Искусственный интеллект в бизнесе: помощник, начальник или конкурент?
Изображение сгенерировано нейросетью
Одним из наиболее перспективных направлений в области информационных технологий сегодня можно назвать искусственный интеллект. На протяжении многих столетий человек мечтал об умном помощнике, который бы делал за него рутинную работу. В сфере ручного и физического труда такие помощники давно изобретены. Это автомобили, станки и прочие продукты промышленной революции. Сейчас мы вступаем в эпоху «интеллектуальной революции». Машины научились помогать человеку не только в физическом, но и в умственном труде, в процессе принятия решений. Конечно, думать как человек, ИИ не умеет. Он лишь способен анализировать колоссальные объемы данных и на основании этого анализа выдавать результат, который может быть полезен всем — от школьника до ученого. Но больше всего возможностей искусственный интеллект открывает бизнесу, компаниям различного уровня и специализации. Применение ИИ в бизнесе выходит за рамки простой автоматизации процессов и стремится к повышению эффективности, инновационности и конкурентоспособности.
В чем конкретно ИИ помогает бизнесу? Одно из главных преимуществ ИИ заключается в способности обрабатывать огромное количество данных быстрее и точнее, чем это могли бы делать люди. Алгоритмы машинного обучения способны анализировать сложные наборы данных, выявлять закономерности и тенденции, что помогает компаниям принимать обоснованные решения, основанные на данных. Это касается различных аспектов деятельности — от управления запасами и логистики до маркетинговых стратегий и оптимизации цен. Среди других сфер применения ИИ: персонализация клиентского опыта и предложения, операционная эффективность, маркетинговая стратегия, новые идеи по развитию продуктов и услуг и многое другое. Но широкий выход в свет ИИ и нейросетей многие эксперты сравнивают с такими эпохальными событиями, как изобретение Интернета и появление мобильной связи.
Какие задачи по плечу ИИ?
Вместе с тем эксперты предостерегают от завышенных ожиданий к ИИ. «На волне всеобщего оптимизма по отношению к ИИ часто используется подход «если у вас есть молоток — кругом одни гвозди». На практике это приводит к росту доли неуспешных ИИ-проектов и в конечном итоге — к разочарованию в технологии, — отвечает Александр Борисов, руководитель направления Data Science компании «Иннодата». — Это не новая история — так уже было в 1973 и 1987 годах, когда случились две первые зимы искусственного интеллекта. В настоящее время используются методологии, которые позволяют избежать завышенных ожиданий от применения ИИ как на старте проекта, так и в ходе его реализации. Начинать следует с использования ИИ для поддержки решений, основанных на большом объеме данных, которые часто меняются, легко масштабируются и не допускают ошибок. Такой подход не заменяет человека в бизнес-процессах, а снимает с него рутину, раскрывает творческий потенциал и повышает производительность».
«На данный момент мы можем встретить ИИ для бизнеса в банальных и уже простых вещах: это выдача поисковых запросов, лента новостей в соцсетях, голосовые помощники и реклама. Также бизнес стал активно использовать создание изображений и текстов с помощью ИИ, распознавание лиц видеокамерами. Один из ярких примеров использования ИИ — возможность беспилотного управления автомобилем марки Tesla на шоссе. В производстве это роботизированные процессы, и алгоритмы прогнозирования (алгоритмы машинного обучения (ML) и статистическое моделирование для предсказания результатов)», — говорит Михаил Титов, руководитель отдела продаж компании GTLogistics.
«Искусственный интеллект особенно эффективен в задачах, связанных с анализом больших объемов данных и автоматизацией процессов. Это обусловлено способностью ИИ обрабатывать информацию и находить закономерности значительно быстрее, чем человек. В частности, в HR это позволяет повысить точность и скорость подбора персонала, а также улучшить качество внутренних аналитических процессов. Важно, что ИИ не только упрощает рутинную работу, но и предоставляет глубокие инсайты, ранее не доступные из-за объема и сложности данных», — комментирует Никита Уанс, генеральный директор компании Xenia AI.
Уходим или переучиваемся?
Нередко можно услышать опасения, что ИИ скоро заменит целые профессии, оставит людей без работы. Однозначного ответа на этот вопрос не существует. По мнению Артема Аментеса, директора ИИ-решений для бизнеса компании «Социальный код», речь может идти не об «убийстве» профессий, а о их трансформации. «Автоматизация ручной стирки просто сделала возможность всем ходить в чистой одежде всегда. Автоматизация бухгалтерии сделала наши вычисления и финансы прозрачнее и понятнее, все стали чуточку богаче. Термин «убить профессию» используется в желтой прессе, чтобы на нервозности населения получить больше рекламных денег. Вспомните фильм «Вилли Вонка и шоколадная фабрика», отец мальчика от станка просто перешел к обслуживанию робота, который работает на станке. Нас ждет просто больше других профессий. Мы просто будем учиться новому и работать на более легкой работе», — утверждает эксперт.
Дмитрий Демидов, руководитель Лаборатории инноваций компании «Норбит» (ГК «ЛАНИТ») согласен с тем, что со временем ряд привычных профессий исчезнет. «Учитывая, что ИИ быстрее и точнее выполняет многие задачи, ряд профессий под его влиянием со временем исчезнет. В зоне высокого риска бухгалтеры и аналитики начального уровня, телемаркетологи, специалисты кол-центров и технической поддержки, администраторы и копирайтеры. Список точно будет пополняться, так как технология стремительно развивается. Например, появление больших языковых моделей вроде ChatGPT заметно упростило создание контента и изменило сразу множество отраслей, начиная с медицины и заканчивая продажами», — говорит он.
Александра Деханова, руководитель направления диалогового искусственного интеллекта и роботизации компании Naumen, уверена, что робот никогда полностью не заменит человека хотя бы потому, что его настройка в этом случае будет слишком сложной и дорогостоящей. «Контакт-центры никогда не откажутся от человеческого ресурса полностью, так как в дистанционном обслуживании полная замена оператора ИИ-ботом — вопрос не столько уровня развития технологии, сколько экономической целесообразности. Можно предположить, что в ближайшие 5–10 лет технологии NLU, синтеза и распознавания речи будут усовершенствованы достаточно, чтобы робот корректно понимал абсолютно все, что говорит клиент. Если робота интегрировать со всеми ИТ-системами компании, он будет иметь такие же доступы, как и оператор, и сможет оказывать любые сервисы. Однако для большого количества тематик это будет экономически невыгодно — штат из операторов для работы со сложными сценариями будет стоить дешевле, чем обучение робота, тюнинг распознавания и уровня понимания и интеграция с системами в рамках этих сценариев. Существует порог автоматизации, после которого дешевле делать работу людьми, чем настраивать робота — предположим, что около 70% трафика автоматизировать будет эффективно, остальные 30% — будут связаны со сложными тематиками и сценариями, автоматизация которых не будет окупаться.
Так решил ИИ
Одно дело — воспринимать ИИ в качестве помощника и советчика. Совсем другое — позволить ему принимать решения в компании, не только операционные, но с стратегические. Готов ли бизнес доверить ему такую миссию и надо ли это делать? «ИИ может играть роль интеллектуального советчика, быстро предоставляющего актуальную аналитику и прогнозы для руководства. При этом с помощью ИИ можно выявлять кросс-функциональные и неявные взаимосвязи, на основе которых руководство сможет принимать более взвешенные решения», — считает Дмитрий Груднев, аналитик практики «Стратегия трансформации» компании «Рексофт Консалтинг» (ГК «Рексофт»).
По мнению эксперта, компаниям важно не просто внедрить советчика-оптимизатора в конкретный бизнес-процесс, а получать системный эффект от использования технологии ИИ. Это часто требует переосмысления операционной модели компании, включая бизнес-процессы, набор ключевых управленческих решений и подход к их принятию. «Для этого необходимо как стимулировать спрос на принятие решений на основе данных и ИИ, кросс-функциональное взаимодействие внутри компании, например, путем изменения текущих процессов и КПЭ, так и выстраивать организационную основу для реализации ИИ-инициатив, например выделить центры компетенций по технологиям ИИ, новые роли, выступающие связующим звеном между бизнесом и Data Science, а также запустить цикл работы с инновациями от сбора потребности до реализации и масштабирования цифровых инициатив, то есть цифровой конвейер», — поясняет он.
Схожее мнение высказывает его коллега Алексей Лебедев, руководитель направления по работе с финансовым сектором компании RNT Group (ГК «Рексофт»). «Если мы говорим не про типовые решения, процесс принятия которых можно автоматизировать за счет четких правил, а про принципиально важные, то ИИ может выступать только в роли помощника. Искусственный интеллект предоставляет необходимую аналитику, варианты решений и позволяет ускорить процесс, но сами решения должны приниматься людьми, экспертами своего дела. К примеру, в финансовых компаниях технология применяется для ускорения принятия решений в процессе кредитования и выбора максимально подходящего банковского продукта. Скажем, сейчас доля кредитов, выдаваемых на основе решения ИИ в Сбербанке составляет 60%, а в будущем банк планирует увеличить ее до 100%», — добавляет он.
По мнению Максима Милкова, лидера направления «Искусственный интеллект» компании Softline Digital (ГК «Софтлайн»), ИИ пока не готов к принятию стратегических решений, но с операционными вопросами вполне может справиться. «Если говорить о влиянии искусственного интеллекта на принятие решений, то на верхних уровнях компании это может быть еще далеко не в ближайшем будущем. Однако на более низких уровнях, где принимаются оперативные решения, использование данных, сенсоров и анализаторов уже сейчас может значительно улучшить производственные и бизнес-процессы. Обогащение информационных панелей и использование технологий бизнес-интеллекта помогают компаниям эффективно анализировать данные и принимать обоснованные решения. На сегодня искусственный интеллект в основном выступает в роли инструмента, который обрабатывает и систематизирует информацию для облегчения процесса принятия решений. Таким образом, хотя искусственный интеллект существенно влияет на процессы, полное замещение топ-менеджмента пока остается вопросом будущего», — прогнозирует эксперт.
Как продавать «умного помощника»
Интересно мнение экспертов о том, как продавать и внедрять ИИ-решения у клиентов. Работают ли здесь общие правила для ИТ-продуктов или существуют какие-то особые подходы? «Обычно клиенты всегда уже приносят бизнес-задачу, требующую решения посредством ИИ. С помощью подробного опросника, серии встреч и обсуждений мы формируем техническое задание, изучаем данные, которые предоставляет клиент, договариваемся о том, как будем оценивать результат. В разработке ИИ-решений имеет значение только наличие сильной команды с опытом в разных отраслях, способной подсказать клиенту, как именно лучше внедрять ИИ и зачем. Это достижимо только за счет долгого существования компании на рынке — вот и весь особый подход, на мой взгляд», — рассказывает Илья Иванов, коммерческий директор компании «Наносемантика».
«Продажа ИИ ничем не отличается от продажи любого ИТ-продукта, — утверждает Михаил Титов (GTLogistics). — Для клиента не важно, что именно решит его проблему, главное, чтобы проблема была решена эффективно и в заданные сроки. ИИ в качестве продукта имеет огромный бонус, так как избавляет от рутинных задач. Например, современные TMS-системы позволяют автоматизировать формирование маршрутов доставки заказов учитывая до 70 параметров, что упрощает работу логистов в компании и уменьшает количество ошибок».
Противоположного мнения придерживается Никита Уанс (Xenia AI). «Продажа и внедрение ИИ у клиентов требует особого подхода, отличного от традиционных ИТ-решений. Успешное внедрение ИИ предполагает комбинацию технической экспертизы, понимания бизнес-процессов клиента и способности ясно и убедительно коммуницировать преимущества технологии. Особое внимание следует уделить образованию и консультированию клиентов, поскольку ИИ — это относительно новая область, которая может вызывать вопросы или даже опасения. Необходимо четко объяснять, как работает система, какие данные требуются для ее функционирования и как будут обеспечиваться безопасность и конфиденциальность», — считает он.
Риски и способ их избежать
Любой ИТ-проект, а разработка и внедрение ИИ-решений для бизнеса не исключение, неизменно сопряжен с определенными рисками — экономическими, правовыми технологическими и другими. Артем Аментес («Социальный код») считает, что главный риск состоит в том, что можно сделать не тот продукт, который нужен заказчику. «В основном техзадания на этапе договора очень размытые. Для того чтобы минимизировать риски, мы больше месяца тратим на бизнес-аналитику и опрашиваем всех заинтересованных лиц в компании об их работе, ожидаемом результате и так далее. Перед началом разработки мы хотим точно знать, каким все видят интерфейс, инференс и результат. Потому что работа машины должна быть понятна, надежна и устойчива», — резюмирует эксперт. «Модель, обученная на некачественных или плохо структурированных данных, может нанести серьезный урон бизнесу, поэтому мы уделяем такому направлению максимум внимания. Есть риски, связанные и с безопасностью данных. Минимизируем их комбинацией разных методов, используем шифрование, мониторинг инцидентов и системы обнаружения угроз, а также управляем доступом к данным», — дополняет Дмитрий Демидов («Норбит»).
Критическую важность данных для обучения ИИ признает и Евгений Жорницкий, операционный директор компании Napoleon IT. «На старте проекта мы видим основные риски в возможности сбора качественного датасета. Без этого не получится добиться от внедрения ИИ значимого эффекта, — объясняет он. — На этапе внедрения очень важно отслеживать не только метрики качества работы системы, но и метрики, отражающие глубину внедрения решения в бизнес -процессы. Если пользователи не полноценно используют возможности системы или система не масштабирована на достаточное количество объектов внедрения, то качество и бизнес эффект может быть занижен».
В каждой компании имеются уникальные процессы и потребности. Необходимо учесть все их особенности и детали. Это справедливо как для обычного проекта по автоматизации, так и для разработки решения на базе ИИ. «Чем крупнее организация, тем более сложны и специфичны ее управленческие процессы. Именно в них закреплена уникальная сформованная в организации практика менеджмента. Из опыта мы видим, что автоматизация каждого процесса в крупной организации — это уникальный проект, требующий реализации специфической функциональности. Однако сегодня недостаточно реализовать специфические функции, требуется постоянно модифицировать процессы для целей их непрерывного улучшения и для реакции на изменения в окружении бизнеса. Дополнительно отметим тренд последних лет к максимальной простоте и удобству интерфейсов конечных пользователей, их интуитивности, которая избавит пользователей от долгого обучения и ошибок при использовании решений», — отмечает Владимир Андреев, президент компании «ДоксВижн».
Предвзятость в данных и алгоритмах ИИ может привести к неправильным выводам и решениям, что может негативно сказаться на эффективности компании. Иногда ошибки ИИ могут иметь серьезные последствия. «Здесь нет ничего нового, необдуманные решения людей так же могут привести к серьезным последствиям. Чтобы предотвратить ошибки в работе ИИ, необходимо контролировать качество данных и проводить постоянное дообучение модели на основе обратной связи. Но главное по-прежнему то, что финальное решение остается за людьми — экспертами. Оно должно быть взвешенным и приниматься,исходя не только из рекомендации ИИ, но и понимания стратегии компании, ее позиции на рынке и состояния самого рынка», — говорит Алексей Лебедев (RNT Group).
«Создание репрезентативной выборки данных — понятный способ уменьшения рисков, — рекомендует Максим Милков (Softline Digital). — Чем разнообразнее данные, тем меньше вероятность внедрения предвзятости. Такой подход помогает минимизировать риски, связанные с возможной предвзятостью данных. Глубокая аналитика задачи и интервьюирование экспертов — это еще один способ. Эксперты выделяют потенциальные предвзятости, которые могут возникнуть. После этого проводится аудит, включая тестирование решения и создание тестовых выборок данных для верификации и аудита модели на наличие предвзятостей. Этот процесс предусматривает стандартные циклы разработки продукта, но с фокусом на предотвращение предвзятости. Также важно проводить модерацию и верификацию выводов модели как на этапе разработки, так и постфактум. Это позволяет снизить риск нежелательных результатов и поддерживать высокую степень надежности модели. Хотя невозможно гарантировать полное отсутствие предвзятости, акцент на этом вопросе и выделение ресурсов для работы с подобными эффектами являются важными шагами в обеспечении надежности и эффективности системы, особенно в контексте искусственного интеллекта».
Возврат инвестиций
Любой ИТ-проект должен сопровождаться возвратом инвестиций (ROI), иначе он теряет всякий смысл. «Кроме проектной методологии и правильного выбора точки приложения усилий, существуют и другие способы повышения ROI от вложений в ИИ — например, использование платформ MLOps для снижения стоимости владения сервисами на основе ИИ, снижения числа инцидентов при их эксплуатации и даже уменьшения time-to-market при разработке и обновлении ИИ-сервисов. Этот подход успешно развивается с 2018 года, когда был представлен Google на презентации Kubeflow, и в настоящее время реализован в различных комплексах ПО, включая российские», — рассказывает Александр Борисов («Иннодата»).
«В клиентском сервисе возврат инвестиций от внедрения ИИ-ботов измеряется по-разному в зависимости от задачи, которую бот решает, — утверждает Александра Деханова (Naumen). — В рамках автоматизации входящих обращений экономия определяется временем операторов, которое высвобождает робот. Использование ботов сокращает среднее временя обработки обращений (AHT) и, как следствие, позволяет не увеличивать штат при росте нагрузки. Окупаемость будет измеряться в количестве недонанятых на задачу сотрудников — в размере сокращения расходов на зарплаты, обучение и онбординг».
Целый набор рекомендаций по подсчету ROI приводит Илья Иванов («Наносемантика»). По его словам, ROI зависит от метода применения. «Если в ИИ-решении есть коммерческий модуль, который приносит деньги, то, разумеется, ROI оценить легко: это можно даже интегрировать в сквозную аналитику через API. Например, установленный в ТЦ терминал с 3D-аватаром на базе ИИ, который играет с пользователем какой-либо образ и параллельно что-то продает. Что касается ИИ-решений по оптимизации бизнес процессов, то здесь все сложнее. Зачастую ROI оценивают как снижающиеся издержки на ФОТ. Или увеличение выполненных задач сотрудниками по системам таск-трекинга (task tracking). Мы встречали разные подходы, но чаще всего желание заказчика — сократить нагрузку/затраты на единицу специалиста, перенеся часть обязанностей на ИИ. Есть ИИ-решения, связанные не с оптимизацией, а скорее с технологией или продуктами. Скажем, система навигации для перемещения по площади робота-официанта. Тут ROI измеряется рынком: если технология или изделие интересно, то его будут покупать, и, соответственно, расходы на ИИ покроются», — объясняет эксперт.
Опубликовано 02.02.2024