Как избежать усталости пилотов ИИ-поколения: лидерство с целью

Мы уже видели эту историю: прорывная технология захватывает воображение руководителей предприятий во всех отраслях, обещая масштабную трансформацию. В начале 2010-х годов это была роботизированная автоматизация процессов (RPA). Вскоре после этого настала очередь облачных вычислений. Сегодня, генеративный ИИ (Gen AI) находится в центре внимания, и организации с головой погружаются в пилотные проекты, не имея четкого плана действий.

Результат? Поднимающаяся волна того, что можно назвать Усталость пилота генеративного ИИ. Это состояние истощения, разочарования и угасания импульса, которое наступает, когда слишком много инициатив ИИ запускается без структуры, цели или измеримых целей. Компании одновременно запускают десятки пилотов, часто с пересекающимися намерениями, но без четких критериев успеха. Они гонятся за потенциалом в разных отделах, но вместо того, чтобы раскрытие эффективности или рентабельности инвестиций, они создают путаницу, избыточность и тормозят инновации.

Определение усталости пилотов ИИ-поколения

Усталость пилота генеративного ИИ отражает более широкую организационную проблему: бесконечные амбиции без конечной структуры. Коренные причины знакомы любому, кто был свидетелем прошлых технологических волн:

• Бесконечные возможности: Искусственный интеллект может применяться в любой сфере деятельности — маркетинге, операциях, кадрах, финансах, — что создает соблазн запустить несколько вариантов использования без четких границ.
• Простота развертывания: Такие инструменты, как модели GPT от OpenAI и Gemini от Google, позволяют командам быстро запускать пилотные проекты без какой-либо зависимости от инженеров — иногда в течение нескольких часов.
• Отсутствие плана самообеспечения: Gen AI требует качественных данных для эффективности. Во многих случаях данные могут устареть без внедрения процесса, гарантирующего, что данные остаются правильными и актуальными.
• Плохая измеримость: В отличие от традиционных ИТ-развертываний, сложно определить, когда инструмент Gen AI «достаточно хорош», чтобы перейти от пилотной версии к промышленной. Окупаемость инвестиций часто неясна или задерживается.
• Препятствия к интеграции: Многие организации испытывают трудности с внедрением инструментов Gen AI в существующие системы, конвейеры данных или рабочие процессы, что приводит к увеличению времени, сложности и разочарованию.
• Высокий спрос на ресурсы: Пилоты часто требуют значительных временных, финансовых и человеческих затрат, особенно в части обучения и поддержания чистых, пригодных для использования наборов данных.

Короче говоря, усталость поколения ИИ возникает, когда эксперименты опережают стратегию.

Почему это происходит?

Во многих случаях это происходит потому, что организации пропускают базовую работу. Прежде чем внедрять какие-либо передовые технологии, необходимо оптимизировать процессы, которые вы пытаетесь улучшить. В Accruent мы убедились, что, просто оптимизируя рабочие процессы и обеспечивая качество данных, компании могут добиться повышения эффективности до 50% ещё до внедрения ИИ. Добавьте ИИ Gen на хорошо настроенную систему, и эффект может удвоиться. Но без этой базовой работы даже самые впечатляющие модели ИИ не принесут ощутимой пользы.

Еще одна ловушка — отсутствие четких ограждений. Пилоты Gen AI не следует рассматривать как бесконечные эксперименты. Успех должен измеряться определенными результатами — экономией времени, снижением затрат или расширением возможностей. Должны быть предусмотрены ворота для продвижения, поворота или завершения проектов на основе оценки на основе данных. Половина всех идей Gen AI в конечном итоге может оказаться более подходящей для других технологий, таких как RPA или инструменты без кода, — и это нормально. Цель состоит не в том, чтобы внедрить ИИ ради внедрения ИИ, а в том, чтобы эффективно решать бизнес-задачи.

Уроки RPA и миграции в облако

Это не первый раз, когда организации поддаются технологическому энтузиазму. RPA обещала устранить повторяющиеся задачи; миграция в облако обещала гибкость и масштабируемость. Оба дали результат — в конечном итоге — но только для тех, кто применил дисциплину к развертыванию.

Один главный вывод? Не пропускайте фундамент. Мы своими глазами увидели, что организации могут подъехать 50% прироста эффективности просто оптимизируя существующие рабочие процессы и улучшая гигиену данных перед внедрением ИИ. Когда ИИ применяется к оптимизированной системе, выгоды могут удвоиться. Но когда ИИ накладывается поверх сломанных процессов, влияние незначительно.

То же самое касается и данных. Модели Gen AI хороши ровно настолько, насколько хороши данные, которые они потребляют. Грязные, устаревшие или непоследовательные данные приведут к плохим результатам — или, что еще хуже, предвзятым и вводящим в заблуждение. Вот почему компании должны инвестировать в надежные системы управления данными, точка зрения, поддержанная отраслевыми экспертами и подчеркнутая в отчетах McKinsey.

Соблазн «легкого» ИИ

Одним из обоюдоострых мечей генеративного ИИ является его низкий порог входа. Благодаря готовым моделям и удобным интерфейсам любой человек в организации может запустить пилотный проект за считанные дни — иногда часы или даже минуты. Хотя эта доступность мощна, она также открывает шлюзы. Внезапно у вас есть команды из разных отделов, экспериментирующие в изоляции, с небольшим контролем или координацией. Необычно видеть десятки инициатив Gen AI, работающих одновременно, каждая с разными заинтересованными сторонами, наборами данных и определениями успеха или его отсутствия.

Этот фрагментированный подход приводит к усталости — не только с точки зрения ресурсов, но и из-за растущего разочарования от отсутствия ощутимой отдачи. Без централизованного управления и четкого видения даже самые многообещающие варианты использования могут застрять в бесконечных циклах итераций, уточнений и переоценок.

Разорвите цикл: стройте с намерением

Начните с рассмотрения Gen AI как любой другой корпоративной технологической инвестиции – основанной на стратегии, управлении и оптимизации процессов. Вот несколько принципов, которые я нашел критически важными:

1. Начните с проблемы, а не с технологии. Слишком часто организации гонятся за вариантами использования Gen AI, потому что они захватывающие, а не потому что они решают определенную бизнес-задачу. Начните с выявления точек трения или неэффективности в ваших рабочих процессах, а затем спросите: является ли Gen AI лучшим инструментом для работы?
2. Оптимизируйте, прежде чем внедрять инновации. Прежде чем накладывать ИИ на сломанный процесс, исправьте этот процесс. Оптимизация операций может сама по себе открыть большие возможности — и значительно упрощает измерение дополнительного воздействия ИИ. Как отметила Bain & Company в Недавний доклад, Компании, которые уделяют особое внимание базовой готовности, смогут быстрее получить выгоду от использования технологий искусственного интеллекта.
3. Проверьте свои данные. Убедитесь, что ваши модели обучены на точных, релевантных и этически полученных данных. Плохое качество данных является одной из главных причин, по которой пилоты не масштабируются, согласно Gartner.
4. Определите, как выглядит «хорошо». Каждый пилот должен иметь четкие KPI, привязанные к бизнес-целям. Будь то сокращение времени, затрачиваемого на рутинные задачи, или сокращение операционных расходов, успех должен быть измеримым, и у пилотов должны быть ворота для принятия решений, чтобы продолжить, сделать поворот или свернуть.
5. Имейте широкий набор инструментов. Gen AI не является ответом на все проблемы. В некоторых случаях автоматизация через RPA, low-code приложения или машинное обучение может быть быстрее, дешевле или более устойчивой. Будьте готовы сказать «нет» ИИ, если окупаемость инвестиций не окупится.

Взгляд в будущее: что поможет, а что может навредить

В ближайшие годы усталость пилотов может усилиться, прежде чем станет лучше. Темпы инноваций только ускоряются, особенно с появлением таких технологий, как Agentic AI. Давление «что-то сделать с ИИ» огромно — и без правильных ограждений организации рискуют быть подавленными огромным объемом возможностей.

Однако есть основания для оптимизма. Методы разработки становятся более зрелыми. Команды начинают относиться к Gen AI с той же строгостью, что и к традиционным программным проектам. Мы также видим улучшения в инструментах. Достижения в платформах интеграции AI и оркестровке API облегчают встраивание Gen AI в существующие технологические стеки. Предварительно обученные модели от таких поставщиков, как OpenAI, Meta и Mistral, снижают нагрузку на внутренние команды. А фреймворки вокруг этичного и ответственного AI, подобные тем, которые отстаивает Институт AI Now, помогают уменьшить неопределенность и риск. Возможно, самое главное, мы наблюдаем рост кросс-функциональной грамотности в области ИИ — растущее понимание среди руководителей бизнеса и технических специалистов того, что может (и не может) делать ИИ.

Заключительная мысль: дело в цели, а не в пилотах

В конце концов, успех ИИ зависит от намерения. Генеративный ИИ имеет потенциал для значительного повышения эффективности, открытия новых возможностей и преобразования отраслей, но только если он руководствуется стратегией, поддерживается чистыми данными и измеряется результатами.

Без этих якорей это просто очередная технологическая мода, которая измотает ваши команды и разочарует ваше руководство.

Если вы хотите избежать усталости пилота Gen AI, не начинайте с технологии. Начните с цели. И стройте от этого.