Продолжаем цикл статьей про цифровых советников и искусственный интеллект. Первая статья доступна тут, вторая тут.
Содержание.
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.
Мы в своей работе активно используем PAEI-теорию Адизеса, о которой уже писали 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 мы и считаем, 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.
Мы подробно рассматривали 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.