Наделять предприятие возможностями с помощью платформы ИИ

Во всех отраслях я вижу одну и ту же закономерность: первые ценные случаи использования ИИ редко исходят от комитета по управлению. Они исходят от команд, которые находятся ближе всего к операционному трению.

Я провожу много времени с командами руководства, обсуждая один и тот же вопрос: “Мы инвестируем в ИИ, поэтому где бизнес-ценность?” Это справедливый вопрос, и честный ответ заключается в том, что для большинства организаций ценность не появляется достаточно быстро. RAND оценил, что более 80% проектов ИИ терпят неудачу, примерно в два раза больше, чем не-ИИ проектов ИТ. Исследование BCG не менее трезво: к концу 2025 года 60% компаний генерировали мало или совсем не материальную ценность от ИИ, и только 5% создавали ценность в масштабе. Инициатива MIT NANDA выразилась прямо: только около 5% пилотов ИИ для предприятий достигают быстрого ускорения выручки.

Почему передовая линия – это где начинается ценность

В любой организации с большой популяцией работников знаний ценность часто легко найти, если задать правильные вопросы, и она больше, чем просто попросить чат-бота суммировать документ. Реальная возможность заключается в агентном ИИ, встроенном в операционные рабочие процессы. Мы использовали платформы с низким кодом в бухгалтерии для ускорения обработки счетов-фактур и автоматического ответа на вопросы по оплате счетов. В службе поддержки клиентов агент, который классифицирует входящий случай, извлекает историю клиента и создает проект решения для рассмотрения человеком, может существенно улучшить скорость ответа и удовлетворенность клиентов. Это многоступенчатые рабочие процессы, которые охватывают системы, требуют суждения и находятся ближе всего к людям, которые уже знают, где живет трение. Им не нужно шестимесячная фаза открытия, чтобы сказать им, что сломано. Они сталкиваются с этим каждый день.

Существует два хода, которые работают вместе. Наделять работников знаний контролируемыми инструментами ИИ с низким кодом/без кода, чтобы они могли улучшить свои собственные рабочие процессы, и создать функцию инженерии ИИ для бизнес-команд для более сложных случаев использования. Оба создают ценность, и самые сильные организации делают и то, и другое. Но ни один из них не масштабируется без общей платформы для идентификации, доступа, данных, интеграции и операций.

Пилотно-промышленный разрыв – это проблема платформы

Многие организации застревают в спорах о том, какую модель использовать. Это важно, но это не основное ограничение. Более серьезной проблемой является зрелость платформы. Команды могут быстро создавать прототипы, но они не могут развертывать последовательно во всей компании, когда отсутствуют общие основы: контроли идентификации и доступа, которые могут использовать бизнес-команды, четкие границы данных, повторно используемые шаблоны интеграции и практический процесс для рассмотрения, выпуска и мониторинга. S&P Global обнаружил (SPGI ), что средняя организация отказалась от 46% доказательств концепции ИИ, прежде чем они достигли производства.

Это почему платформа данных имеет такое большое значение. Готовые к ИИ данные – это не приятная вещь, а ключ к успеху в производстве. Без достоверных, доступных, соответствующих политике данных даже сильные случаи использования застревают.

Ловушка данных и почему не следует ждать

Вот что останавливает большинство программ: данные. Gartner прогнозирует, что до 2026 года организации откажутся от 60% проектов ИИ, которые не поддерживаются готовыми к ИИ данными. Обычная реакция заключается в том, чтобы запустить большую программу платформы данных, модернизировать все, усовершенствовать происхождение и затем сделать ИИ.

Эта последовательность звучит дисциплинированно, но часто задерживает ценность на годы. Модернизация платформы данных реальна, необходима и безоговорочна. Она также работает на многолетних временных рамках в большинстве предприятий. Если каждый случай использования ИИ вынужден ждать завершения основной архитектуры, доверие руководства разрушается, прежде чем появляются осмысленные результаты.

Лучший подход – параллельное выполнение: продолжать строить платформу данных предприятия, одновременно отдавая приоритет включению ИИ в процессные области с наибольшим операционным трением.

Время-на-месте, достаточно-на-месте управление для рабочих процессов с высоким трением

Начните с боли процесса, а не с технологической дорожной карты. Определите, где трение самое высокое, а бизнес-воздействие самое ясное: задержанные циклы счетов, медленное решение дел, исключительные утверждения, повторные поиски данных или ручные циклы согласования. Затем нацельте эти рабочие процессы первыми для включения ИИ.

Используйте управление во времени, чтобы сделать это возможным. Вместо того, чтобы пытаться контролировать все заранее, контролируйте конкретные данные, необходимые для каждого приоритетного случая использования, когда случай использования готов к движению. Маленькая межфункциональная команда может рассмотреть вопросы собственности, доступа, требований к качеству и контроля за несколько дней, а не за несколько месяцев, в комитетских циклах.

Примените достаточно контроля, чтобы соответствовать реальному риску. Случай использования, который обрабатывает публичный контент продукта, не требует тех же защитных мер, что и случай использования, который обрабатывает личную идентифицирующую информацию клиента. Эта модель, пропорциональная риску, защищает организацию, сохраняя при этом скорость доставки, и снижает поведение ИИ в тени, которое возникает, когда формальные пути слишком медленные.

Бэклог – это мост к полной готовности данных

Каждое развертывание ИИ на передовой должно генерировать структурированное обучение: какие данные использовались, какие дефекты качества возникли, какие преобразования были необходимы и какие решения по управлению были приняты. Захватите каждый пробел как элемент бэклога для исправления платформы.

Этот бэклог становится требуемой картой для модернизации данных. Вместо того, чтобы гадать, где инвестировать первым, улучшите наборы данных и продукты данных, которые уже связаны с измеримыми бизнес-результатами. Со временем это создает самоподдерживающийся цикл: случаи использования ИИ на передовой выявляют наиболее важные пробелы в данных, команды платформы исправляют их, и следующая волна решений ИИ отправляется быстрее и с меньшим риском.

Окончательная мысль: платформа – это решение

Решение не заключается в том, “пилот или нет”. Это заключается в том, будете ли вы строить контролируемую платформу ИИ и данных, которая позволяет вашей организации учиться, отправлять и масштабировать безопасно.

Относитесь к готовым к ИИ данным как к миссионно-критическим. Постройте платформу данных как стратегическую программу. Но не ждите, пока все будет сделано. Отдайте приоритет областям с наибольшим трением, включите их с помощью ИИ и контролируйте данные во времени. Таким образом вы создаете ценность сейчас, одновременно строя основу, которая поддерживает ценность в масштабе.