Искусственный интеллект и цифровые советники. Часть 3: Что делать и куда бежать?

Продолжаем цикл статьей про цифровых советников и искусственный интеллект. Первая статья доступна тут, вторая тут.

Содержание.

• Введение

• Специализация советников с искусственным интеллектом

• ИИ-конструкторы

• Использование профильных стандартов и методологий для «дообучения»

• Создание советников на основе отраслевой статистики

• Сочетание систем с готовыми структурами рекомендаций + чат-боты как дополнительная опция

• Вход и завоевание популярности через малый и средний бизнес

• Персонализация рекомендаций на основе психотипа и компетенций руководителя и команды

• Системный подходОбучение персонала и наработка компетенций

• Упрощение интерфейсов и исключение лишних возможностей

• Использование верхнеуровневых ИИ-систем (ИИ-оркестраторов)

• Внедрение механик обратной связи

• Популяризация и маркетинг

• Регулирование ИИ

• Практический пример

• Резюме

Введение

Как мы уже с вами понимаем, цифровые советники — это перспективное, но сложное направление.

С одной стороны они способны готовить рекомендации с учетом ваших личных качеств. А сочетание интернета вещей с искусственным интеллектом — вообще ключевое и наиболее перспективное направление развитие.

Но с другой стороны все цифровые советники имеют огромное количество недостатков, которые приводят к тому, что эта технология находится в зачаточном состоянии и не раскрывает своего потенциала.

Поэтому давайте подумаем, что делать и куда бежать? Что нас ждет в ближайшие 5-20 лет.

Специализация советников с искусственным интеллектом

Мы много общаемся с разными специалистами и всегда сходимся в одном: дальше не будет всезнающих чат-ботов, которых обучают на всем интернете. Будут сильные и сложные модели, но их область рекомендаций будет сужена до определенных тематик. Интересно, что к аналогичному мнению пришли и исследователи из MIT.

То есть те же чат-бот и языковые модели пойдут в область узкой и средней специализации. Все как у людей. Ты не можешь быть экспертом во всем, тебе нужно понять свою специализацию и развиваться в ней.

Если говорить про ИИ-системы, то в такой схеме мы получаем несколько ключевых преимуществ:

• снижается требовательность к вычислительному оборудованию;

• упрощается вопрос организации безопасности;

Когда у модели нет информации о том, как создать взрывчатку, то она и не сможет ответить на такой вопрос.

• снижаются риски ИИ-галлюцинаций и повышается качество рекомендаций

Когда модель имеет в основе определенную тематику, то она не пытается объединить все возможное в этом мире. А значит, ее рекомендации становятся лучше. Примером тому является бот Eliza, который разработан в 1960-х годах как робот-психолог и проходит тест Тьюринга лучше ChatGPT-3.5, уступая только моделям на ChatGPT-4. Исследование доступно тут.

И эти результаты совпадают с нашими наблюдениями. Мы сами проводили тесты, и модель, которая отвечала на базе наших книг, давала на порядок более релевантные и конкретные рекомендации, чем открытые чат-боты. К тому же галлюцинаций там тоже было на порядок меньше.

ИИ-конструкторы

Одна из ключевых задач для популяризации технологии — снижение порога входа. Тоже самое было с сайтами. Когда-то нужно было нанимать специалистов, а теперь можно собрать на конструкторе. Да, высоконагруженные и оптимизированные сайты делают разработчики, но вполне рабочее решение можно сделать и на конструкторе.

Тоже самое будет и с ИИ-советниками. Да, полноценные решения для сложных задач останутся. Но будет и развитие коробочных конструкторов, которые можно будет конфигурировать по принципу No-Code. В него можно будет загрузить регламент или книгу, а он будет консультировать.

При этом, данные конструкторы должны быть относительно легкими и нетребовательными к ИТ-инфраструктуре. То есть мы говорим про удобный UX|UI и оптимизацию решений (ограничений возможностей и упрощение моделей). Это нужно для того, чтобы была жизнеспособная модель развертывания on-premise или приемлемая стоимость аренды инфраструктуры по IaaS или PaaS моделям для стартапов.

Использование профильных стандартов и методологий для «дообучения»

Следующе направление, которое мы видим — создание СППР (цифровых советников) на базе международных или национальных стандартов. Хотя возможно использование авторских программ и методик, причем такой подход имеет все шансы, с учетом пункта далее о внедрении в малый и средний бизнес.

По такому пути идем и мы с нашим советником. Мы взяли PMBOK 7 и структуру рекомендаций делаем на ее базе с нашими доработками. Да, конечно, любой бизнес хочет, чтобы все делалось под него, но давайте будем честны — это в основном хотелки, а не аргументированная потребность.

Для 90-95% компаний хватит «базовых» методологий, в которых заложены либо международные стандарты, либо авторские методики. И на своем опыте, который основан на работе в добыче нефти, ее переработке, строительстве, мебельном производстве, энергетике, логистике мы можем с уверенностью заявить, что важнее дисциплина и исполнение стандартных рекомендаций, а не попытка допиливать все под себя.

Также здесь уместно вспомнить японский подход к обучению — СЮ ХА РИ. Согласно этому подходу, при обучении и формировании навыков надо пройти 3 стадии:

• Стадия Shu(守)— «следуй правилу».

Делаем все по букве правил. Цель — понять базу и наработать опыт. В случае обучения теории – формируем систему принципов, на которых эта теория строится.

• Следующая стадия Ha (破) — «сломай правила»

Начинаем избавляться от лишнего. К этому этапу следует переходить только после того, как полностью освоена «база». Идеально при поддержке «учителя».

• Последняя стадия Ri (離) — «отделение от правил».

Вы уже впитали в себя суть методики, осознал самую суть учения. Уже не нужны правила и наступает время «отделиться» от учителя / стандарта. Создаем свой собственный «стиль», свои собственные теории и практики.

То же самое, например, и с управлением проектами. Если в компании нет проектной культуры и опыта, то лучше сначала базироваться на том, что в мире придумали люди с опытом и следовать правилам. Да, будет больно и неудобно, но полезно. А уже затем придумывать свои стандарты. Иначе, как показывает опыт, идет попытка нагородить все подряд, чтобы в итоге получить методологию, неприменимую вообще.

А если говорим про цифрового советника, то получаем:

• дорогое решение, в которое вложены миллионы;

• людей, не понимающих процессы, что и как работает, и в лучшем случае просто заполняющих формы, не вдумываясь, чтобы минимально тратить на это время.

Как следствие — у нас дорогая игрушка.

Создание советников на основе отраслевой статистики

Третье направление — создание отраслевых СППР. Регуляторы и государство обладает ключевым ресурсом — они получают любую необходимую информацию. То есть они не сталкиваются с тем, что для ИИ не хватает данных. У регуляторов и государства есть те самые Большие данные. Таким образом, у них есть возможность обучать ИИ на обезличенных данных и строить СППР с высоким качеством рекомендаций.

Подобным путем идут и производители промышленного оборудования из Европы и США. Они как конструкторы знают, из чего состоит оборудование, делая цифровые модели еще до запуска производства. А затем собирают данные о работе своего оборудования у клиентов от момента запуска до момента утилизации. В итоге у них появляются цифровые двойники, которые сочетают и математическую модель, и эксплуатационные данные. Они развивают предиктивную аналитику и могут предлагать клиентам сервисную модель продаж оборудования (когда вы покупаете оборудование, но доставку, монтаж, пуско-наладку, техническое обслуживание проводит производитель и дистрибьютор). Это увеличивает ценность для клиентов и повышает маржинальность бизнеса.

К сожалению, российские производители пока не пришли к такой модели и продают просто железо.

Сочетание систем с готовыми структурами рекомендаций и чат-ботов как дополнительную опцию

Бизнес хочет системы, а не чат-боты. Мы этот тезис разбирали в прошлой статье. Чтобы общаться с чат-ботом, нужно задавать правильные вопросы, а это самое сложное.

Но это не значит что у чат-ботов нет будущего. Они прекрасно покажут себя, когда в дополнение к готовым рекомендациям можно будет задать вопросы ассистенту, уже имея аналитику с выводами. В таком случае пользователь может сформулировать интересующий его вопрос предметно. А чат-бот, обученный на определенных данных, сможет давать не абстрактные рекомендации, а релевантные и предметные. То есть происходит сближение двух сторон — пользователь уже не выдумывает что-то непонятное, а задает вопрос в определенном контексте, а чат-бот не пытается гадать на кофейной гуще из базы по всему интернету.

Вход и завоевание популярности через малый и средний бизнес

Как мы уже разобрали ранее, внедрение инноваций через корпорации это, скажем мягко, тяжелое мероприятие.

Для начала давайте вспомним кривую Мура для внедрения инновационных продуктов.

Немного освежим его расшифровку.

• Новаторы — всегда думают по-новому и хотят все поменять

• Ранние последователи (провидцы) — им нравятся новые идеи и перспективы; они готовы их испробовать, они покупают не «продукт», а «обещание», стремясь быть в первых рядах

• Раннее большинство — пытаются выявить новые возможности, участвуют в дискуссии

• Позднее большинство — пытаются выявить ошибки и угрозы, требуют предварительной проверки

• Отстающие — боятся совершить ошибку, требуют доказательств. Не желают ничего менять

И выдержка из книги, для тех кто любит подробнее разобраться:

Новаторы активно следят за новинками технологии. Порой они пытаются получить к ним доступ еще до запуска официальной маркетинговой программы. Это связано с тем, что технология занимает центральное место в их жизни, вне зависимости от того, какие функции она выполняет. Они интересуются любой значительной новинкой и часто делают покупку просто ради удовольствия изучать возможности нового устройства. В каждом отдельно взятом сегменте рынка новаторов не так уж много, но привлечение их внимания в начале маркетинговой кампании тем не менее имеет ключевое значение, ведь их одобрение убеждает других участников рынка в том, что продукт действительно работает.

Ранние последователи, как и новаторы, «покупаются» на новые концепции в самом начале жизненного цикла продукта, но, в отличие от новаторов, не разбираются в технологических тонкостях. Скорее это люди, которые могут легко представить себе преимущества новой технологии, понять и оценить их, а также соотнести эти потенциальные преимущества со своими интересами. И их решение о покупке будет базироваться на степени этого соответствия. Поскольку ранние последователи, принимая решение о покупке, не полагаются на авторитеты, а отдают предпочтение собственной интуиции и дальновидности, они играют ключевую роль в открытии любого нового сегмента рынка хай-тек.

Раннее большинство частично разделяет с ранними последователями пристрастие к технологии, но в конечном счете ими движет хорошо развитый практицизм. Им известно, что многие из новомодных изобретений на поверку оказываются проходящими увлечениями, и потому они предпочитают подождать и сначала увидеть, как с продуктом справляются другие, а уж затем покупать его. До того как сделать существенные вложения, они хотят ознакомиться с авторитетными источниками информации. Поскольку в этот сегмент попадает большая группа людей (приблизительно треть всего жизненного цикла принятия технологии), завоевание их симпатий является главным условием получения существенной прибыли и обеспечения стабильного роста.

Позднее большинство разделяет позицию раннего большинства, но тут есть одно очень важное отличие. Члены раннего большинства вполне способны справиться с технологичным продуктом, а вот члены позднего большинства – нет. В результате они ждут, пока продукт не станет общепризнанным стандартом, и даже тогда хотят получать огромную поддержку, поэтому тяготеют к приобретению продуктов у крупных, хорошо известных компаний. Как и раннее большинство, эта группа составляет около трети всех покупателей в любом сегменте рынка. Добиться их признания на самом деле очень прибыльно, ведь по мере старения продукта маржинальный доход уменьшается, также уменьшаются и торговые издержки, а фактически все затраты на исследования и разработку уже амортизированы.

Последняя группа – увальни. Они просто не хотят иметь ничего общего с новой технологией по самым разным причинам, как сугубо личным, так и экономическим. Увальни покупают технологичный продукт в единственном случае – когда он погребен так глубоко в недрах другого продукта (как, скажем, микропроцессор встроен в систему торможения новой машины), что они даже не подозревают о его существовании. Обычно считается, что увальней вообще не стоит принимать в расчет.

Вполне логично, что большие компании явно не относятся к тем категориям, через которые приходят инновации. Сама культура таких компаний противоречит этому. Им нужна безопасность и поступательный рост, а не рискованный прорыв. Какова цена провала? Вспомните, когда и какая действительно мощная инновация приходила из корпоративного сегмента?

При этом малый и средний бизнес — совершенно другая культура и среда. Он хочет расти и стать большим, но у него нет таких ресурсов и возможностей, он не может «пылесосить» рынок людей и формировать огромные штаты. Он хочет расти, но скован в ресурсах, а значит, больше готов к риску и более гибкий.

Это поле, на котором можно внедрять инновации, чтобы потом укрепиться в сознании людей и зарабатывать миллиарды в корпоративном сегменте. Также здесь полезно вспомнить такой инструмент, как окно Овертона.

То есть необходимо сначала заходить в малый и средний бизнес, которому интересы инновации, и который готов принимать риск. А для этого важна медийность и популярность, исключение академичности и простой человеческий язык. При этом нужно понимать, что на этой стадии мы не будем зарабатывать на технологии и нужно терпение. На данном этапе идет популяризация технологии и отладка ошибок. Идет прохождение первых стадий окна Овертона за счет новаторов и ранних последователей.

Сначала нужно стать нормой в обществе и уже затем постепенно создавать корпоративные продукты и заходить в корпорации.

По своему опыту можем сказать, что даже если внутри корпорации появятся ребята, которые готовы все сделать за условное «спасибо» и принести огромную ценность, то они вряд ли добьются успеха. Если это и случится, то не благодаря, а вопреки. Примеров тому масса, и самый яркий — история создания Linux.

Персонализация рекомендаций на основе психотипа и компетенций руководителя и команды

Последний тренд в СППР — персонализированные рекомендации. И это вполне логично. У каждого человека есть свои сильные и слабые стороны. Сильные стороны нужно делать еще ярче, а слабые доводить до необходимого минимума, а не пытаться делать из слона носорога.

Я в своей работе активно использую PAEI-теорию Адизеса, о которой я писал тут, тут, тут и тут. Это простой для применения инструмент. Так вот яркому Е-типу бессмысленно давать рекомендации по детальной проработке планов и рисков. Это будет противоречить его психологии и такие рекомендации по умолчанию будут игнорироваться.

Поэтому одно из направлений в области разработки СППР — учет как психотипа руководителя, так и состав команды с описанием компетенций и психотипа каждого ключевого участника. В таком случае СППР будет готовить рекомендации для каждого свои.

Здесь можно использовать различные инструменты, как Адизеса, так и DISC или любые другие. Ключевое — инструменты не должны быть чрезмерно сложными. Ту же логику мы закладываем и в целевую модель нашего цифрового советника для управления проектами — конечные рекомендации должны опираться на сильные стороны руководителя и подсказывать необходимый минимум по остальным направлениям.

И здесь мы плавно подходим к ключевому фактору — системному подходу.

Системный подход к внедрению

Да, и снова мы возвращаемся к системному подходу. Пока вы не наведете порядок в бизнесе и не систематизируете его, не уберете хаос, то никакой ИИ-советник вам не поможет.

Если в бизнесе нет организационной структуры, то как он поймет кто ключевой член команды и какие у людей компетенции?

Если бизнес-процессов нет или они не описаны, нет качественных данных, проекты реализовываются абы как, люди без компетенций, то ИИ снова окажется бессилен. И неважно, речевые модели это или аналитические системы.

Например, если у вас в ERP лежат недостоверные данные, которые вводятся людьми и содержат тонны ошибок, то что может посоветовать ИИ, даже если он понимает ваш психотип?

Также нужно думать и о бережливом производстве, как с точки зрения процессов, так и потоков данных. Это будет снижать нагрузку на ИТ-инфраструктуру и советников, а значит, и снизятся затраты. А если этого нет, готовьтесь к огромным бюджетам на ИТ.

Если же у вас слабая горизонтальная коммуникация, то о внедрении инноваций лучше вообще не задумываться.

В такой ситуации вы не сможете создать СППР под себя или взять готовое решение с рынка. Поэтому я и считаю, что в основе внедрения ИИ в бизнес должен лежать системный подход и обучение команды.

Да, это трудно сделать в малом бизнесе. У него мало людей и компетенций, нет огромных бюджетов на создание качественной ИТ-инфраструктуры с различными решениями. Поэтому механизмы тестирования психотипов, описания команды и процессов нужно закладывать в сами ИИ-решения в формате готовых модулей или No-Code, а также закладывать и отрабатывать механизмы интеграции (API) с другими сервисами.

Обучение персонала и наработка компетенций

Если ваши люди абсолютно не готовы к взаимодействию и принятию технологий, то чтобы вы не внедряли, это будет саботироваться. Или они будут ждать, пока кто-то за них все отработает, придумает и внедрит. А этого не будет, тем более в малом и среднем бизнесе.

То есть людей нужно обучать цифровым компетенциям и уходить от культуры силы или бюрократии. И тут возникает еще один вопрос: а возможно ли это в корпорациях, или же там все ждут, что придет ИТ-подразделение и все сделает идеально, дав готовые инструкции на каждый день?

Поэтому нужно создавать песочницы, где можно проводить эксперименты и поощрять персонал за внедрение ИИ-решений, например, советников для закупок.

Упрощение интерфейсов и исключение лишних возможностей

К сожалению, ИТ-разработчики имеют склонность создавать решения с опорой на функционал. А это приводит к двум проблемам:

• усложняется интерфейс решений, что сразу становится барьером и приводит к техническому сопротивлению. Особенно если мы говорим про малый и средний бизнес.

• мы получаем огромное количество никому не нужных функций, а это — бесполезные затраты (повышение цены на продукт) и сопротивление персонала. Поэтому оптимально, чтобы любая функция шла от запроса пользователей. Ниже приведем статистику использования функционала ИТ-решений от Standish Group.

Я подробно рассматривал этот вопрос тут.

Также давайте посмотрим на этот вопрос со стороны тех, кто будут пользоваться ИИ-советником, то есть руководителей. А теперь вспомним, какие две операционные системы для телефонов доминируют в мире? IOS и Android. А чем чаще пользуются люди с высоким доходом? Относительно простой и ограниченной для вмешательства IOS или функциональной Android?

Так же и тут. Нужно создавать ИИ-советников с минимум функций и элементов интерфейса для пользователей, но с глубокой проработкой сценариев взаимодействия с решением и оптимизацией UX|UI — дизайна.

Использование верхнеуровневых ИИ-систем (ИИ-оркестраторов)

Еще одно из перспективных направлений — создание верхнеуровневых ИИ. Назовем их ИИ-оркестраторы.

Подобный подход уже давно стал обязательным элементом для ИТ-инфраструктуры. Спросите опытного ИТ-директора, можно ли построить производительную ИТ-инфраструктуру без VMware или аналогов.

Оркестраторы осуществляют контроль запуска, остановки и перезапуска ИТ-сервисов. Они отвечают за распределение нагрузки между сервисами, следят за их доступностью. Оркестратор предоставляет возможность определить зависимости между сервисами и задать порядок их запуска.

Также и тут, необходимы ИИ-оркестраторы, которые будут декомпозировать запросы пользователей между различными ИИ, устранять конфликты между рекомендациями различных ИИ-систем, определять порядок запусков и обмена данными между ИИ-советниками.

Внедрение механик обратной связи

Давайте вспомним, как обучается ИИ?

То есть для ИИ важна обратная связь. А как оценивать качество рекомендаций? По нашему мнению, оптимально на основе обратной связи от пользователя + оценки результатов из учетных систем спустя время. Такая же логика заложена и в нашем цифровом советнике.

В целевой системе предусмотрен модуль оценки результатов проекта, который будет работать на основе обратной связи от участников проекта и сборе данных из системы.

Участники проекта будут отвечать на три вопроса:

• Какую продукт проекта создал ценность (высокую, среднюю, низкую, никакую)?

• Удовлетворены ли реализацией проекта?

• Есть ли предложения на будущее?

Из системы будет браться информация:

• Закрыт ли проект вовремя (оценка на основе плана и факта)?

• Уложился ли проект в запланированный бюджет (на основе плана и факта)?

• Выполнены ли требования по техническому заданию (на основе закрывающих документов и актов, наличия претензионной работы)?

И да, в каждой организации будут свои особенности, невозможно создать идеальную систему для всех. Поэтому мы снова уходим необходимость создания эффективных алгоритмов обучения (которым нужно меньше данных) и к локальным моделям.

Еще один пример, но уже просто для чат-ботов и языковых моделей — внедрение системы лайков и дизлайков. На их основе система сможет понимать, насколько удовлетворен пользователь ее ответами.

Но при всем этом тут есть подводный камень — внедрение механик обратной связи может привести к тому, что ИИ придет к очень неоднозначным выводам. Ведь у него есть один критерий — успех или провал, больше для него ничего не важно.

Популяризация и маркетинг

Итак, раскрывать потенциал ИИ нужно через малый и средний бизнес. То есть нужно не целиться в отдельных людей крупных корпораций, а выстраивать массовый маркетинг, как в B2C, с использованием цифровых каналов. То есть нужно выстраивать маркетинговую стратегию, аналогичную B2C, с агрессивной рекламой, простыми словами, смыслами и с бюджетом на маркетинг в 50-70% от общего.

Стратегия через конференции тут вряд ли даст высокую отдачу, а вот через соц. сети с вирусной рекламой, провокациями и качественным контентом — да.

Еще один ключевой момент в таком продвижение — продумывание CJM и удобного входа в продукт: регистрация с минимальным количеством действий, подписочная модель с низкой стоимостью входа и полной историей, полезные материалы для пользователей и т.д. И если мы посмотрим на текущего лидера (Chat GPT от Open AI), то именно по такому пути они и идут, делая свой продукт стандартом для всех и давая доступ всем за минимальную стоимость, а не фокусируясь на корпоративных продажах с миллиардными чеками.

Регулирование ИИ

Исходя из темпов развития ИИ и анализ того, что происходит в мире в сфере регулирования ИИ дает однозначное понимание того, что в мире будет развиваться риск-ориентированный подход к регулированию ИИ.

А развитие риск-ориентированного подхода в любом случае приведет к тому, что сильный и суперсильный ИИ будут признаны самыми опасными. Соответственно и ограничений для больших и мощных моделей будет больше всего. Каждый шаг разработчиков будет контролироваться. Это приведет к тому, что затраты и трудности для разработки и внедрения будут расти в геометрической прогрессии. В итоге мы имеем проблемы как для разработчиков, так и для пользователей, что снижает экономический потенциал таких решений.

При этом специализированные модели на базе локальных и урезанных ИИ-моделей, которые могут немного, будут в зоне с наименьшим регулированием. Ну а если эти ИИ в своей основе еще будут на базе международных / национальных / отраслевых методологий и стандартов, то тут будут не ограничения, а субсидии.

В итоге сочетание таких «слабых» и ограниченных решений на базе ИИ-конструкторов в сочетании с ИИ-оркестратором позволит обходить ограничения и решать бизнес-задачи. Пожалуй узкое место тут будут ИИ-оркестраторы. Они попадут под категорию среднего риска и, скорее всего, их придется регистрировать.

Практический пример

Здесь хотим сделать небольшой пример практического применения нескольких трендов, а именно — ИИ-оркестратора, специализированные советники и ИИ-конструкторы.

Давайте смоделируем следующую ситуацию. У вас большая организация с различными самостоятельными подразделениями. Допустим, холдинг, с дочерними организациями в разных регионах. Ключевые процессы у вас идентичны: закупки, ремонты, продажи и т.д. Естественно, что большинство регламентов не работают, так как они перегружены и неспециалистам непонятны.

В итоге вы решили внедрить цифровых советников для сотрудников, чтобы упростить их работы и обеспечить исполнение правил и регламентов. Если мы берем связку ИИ-оркестратора, ИИ-конструктора для локальных моделей, то в итоге получаем следующую картину.

• Возможность все реализовать в одной ИТ-системе.

Вам не придется делать 50 разных интерфейсов и систем. Вы сможете сделать все в окне одного чат-бота или личного кабинета. Пользователю не придется переключаться. А значит мы улучшаем UX|UI и снижаем сопротивление персонала (в том числе по техническим причинам)

• Повышение качества рекомендаций и безопасность

Как мы рассмотрели ранее, ИИ-советники со специализацией будут иметь выше качество рекомендаций и меньше галлюцинаций. Кроме того, в таких советниках проще обеспечить безопасность.

• Скорость и низкая стоимость запуска решений

Если мы развертываем ИИ-конструктор, в который можно просто загрузить документ и с ним сразу общаться, то это позволит быстро запускать новых советников подразделениями. Тестировать их, и либо отказываться (денег не вложено, признать ошибку не страшно), либо подключать к оркестратору и запускать в работу.

• Низкая цена конструктора и нагрузка на ИТ-инфраструктуру, высокая скорость работы

Покупка предобученных, но оптимизированных и локальных моделей в основе ИИ-конструктора будет экономически целесообразной. Пример тот же что и с сайтами. Разработка сайта разработчиками может забрать 1 млн, а запуск на конструкторе 20 тысяч. Здесь экономическая модель будет аналогичной.

Опять же, локальная модель менее требовательна к ИТ-инфраструктуре, что упрощает внедрение on-premise и снижает стоимость аренды IaaS или PaaS.

В итоге мы получаем доступную цену и низкие требования к ИТ-инфраструктуре как для on-premise, так и для облачного развертывания. Дополнительный бонус — более высокая скорость работы на качественной и современной инфраструктуре.

• Простота сопровождения и актуализации данных

Регламенты и процессы меняются регулярно. Не бывает бизнеса, который не меняется. Если у нас набор локальных моделей, которые можно актуализировать без специальной подготовки, то мы получаем огромное преимущество. Во-первых, подразделения смогут сами обновлять базу, а значит ИИ-советник давать актуальные рекомендации. Во-вторых, вы разгрузите ИТ-службу. А с учетом цен на ИТ-специалистов это огромная экономия ресурсов. Попытка переобучать централизованную большую модель ежемесячно будет и затруднительной, и дорогостоящей.

В итоге, используя подход, который в ИТ называется микросервисным, мы получаем:

• снижение стоимости и сроков на внедрение

• возможность все реализовать через один интерфейс

• упрощение и снижение стоимости на сопровождение и актуализацию «знаний» советника.

И чем сильнее зарегулирована отрасль, тем сильнее будет эффект от такого внедрения. Во-первых, снижается требования к сотрудникам, их дословному знанию всех регулятивных документов. Во-вторых повышается скорость и качество управленческих решений. Вместо ожидания ответов от сотрудников и загрузкой их своими идеями, руководитель может быстро получить ответ от советника. При этом, как показывает опыт, цифровые советники научились давать ответ более простой и человечный, чем профильные эксперты с профессиональной деформацией. И в-третьих, повышается наша эффективность и безопасность. Нам не нужно нанимать сотрудников с доскональным знанием документов. Мы экономим их время, снижая важность постоянного отслеживания новых правил. А это независимость и снижение затрат.

Однако, даже в таком подходе обойтись одним внедрением ИТ невозможно. Все равно нужен системный подход:

• нужны описанные процессы и регламенты;

• нужно их упрощать и устранять потери (получение знания о процессе и его соблюдение не делает компанию эффективнее);

• нужны цифровые и проектные компетенции у команды (кто-то должен готовить инициативы, запускать, актуализировать);

• нужно выстраивать коммуникацию между подразделениями, внедрять изменения поэтапно и с PR и т.д.

Резюме

ИИ-советники бесспорно станут тем триггером, который выведет людей на следующий этап эволюции. И это огромный рынок, который чей-то бизнес выведет на новый уровень, а кому-то станет основным продуктом.

Но экспансия ИИ будет идти через малый и средний бизнес, а не корпорации. МСБ более открыт к экспериментам и готов принимать на себя риски.

Для разработчиков нужно предусмотреть:

• специализацию советников на отдельных направлениях;

• создавать ИИ-конструкторы с оптимизированными моделями внутри;

• использование профильных стандартов и методологий для «дообучения», чтобы можно было внедрять коробочные решения;

• создание советников на основе отраслевой статистики;

• сочетать готовые рекомендации с языковыми моделями (чат-ботами) по теме использования;

• сочетать математическое моделирование и анализ с психологией и организационным управлением, то есть готовить рекомендации с учетом психотипов и компетенций в команде, координируя участников;

• внедрять механики обратной связи;

• упрощать интерфейсы и исключать лишние функции;

• огромный пласт работы будет лежать в области оркестрации ИИ-советников;

• необходимо 50-70% бюджета закладывать на маркетинг и выстраивать его как для B2C-сегмента.

Для бизнеса нужно:

• внедрять системное управление в бизнесе на основе классических инструментов (стратегия, орг. структура, процессы, управление проектами, бережливое производство);

• обучать персонал и нарабатывать компетенций;

• готовиться к внедрению коробочных решений на базе международных / авторских / внутренних методологий.