Мы нужны роботам больше, чем
они нам

Представьте, что вам нужно найти определенный кадр в архиве Национальной футбольной лиги США (НФЛ), где хранятся сотни тысяч видеозаписей. Все игры одного сезона – это более 16 320 минут (около 680 часов) видеосъемки. Если присовокупить записи всех предматчевых и послематчевых шоу, тренировок и интервью для СМИ, количество отснятого материала покажется бесконечным. И это лишь за один сезон.

Чтобы было удобнее пользоваться архивом при создании трейлера или другого контента, в декабре 2019 года НФЛ заключила партнерское соглашение с Amazon Web Services об использовании искусственного интеллекта для поиска и разметки фрагментов видеозаписей. На первом этапе команде редакторов НФЛ пришлось обучать ИИ поиску требуемой информации. Для каждого запечатленного в кадрах элемента — игрока, команды, игровой формы, стадиона и проч. — были созданы теги метаданных. Затем эти теги добавили к уже имеющейся у Amazon системе распознавания образов на основе ИИ, обученной на десятках миллионов изображений. Используя оба набора данных, ИИ размечал кадры в видеотеке, а команда редакторов в несколько кликов подтверждала правильность установки каждой метки. Раньше приходилось вручную находить и вырезать каждый видеофрагмент, сохранять его в базе, а затем помечать тегами, но с помощью ИИ от Amazon большинство операций удалось автоматизировать.

В статье «Искусственный интеллект для всех» мы рассказали, как лидеры инноваций используют преимущества совместной работы человека и машины для трансформации бизнеса и повышения прибыли — вопреки всеобщим ожиданиям, что с развитием технологий люди станут лишними. Идя путем симбиоза, некоторые компании не просто опережают своих конкурентов в инновациях, но и решительно подходят к человекоцентричной технологии ИИ, тем самым в корне меняя саму природу инноваций по сравнению с прошлым десятилетием.

ИДЕЯ КОРОТКО

Положение

Инновационные компании кратно увеличили инвестиции в ключевые цифровые технологии, такие как облачные вычисления и искусственный интеллект, и теперь их выручка растет в два раза быстрее, чем у отстающих.

Объяснение

Все более человеко-ориентированный подход к ИИ помогает наиболее дальновидным компаниям обеспечить бесшовную интеграцию человека и машины и быструю адаптируемость разработок.

Совет

Компании, желающие попасть в число лидеров, могут использовать модель IDEAS, чтобы сосредоточиться на пяти элементах технологического ландшафта — интеллекте, данных, опыте, архитектуре и стратегии — и найти способы комбинировать их для ускоренного продвижения инноваций.

В случае НФЛ, например, ИИ ускорил процесс распознавания изображений, но ИТ не справились бы с этим, если бы люди не определили, какие данные загрузить, и не обучили бы систему ставить теги. Нельзя сказать, что НФЛ просто делегировала ИИ нарезку для репортажей; эту задачу выполнили редакторы, но работа шла легче и быстрее благодаря уникальной способности ИИ оперативно упорядочивать огромный объем информации.

Новый человеко-ориентированный подход к ИИ меняет представление о базовых элементах инноваций. Компании Etsy, L.L.Bean, McDonald’s и Ocado с помощью ИИ и автоматизации сумели связать воедино широкий спектр передовых информационных технологий и систем, обеспечивающих гибкую адаптацию и бесшовную интеграцию человека с машиной. (Раскрытие информации: некоторые из упомянутых компаний — клиенты Accenture.) Эти первопроходцы невиданными темпами инвестировали в ИТ, чтобы реагировать на операционные проблемы и быстро меняющиеся запросы потребителей. Они значительно увеличили инвестиции в облачные сервисы, ИИ и подобные технологии, и теперь их выручка растет в два раза быстрее, чем у отстающих, что следует из результатов опроса 2019 года, проведенного Accenture среди более чем 8300 компаний. А исследование 2021 года, охватившее более 4 тыс. фирм, показало, что самые настойчивые в освоении цифровых технологий 10% выборки стремительно вырываются вперед, увеличивая выручку в пять раз быстрее, чем отстающие.

Изучив оба исследования, мы составили для руководителей рекомендации, которые помогут их бизнесу успешно конкурировать в мире, где большинство компаний будут обязаны своим успехом людям, а не машинам. В основе нашей модели IDEAS (Intelligence, Data, Expertise, Architecture, Strategy) лежат пять элементов формирующегося технологического ландшафта: интеллект, данные, опыт, архитектура и стратегия. Модель поможет руководителям технического и других профилей лучше разобраться в этих элементах и придумать, как комбинировать их для ускоренного продвижения инноваций.

В этой статье модель IDEAS используется для анализа работы компаний, внедривших управляемые человеком процессы и приложения ИИ в электронной коммерции, онлайн-доставке продуктов, робототехнике и многих других отраслях. Вы можете сделать то же самое, мобилизовав умения и опыт своих сотрудников для управления технологическими инновациями во всем: от НИОКР и операционных задач до управления персоналом и выработки бизнес-модели.

Интеллект

СДЕЛАЙТЕ ИИ БОЛЕЕ ЧЕЛОВЕЧЕСКИМ И МЕНЕЕ ИСКУССТВЕННЫМ

Человеческий и искусственный интеллект дополняют друг друга. Никакая машина с ИИ не может сравниться даже с ребенком в способности осваивать новое, понимать смысл и учитывать ситуацию. Если вы случайно что-то уроните и потянетесь к упавшему предмету, увидевший это годовалый ребенок принесет его вам. Бросьте тот же предмет нарочно, и малыш не станет этого делать. Другими словами, даже очень маленькие дети понимают, что у людей есть намерения — видимо, такие удивительные когнитивные способности чуть ли не изначально заложены в человеческий мозг.

И это не все. С самого раннего возраста у детей развивается интуитивное понимание законов физики: предметы обычно движутся по плавной траектории и падают на землю, не имея опоры. Еще не овладев речью, они уже отличают живые существа от неодушевленных объектов. По мере изучения языка дети проявляют замечательную способность к обобщению на очень небольшом количестве примеров и усваивают новые слова, услышав их всего пару раз. А еще они самостоятельно, путем проб и ошибок, учатся ходить.

Напротив, ИИ может хорошо делать многое из того, что невозможно или очень трудно для человеческого ума: распознавать паттерны в огромном объеме данных, побеждать чемпиона мира по шахматам; управлять сложными производственными процессами; одновременно отвечать на множество звонков в колл-центре; анализировать погоду, состояние почвы и спутниковые снимки для того, чтобы обеспечить лучший урожай; просматривать миллионы изображений в интернете для борьбы с абьюзом детей; выявлять финансовые махинации; прогнозировать потребительские предпочтения; персонализировать рекламу и многое другое. Важнее всего то, что ИИ дал возможность людям и машинам работать сообща. И вопреки паническим прогнозам противников автоматизации такое сотрудничество приводит к созданию множества высокооплачиваемых рабочих мест.

У германского дистрибутора электроники Obeta, чей склад находится под управлением австрийской логистической компании Knapp, сотрудники обучили новое поколение роботов-комплектовщиков перекладывать предметы разного размера и текстуры. Такие роботы оснащены серийным промышленным манипулятором, пневмозахватом и системой зрения. И самое главное, у них есть ИИ — программное обеспечение от калифорнийского стартапа Covariant.

Для обучения робота сотрудники Knapp ставят перед ним незнакомые предметы и наблюдают, насколько он способен к ним приноровиться. Потерпев неудачу, робот заново оценивает предметы в поле зрения и пробует другие подходы. Добившись успеха, он получает заложенный человеком сигнал поощрения, закрепляющий результат обучения. Если набор товаров совсем иной, команда возвращается к обучению: она собирает и размечает большой объем новых данных, что характерно для систем глубокого обучения.

Благодаря ПО Covariant Brain роботы-комплектовщики Knapp приобретают универсальные способности: трехмерное восприятие, умение перемещать объекты и манипулировать ими, планирование движения в реальном времени и овладение новым навыком после выполнения всего нескольких учебных примеров. Благодаря этому они могут брать товары из контейнеров на оптовом складе и комплектовать заказы для отправки без участия оператора. Во многих случаях товары не классифицируют заранее, что необычно для систем комплектации заказов. В Obeta роботы учатся обращению с предметами в процессе работы. Для бытовой техники это очень важное умение, ведь манипулировать электрической лампочкой и электроплитой нужно совсем по-разному.

На торговом складе роботы должны работать на очень высоком уровне. Раньше роботы-комплектовщики Knapp уверенно справлялись всего лишь с 15% предметов, а у нынешних роботов с ПО от Covariant эта цифра достигла 95%. К тому же они делают это быстрее человека, укладывая около 600 предметов в час против 450 при ручной работе. Тем не менее, это не привело к сокращению персонала на складе Obeta. Рабочих не уволили, а направили на переподготовку, чтобы они лучше разбирались в робототехнике и компьютерах.

Данные

УПРАВЛЯЙТЕ ИНФОРМАЦИЕЙ, А НЕ ПРОСТО НАКАПЛИВАЙТЕ ЕЕ

Для McDonald’s 2018 год стал одним из самых сложных. Чтобы обойти лидера рынка фастфуда, его конкуренты начали развивать онлайн-доставку. Руководители McDonald’s быстро наладили доставку по всему миру в партнерстве с Uber Eats, что дало к 2019 году $4 млрд дополнительного объема продаж в годовом выражении. Однако высшее руководство McDonald’s знало, что долгосрочные перспективы компании зависят от того, насколько быстрым и всеохватным станет управление на основе данных. Нужна была стратегия, превращающая рестораны в гигантские центры данных, применяющие машинное обучение и мобильные технологии для персонализации и доставки заказов до подъезда. Данные могли предсказать влияние на спрос таких внешних факторов, как погода или крупное спортивное мероприятие. А еще сбор и обработка данных были нужны для внедрения новых продуктов и проектов с гарантированным быстрым успехом. Вложенные в трансформацию усилия уже через два года принесли финансовую отдачу: лишь немногие фирмы из S&P 500 смогли превзойти McDonald’s по результатам. Отдадим должное руководителям компании — они увидели, что данные представляют собой ценный неосвоенный капитал, которому нужно найти стратегическое применение.

Чтобы использовать ИИ для создания ценности на основе больших и малых данных, организация должна заложить прочный ИТ-базис. Во многих фирмах информация хранится на устаревших разнородных локальных платформах, что затрудняет, а то и делает невозможной работу одного человека с различными массивами. Необходимую для принятия решения информацию трудно собрать и структурировать. Вывод: необходимо перенести данные из устаревших обособленных хранилищ, унифицировать и разместить их так, чтобы информацию легко было оперативно извлекать и анализировать с помощью нового инструментария — и все это в облаке.

Ключами к этому служат три концепции: современная информационная инженерия, управление данными с помощью ИИ и демократизация данных.

• Современная информационная инженерия. В надежной облачной системе данные поступают из нескольких внутренних и внешних источников. Они объединяются в хорошо организованные наборы, которые можно многократно использовать для различных видов анализа. Правильно устроенная информационная система базируется на платформах для приема данных и их последующего извлечения, преобразования и загрузки (ETL), она должна поддерживать различные типы данных, производить их стандартизацию и классификацию, контролировать качество и хранить метаданные. Кроме того, она обеспечивает ускоренное применение шаблонов, что позволяет инженерам быстро разрабатывать новые наборы данных и варианты анализа.

• Управление данными с помощью ИИ. Облачные инструменты ИИ имеют масштабные средства автоматической очистки, классификации и защиты данных по мере их поступления. Они обеспечивают более высокое качество и достоверность данных, а также соблюдение этических правил обращения с ними.

• Демократизация данных. Современные информационные системы делают бóльшие объемы данных доступными бóльшему числу пользователей. Данные можно оперативно подвергать разного рода анализу, будь то самостоятельное исследование, бизнес-разведка, ИИ или другой метод Data Science. Новейшие облачные инструменты «демократизируют данные», позволяя самым разным специалистам использовать их для своих конкретных задач.

Эти три концепции помогут снять некоторые известные барьеры на пути к «всеобщему информационному благу»: проблемы с доступностью, достоверностью, оперативным использованием данных. Они позволят компании объединять элементы из больших и малых наборов данных в режиме реального времени, создавать разные виды отчетов и применять ИИ для подготовки докладов о результатах анализа клиентов, рынков и операционной деятельности. Выводы этих докладов, доступные широкому кругу сотрудников, могут дать значительный экономический эффект.

Имея надежную информационную базу — множество данных из множества источников, обрабатываемых с помощью ИИ и широко распространяемых в вашей организации, — вы не утонете в море информации, а сможете использовать весь ее потенциал. Вы будете применять данные для решения все более сложных и более узких задач, но это потребует, как и в случае с преимущественно человеческим интеллектом, большего вовлечения ваших сотрудников.

Опыт

РАСКРОЙТЕ ПОТЕНЦИАЛ СВОИХ СОТРУДНИКОВ

«Торговля с человеческим лицом» — это девиз Etsy, маркетплейса винтажных товаров и изделий ручной работы из разных стран. Клиенты Etsy обращают внимание не только на размер, материал, цену и рейтинги вещей, но и на их стилевые и эстетические характеристики.

Людям пришлось учить поисковый движок сайта понимать, какие эстетические предпочтения лежат в основе покупок, то есть разбираться в стилях. Классифицировать продаваемые на Etsy товары по стилю невероятно сложно, ведь большинство вещей на сайте являются единственными в своем роде. Одни имеют признаки нескольких стилей, другие вообще нельзя привязать ни к какому. И это при том, что на продажу одновременно выставлено около 50 млн позиций. Прежние рекомендации систем, учитывающих стиль, казались покупателям необъяснимыми. Это происходило потому, что ИИ считал два предмета похожими, если их часто покупают потребители, отнесенные к одной группе по демографическому признаку. При другом подходе для группировки товаров использовали их свойства, такие как цвет и материал. Но ни один из этих двух методов не помог определить, как стиль влияет на решения о покупках.

Кто заложит в ИИ субъективные представления о стиле, как не мерчандайзеры Etsy? Полагаясь на свой опыт, они создали набор из 42 стилевых тегов, отражающих вкусы покупателей в 15 категориях, от украшений до игрушек. Одни метки пришли из искусствознания (ар-нуво, ар-деко). Другие обозначают эмоции (радость, вдохновение). Мерчандайзеры составили список из 130 тыс. товаров и распределили их по этим 42 стилям.

Затем технологи Etsy выявили покупателей, часто набирающих в строке поиска названия стилей, — например, «буфет в стиле ар-деко». Для каждого такого запроса Etsy присваивала имя стиля каждому товару, который пользователь просматривал, добавлял в избранное или покупал в результате своего поиска. Всего за месяц работы с такими запросами компания сумела составить размеченный набор данных из 3 млн экземпляров, на котором решила протестировать полученную классификацию стилей. Инженеры Etsy научили нейронную сеть воспринимать текстовые и графические подсказки, чтобы лучше различать стили каждого изделия. В результате был определен предполагаемый стиль для всех 50 млн вещей, выставленных на Etsy.com.

Когда разразилась пандемия COVID-19 и нарушились цепочки поставок в массовой рознице, многие покупатели пришли в Etsy за очень нужным товаром — масками. Среди самых продаваемых были маски, отвечавшие эстетическим предпочтениям клиентов, указавших расцветку: в горошек, в цветочек, в крапинку — много всего разного. Продажи масок выросли практически с нуля в начале апреля 2020 года до примерно $740 млн суммарно за оставшиеся месяцы года. Выручка компании за это время увеличилась более чем вдвое, а ее рыночная стоимость достигла $22 млрд. Главным было дать покупателю возможность найти такую маску, «которая отражала бы его вкус и чувство стиля», сказал Джош Сильверман, генеральный директор Etsy.

Сопровождаемое машинное обучение позволит использовать накопленный в вашей организации опыт, зачастую не находящий применения, и откроет широкому контингенту сотрудников путь к ИИ с новой и необычной стороны. Поскольку это обучение исходит из конкретной ситуации вашего бизнеса, оно открывает путь к реальным инновациям и лидерству — вы теперь не просто играете в технологические догонялки. В сценариях обучения с размеченными данными, когда таких данных мало для алгоритмов машинного обучения — а так часто бывает, когда потребности отрасли или компании слишком специфичны, — сопровождаемое машинное обучение особенно ценно.

Чтобы организация получила максимальную отдачу как от систем, так и от специалистов по работе с данными, ее руководство должно пересмотреть подходы к взаимодействию с машинами как для этих специалистов, так и для других сотрудников. Для начала дайте практические знания об ИИ экспертам в вашей предметной области, чтобы они могли эффективно перенести свой опыт в процессы и технологии компании. Знакомство с основами искусственного интеллекта поможет им творчески подойти к применению его в бизнесе.

Архитектура

СОЗДАВАЙТЕ АДАПТИВНЫЕ, ЖИВЫЕ СИСТЕМЫ

Устаревшая архитектура создает барьеры между разными бизнес-направлениями, континентами, каналами продаж и структурными единицами. Ее нельзя ни адаптировать к новым умным технологиям, ни приспособить к изменяющимся стратегиям, рыночным условиям и операционным возможностям. Вот почему инновационные проекты многих компаний буксуют.

Сегодняшние быстрые преобразования и поток новых технологий выводят задачу модернизации ИТ-архитектуры на первый план. Те, кто отстал на этом направлении, не могут внедрять новейшие решения, в то время как лидеры осваивают широкий спектр ИТ и объединяют их в системы, которые мы называем живыми, потому что они безграничны, адаптируемы и человекоподобны.

Под «безграничностью» мы подразумеваем, что они разрушают барьеры — внутри набора информационных технологий, между компаниями, использующими облачные платформы для сетевого взаимодействия, а также между людьми и машинами, — предоставляя компаниям безграничные возможности для улучшения своей работы. Под «адаптируемостью» мы подразумеваем, что основанные на достижениях в области данных и интеллектуальных технологий системы быстро приспосабливаются к изменениям бизнеса и технологий, сводя к минимуму зазоры, наращивая масштаб инноваций, обучаясь и совершенствуясь. А когда мы называем системы «человекоподобными», мы имеем в виду лежащие в их основе модели человеческого мозга и поведения: они способны слышать, видеть, говорить и понимать «по-человечески» в большей мере, чем ИИ-технологии прошлых поколений.

Возьмем компанию L.L.Bean со 110-летней историей розничных продаж одежды, обуви и снаряжения для активного отдыха, всерьез заботящуюся об удовлетворенности клиентов. В последние годы фирма все больше общается с потребителями по нескольким каналам — печать, обычные магазины, веб-сайт и мобильное приложение, электронная почта и социальные сети. Выяснилось, однако, что этому взаимодействию мешает наследие прошлого: громоздкая ИТ-система, часть которой существует уже два десятка лет. В основном эта система была реализована на локальных мейнфреймах и распределенных серверах. Разные платформы, слабо связанные между собой, поддерживали каждая свой канал продаж, и на каждой выполнялось отдельное приложение. Обеспечить одинаковое качество обслуживания клиентов по всем каналам было практически невозможно. И вместо того, чтобы думать о создании ценности для клиентов, ИТ-персонал вынужден был тратить время на инфраструктуру.

Согласно опубликованному на HBR.org исследованию (см. статью «Опрос 46 тысяч покупателей показал, что многоканальная розничная торговля работает», авторы Эмма Сопаджиева, Утпал Долакия и Бет Бенджамин), 73% потребителей в США используют несколько каналов для совершения покупок. Исследование также показало, что многоканальные покупатели тратят больше денег, чем одноканальные, — в среднем на 4% в обычной рознице и на 10% в интернете. Кроме того, многоканальные покупатели оказались более лояльными; и они чаще склонны рекомендовать любимый магазин членам семьи и друзьям.

Чтобы конкурировать в эпоху Amazon, L.L.Bean должна была обеспечить покупателям удобное взаимодействие по множеству каналов: онлайн-магазины не могут этим похвастаться. Поэтому ритейлер вынес из своей устаревшей ИТ-инфраструктуры критически важные приложения и разместил их в облаке Google. Теперь ИТ-команде стало легче интегрировать данные из нескольких систем, справляться с пиковыми нагрузками на веб-сайты и быстрее предоставлять покупателям новые функции. Поскольку облачная архитектура непрерывно оптимизируется в фоновом режиме, разработчики веб-сайта тратят меньше времени на управление ею и больше заняты тестированием и скорейшим запуском новых функций, созданных с использованием гибких методологий разработки ПО. А благодаря гибкой архитектуре пользовательского интерфейса, которая теперь находится в облаке и отделена от устаревшей системы, компания может легко, быстро и с минимальными затратами наращивать пропускную способность в периоды пиковой нагрузки и уменьшать ее в периоды затишья. Эта способность быстро реагировать на меняющиеся условия — одно из главных преимуществ живых систем.

Дорога в будущее определяется выбором технологий, который сделает ваше предприятие. Вам следует найти свои человеко-ориентированные подходы к ИИ и автоматизации. Начните с ускорения инвестиций в ключевые технологии: облачные вычисления, анализ данных и обеспечение их доступности. Переосмыслите свой подход к разработке приложений, чтобы воспользоваться преимуществами облачных платформ и микросервисов, а также их гибкостью. И сосредоточьтесь на создании повторно используемых компонентов — максимально ценных, а не минимально жизнеспособных.

Стратегия

ТЕПЕРЬ МЫ ВСЕ — ТЕХНОЛОГИЧЕСКИЕ КОМПАНИИ

На протяжении более двух десятилетий Ocado, крупнейший в мире продуктовый онлайн-ритейлер, не имеющий розничных магазинов, разрабатывает одни из самых передовых в мире приложений в сфере искусственного интеллекта, машинного обучения, робототехники, облачных технологий, интернета вещей, имитации и моделирования — это бесценная интеллектуальная собственность из более 150 выданных патентов и нескольких сотен ожидающих рассмотрения.

Патенты Ocado особенно примечательны, поскольку продовольственный ритейл — одна из самых требовательных отраслей. Это крупнейшая категория розничной торговли — и одна из самых сложных: в отличие от книг, компакт-дисков и многих других товаров, продукты питания имеют очень разные сроки годности и требования к температуре хранения. Еще сложнее работать в интернете, когда разбросанные по всей стране клиенты хотят точного и стабильного выполнения заказов по привлекательной цене, и проблемы растут в геометрической прогрессии.

В 2000 году компания Ocado начала бизнес с тремя сотрудниками в однокомнатном офисе в Лондоне. Сейчас у нее более 18,5 тыс. работников и сотни тысяч клиентов по всей Великобритании. Центры обслуживания клиентов (ЦОК) Ocado могут похвастаться самыми передовыми технологиями сборки продуктовых заказов в мире. Типичный ЦОК размером с футбольное поле. Внутри — сотни роботов, связанных по сети 4G, которые катаются вокруг трехэтажной алюминиевой ячеистой структуры: ее называют «Улей».

Технология «роя пчел» координирует работу группы автономных роботов, объединяя их в систему для выполнения задач. Роботы размером с посудомоечную машину движутся со скоростью около 15 км/ч и поднимают своими механическими клешнями ящики с продуктами. Они либо перемещают ящик в другое место (в соответствии с алгоритмом, учитывающим частоту покупки товара), либо сбрасывают его по желобу на пункт сбора. В каждом центре расположены два пункта управления, персонал которых следит за тем, чтобы замысловатый танец роботов не вылился в столкновения и заторы. В пунктах комплектации большую часть работы также выполняют люди: просматривают заказ клиента на экране, выбирают нужные продукты из стоящих перед ними ящиков и раскладывают их по пакетам, которые роботы помещают в ящик заказа. Затем продуктовые ящики отправляются обратно в «улей» для пополнения, а ящики с клиентскими заказами направляют в пункт отгрузки. Заказ из 50 позиций собирается всего за пять минут.

Ocado могла бы почивать на лаврах как успешный онлайн-магазин, но приняла стратегическое решение расширить бизнес. В 2015 году она создала Ocado Smart Platform — построенную на роевой технологии комплексную систему электронной торговли и логистики — и стала продавать это решение. Ритейлеры по всему миру используют данную платформу с экономической выгодой, воспроизводя модель Ocado в нужном масштабе в своих регионах.

Облачная платформа Ocado Smart Platform имеет такие функции, как прогнозирование запасов в режиме реального времени, обработка срочных заказов и интеллектуальная маршрутизация доставки. Ритейлеры могут предоставить клиентам доступ к своим сайтам через мобильное приложение. А облако дает Ocado гибкую, «управляемую событиями» архитектуру, которая без лишних затрат реагирует на всплески потребительского спроса. Это также увеличивает гибкость разработки. Инженеры Ocado могут проверять новые идеи, заранее ничего не меняя в инфраструктуре, и доводить их от концепции до выпуска менее чем за час. Компания также способна объединить данные из сотен микросервисов в озеро данных, что позволяет применять ИИ для всего объема информации.

Подписку на эту платформу оформили продуктовые ритейлеры со всего мира. Kroger планирует за несколько лет построить вместе с Ocado 20 автоматизированных ЦОК. Платформой пользуются также Sobeys (только в Канаде), ICA (в Швеции), Groupe Casino (во Франции), Bon Preu (в Испании) и Aeon (в Японии). Стратегия Ocado с ее упором на технологии подходит для любой отрасли. Ее роботы выполняют элементарные операции — подъем, перемещение, сортировку, характерные для многих областей применения. Вскоре эти роботы смогут делать еще что-то. Недавно компания открыла проект по разработке «нежных рук», которые смогут брать почти любые требующие аккуратного обращения предметы (например, свежие фрукты), не повреждая их, — умение, которое будет востребовано на многих производствах.

Еще мало компаний интегрировали стратегию и технологии настолько тесно, как Ocado. Фирма не только придумала, как использовать автоматизацию для улучшения собственной операционной деятельности, но и открыла другим игрокам широкий доступ к платформе. Она превратилась в технологичный продуктовый онлайн-супермаркет и блестяще адаптировала свою стратегию для удовлетворения нового рыночного спроса.

Подобно Оcado, другие компании приняли на вооружение новые подходы к интеллекту, данным, опыту и архитектуре и отразили их в собственных стратегиях, столь же разнообразных, как и отрасли, в которых работают. Универсального решения нет. Стратегия, основанная на интеграции технологий, требует двух, в некоторой степени противоречащих друг другу, качеств: предусмотрительность и быстрота. Последовательность инвестиций в технологии должна быть логичной и тщательно продуманной. Здесь как никогда уместна поговорка «куй железо, пока горячо».

Очевидный успех человеко-ориентированных инноваций, проведенных по модели IDEAS, показал бизнесу, что надо не мешкая продвигаться вперед. Будущее наступило гораздо раньше, чем ожидалось, и требует расчетливого и быстрого освоения новых подходов к инновациям, которые только начинают появляться. Мы видим это повсюду: доставка продуктов, рестораны быстрого питания, розничная торговля авторскими изделиями и даже НФЛ. ИИ дает шанс компаниям выстраивать работу такими способами, каких большинство из нас даже не могли себе представить; он будет помогать и дальше, но только если люди поведут ИИ за собой. Наша модель предоставляет компаниям, готовым направиться по этому пути, четкий план действий.