ИИ на предприятии: подсчет полной стоимости

ИИ вышел за рамки теории и новшеств. Во многих организациях он теперь входит в инфраструктуру наряду с основными системами. Многие до сих пор воспринимают его в основном как общедоступные программы магистратуры права и чат-боты – то, что можно открыть в браузере, закрыть и закрыть, когда закончишь. Рассматривая ИИ через эту призму, можно упустить более широкий спектр моделей и методов, которые могут улучшить результаты эффективнее и с меньшим риском.

Правда в том, что ИИ следует оценивать так же, как и любые другие крупные инвестиции в инфраструктуру, — с самого начала чётко осознавая затраты, выгоды и операционные риски. Доведение ИИ до работоспособного состояния подразумевает инвестиции в качественные каналы передачи данных, возможность наблюдения, управление и людей, которые обеспечивают соответствие ИИ желаемым бизнес-результатам. Если срезать углы, то расходы просто перенесут на будущее с дополнительными процентами.

Как на самом деле масштабируются затраты на ИИ

Понятно, что команды могут предполагать, что затраты на ИИ растут линейно: вдвое больше работы – вдвое больше денег. В реальности усилия, затраты и результаты могут меняться независимо друг от друга удивительным образом. Попросите ИИ прочитать длинный документ целиком, и ему придётся учитывать каждое слово в соотношении с каждым другим. В большинстве популярных программ магистратуры права это означает, что объём работы, а следовательно, и затраты, растут не так, как люди ожидают естественным образом – удваивая входные данные, удваивая стоимость, – а, напротив, примерно пропорционально квадрату длины входных данных. Понимание подобных основ может оказать реальное влияние на конечный результат любого внедрения ИИ. Если организация, ежедневно обрабатывающая большие объёмы текста, например, регулирующий орган, с самого начала проектирует систему поиска по графам или конвейеры извлечения данных вместо того, чтобы отправлять модели целые документы, то конечный пользователь по-прежнему будет воспринимать всё так же, как «задай вопрос и получи ответ за секунды», как в случае с публичным чат-ботом. Это позволяет руководителям, энтузиастам искусственного интеллекта, быть довольными мгновенным взаимодействием, в то время как под поверхностью система выполняет гораздо меньше ненужной работы, и в результате расходы на вычисления оказываются намного ниже.

Как расходы на ИИ распределяются по всей организации

Выбор технологий — это только часть истории, остальное — это то, как организации изначально подходят к ИИ. Во многих организациях подготовкой данных занимаются инженеры. Проверками соответствия занимаются юристы. Облачные расходы живут с командами платформы или инфраструктуры. Выбором модели, конфигурированием и любой тонкой настройкой обычно занимаются несколько специалистов. Каждая группа видит свою часть работы и свою собственную статью бюджета. Расходы отображаются как вычисления здесь, время подрядчика там и время людей, поглощенное «обычным бизнесом» в нескольких командах. С цифрами, разбросанными по центрам затрат, получение полной стоимости отдельной инициативы ИИ может не быть видно ни в одном месте и ее легко недооценить. В такой среде затраты ИИ могут незаметно расти, просто потому, что никто не отслеживает все цифры в одном месте.

Практический подход к управлению расходами на ИИ

Избегать ИИ — неверный шаг для организаций, но и не рассматривать ИИ как универсальную технологию. Хорошая стратегия — всегда начинать с желаемого результата и двигаться в обратном направлении. Не в каждом случае требуется передовая, дорогостоящая в эксплуатации, крупная универсальная модель. Многие задачи можно решить с помощью хорошо изученных методов машинного обучения, которые относятся к ИИ и могут работать на существующей инфраструктуре.

Начните с малого, с пилотных проектов, которые оценивают общую стоимость владения, не только за счёт использования модели (что, конечно, подразумевает учёт вычислительных ресурсов), но и за счёт затрат на интеграцию, время разработки, управление изменениями и соблюдение требований. Цель — выбрать наименьшую и самую простую модель, обеспечивающую приемлемый результат, а не исходить из того, что «больше модели» означает «больше преимуществ».

ИИ — это не что-то единое. Это сочетание методов и инструментов, которые можно использовать по-разному. Такой подход развеивает ореол таинственности вокруг впечатляющих результатов и позволяет компаниям использовать его потенциал с большей ответственностью и эффективностью.

Люди, время и ИИ

Каждая развертывание ИИ На практике это взаимодействие людей и программного обеспечения. Независимо от того, признаётся ли это официально или нет, именно так и выполняется работа. Нынешний сдвиг в сторону более агентный ИИ – инструменты, которые могут связывать шаги, вызывать другие системы и действовать с меньшим количеством подсказок – не меняют этого, на самом деле они повышают ставки для правильной реализации человеческой стороны рабочего процесса.

Этим инструментам легко переоценить доверие. Когда система предоставляет ответы бегло и уверенно, люди естественным образом предполагают, что она обычно верна. Если такой инструмент внедряется в рабочий процесс без надлежащего обучения, четких границ и разумных проверок, он может незаметно генерировать поток мелких ошибок. Каждую из них должен обнаружить, понять и исправить человек. На бумаге ИИ выглядит эффективным, но на практике возникают скрытые затраты в виде дополнительного времени, затрачиваемого человеком на устранение последствий. В условиях взаимодействия с клиентами или регулируемых средах эти мелкие ошибки также могут иметь репутационные издержки. Однако, после того как инструменты предоставляются или используются, ответственность за их результаты по-прежнему лежит на организации, а в повседневной жизни — на операторах, использующих их. Это необходимо четко понимать, чтобы эти инструменты были действительно полезными.

Более целесообразная модель — это осознанное партнёрство: квалифицированные специалисты чётко отвечают за результаты, а ИИ используется для ускорения соответствующих этапов работы, таких как подведение итогов, составление черновиков, сортировка и поиск. Даже если некоторые проверки и исправления всё ещё необходимы, общий эффект от грамотно внедрённого и грамотно управляемого ИИ в рабочие процессы может заключаться в большей скорости, большей согласованности и большей производительности, чем команда могла бы достичь самостоятельно.

Управление как часть бюджета ИИ

Даже если технические решения обоснованы, а использование эффективно, все большая доля расходов на ИИ будет связана с управление а не просто вычисления. Для организаций, работающих в ЕС, Закон об ИИ чётко это даёт понять. Он рассматривает ИИ с учётом рисков и, что важно, распространяется не только на продукты, предназначенные для публичного использования. Внутренние системы, используемые в таких областях, как найм и продвижение по службе, управление и мониторинг персонала, а также принятие определённых решений, связанных с безопасностью, могут попасть в сферу его применения, что обуславливает новые ожидания в отношении управления рисками, документирования, регистрации и человеческого контроля. Другие регионы движутся в том же направлении, и, даже если правила выглядят несколько иначе, общая тенденция та же: от крупных организаций ожидается, что они будут знать, где используется ИИ, что он делает и как им управляют.

Практический эффект от этого заключается в том, что внутренние проекты ИИ теперь могут иметь собственную рабочую нагрузку по управлению, которая является обязательной. Каждый новый сценарий использования может означать новую оценку рисков или воздействия, более тщательный мониторинг и больше вопросов от команд по обеспечению соответствия, аудиту или управлению рисками. Ничего из этого не отразится в метриках использования модели, но это реальные усилия, которые должны быть оплачены.

Опять же, всё это не повод отказываться от ИИ. Это напоминание о том, что эксплуатационные расходы внутреннего процесса на базе ИИ — это не просто стоимость использования модели. Ожидания со стороны органов управления и регулирующих органов теперь входят в общую стоимость владения.

Где внедрение ИИ идет не так

В проектах ИИ часто встречается расхождение между тем, как система выглядит в демоверсии, и тем, как она ведёт себя в реальных условиях. В контролируемой среде, с узким набором вопросов и удобными данными, результаты могут выглядеть безупречными. В этот момент легко предположить, что система готова взять на себя целый класс задач.

Проблемы, как правило, проявляются позже, когда система подвергается полному спектру и объёму реальных задач: нестандартным запросам, стрессу пользователей, неполным записям, нестандартным пограничным случаям. Недостатки, незаметные в демоверсии, начинают проявляться в виде некорректных ответов, упущенных нюансов, циклов поддержки, более длительного времени обработки и незаметного подрыва доверия. Внутренние показатели, такие как «обработанные запросы» и «сэкономленное время», могут выглядеть хорошо на бумаге, но реальный опыт конечных пользователей может говорить об обратном.

Переход сразу после отлаженной демоверсии или небольшого пилотного проекта, где успех в контролируемых условиях рассматривается как доказательство готовности системы к широкому внедрению, может обернуться дорогостоящей ошибкой. В реальной жизни пользователи задают неудобные запросы, используют неполные данные и строят свои предположения о возможностях инструмента. Если ожидания не управляются, а рабочий процесс системы не учитывает откаты и эскалацию, организация платит дважды: один раз за сборку, а второй раз за дополнительную поддержку, доработки, жалобы и потерю доверия. Технология может выглядеть впечатляюще на бумаге, но без прагматичного подхода к её взаимодействию с реальными людьми и реальными процессами окупаемость этих инвестиций быстро снижается.

С другой стороны, хорошо спроектированные системы с чёткими границами и изначально заложенным человеческим участием способны на то, с чем ни одна команда людей не справится в одиночку: сканировать огромные объёмы информации за секунды, выявлять закономерности в многолетних данных и принимать рутинные решения в масштабах, которые иначе были бы недостижимы. Суть в том, что для получения этих преимуществ организации должны соотносить свои амбиции с реалистичным представлением о том, как технология будет себя вести после своего выхода в свет.

Заключительные мысли

Всё это не аргумент против ИИ. Это аргумент в пользу того, чтобы относиться к нему с такой же серьёзностью, как и к любой другой системе, способной существенно изменить работу бизнеса.

При грамотном использовании ИИ помогает небольшим командам действовать масштабнее, выявлять закономерности, которые сложно обнаружить вручную, и расширять экспертные суждения. Но для этого необходимо чёткое понимание того, где используется ИИ, каковы его общие затраты и как им управляют. Это означает осознанный выбор моделей и архитектур, инвестиции в данные и наблюдаемость, а также разработку процессов, в которых люди остаются в курсе событий.

«Двигайтесь быстро и ломайте всё» — лозунг, написанный для команд, работающих над системами человеческого масштаба: если что-то сломалось, вы откатывали всё назад, чинили и двигались дальше. Как только ИИ вплетается в решения, касающиеся клиентов, сотрудников или граждан, тот же подход может привести к проблемам, которые распространяются быстрее, наносят больший ущерб и которые гораздо сложнее решить. Скорость по-прежнему важна, и ИИ, безусловно, может помочь в этом, но она должна подкрепляться чётким пониманием рисков, затрат и ответственности.

Невозможно полностью исключить затраты и риски. Однако существует чёткая разница между организациями, которые полагаются на спонтанные эксперименты, и теми, кто постепенно внедряет ИИ в свою деятельность, контролируя процесс от расходов до успеха. Несмотря на разнообразие проблем и результатов, с которыми сталкиваются организации, не существует универсального решения на основе ИИ, способного решить их все. Эффективное использование ИИ на предприятии всегда должно быть специализированным, контролируемым и тщательно продуманным.