Myslitelé

Podniková AI narazila na strop. Plánování je cesta, jak ho prolomit.

David Marmer
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyPodniková umělá inteligence naráží na strop koordinace, protože agentům chybí sdílený…
Zobrazit více
  • Podniková umělá inteligence naráží na strop koordinace, protože agentům chybí sdílený provozní kontext napříč funkcemi.
  • Průběžné plánování mění umělou inteligenci na živou koordinační vrstvu, která prověřuje scénáře v závislosti na měnících se podmínkách.
  • Řízení musí být navrženo od samého počátku, aby byla zajištěna sledovatelnost a lidský dohled nad autonomními rozhodnutími.

První vlna podnikové AI poskytla týmům kopiloty, kteří zvyšovali produktivitu v jednotlivých funkcích. Další vlna nyní naráží na problém koordinace: nejdůležitější podniková rozhodnutí zasahují finance, provoz, dodavatelský řetězec i strategii, zatímco většina systémů AI stále pracuje jen uvnitř jedné funkce.

Podle výzkumu McKinsey o vyspělosti AI označuje své společnosti za „vyspělé“ na škále zavádění pouze jedno procento vedoucích pracovníků. Znamená to plné začlenění AI do pracovních postupů a významné obchodní výsledky. Zbývajících devadesát devět procent AI zavedlo, ale na úrovni celého podniku má zatím málo co ukázat.

Důvod je strukturální. Tyto systémy potřebují místo pro koordinaci a plánování je pro něj přirozenou volbou. Právě zde se už setkávají finanční předpoklady, signály poptávky, provozní omezení a strategické cíle. Začlenění AI do této vrstvy mění plánování z pravidelného cvičení na pojivo celého podniku.

To je strop, který nyní mnoho podniků objevuje při nasazování první generace AI. Kopiloti zlepšili efektivitu úkolů v jednotlivých týmech, ale většina organizací nikdy nevyřešila obtížnější problém v základu: jak koordinovat rozhodnutí v celém podniku v reálném čase. I rychlejší prognostický proces selže, pokud předpoklady dodavatelského řetězce, provozní omezení a finanční priority zůstanou oddělené.

Architektura koordinační mezery v podnikové AI

Aby to fungovalo, jsou nutné tři strukturální změny.

1. Podniková AI musí opustit funkční sila

Kopilot ve financích dokáže shrnout odchylku od prognózy a vysvětlit změny ve výkazu zisku a ztráty. Nedokáže však získat signál poptávky v reálném čase z provozu, zohlednit aktualizované posouzení rizika dodavatelů a promítnout to do upravené prognózy, kterou současně sledují CFO a COO. To je strukturální strop dnešní podnikové AI a důvod, proč nasazování funkci po funkci přináší silná čísla individuální produktivity, ale slabé výsledky celého podniku.

Pod tímto selháním je problém kontextu. AI každé funkce pracuje s daty, která daná funkce vlastní, v jejích systémech a s jejími předpoklady. Chybí sdílená vrstva, v níž se tyto pohledy spojí v jeden obraz toho, co podnik považuje za pravdivé.

Vzniká tak „koordinační mezera AI“, kterou nyní zažívá mnoho podniků: systémy dokážou samostatně vytvářet poznatky, ale neumějí sladit rozhodnutí napříč podnikem dostatečně rychle pro aktuální podmínky.

Překonání stropu znamená propojit agenty prostřednictvím sdíleného provozního kontextu, založeného na společných datových modelech, sdílené obchodní logice a ontologiích umožňujících jednotně interpretovat rozhodnutí napříč funkcemi.

S tímto základem může agent poptávky zaznamenat signál, agent dodavatelského řetězce na jeho základě spustit simulaci nákupu a finanční agent aktualizovat prognózu podle obou výsledků. CFO vidí jedno sjednocené doporučení založené na stejném obrazu reality, z něhož vychází zbytek podniku.

2. Průběžné plánování se stává koordinační vrstvou podnikové AI

Průběžné plánování nad tímto provozním kontextem převádí koordinované agenty do skutečných obchodních výsledků. Plánování už není čtvrtletním cvičením, ale živým systémem: scénáře se při změně podmínek posuzují vůči cílům společnosti, místo aby se čekalo na další cyklus a dohánělo zpoždění. Když se změní předpoklad, alternativy už jsou namodelované a prošly zátěžovými testy. Vedení tak přistupuje k rozhodnutí s uskutečnitelnými cestami, nikoli s jedinou prognózou, kterou musí pod tlakem termínu znovu sestavit.

Konflikt mezi USA a Íránem to zkouší v reálném čase. Nadnárodní společnosti vystavené jeho dopadům zpracovávají několik signálů současně: pohyb cen ropy a energií, nové oceňování rizika námořních tras přes Hormuzský průliv a prodlužování dodacích lhůt dodavatelů. Vedení musí během několika dnů rozhodnout, co udělá. Zajištění cen energií, změny tras a nové vyjednávání smluv je třeba v této lhůtě porovnat mezi sebou. Pouze nepřetržitě fungující plánovací systém, který při vývoji situace podrobuje scénáře zátěžovým testům, může dodat spolehlivou odpověď včas pro přijetí opatření.

Tak v praxi vypadá AI řízená cíli. Agenti sledují cíle stanovené vedením a upozorní na kompromis, když dosažení jednoho znamená vzdát se jiného. Systém může modelovat sto alternativ v reálném čase, přesto vedení nemusí vědět, kterou vybrat. Plánovací vrstva je už místem cílů a kompromisů. V tom je rozdíl mezi multiagentním systémem, který funguje v produkčním provozu, a systémem, který funguje v ukázce.

Naléhavost této změny roste. Gartner předpovídá, že více než 40 procent projektů agentní AI bude do konce roku 2027 zrušeno kvůli rostoucím nákladům, slabé obchodní hodnotě nebo nedostatečnému řízení rizik. Mnoho těchto selhání bude možné vysledovat k problémům koordinace a správy, ne pouze ke schopnostem modelu.

3. Podnikovou správu nelze doplnit dodatečně

Vrstva průběžného plánování soustřeďuje skutečné rozhodovací pravomoci do koordinovaného systému AI. Proto musí být správa součástí architektury od začátku. Právě tuto obavu mnoho CFO a CIO vznáší jako první při hovoru o zavádění AI a je to obhajitelný postoj. Autonomní systémy nepatří do rozhodovacích postupů bez auditovatelnosti, vysvětlitelnosti a jasných hranic stanovených pravidly.

V nasazeních, která skutečně fungují, lze každou činnost agenta vysledovat ke vstupům, logice a pravidlům, na nichž stojí. Každé doporučení obsahuje předpoklady, které finanční vedoucí, auditor nebo člen představenstva potřebuje pro jeho věcné kritické posouzení.

Dohledatelnost umožňuje praktický lidský dohled. CFO, finanční kontrolor a vedoucí odpovědní za výsledek mohou posuzovat doporučení, zpochybňovat předpoklady a schvalovat kroky pouze tehdy, když vidí, jak systém dospěl k závěru. Agenti zajišťují rychlost a šíři, lidé si ponechávají úsudek. Vedoucí, který vidí systém zachytit odchylku, zná příslušné předpoklady a může zpochybnit doporučení před provedením, mu časem poskytne více pravomocí. Ten, kdo dostane odpověď z černé skříňky bez dohledatelné logiky, odmítne na systém spoléhat a pravomoci agenta se zúží. Společnosti, které správu zabudují do architektury, získají první typ nasazení. Ty, které ji připojí dodatečně, získají druhý.

Příští desetiletí patří stavitelům infrastruktury

Za deset let bude rozdíl mezi společnostmi, které z plánování vytvořily spojovací vrstvu své AI, a těmi ostatními nepřehlédnutelný.

Nenápadná práce — propojování dat, integrace pracovních postupů a začlenění správy od začátku — rozhoduje o tom, na které straně společnost skončí.

Vítězi podnikové AI nebudou společnosti s největším počtem agentů, ale ty, které vybudovaly infrastrukturu schopnou je koordinovat.

David Marmer je Produktový ředitel ve společnosti Board, kde řídí produktovou strategii, management a design. Jako zkušený produktový manažer přináší David desetiletí zkušeností s řízením portfolia od 50 milionů do 1 miliardy dolarů napříč startupy a globálními podniky. Jeho zkušenosti zahrnují analytiku, FP&A/EPM, IoT, zákaznické poznatky, finanční kriminalitu a řešení GRC. Je známý tím, že řídí soudržné podnikové strategie, a zastával výkonné pozice v IBM a Cognos, kde pomáhá organizacím překládat produktovou vizi do měřitelných obchodních výsledků.