину будущего, в котором, к примеру, ритейлеры доставляют потребителю персонализированный продукт еще до того, как тот его закажет, — возможно, уже в день производства. Кому-то покажется, что этот сценарий сошел со страниц научной фантастики, но ИИ, способный претворить его в жизнь, уже существует.

Однако на пути к идеалу есть преграда — компании до сих пор не понимают, как под такое будущее подстроиться, хотя нельзя не отметить, что многие усердно работают над внедрением цифровых технологий, подчас полностью изменяя процессы обслуживания клиентов и производства товара.

Чтобы потенциал ИИ раскрылся в полной мере, нужно переосмыслить бизнес-модель и все виды деятельности: недостаточно просто автоматизировать или анализировать какие-то процессы с его помощью. Конечно, ИИ можно поручить частные задачи отдельных функций (так называемые частные случаи применений), но при таком подходе не удастся преобразовать операции и увеличить общую прибыль. К тому же при разрозненных усилиях масштабирование ИИ пойдет труднее и обойдется дороже, поскольку каждая функциональная команда вынуждена будет заново придумывать, как заручиться поддержкой стейкхолдеров, обучить сотрудников, справиться с изменениями, управлять данными, настроить компьютерные технологии и т. д.

ИДЕЯ КОРОТКО

Проблема
Большинство компаний не подготовлены к тому, чтобы в полной мере задействовать потенциал ИИ. Все потому, что они применяют его к отдельным задачам, двигаясь мелкими шажками. Масштабировать ИИ им будет гораздо сложнее.
Решение
Организации достигают наибольшего успеха, когда в корне переосмысляют бизнес-процесс, проект или функцию, использующую ИИ. Тогда каждая новая разработка с ИИ строится на фундаменте предыдущей — и запускается естественный цикл изменений.
Как осуществить
Руководители должны помочь своим организациям выявить те области бизнеса, которые выгоднее всего трансформировать с помощью ИИ, а затем нацелить их на полную перенастройку одной или двух выбранных областей. Понадобится внедрить новые ИТ, перенастроить операционные процессы, изменить методы совместной работы и полностью переосмыслить бизнес-модель.

Это не означает, что нужно переводить на ИИ все сразу. Такая стратегия заведомо приведет к провалу, ведь для полной трансформации для достижения быст­рого результата надо будет одновременно проворачивать множество проектов, каждый со своими стейкхолдерами и своими приводными ремнями.

Правильнее будет выявить важнейший аспект вашего бизнеса и полностью переосмыслить именно его. Трансформация каждого этапа основного производства, цикла или функции — мы называем их областями бизнеса — даст серьезный толчок производительности. Комплексность позволит развивать новые ИИ-проекты на основе предыдущих, к примеру, повторно использовать данные и наращивать потенциал партнеров. По нашим наблюдениям, такой подход запускает органический цикл изменений по разным областям бизнеса: когда ИИ доказывает свою ценность руководителям и сотрудникам, он широко распространяется по организации, а люди настраиваются на постоянное совершенствование. Это особенно важный сдвиг, ведь ИИ-технологии стремительно развиваются, в силу чего организации должны воспринимать их развертывание как постоянный процесс, а не разовое усилие.

Компании, которые воспользуются ИИ в полной мере, наверняка потеснят тех, кто с этим не справится, и это уже происходит в некоторых отраслях — например, в производстве автомобилей и в финансовых услугах. Хорошая новость состоит в том, что за последние годы многие компании даже с небольшим потенциалом в аналитике начали развивать навыки в сфере ИИ — кризис COVID-19 заставил их в одночасье изменить свои методы. Теперь осталось применить новые навыки в более крупных проектах, а это еще одно испытание.

На следующих страницах мы расскажем, что компаниям нужно сделать для масштабирования ИИ — мы опираемся на свой опыт работы с сотнями клиентов, в том числе с крупнейшими в мире организациями.

ШАГ 1: ОПРЕДЕЛИТЕ СТРАТЕГИЮ

Определить правильный масштаб ИИ-проектов непросто. Наш совет гендиректорам: ориентируйтесь на те области бизнеса, в которых ИИ покажет весомые результаты за разумное время — тогда будет относительно легко найти лидера, привлечь к участию партнеров и собрать команду. Кроме того, многие виды деятельности взаимосвязаны, а значит, у вас будет возможность повторно использовать данные и производственные активы. (Чтобы узнать, правильно ли вы оценили масштаб своей ИИ-инициативы, смотрите врезку «Признаки того, что ваши замыслы по ИИ слишком широки или слишком узки».)

Потенциал воздействия. Выбранные области бизнеса должны быть достаточно обширными, чтобы ИИ-усовершенствование существенно повысило прибыль компании, либо улучшило опыт клиентов или сотрудников. Одна авиакомпания, которую мы консультируем, определила для себя 10 основных областей бизнеса, которые подходят под это описание: грузоперевозки, экипажи, управление доходами, электронная коммерция, обслуживание клиентов, аэропорты, техобслуживание самолетов, сетевое планирование, операции, сотрудники с высоким потенциалом. Начать решили с грузоперевозок, определив набор ИИ-проектов, которые можно завершить менее чем за пять месяцев. Первый был нацелен на повышение эффективности через более точное прогнозирование объема и веса грузов, что обещало дополнительную прибыль в размере около $30 млн.

Другой пример: телекоммуникационный провайдер решил перестроить процесс управления потребительской ценностью, включая все взаимодействия с клиентами. ИИ помог понять и удовлетворить потребности каждого клиента, и провайдеру удалось сократить время маркетинговых кампаний на 75% и снизить отток пользователей на три процентных пункта. По прогнозам компании, за счет новов­ведений к концу 2021 года прибыль вырастет на $70 млн.

Взаимосвязанные действия. Перспективная область бизнеса состоит из набора видов деятельности, перенастройка которых поможет решить системные проблемы, такие как хроническая неэффективность (к примеру, длительный срок одобрения кредитов), изменчивость (быстрые колебания потребительского спроса) и регулярно упускаемые возможности (трудности с доставкой продуктов клиентам). Во многих случаях ИИ может устранить первопричины этих проблем благодаря выводам аналитики и организационным улучшениям.

Та же авиакомпания выделила шесть тесно связанных видов действий по перевозке грузов: переговоры о цене, распределение пространства, бронирование, документирование перевозок, управление наземными операциями и доставкой, выставление счетов. Удовлетворенность клиентов и ценообразование зависят, в частности, от наличия свободного места при запросе в последний момент, от возможности отслеживать отправления в режиме реального времени и от скорости доставки. Когда эти шесть действий перенастроили так, чтобы они могли передавать данные на единую ИИ-платформу, авиаперевозчик смог значительно сократить системные потери и повысить качество обслуживания клиентов, что положительно сказалось и на норме прибыли, и на репутации.

Лидер и команда. В перспективной области бизнеса обеспечьте следующие компоненты успеха:

  • активный руководитель, ответственный за всю цепочку создания стоимости (в авиакомпании это был вице-президент по грузоперевозкам);

  • увлеченное высшее руководство (в авиакомпании руководящая группа включала старшего директора по грузоперевозкам и двух его непосредственных подчиненных). Эти люди выполняют функции «владельца продукта» (лица, ответственного за осуществление решений), «переводчика», который объединяет сферы аналитики и бизнеса, и руководителя по изменениям, ответственного за управление трансформационным процессом;

  • команда практиков искусственного интеллекта: специалистов по аналитике, обработке и хранению данных, архитекторов, бизнес-аналитиков и скрам-мастеров (их можно подобрать из штата вашей организации);

  • группа передовых пользователей или работников, ответственных за повседневную деятельность (в авиакомпании это были 250 агентов по продажам и бронированию в Северной и Южной Америке, Азиатско-Тихоокеанском регионе и в Европе).

Отбирая сотрудников по всей цепочке выбранной вами области и назначая их ответственными, укрепляйте их вовлеченность и инициативность, воодушевляйте и давайте им новый импульс. Без всего этого люди вряд ли выйдут за рамки сложившихся представлений о бизнесе, когда будут разрабатывать решения и устранять внезапные преграды, которые неизбежно возникнут на их пути.

Технологии и данные многоразового использования. Что еще важно, так это выбрать области бизнеса, в которых сходятся данные и технологические компоненты, необходимые для запуска ИИ-моделей. Все становится намного проще, если команды смогут повторно использовать данные или фрагменты кода, созданные для начального ИИ-проекта, а не начинают каждый новый проект с нуля. Да, в первые один-два проекта придется инвестировать, но затем новые проекты начнут черпать из прошлого опыта, что значительно сокращает время и стоимость разработок. Какие ресурсы мы имеем в виду? Что касается данных, это общие библиотеки и метаданные, а со стороны технологий — сценарии машинного обучения, интерфейсы прикладного программирования (API), которые извлекают данные из унаследованных систем, и инструменты визуализации данных.

Обычно руководство выделяет от восьми до десяти областей, в которых ИИ может трансформировать их бизнес. Как только список будет готов, мы советуем выбрать из него одну или две позиции, исходя из осуществимости и коммерческой ценности.

В авиакомпании за первые три месяца гендиректор и его прямые подчиненные провели серию совещаний, на которых обсудили, как компании разных отраслей внедряют инновации с помощью ИИ, разработали концепцию достижения роста операционной прибыли более чем на 10% за 15 месяцев на основе ИИ, выявили приоритетные области и выделили требующиеся для продвижения ресурсы. Каждый руководитель попросил экспертов в своей области выяснить, что потребуется изменить для достижения целевой прибыли, и оценить потенциальную ценность и выполнимость своих рекомендаций. В сфере грузоперевозок три руководителя высшего звена вместе с ИТ-специалистами и финансистами обрисовали план более эффективного использования грузового пространства самолетного парка, назвали прогнозируемую прибыль и доказали достижимость этого плана с точки зрения доступности данных, технологий, персонала и т. д.

ШАГ 2: СТРУКТУРИРУЙТЕ КОМАНДУ

В команде, ответственной за ИИ-проекты в определенной области, должны присутствовать люди из коммерческого, цифрового, аналитического и ИТ-отделов, способные обеспечить разработку, развертывание и поддержку новой системы работы. Как только команда усвоит цель и получит ресурсы, она самостоятельно организует свою работу с помощью эджайл-методик. А руководителю, собравшему команду, останется задача — интеграция сотрудников, пришедших из разных подразделений бизнеса, и устранение организационных барьеров.

В изученных нами случаях большинство привлеченных к ИИ сотрудников и до того работали в целевой области бизнеса. Руководителю нужно было просто перебросить их на новый проект и добавить необходимый технический персонал из других подразделений. Вернемся к примеру авиакомпании: в трансформацию грузоперевозок были вовлечены специалисты по продажам, обслуживанию клиентов, операциям и финансам; большинство из них и раньше занимались грузоперевозками. А эксперты по ИИ — специалисты по обработке, анализу и хранению данных — пришли на проект из научно-инновационного центра компании по ИИ. Их переподчинили непосредственно старшему директору по грузоперевозкам, который отвечал за весь этот проект.

Может случиться так, что компании придется собирать людей из разных подразделений и переназначать их на новые, нетехнические должности. Рассмотрим пример энергосбытовой компании, которая тоже собиралась пересмотреть свои подходы к потребительской ценности с помощью ИИ. В частности, предполагалось найти новые целевые сегменты клиентов, выработать для них предложения и выстроить каналы, по которым об этих предложениях сообщать. Также фирме нужна была надежная система тестирования новых идей. Специалистов по маркетинговым кампаниям, ранее изолированным друг от друга, пришлось собрать из разных отделов и команд в одну официально образованную группу. Если бы они продолжали работать в разных командах, запросы и подтверждения на ввод данных постоянно передавались бы из отдела в отдел. Координация проекта спотыкалась бы о задержки и нестыковки. К тому же вовлеченным в проект людям пришлось бы разрываться между двумя начальниками.

Зачастую команда, работающая над ИИ-проектом, — это замкнутая группа, которая выполняет всю работу самостоятельно. Но бывают довольно масштабные задачи, над которыми работают более десяти человек. Тогда разумно разделить их на несколько подгрупп, причем одна из них будет поддерживать все остальные. Телекоммуникационная компания разделила новую команду по управлению потребительской ценностью на четыре группы: одна сосредоточилась на клиентах по предоплате, вторая — на тех, которые платят по факту, третья работала над привлечением клиентов, а последняя — над их удержанием. Перед каждой группой стояла одна из двух задач — либо сократить отток потребителей, либо улучшить перекрестные продажи на 20% к концу года. Еще была пятая группа, в которую вошли специалисты по базам данных и разработчики. Их делом стала ИТ-поддержка остальных четырех групп и разработка новых аналитических ИИ-моделей.

ШАГ 3: ПЕРЕОСМЫСЛИТЕ ПРИВЫЧНЫЙ БИЗНЕС

Как мы уже отметили, чтобы получить от ИИ максимальную отдачу, необходимо переосмыслить бизнес-модели, роли и обязанности, а также операционные процессы. Как правило, эффективнее всего показывает себя применение основных принципов дизайн-мышления, а также моделирование от конечной цели как бы вспять. Например, можно поразмышлять над тем, что из себя представляет идеальный клиентский опыт, а затем детально проработать путь к нему, двигаясь в обратном направлении.

В авиакомпании поступили так: для начала команда по грузоперевозкам опросила агентов по продажам и бронированию о том, как они распределяют место в грузовых отсеках пассажирских самолетов и решают, принимать ли заявку на доставку груза. Как агенты проверяют наличие свободного пространства? На какую информацию полагаются и как оценивают полученные данные? Что их беспокоит при принятии решений?

Группа выяснила, что агенты постоянно выдают неточные прогнозы и могут лишь догадываться о том, сколько заявок будет отменено. (При отмене грузового бронирования нет никаких штрафов, в отличие от пассажирского.) Из-за этого даже при полной брони на перевозку самолет может улететь с пустым грузовым отсеком, что случается нередко. Кроме того, никто не был застрахован от овербукинга, и чтобы не нарваться на отсутствие места, отправители тянули с бронью вплоть до дня вылета. В итоге грузовой отсек использовался не полностью, а фирма недополучала выгоду.

Выявив недостатки существующего процесса и поняв их причины, команда стала продумывать, как его исправить. Какая информация нужна агенту, чтобы утвердить бронь? Какой объем и в какие сроки можно бронировать сверх объема, ничем не рискуя? Как изменятся роли сотрудников при подключении ИИ? Команда потратила несколько недель на разработку прототипа информационной панели, работающей с ИИ и дающей агентам всю необходимую информацию, циклически сводя входные данные от моделей прогнозирования — их дорабатывали параллельно. Информационную панель протестировали с агентами, управляющими 12 маршрутами, наиболее характерными для компании (всего ее сеть включает 1500 маршрутов по всему миру). В ходе тестирования команда сравнила использование грузового пространства и прибыль на маршрутах, обслуживаемых агентами, которые следовали рекомендациям системы, с результатами контрольной группы, работавшей по-старому. Чтобы укрепить доверие к новой системе, руководители оградили агентов от любых нареканий, которые могли им грозить при овербукинге.

Теперь у всех агентов есть доступ к интуитивно понятным информационным панелям, которые наглядно иллюстрируют, на каких рейсах отсеки недогружены. Агенты могут быстро просмотреть данные о том, какую выручку принесли грузовые перевозки на недавних рейсах. Благодаря обратной связи ИИ-системы постоянно обучаются на решениях агентов о том, принимать ли заявку на груз, и опираются на их опыт в вопросах размеров груза и весовой центровки, а также на знания об изменениях в цепях поставок клиентов, торговых маршрутах и проч. С информацией, получаемой с помощью новых инструментов, агенты с уверенностью продают места в грузовом отсеке задолго до даты вылета.

ШАГ 4: АДАПТИРУЙТЕСЬ К ОРГАНИЗАЦИОННЫМ И ТЕХНИЧЕСКИМ ИЗМЕНЕНИЯМ

В большинстве случаев поддерживать новые ИИ-процессы и модели невозможно без значительных организационных изменений — в частности, без кросс-дисциплинарного сотрудничества и гибкого мышления. Как правило, компании, наиболее эффективно использующие ИИ, — это те, что внедрили лучшие практики управления изменениями (к примеру, их руководители стали лидерами перемен). Успеху способствует и активное участие гендиректора и управленческой верхушки бизнеса.

Еще раз вспомним энергосбытовую компанию. Она инвестировала в переподготовку сотрудников, чтобы те могли работать вместе в новых условиях и брать на себя ответственность, учредила актуальные цели и способы поощрения для участников ИИ-команды и заново распределила обязанности в отделах, из которых ушли участники новой команды.

Да, компаниям придется обновить технологии для работы с ИИ, но серьезного вмешательства в ИТ-инфраструктуру или архитектуру данных до начала работы с ИИ не потребуется. Мы советуем компаниям сосредоточиться на технологиях разработки ИИ-систем. После этого можно распределить дополнительные инвестиции в соответствии с приоритетами команд. Развивать потенциал бизнеса в два-три раза быстрее помогут, например, облачные платформы данных и использование API, микрослужб и других современных методов DevOps.

Телекоммуникационный провайдер внедрил облачную платформу для первичных данных из действующих систем обработки транзакций и обслуживания клиентов. Специалистам по обработке и анализу данных легче использовать их из такой системы, а не из прежнего хранилища. Кроме того, компания создала новый аналитический инструмент, который помог специалистам по данным быстрее обучать и внедрять новые модели. Также провайдер разработал инструменты, которые оптимизировали сбор данных, анализ и построение моделей для ИИ-системы управления ценностью покупателей. Благодаря этому компания начала использовать неструктурированные данные и применять более сложные подходы, улучшив эффективность.

Расставляя приоритеты для дополнительных инвестиций в ИТ, командам следует подумать, когда и какие им потребуются навыки, данные и ресурсы (например, робототехническое оборудование, биометрия, датчики и связующие платформы). Как поступил телекоммуникационный провайдер? При разработке системы управления потребительской ценностью команда поняла, что ей понадобится новая технология, которая автоматизирует исходящие прямые сообщения и будет в режиме реального времени давать продавцам указания о следующем разговоре с клиентами.

Следует учесть, что ИИ-проекты могут влиять на восходящие и нисходящие процессы в организации. Например, в авиакомпании команда ИИ разработала инструмент составления отчетности, чтобы помочь менеджерам, отвечающим за загрузку и разгрузку грузового отсека, эффективно работать с более серьезными объемами, которых удалось достичь с новым процессом продаж и бронирования.

ЭФФЕКТ ДОМИНО

Как только ИИ достаточно окрепнет в одной области бизнеса, а организация приноровится к изменениям, можно будет расширять его сферу. Созданный технический фундамент и ноу-хау — например, в том, как преодолеть разобщенность специалистов, как за несколько часов принять решение, на которое раньше уходили недели, и как собрать команду по работе с данными — помогут быстрее преобразовывать новые области бизнеса.

На втором этапе компании могут заняться сразу несколькими областями бизнеса. Смысл расширения — в том, чтобы отталкиваться от существующих наработок. В итоге, вероятнее всего, компании будут ставить в приоритет те области, в которых используются сходные данные и навыки (например, цепочки поставок и логистика). Есть еще вариант — работать над той же областью бизнеса в других подразделениях. По оценке энергосбытовой компании, почти 80% работы, проделанной во время модернизации управления потребительской ценностью в одном подразделении (итогом этого проекта стал рекордный рост: за несколько месяцев средняя доходность клиента выросла на 12%, а удержание — на 20%), можно использовать повторно в еще нескольких с аналогичным эффектом.

Компании, описанные в этой статье, все еще находятся на ранних стадиях трансформации с помощью ИИ, но они уже стоят на пороге новой эры. Они поняли, какие открываются перспективы, а их смелые решения принесли колоссальную выгоду в выбранных областях бизнеса и помогли нарастить навыки, что было бы недостижимо, если бы ИИ применяли лишь в частных задачах. Эти компании создали сборник методик и протоколов, которые смогут использовать снова и снова. Когда они перейдут к новым областям бизнеса, темп внедрения ускорится, а возможности ИИ начнут дополнять друг друга. И тогда компании поймут, что будущее, которое они представляли себе, на самом деле ближе, чем они думали.