Избегание усталости от пилотных проектов генеративного ИИ: руководство с помощью цели

Мы уже видели эту историю раньше: технология, меняющая правила игры, завоевывает воображение лидеров бизнеса в различных отраслях, обещая трансформацию в масштабе. В начале 2010-х годов это была автоматизация роботизированных процессов (RPA). Скоро после этого облачные вычисления заняли свою очередь. Сегодня генеративный ИИ (Gen AI) находится в центре внимания – и организации бросаются в пилотные проекты без ясного пути вперед.

Результат? Растущая волна того, что можно назвать усталостью от пилотных проектов генеративного ИИ. Это состояние истощения, разочарования и снижения импульса, которое возникает, когда слишком много инициатив ИИ запускаются без структуры, цели или измеримых целей. Компании запускают десятки пилотных проектов одновременно, часто с перекрывающимися намерениями, но без ясных критериев успеха. Они преследуют потенциал через отделы, но вместо того, чтобы раскрыть эффективность или ROI, они создают путаницу, избыточность и застой инноваций.

Определение усталости от пилотных проектов генеративного ИИ

Усталость от пилотных проектов генеративного ИИ отражает более широкую организационную проблему: бесконечная амбиция без конечной структуры. Коренные причины знакомы всем, кто сталкивался с прошлыми волнами технологий:

• Бесконечные возможности: Генеративный ИИ может быть применен к каждой функции – маркетингу, операциям, HR, финансам – что делает его заманчивым запустить несколько случаев использования без ясных границ.
• Легкость развертывания: Инструменты, такие как модели GPT от OpenAI и Gemini от Google, позволяют командам запускать пилотные проекты быстро, без зависимости от инженерии – иногда за несколько часов.
• Отсутствие плана поддержания: Генеративный ИИ требует хорошего качества данных, чтобы быть эффективным. Во многих случаях данные могут стать устаревшими без реализации процесса, обеспечивающего актуальность и правильность данных.
• Плохая измеримость: В отличие от традиционных развертываний ИТ, трудно определить, когда инструмент генеративного ИИ достаточно хорош, чтобы перейти от пилотного проекта к производству. ROI часто неясен или задержан.
• Препятствия интеграции: Многие организации сталкиваются с трудностями при подключении инструментов генеративного ИИ к существующим системам, потокам данных или рабочим процессам, что добавляет время, сложность и разочарование.
• Высокий спрос на ресурсы: Пилотные проекты часто требуют значительного времени, денег и человеческих инвестиций – особенно при обучении и поддержании чистых, пригодных для использования наборов данных.

Вкратце, усталость от генеративного ИИ возникает, когда экспериментирование опережает стратегию.

Почему это продолжается?

Во многих случаях это происходит потому, что организации пропускают основную работу. Прежде чем развертывать любую передовую технологию, необходимо сначала оптимизировать процессы, которые вы пытаетесь улучшить. В Accruent мы видели, что просто оптимизируя рабочие процессы и обеспечивая качество данных, компании могут добиться до 50% эффективности, прежде чем даже внедрять ИИ. Наложение генеративного ИИ на хорошо настроенную систему может удвоить улучшение. Но без этой основы даже самые впечатляющие модели ИИ не принесут значимой ценности.

Другой ловушкой является отсутствие ясных ограничений. Пилотные проекты генеративного ИИ не должны рассматриваться как бесконечные эксперименты. Успех должен измеряться в определенных результатах – сэкономленном времени, снижении затрат или расширении возможностей. Должны быть установлены ворота, чтобы продвигать, изменять или завершать проекты на основе данных. Половина всех идей генеративного ИИ может в конечном итоге оказаться более подходящей для других технологий, таких как RPA или инструментов без кода – и это нормально. Цель не состоит в том, чтобы внедрить ИИ ради самого ИИ, а в том, чтобы эффективно решать бизнес-проблемы.

Уроки из RPA и облачной миграции

Это не первый раз, когда организации увлекаются энтузиазмом технологий. RPA обещал исключить повторяющиеся задачи; облачная миграция обещала гибкость и масштаб. Обе обещания были выполнены – в конце концов – но только для тех, кто применил дисциплину к развертыванию.

Одним из основных выводов является то, что не следует пропускать основу. Мы видели, что организации могут добиться до 50% эффективности, просто оптимизируя существующие рабочие процессы и улучшая качество данных, прежде чем внедрять ИИ. Когда ИИ применяется к оптимизированной системе, улучшения могут удвоиться. Но когда ИИ накладывается на сломанные процессы, влияние незначительно.

То же самое относится и к данным. Модели генеративного ИИ так хороши, как и данные, которые они потребляют. Грязные, устаревшие или несоответствующие данные приведут к плохим результатам – или хуже, предвзятым и вводящим в заблуждение. Поэтому компании должны инвестировать в прочные рамки управления данными, что поддерживается экспертами отрасли и подчеркивается в отчетах McKinsey.

Искушение “легким” ИИ

Одним из двойных мечей генеративного ИИ является его низкий барьер для входа. С помощью предварительно построенных моделей и удобных интерфейсов любой в организации может запустить пилотный проект за несколько дней – иногда часов или даже минут. Хотя эта доступность мощная, она также открывает шлюзы. Внезапно, у вас есть команды по всему отделам, экспериментирующие в изоляции, с минимальным надзором или координацией. Не редко видеть десятки инициатив генеративного ИИ, работающих одновременно, каждая с разными заинтересованными сторонами, наборами данных и определениями успеха или его отсутствия.

Такой фрагментированный подход приводит к усталости – не только с точки зрения ресурсов, но и с точки зрения растущего разочарования от отсутствия осязаемых результатов. Без централизованного управления и ясного видения даже самые перспективные случаи использования могут оказаться в бесконечных циклах итерации, уточнения и переоценки.

Прерывание цикла: строительство с намерением

Начните с того, что генеративный ИИ – это любая другая корпоративная технологическая инвестиция – основанная на стратегии, управлении и оптимизации процессов. Вот несколько принципов, которые я считаю критически важными:

1. Начните с проблемы, а не с технологии. Слишком часто организации преследуют случаи использования генеративного ИИ, потому что они интересны – а не потому, что они решают определенную бизнес-задачу. Начните с определения точек трения или неэффективности в ваших рабочих процессах, а затем спросите: является ли генеративный ИИ лучшим инструментом для работы?
2. Оптимизируйте, прежде чем инновировать. Прежде чем накладывать ИИ на сломанный процесс, исправьте процесс. Оптимизация операций может разблокировать значительные выгоды сами по себе – и делает гораздо проще измерить дополнительное влияние ИИ. Как отметила компания Bain & Company в недавнем отчете, бизнес, который фокусируется на базовой готовности, видит более быстрое время достижения ценности от генеративного ИИ.
3. Проверьте свои данные. Обеспечьте, чтобы ваши модели были обучены на точных, актуальных и этически полученных данных. Плохое качество данных является одним из основных причин, по которым пилотные проекты не могут масштабироваться, согласно Gartner.
4. Определите, что такое “хорошо”. Каждый пилотный проект должен иметь ясные KPI, связанные с бизнес-целями. Будь то снижение времени, потраченного на рутинные задачи, или снижение операционных затрат, успех должен быть измеримым – и пилотные проекты должны иметь ворота для принятия решений о продолжении, изменении или завершении.
5. Сохраните широкий набор инструментов. Генеративный ИИ не является ответом на каждую проблему. В некоторых случаях автоматизация с помощью RPA, низкокодовых приложений или машинного обучения может быть быстрее, дешевле или более устойчивой. Будьте готовы сказать “нет” ИИ, если ROI не оправдывает.

Взгляд вперед: что поможет, а что может навредить

В ближайшие годы усталость от пилотных проектов может стать хуже, прежде чем станет лучше. Темп инноваций ускоряется, особенно с появлением новых технологий, таких как Agentic AI. Давление на “сделать что-то с ИИ” огромное – и без правильных ограничений организации рискуют быть подавлены огромным количеством возможностей.

Однако есть причина для оптимизма. Практики разработки созревают. Команды начинают относиться к генеративному ИИ с той же строгостью, которую они применяют к традиционным проектам программного обеспечения. Мы также видим улучшения в инструментарии. Улучшения в платформах интеграции ИИ и оркестровке API делают его проще вставить генеративный ИИ в существующие технологические стопки. Предобученные модели от поставщиков, таких как OpenAI, Meta и Mistral, снижают бремя на внутренние команды. И рамки вокруг этического и ответственного ИИ, такие как те, которые пропагандируются AI Now Institute, помогают снижать неопределенность и риск. Может быть, самое главное, мы видим рост межфункциональной грамотности ИИ – растущее понимание среди бизнес- и технических лидеров о том, что может (и не может) сделать ИИ.

Окончательная мысль: все дело в цели, а не в пилотных проектах

В конце концов, успех ИИ сводится к намерению. Генеративный ИИ имеет потенциал принести огромные выгоды, разблокировать новые возможности и изменить отрасли – но только если он руководствуется стратегией, поддерживается чистыми данными и измеряется результатами.

Без этих якорей это просто еще одна технологическая мода, обреченная на истощение команд и разочарование совета директоров.

Если вы хотите избежать усталости от пилотных проектов генеративного ИИ, не начинайте с технологии. Начните с цели. И стройте оттуда.