Podniková umělá inteligence narazila na strop. Plánování je tím, jak prolomí bariéru.

První vlna podnikové umělé inteligence poskytla týmům kopiloty, které optimalizovaly produktivitu uvnitř jednotlivých funkcí. Druhá vlna nyní naráží na koordinační problém: podnikové rozhodnutí, která mají největší význam, zahrnují finance, operace, dodavatelský řetězec a strategii, zatímco většina systémů umělé inteligence stále funguje uvnitř jedné funkce.

Podle výzkumu McKinsey o zralosti umělé inteligence pouze jeden procento lídrů označuje své společnosti jako “zralé” na spektru nasazení, což znamená, že umělá inteligence je plně integrována do pracovních postupů a generuje podstatné podnikové výsledky. Ostatních devadesát devět procent má nasazenou umělou inteligenci, ale nemá mnoho co ukázat na úrovni podniku.

Důvodem je strukturální problém. Tyto systémy umělé inteligence potřebují místo, kde se mohou koordinovat, a plánování je přirozeným místem. Plánování je tam, kde se již setkávají finanční předpoklady, signály poptávky, provozní omezení a strategické cíle. Budování umělé inteligence do této vrstvy ji změní z periodické činnosti na propojivou tkaninu podniku.

To je strop, na který nyní mnoho podniků naráží s nasazením první generace umělé inteligence. Zatímco kopiloty zlepšily úkonnost úkolů uvnitř jednotlivých týmů, většina organizací nikdy nevyřešila složitější problém pod nimi: jak rozhodnutí koordinují napříč podnikem v reálném čase. Rychlejší workflow pro předpovědi se stále rozpadne, pokud předpoklady dodavatelského řetězce, provozní omezení a finanční priority zůstávají odpojeny od sebe.

Architektura podnikového koordinačního rozdílu umělé inteligence

Musí se stát tři strukturální posuny, aby to fungovalo.

1. Podniková umělá inteligence musí uniknout funkčním silům

Kopilot zabudovaný do financí může shrnout rozdíly v předpovědi a vysvětlit, co se změnilo v rozvaze. Nemůže však získat signál poptávky v reálném čase z operací, zohlednit aktualizovanou analýzu rizika dodavatele a vrátit ji do revidované předpovědi, kterou CFO a COO sledují současně. To je strukturální strop, na který dnes podniková umělá inteligence naráží, a je to důvod, proč nasazení funkcí po funkcích produkují silné individuální produktivity a slabé podnikové výsledky.

Pod touto poruchou je problém kontextu. Každá funkční umělá inteligence funguje s daty, která vlastní, ve systémech, které používá, s předpoklady, které dělá – a není sdílená vrstva, kde se tyto pohledy spojí do jediného obrazu toho, co podnik věří.

To vytváří to, co mnoho podniků nyní prožívá jako „koordinační rozdílu umělé inteligence“: systémy schopné generovat poznatky nezávisle, ale neschopné sladit rozhodnutí napříč podnikem dostatečně rychle pro živé podmínky.

Probit se touto stropem znamená spojit agenty prostřednictvím sdíleného provozního kontextu postaveného na společných datových modelech, sdílené obchodní logice a ontologiích, které jim umožňují interpretovat rozhodnutí konzistentně napříč funkcemi.

S touto základnou na místě může agent poptávky pozorovat signál, agent dodavatelského řetězce může spustit simulační sourcing proti němu a finanční agent může aktualizovat předpověď na základě obou. CFO vidí jednu sjednocenou doporučení postavenou na stejném pohledu reality, na kterém celý podnik funguje.

2. Kontinuální plánování se stává koordinační vrstvou podnikové umělé inteligence

Kontinuální plánování nad touto provozní kontextem přemění koordinované agenty na skutečné podnikové výsledky. To znamená, že plánování přestane být čtvrtletní cvičením a začne fungovat jako živý systém, se scénáři pohybujícími se proti cílům společnosti, jak se podmínky mění, místo aby čekalo na další cyklus, aby se chytilo. Když se změní předpoklad, alternativy jsou již modelem a testovány, takže vedení vstupuje do rozhodnutí s životaschopnými cestami místo jediné předpovědi, kterou musí přestavět pod tlakem.

Konflikt mezi USA a Íránem to testuje v reálném čase. Multinacionální společnosti s expozicí absorbují několik signálů najednou – ceny ropy a energie se pohybují, ceny rizikových tras přes Hormuzskou úžinu se zvyšují. A vedení musí rozhodnout, co s tím udělat, během několika dní. Energetické zajištění, přerušení a opětovné vyjednání smlouvy všechny potřebují být vyhodnoceny proti sobě v tomto okně. Plánovací systém, který funguje kontinuálně a testuje scénáře, jak se situace mění, je jediný způsob, jak získat spolehlivou odpověď včas, aby se mohlo jednat.

To je to, co vypadá cílená umělá inteligence v praxi. Agenty pracují směrem k cílům, které stanovilo vedení, a signalizují kompromis, když dosažení jednoho znamená obětování jiného. Systém může modelovat stovky alternativ v reálném čase a přesto nechat vedení uvíznuté v otázce, kterou z nich zvolit. Plánovací vrstva je tam, kde již cíle a kompromisy žijí. To je rozdíl mezi multiagentním systémem, který funguje ve výrobě, a systémem, který funguje v demo.

Tlak kolem tohoto posunu roste. Gartner předpovídá, že více než 40 procent projektů agentic umělé inteligence bude zrušeno do konce roku 2027 kvůli eskalujícím nákladům, slabé obchodní hodnotě nebo nedostatečným kontrolám rizik. Mnoho z těchto selhání se bude vracet ke koordinačním a správcovským problémům spíše než pouze k schopnostem modelu.

3. Podniková správa nemůže být přidána později

Kontinuální plánovací vrstva koncentruje skutečnou rozhodovací autoritu do koordinovaného systému umělé inteligence, což je důvod, proč správa musí být součástí architektury od začátku. To je obava, kterou mnozí CFO a CIO nejprve zvednou, kdykoli se diskuse obrátí na implementaci umělé inteligence, a odráží defenzivní pozici. Autonomní systémy nepatří do rozhodovacích workflow bez auditovatelnosti, vysvětlitelnosti a jasných politických hranic.

Ve nasazeních, které skutečně fungují, může každá akce, kterou agent provede, být stopována zpět k vstupům, logice a politice za ní. Každé doporučení přichází s předpoklady, které finanční lídr, auditor nebo člen představenstva potřebuje, aby je mohl zpochybnit na základě jejich zásluh.

Stopovatelnost je to, co dělá lidskou kontrolu proveditelnou. CFO, kontrolor a lídři zodpovědní za výsledek mohou pouze přezkoumat doporučení, zpochybnit předpoklady a autorizovat akci, pokud mohou vidět, jak systém dospěl k závěru. Agenty zpracovávají rychlost a rozsah, a lidé drží soud. Lídr, který může sledovat systém, aby chytil rozdíly, vidět předpoklady za ním a zpochybnit doporučení před jeho provedením, bude rozšířit více autority systému s časem. Lídr, který obdrží černou skříňkovou odpověď bez stopovatelné logiky, odmítne se na systém spoléhat, a autorita agenta se zmenší. Společnosti, které staví správu do architektury, získají první typ nasazení. Ty, které ji přidávají později, získají druhý.

Příští dekáda patří stavitelům infrastruktury

Za deset let bude rozdíl mezi společnostmi, které učinily plánování propojivou vrstvou pro svou umělou inteligenci, a společnostmi, které to neudělaly, nezaměnitelný.

Nepříliš glamorózní práce – spojit data, integrovat pracovní postupy, vkládat správu od začátku – je to, co rozhodne, na které straně společnost skončí.

Vítězi v podnikové umělé inteligenci nebudou společnosti s nejvíce agenty. Budou to společnosti, které postavily infrastrukturu schopnou je koordinovat.