Активация данных для закрытия разрыва ROI ИИ: 4 шага для реализации бизнес-ценности через агентный ИИ

Когда мы вступаем в четвертый подряд «год ИИ», многие лидеры организаций рассматривают два, казалось бы, противоположных вопроса. Во-первых, является ли генеративный ИИ наиболее трансформационной технологией 21-го века? И, во-вторых, является ли ИИ переоцененным? Я бы парадоксально ответил да на оба вопроса. Но я думаю, что это неправильные вопросы. Вместо этого я считаю, что эти лидеры должны задавать себе другой вопрос: как моя организация может получить бизнес-ценность от ИИ прямо сейчас?

Реальность заключается в том, что многие компании потратили последние три года на инвестиции в новые технологии ИИ и эксперименты с новыми инструментами ИИ, но они еще не получили задуманных результатов. Несмотря на давление со стороны генеральных директоров «внедрить ИИ во все», организации не видят желаемой отдачи от инвестиций. Это не должно быть удивительным. История учит нас, что наиболее глубокие технические инновации требуют времени, прежде чем они окупятся. Есть запаздывание между техническим изобретением и бизнес-инновацией.

Томас Эдисон продемонстрировал силу электричества в Манхэттене в 1882 году, но только в 1913 году, когда Форд представил электрифицированную сборочную линию, электрическая энергия полностью заменила паровую энергию в производстве. Можете ли вы представить себе бизнес-лидера в 1885 году, который призывает своих рабочих начать экспериментировать с электрической энергией? Тем не менее, электрическая энергия победила и проложила путь для многих революционных инноваций 20-го века, от радиопередач до цифровых вычислений.

Как более недавний пример, Всемирная паутина стала мейнстримом в начале 90-х. Потребительское использование взлетело сразу, но бизнес-адопция отстала. Прошло полдесятилетия, прежде чем большинство устоявшихся предприятий начали получать выгоду от Веба через электронную коммерцию. Тем не менее, Веб проложил путь для социальных сетей, мобильного взаимодействия, облачных вычислений и, в конечном итоге, ИИ. Бизнес-ценность генерируется инкрементально из новых технологий.

Если электрический век бизнеса начался с сборочной линии, и век Веба начался с электронной коммерции, что будет убийственным приложением для эпохи бизнес-ИИ? Запуск ChatGPT в конце 2022 года представил силу больших языковых моделей общественности. Благодаря его популярности, «чат-бот, который понимает меня и звучит как человек», стал архетипом для того, как ИИ может быть применен. В результате многие бизнесы начали с ИИ, вводя подобных помощников, настроенных на их компанию как версию ChatGPT. Во многих случаях результаты были хорошо приняты пользователями, но бизнес-отдача от производительности трудна для измерения.

Одним из наиболее развитых применений LLM для бизнеса является область помощников кодирования. Claude Code, Cursor и другие инструменты получили широкую популярность, показывая почти магические результаты. Однако исследования указывают на то, что производственные выгоды отдельных разработчиков еще не перевелись в общую производительность организации. Кроме того, ускорение разработки не помогает бизнес-производительности организации, если то, что производится, само по себе не приносит бизнес-ценности. Помощники кодирования помогут масштабировать внедрение ИИ со временем, но они не являются убийственным приложением.

Чтобы найти наиболее воздействующее применение ИИ, организации должны сосредоточиться на шестернях, которые приводят в движение их собственные бизнес-модели. В нашей книге Unbundling the Enterprise Стивен Фишман и я исследуем концепцию «динамики ценности», метод для разбиения бизнес-моделей на набор взаимосвязанных обменов ценностью. Обмены ценностью включают множество «валют», включая сборы, экономию времени, охват и улучшение качества. Наиболее уникальная валюта – это данные. В книге мы показываем, как компании, такие как Google и Meta, превратили накопление данных в цифровое доминирование. Их успех пришел от предоставления реальных, автоматизированных связей в их обменах ценностью. Они связали сбор данных с генерацией дохода в добродетельном круге. Обе компании контекстуализировали данные клиентов в виде таргетированной рекламы, затем использовали это для стимулирования своей основной выручки и сбора еще больше данных через взаимодействие пользователей.

Хотя многие организации потратили последние пару десятилетий на сбор и совершенствование данных, они еще не полностью использовали потенциальную отдачу от данных через такой маховик. В своей основе большая языковая модель – это просто примененная data. У нее есть потенциал быть двигателем, который приводит в движение такой маховик ценности для организаций, но этот двигатель нуждается в топливе в виде контекстуализированных данных и должен быть прикреплен к шестерням бизнес-модели организации. Этот «процесс активации данных» делает данные достоверными и доступными в масштабе, закладывая основу для более динамической автоматизации в предприятии и, в конечном итоге, обнаруживая убийственное приложение ИИ для таких организаций.

Как будут выглядеть организации, которые активировали свои данные для эпохи ИИ? Рассмотрите следующие сценарии:

• Фармацевтическая компания, которая сейчас должна делать многомиллионные, многолетние ставки на новые лекарства, превращается в более ловкую компанию с более короткими, параллелизированными клиническими испытаниями, облегченными динамической, ИИ-инфузированной автоматизацией
• Российский банк, который сейчас отправляет «надежды и молитвы» предложения продукции всем своим клиентам с небольшим откликом и ручным последующим выполнением, превращается в персонализированные предложения со стримлайновой кредитной ординацией, что приводит к более высокому принятию прибыльных кредитных продуктов
• Розничный торговец, чья текущая система управления запасами полна как переизбытка, так и дефицита товаров, превращается в компанию, которая понимает свою позицию запасов в реальном времени, благодаря прямым соединениям с магазинами, складами и поставщиками, проанализированными через всегда-включенные ИИ-агенты

Путь к ROI, очерченный в этих сценариях, следует этой новой форме динамической автоматизации и обусловлен активацией данных.

Итак, как организации могут начать это путешествие? Вот четыре шага, чтобы начать…

Шаг 1: Понять динамику ценности вашей организации

Разбиение бизнес-модели организации на ее основные обмены ценностью бесценно по нескольким причинам. Результатирующая карта обмена ценностью показывает, какие возможности стимулируют бизнес, какие бизнес-функции наиболее критичны и как каждый элемент в организации способствует созданию, захвату и распределению ценности. Для наших целей карта обмена ценностью может быть использована для визуализации основных бизнес-процессов, которые будут кандидатами на динамическую автоматизацию. Как следующий слой вниз, вы можете сопоставить каждую ценность обмена и компонента с тем, как они операционализированы внутри организации. Это может быть в форме программного обеспечения, хранилищ данных или даже задач сотрудников. Возможности автоматизации могут затем быть взвешены по влиянию и сложности реализации, чтобы сосредоточиться на лучшем месте для применения ИИ и активации данных.

Шаг 2: Распространить опциональность через слой активации данных

Способность организации активировать данные зависит от опциональности ее цифрового ландшафта. Опциональность существует, когда цифровые активы – программные функции, источники данных, сервисы третьих сторон – доступны в реальном времени. В контексте ИИ это означает две вещи. Во-первых, организация должна быть в состоянии синтезировать данные из различных источников, чтобы предоставить точный контекст LLM, что приводит к точному рассуждению и избегаету галлюцинации. Во-вторых, программные компоненты, которые выполняют основные бизнес-функции – такие как сервис кредитной ординации банка или система живых запасов розничного торговца – должны быть вызываемыми LLM-основанными приложениями, чтобы выполнить автоматизацию. В обоих случаях API являются лучшим механизмом для того, чтобы данные и функции были соответствующим образом доступны. Протокол контекста модели (MCP) набирает обороты как протокол API по выбору для активации данных. Этот набор доступных возможностей может быть превращен в контекстную платформу для вашей организации. Преобразование вашего цифрового ландшафта из набора изолированных приложений и данных в слой бизнес-ориентированных API является важным для достижения ROI через активацию данных.

Шаг 3: Принять парадигму агентных цифровых решений

Преобладающая архитектура программного обеспечения эпохи ИИ появляется. Оптимизированные программные решения требуют баланса ИИ-инфузированных и не-ИИ-компонентов. ИИ-агенты – это ИИ-инфузированные компоненты в этой возникающей архитектуре – используют LLM-основанное рассуждение, основанное на контекстуальном осознании, чтобы выполнить задачи через инструменты, находящиеся в их распоряжении. Они являются инструментами активации данных и динамической автоматизации. Цифровой ландшафт, опционализированный через API (включая инструменты MCP), является наиболее плодородной почвой для таких агентов, чтобы процветать. Агентная архитектура позволяет для многочисленных паттернов, которые сочетают детерминированные программные компоненты в существующей инфраструктуре с такими ИИ-агентами. Эти паттерны варьируются от простых чат-ботов и рабочих агентов до агентных рабочих процессов и до автономных многоагентных систем. Организации, которые принимают этот архитектурный подход, смогут собрать наиболее ценность из своих существующих цифровых активов, принимая ИИ в темпе, который позволяет им управлять все большей сложностью решений, которые приносят все больше и больше ценности.

Шаг 4: Использовать ИИ как инструмент производительности для построения агентных автоматизаций

Применение ИИ для производительности работников может не дать наибольших отдач для бизнеса самостоятельно. Использование производительности ИИ в службе активации данных организации и обеспечения агентной автоматизации, однако, может ускорить реальные отдачи. Это не только означает использование ИИ для ускорения работы разработчиков. Даже до взрыва ИИ одним из самых больших барьеров для доставки была организационная пропасть между бизнес-доменными экспертами, которые понимают применение технологий, и командами ИТ, которые строят решения. Организационные тенденции, такие как DevOps, помогли мостить эту пропасть, но ИИ может помочь в еще более осязаемых способах. Как языковая технология, LLM способны переводить между требованиями и решениями в беспрецедентном виде. Мультимодальный ИИ позволяет захватить бизнес-эскизы, которые могут генерировать пригодные артефакты для последующего развития. Транскрипты могут быть превращены в прототипы. Это новый тип активации данных: превращение знаний бизнес-домена в каркас решения в реальном времени.

Следуя этим четырем шагам, организации могут активировать свои данные и начать видеть отдачи от своих инвестиций в ИИ. Кроме того, они будут лучше подготовлены к новым экосистемам, работам и возможностям, созданным экономикой ИИ. Понимая динамику ценности вашего бизнеса, превращая ваши цифровые активы в осуществляемые опции и ориентируясь на агентную архитектуру, вы подготовите свою организацию к будущему ИИ, изобретая его сами.