ИИ не является Железным Человеком. Это костюм

Большинство лидеров думают об ИИ неправильно. Не потому, что им не хватает амбиций или осведомленности, а потому, что доминирующие нарративы — ИИ как замена рабочей силы с одной стороны, ИИ как самообеспечивающий двигатель производительности с другой — оба упускают из виду главное. Шаблон, который я вижу наиболее последовательно, во всех отраслях и функциях, заключается в том, что организации, генерирующие реальные доходы от ИИ, не являются теми, которые развернули его наиболее широко. Они являются теми, кто понял, что ИИ на самом деле является: не Железным Человеком, а костюмом. И они построили свою стратегию вокруг этого различия.

Рассмотрим, что такое костюм Железного Человека на самом деле. Это не герой. Это аппаратное обеспечение, программное обеспечение и интеллект, собранные вместе для служения конкретному оператору. Без Тони Старка внутри него костюм не имеет миссии, суждения, ответственности и возможности ориентироваться в ситуации, для которой он не был предназначен. Костюм чрезвычайно способен. Он также полностью зависим от человека, который его носит. Эта зависимость действует в обоих направлениях — Старк без костюма ограничен человеческими ограничениями; костюм без Старка является инертным металлом. Ценность существует только в сочетании. Корпоративный ИИ работает точно так же, и организации, которые генерируют реальные доходы, поняли это с самого начала.

В тех случаях, когда генерируются реальные доходы, ИИ делает именно это: он увеличивает емкость, снижает трение и улучшает выполнение. Но организации, которые видят наиболее сильные результаты, не спрашивают, как быстро они могут удалить людей из уравнения. Они спрашивают, как поставить своих лучших людей в лучший костюм — с лучшими инструментами, лучшей информацией и лучшей поддержкой принятия решений — чтобы они могли работать на уровне, который ранее был невозможен.

Только способность не является бизнес-ценностью

Именно здесь многие корпоративные разговоры об ИИ уходят в сторону. Лидеры становятся сосредоточенными на том, что может сделать технология в изоляции — может ли она суммировать быстрее, классифицировать лучше, генерировать контент, выявлять аномалии или автоматизировать ответы. Эти вопросы справедливы, но они являются неполными. Способность не является тем же, что и бизнес-ценность. И разрыв между ними — это место, где большая часть инвестиций в ИИ подperform.

Бизнес-ценность исходит от того, как ИИ применяется внутри операционной модели. Важно спросить, где он находится в рабочем процессе, какое решение он улучшает, какую瓶頸 он удаляет, какой риск он снижает, кто проверяет вывод и кто несет ответственность за исключения, когда что-то не соответствует шаблону. Эти вопросы определяют, создает ли ИИ прочную ценность или просто производит впечатляющую демонстрацию.

Самые сильные развертывания, которые мы видим, не исходят от того, что инструмент был брошен в существующий процесс и надеются, что бизнес перестроится вокруг него. Они исходят от того, что работа была спроектирована так, чтобы использовать скорость машины там, где она создает рычаг, а суждение человека остается близко к решениям, которые требуют контекста, нюансов, ответственности и понимания области. Именно там создается реальная ценность — и для этого требуется намеренный дизайн, а не просто доступ к технологии.

Что на самом деле означает “человек в цикле”

“Человек в цикле” — это одна из тех фраз, которая звучит ответственно, но часто остается разочаровывающе расплывчатой. На практике это не лозунг. Это операционная модель, которая определяет, становится ли ИИ полезным, управляемым и заслуживающим доверия. Это означает четкие права на принятие решений, явные пороги для эскалации, структурированную проверку вывода и назначенную ответственность за результаты — не расплывчатую коллективную собственность. Организации, которые определяют это явно, являются теми, кто строит настоящее институциональное доверие к ИИ — доверие, которое заслужено, потому что люди внутри организации понимают точно, когда полагаться на систему, когда оспаривать ее, и кто несет ответственность, когда это имеет наибольшее значение. Это доверие не является приятным. Это то, что определяет, распространится ли принятие ИИ по всей организации или застрянет после первого развертывания.

Например, в обслуживании клиентов ИИ может суммировать историю дела, направить запрос или предложить черновик ответа. Это может создать реальную эффективность. Но когда проблема чувствительна, эмоционально заряжена или нестандартна, суждение человека все еще необходимо. ИИ может увеличить диапазон и скорость, но человек все еще пилотирует взаимодействие.

Та же логика применима к функциям, таким как финансы, право, соблюдение требований и операции. ИИ может просмотреть документы, выявить аномалии, выявить закономерности и обработать сигналы в масштабе, который ни один человек не может сравнить. Однако ценность не заключается в замене суждения, а в том, чтобы позволить квалифицированным специалистам тратить больше времени на существенный риск, стратегическую интерпретацию, исключения и решения, которые действительно влияют на результаты. Во многих корпоративных средах более ценная человеческая роль не исчезает. Она становится более концентрированной вокруг надзора, эскалации, оркестровки и ответственности.

Как выглядит правильная отправная точка

Организации, которые делают реальный прогресс с ИИ, имеют общую отправную точку: они начинают с бизнес-проблемы, которую стоит решить, а не с технологией, которую стоит принять. Они определяют, где скорость машины создает подъем, прежде чем развернуть ее. Они назначают ответственность, прежде чем автоматизировать. И они определяют, какие результаты действительно имеют значение, прежде чем говорить о производительности. Эта дисциплина — результат прежде, технология вторая — менее распространена, чем должна быть, и это обычно то, что отделяет реализацию, которая приносит ценность, от той, которая застревает.

Разрыв между перспективным пилотным проектом и сильной операционной моделью — это место, где большая часть ценности ИИ исчезает. Это редко технологическая неудача. Модель работает. Выводы разумны. Но люди не доверяют тому, чего не понимают. Команды не меняют способ работы просто потому, что в их среде появляется новая система. И организации не захватывают бизнес-ценность просто потому, что пилот был технически впечатляющим. Реализация успешна. Принятие неудачно. И доходы никогда не материализуются.

Готовность организации остается более серьезной проблемой, чем технический доступ. Покупка доступа к возможностям ИИ относительно проста. Перестройка процессов, управления, измерения и поведения команд вокруг этой возможности намного сложнее. Но компании, которые делают это хорошо, строят что-то более ценное, чем развертывание ИИ — они строят платформу. Там, где каждый последующий случай использования быстрее проверяется, быстрее масштабируется и более тесно связан с бизнес-результатом, который действительно можно измерить.

Ловушка “кодирования настроения”

Существует конкретный и растущий источник путаницы на рынке сейчас, который делает это хуже. Рост “кодирования настроения” — идеи о том, что любой, кто имеет доступ к инструментам ИИ, может построить сложные программные системы быстро и без глубокой технической экспертизы — был усилен волной маркетинга от компаний ИИ, как устоявшихся платформ, так и нового поколения стартапов, которые последовательно преувеличивают, насколько просто построить и реализовать системы, оснащенные ИИ, которые действительно поддерживают бизнес-процессы и доставляют реальную ценность. Сообщение, намеренное или нет, заключается в том, что сложная часть в основном решена. Это не так.

ИИ действительно снизил барьер для построения чего-то, что выглядит как работающее. Прототип, демонстрация, концепция, которая впечатляет в зале заседаний — все это более доступно, чем когда-либо. Но выглядит ли оно как работающее и действительно работает на корпоративном уровне — это две фундаментально разные вещи. Построение системы, которая работает надежно на реальных, запутанных, неполных данных, — это другая проблема, чем построение системы, которая работает на чистых тестовых наборах. Построение системы, которая обрабатывает исключения, краевые случаи и режимы отказа элегантно, — это другая проблема, чем построение системы, которая обрабатывает обычный случай. И построение системы с структурами управления, аудита и ответственности, которые действительно требуются для корпоративного развертывания, — это другая проблема еще раз.

Этот разрыв дорого стоит в любой отрасли. В регулируемых отраслях он может быть существенным. В банковском деле, финансовых услугах, страховании и здравоохранении системы ИИ, которые поддерживают реальные бизнес-процессы, должны работать в рамках строгих нормативных рамок — SR 26-2 для риска модели в финансовых учреждениях, HIPAA и требования к поддержке принятия клинических решений в здравоохранении, Solvency II и обязательства по риску поведения в страховании. Они должны быть объяснимы регулирующим органам и обоснованы при аудите. У них должна быть назначена человеческая ответственность за каждый существенный решение, которое они информируют. У них должны быть протестированные механизмы резервного копирования, когда они терпят неудачу. Ни один из этих аспектов не входит в сферу прототипа, “кодированного настроением”, независимо от того, насколько убедительно он выглядел в демонстрации. Банк, который развертывает систему ИИ для принятия кредитных решений без надлежащей модели управления рисками, не движется быстро. Он накапливает нормативную и репутационную ответственность, которая проявится в худший возможный момент.

Путаница, которую это создает, дорога в конкретном смысле. Лидеры, которые усвоили нарратив о демократизации, недооценивают инвестиции, занижают необходимую экспертизу и затем приписывают неудачу ИИ, когда реальная причина заключалась в подходе. То, что выглядит как проблема ИИ, почти всегда является проблемой данных, управления или архитектуры, которую никакой объем инженерии подсказок не смог бы решить. Шаблон, который мы видим последовательно, заключается в том, что организации, которые обращаются с реализацией ИИ с той же инженерной дисциплиной, которую они применяли бы к любой критической бизнес-системе — надлежащей архитектуре, надлежащим основам данных, надлежащему управлению рисками — являются теми, кто добирается до производства и остается там. Те, кто соблазнены нарративом о простоте, добираются до демонстрации и задумываются, почему ценность никогда не следовала.

Настоящая возможность заключается в дополнении с намерением

Будут случаи, когда ИИ сильно автоматизирует задачи, и некоторые организации будут преследовать сокращение рабочей силы как основную цель. Это законный выбор. Но для большинства бизнесов — особенно тех, которые работают в сложных, регулируемых, ориентированных на клиентов или требующих суждения средах — более крупная и более прочная возможность заключается в дополнении с намерением: оснащении ваших лучших людей костюмом, который делает их способными на вещи, которые они не могли делать раньше.

Такое дополнение может не произвести наиболее впечатляющий заголовок, но это место, где проживает наиболее прочная ценность. Оно проявляется как более быстрые решения, лучшая приоритизация, более сильное обслуживание клиентов, меньше рутинных瓶頸 и больше времени, потраченного на работу, которая действительно требует опыта и суждения. И экономика доставки меняется способами, которые меняют то, что организации могут позволить себе попытаться. Работа, которая ранее требовала большой команды и долгого срока, становится достижимой с меньшей, более высококвалифицированной командой, движущейся с темпом, который ранее был невозможен. Ограничение на амбиции меняется. Организации начинают преследовать возможности, которые они бы отвергли как слишком дорогие или слишком медленные до появления костюма. Со временем эти выгоды не являются маржинальными. Они переопределяют, что организация считает возможным.

Компании, которые обгоняют других, не будут теми, у кого больше всего инструментов или моделей. Они будут теми, кто становится лучшим в сочетании технической возможности с человеческой возможностью — кто знает, где должна быть автоматизация, где суждение должно оставаться близко, и как спроектировать работу так, чтобы сильные стороны обоих укрепляли друг друга. И они построили основу данных и модель управления, которая делает каждую новую возможность ИИ быстрее развертываемой и легче заслуживающей доверия.

Тест Железного Человека

ИИ не является Железным Человеком. Это костюм. И как любой костюм, его ценность зависит полностью от того, кто его носит, что они пытаются достичь, и насколько хорошо он был построен для миссии. Лидеры, которые понимают это, перестают спрашивать, готов ли ИИ, и начинают спрашивать, готова ли их организация — определена ли операционная модель, установлена ли основа данных, реально ли управление, а не риторически, и знают ли люди внутри костюма, что они делают и почему. Это вопросы, которые определяют, станет ли ИИ прочным источником конкурентного преимущества или дорогой серией экспериментов, которые никогда не доставили.

Настоящий лидерский вызов заключается не в том, является ли ИИ мощным. Это явно так. Вызов заключается в том, готовы ли лидеры относиться к нему с серьезностью, которую он требует — сопротивляться нарративу о простоте, инвестировать в основы, которые делают его работоспособным, и строить операционную модель, которая превращает возможность в результаты. Это более сложный путь, чем покупка инструмента и ожидание результатов. Но это единственный путь, который ведет туда, где стоит идти. Команды, с которыми мы работаем и которые выбрали этот путь, не только выступают лучше сегодня. Они строят организации, которые будут значительно сложнее конкурировать завтра.