Джейсон Войан, генеральный директор KMS Technology, — серия интервью

Джейсон Войан — генеральный директор KMS Technology; за его плечами около трёх десятилетий опыта создания и развития компаний, оказывающих технологические услуги крупному бизнесу. Он стал сооснователем Thirdera и руководил компанией до её приобретения Cognizant, ранее возглавлял глобальное направление ServiceNow в Accenture, а также занимал руководящие должности в Cloud Sherpas и IBM Global Services. В своей работе он сосредоточен на трансформации крупных компаний, операционных моделях и преобразовании достижений в области ИИ в измеримые бизнес-результаты.

KMS Technology — компания в области цифровой разработки, данных и ИИ, которая помогает организациям создавать программное обеспечение, модернизировать приложения, укреплять основы работы с данными и внедрять ИИ в промышленную эксплуатацию. Компания предлагает технический консалтинг, разработку продуктов и решений для работы с данными, а также интеллектуальную автоматизацию рабочих процессов. В этом интервью Войан рассказывает об «экономике исполнения», разрыве между пилотными проектами в области ИИ и их внедрением в промышленную эксплуатацию, полномочиях ИИ-агентов принимать решения и способах оценивать прогресс бизнеса по результатам сквозных процессов.

Вы уже три десятилетия создаёте и развиваете организации в сфере корпоративных технологий: от расширения Navigis и руководства глобальным направлением ServiceNow в Accenture до создания Thirdera и нынешней должности генерального директора KMS Technology. Как этот опыт сформировал ваше представление о трансформации крупных компаний и что привлекло вас к задаче помочь организациям стать изначально ориентированными на ИИ?

Я начал карьеру в IBM Global Services, руководя реализацией проектов для крупных корпоративных клиентов. Затем были Navigis, Cloud Sherpas, Accenture, Thirdera и Cognizant — почти вся моя карьера прошла в экосистеме ServiceNow.

Я постоянно наблюдал одну и ту же закономерность. Каждая новая волна платформ обещала трансформацию, но именно технология редко определяла победителя. Успеха добивались компании, которые меняли то, как работа на самом деле проходит через организацию.

Годы работы с ServiceNow научили меня, что ценность заключена в рабочих процессах, а не в панелях мониторинга. За последние тридцать лет корпоративное ПО научилось очень хорошо показывать, что происходит. А вот что-либо менять оно умело куда хуже. Этот пробел заполняли люди. Они становились бесплатной интеграционной командой, перенося работу из одной системы в другую.

ИИ меняет ситуацию. Интеллекта становится всё больше. Теперь в дефиците способность превращать его в скоординированные действия. Именно поэтому я пришёл в KMS: здесь есть глубокая инженерная экспертиза, необходимая для создания систем, которые выполняют работу, а не просто отслеживают её, и возможность стать компанией, изначально ориентированной на ИИ, а не просто использующей ИИ.

Многие крупные компании успешно продемонстрировали потенциал ИИ в пилотных проектах, но с трудом превращают первые успехи в ценность, достигаемую при внедрении в промышленную эксплуатацию. С какими препятствиями организации чаще всего сталкиваются при переходе от экспериментов к полномасштабному внедрению и почему эти трудности нередко проявляются лишь после того, как технология доказала свою эффективность?

Пилотный проект доказывает, что модель работает. Промышленное внедрение доказывает, что работает организация.

Это совершенно разные испытания. Пилотный проект опирается на чистые, тщательно отобранные данные, заинтересованного куратора и небольшую команду, которая обходит все пробелы. Его задача — не сталкиваться с трудными вопросами.

При промышленном внедрении этого не избежать. Теперь агенту нужно обращаться уже к пяти системам, а не к одной. Кто-то должен отвечать за результат, если агент допустит ошибку, решать, какие действия ему разрешено утверждать, и оплачивать его ежедневную работу.

Вот почему эти трудности проявляются после того, как технология доказала свою эффективность. Изначально это были не технологические проблемы. Это проблемы данных, интеграции, ответственности и полномочий, а пилотный проект был устроен так, чтобы обойти каждую из них.

Решение — перестать воспринимать пилотные проекты как демонстрации. Нужно считать пилот первым этапом промышленного внедрения. Выберите важный рабочий процесс, подключите к нему реальные системы, назначьте ответственного и сразу определите, какие решения агент может принимать. Начать так сложнее, зато масштабировать — гораздо быстрее.

Вы описали переход к «экономике исполнения», в которой конкурентное преимущество всё больше зависит от способности организации превращать интеллект в скоординированные действия. Что эта концепция означает на практике и как она должна изменить подход крупных компаний к инвестициям в ИИ?

Любая работа проходит одни и те же этапы: информация, аналитические выводы, решение и исполнение.

Десятилетиями корпоративное ПО было сосредоточено на первых двух этапах, а ИИ быстро совершенствует первые три. Большинство организаций по-прежнему застряли на этапе исполнения, и именно здесь теперь формируется конкурентное преимущество.

На практике экономика исполнения означает, что интеллект больше не является дефицитным ресурсом. Дефицитна способность доводить дела до результата. У двух компаний могут быть одинаковые модели, данные и аналитические выводы. Побеждает та, которая превращает эти выводы в скоординированные действия, чётко определяет полномочия и ведёт журнал аудита.

Это меняет подход к инвестициям. Сегодня большая часть бюджетов на ИИ уходит на инструменты: помощников, ассистентов, улучшенный поиск. Они помогают отдельным сотрудникам работать быстрее. Но предложение, подготовленное ИИ за десять минут, всё равно может три дня ждать утверждения. Ускорение отдельных задач не означает ускорения получения результатов.

Поэтому финансируйте рабочие процессы, а не инструменты, и начните с другого вопроса. Не «Как повысить производительность этого сотрудника на 20%?», а «Какую работу больше не нужно координировать вручную?»

Как организациям следует переосмыслить существующие процессы, структуры принятия решений и модели ответственности по мере того, как ИИ переходит от помощи сотрудникам в выполнении отдельных задач к автономному выполнению целых рабочих процессов?

Большинство корпоративных процессов создавались с учётом ограничений человека. Информация передавалась медленно — поэтому мы придумали совещания. Решения требовали контроля — поэтому мы выстроили цепочки согласований. Многое из того, что мы называем процессом, на самом деле представляет собой передачу задач от одного человека другому.

Автоматизируйте всё это как есть — и вы автоматизируете организационную структуру. Передача задач ускорится, но их количество не уменьшится.

Переосмысление начинается с решений, а не задач. Для каждого рабочего процесса составьте карту заложенных в него решений. Что может рекомендовать агент? Что он может решить? Что он может выполнить самостоятельно? В каких случаях должен вмешаться человек?

Полномочия относятся к решениям, а не ко всему рабочему процессу. Агенту можно полностью доверить сверку счёта, но при этом оставить за человеком утверждение любого платежа, превышающего установленный лимит.

Ответственность не исчезает — она становится яснее. Люди и агенты совместно отвечают за выполнение работы: агенты выполняют её, а люди определяют полномочия, разбирают исключения и отвечают за результат. У каждого агента должен быть конкретный ответственный, а каждое действие должно отслеживаться и, по возможности, быть обратимым.

Руководство переходит от координации работы к проектированию систем, которые её выполняют.

В KMS Technology вы сосредоточены на преобразовании традиционной цифровой инженерии в корпоративное выполнение задач на основе ИИ. Как это преобразование выглядит внутри компании и как KMS подходит к интеграции ИИ, платформ данных и интеллектуальной оркестрации рабочих процессов, чтобы обеспечить измеримые бизнес-результаты?

Сначала мы применяем тот же подход к себе. KMS выросла как компания в сфере цифровой инженерии. Следующий этап нашего развития — корпоративное выполнение задач на основе ИИ: разработка, модернизация и эксплуатация, за которые совместно отвечают люди и агенты. Результаты выражаются в затраченном времени и усилиях:

Разработка. Evergreen Telehealth хотела создать платформу телемедицины на основе агентного ИИ и стандарта медицинских данных FHIR, но ничего подобного на рынке не было. Работая с самого начала на основе ИИ и используя Claude на всех этапах — от определения требований и проектирования до разработки и тестирования, — наша команда и инженеры Evergreen довели основную платформу от концепции до готового к эксплуатации решения за 75 рабочих дней. В неё вошли три приложения (веб-приложение, iOS и Android), четыре действующие интеграции (электронные медицинские карты, проверка личности, платежи и аптеки) и два производственных агента. В основе подхода было руководство со стороны людей и ускорение с помощью ИИ. Агенты составляли пользовательские истории, генерировали код и запускали тесты. Инженеры отвечали за архитектуру, сопоставление клинических данных и каждое важное решение.

Модернизация. В другом случае компании, разрабатывающей программное обеспечение для морской отрасли, потребовалось заменить платформу, которую она более 20 лет использовала на собственных серверах. Компания не могла позволить себе длительную традиционную переработку системы, прежде чем инвесторы увидят прогресс, поэтому мы провели ограниченную по времени шестинедельную разработку с применением агентного ИИ. Требования клиента загрузили в качестве контекста, чтобы агенты создавали систему по спецификации, а не просто генерировали код. Команда реализовала от 35 до 45 процентов объёма MVP примерно за 800 командных часов, тогда как первоначальная оценка составляла от 6 000 до 8 000 часов. Агенты написали код и более 5 000 модульных тестов. Инженеры установили ограничения и оценили качество.

Эксплуатация. С тех пор Evergreen распространила свою агентную архитектуру на всю компанию: за системой следят управляющие агенты, а люди участвуют в процессе, чтобы оценивать её работу и исправлять ошибки.

Мы не просто стали писать код быстрее. Мы изменили объём работы, который может выполнить команда.

Во всех трёх случаях люди и агенты совместно отвечают за выполнение работы. Агенты выполняют повторяющиеся задачи. Наши инженеры и команды клиентов отвечают за решения, исключения и результат.

Этот же сдвиг позволяет нам повышать эффективность выполнения проектов. В этом и состоит разница между разработкой на основе ИИ и разработкой с применением ИИ.

Корпоративные системы ИИ всё чаще нуждаются в доступе к информации из разрозненных устаревших приложений, облачных платформ и сред данных. Насколько серьёзна задача объединения этих систем и какие архитектурные основы организациям следует заложить, прежде чем внедрять рабочие процессы на базе ИИ в больших масштабах?

Это главная проблема. У большинства компаний нет проблемы с ИИ. У них проблема с разрозненностью систем, которую ИИ сделал невозможным игнорировать.

Посмотрите, как сегодня выполняется работа. Кто-то находит информацию в одном приложении, добивается согласования в другом, а затем переносит результат в третье. Интеграционным звеном служат люди. Агент не сможет выполнить эту работу, если у него нет доступа к этим системам, понимания контекста и необходимых разрешений.

Поэтому архитектурные основы важнее модели. В первую очередь нужны четыре элемента:

• современная архитектура данных, предоставляющая агентам надёжный контекст
• интеграционный уровень, позволяющий агентам не только считывать данные, но и выполнять действия в разных системах
• идентификация и разрешения, предусмотренные для агентов, а не только для людей
• мониторинг, позволяющий видеть, что и почему сделал каждый агент

Технологический стек тоже становится компактнее. Платформы данных приобретают операционные функции, платформы для рабочих процессов — интеллектуальные, а приложения переходят к безголовой архитектуре. Если рабочий процесс может охватывать весь стек, зачем пользователю делать это самому?

Не ждите идеальной архитектуры. Выберите один важный рабочий процесс и модернизируйте всё, чего он касается. Затем переходите к следующему.

Когда ИИ-агенты начинают принимать решения и выполнять действия в рамках бизнес-операций, вопросы управления, подотчётности и контроля со стороны человека становятся всё важнее. Как компаниям определить, какие решения можно делегировать ИИ, а какие должны оставаться под контролем человека?

Я бы начал с того, что переформулировал вопрос. Не «Может ли ИИ это сделать?» Ответ всё чаще — да. Лучше спросить: «Кто дал ему право действовать?»

Способность и доступ не означают полномочий. Если агент может одобрить возврат средств, изменить производственный график или взять на себя обязательство по расходам, кто-то должен установить границы его полномочий.

Практический критерий — затраты и обратимость решения. Решение, которое принимают часто, которое основано на правилах и которое легко отменить, вполне подходит для делегирования. Решение с серьёзными последствиями, необратимое решение или решение, определяющее отношения с клиентом, должно оставаться за человеком.

Право на самостоятельность тоже нужно заслужить. Начните с того, что агенты дают рекомендации, а человек их утверждает. По мере накопления данных переходите от утверждения каждого действия к надзору за системой и обработке исключений.

Цель не в том, чтобы человек участвовал в каждом цикле. Важно, чтобы он участвовал в нужных циклах. Данные дают контекст. Модели рассуждают. Агенты выполняют действия. Люди определяют полномочия и несут ответственность за последствия.

Вы руководили крупными направлениями корпоративных платформ в Accenture и Cognizant, где для масштабирования операций требовалось согласовывать технологии, работу людей и процессы в глобальных организациях. Какие уроки из этого опыта применимы к сегодняшним инициативам по внедрению ИИ, особенно когда сопротивление внутри организации или устаревшие операционные модели становятся более серьёзным препятствием, чем сама технология?

Больше всего меня научила интеграция. В Cloud Sherpas, затем в Accenture и позднее в Cognizant я годами объединял организации. Разные культуры, модели предоставления услуг, системы мотивации и регионы должны были работать как единая платформа.

Технологии редко становились ограничивающим фактором. Им была операционная модель.

В работе по трансформации с помощью ИИ особенно важны три урока.

Во-первых, сопротивление обычно имеет рациональные причины. Люди защищают то, по чему оценивают их работу. Если внедрять агентов, но по-прежнему оценивать команды по количеству отработанных часов, численности персонала и активности, вы добьётесь формального соблюдения требований, а не изменений. Измените критерии оценки — и поведение последует за ними.

Во-вторых, полномочия по принятию решений должны быть чётко определены. При любой интеграции самые трудные разговоры шли о том, кто и что решает. С ИИ этот вопрос уже нельзя обойти, ведь некоторые из тех, кто принимает решения, — больше не люди.

В-третьих, чётко обозначьте, что останется неизменным. Люди легче принимают перемены, когда понимают их причины и знают, что именно не изменится.

Трансформация с помощью ИИ — это изменение операционной модели, в котором технология играет определённую роль. Руководители, которые считают это просто внедрением программного обеспечения, будут разочарованы.

Традиционные показатели успешности ИИ часто сосредоточены на уровне внедрения, повышении производительности и сэкономленном времени. На какие показатели руководителям следует ориентироваться, чтобы понять, действительно ли ИИ повышает эффективность бизнес-процессов, и как организациям отличать постепенный рост эффективности от существенной трансформации операционной деятельности?

Уровень внедрения и сэкономленное время — это входные показатели. Они говорят о том, что люди пользуются инструментом, но не показывают, стала ли компания работать быстрее.

Если инженер сэкономил два часа, но выпуск продукта всё равно задерживается на неделю из-за ожидания проверки, для клиента ничего не изменилось. Более быстрое выполнение отдельных задач не означает более быстрого достижения результата.

Я бы сосредоточился на трёх видах показателей:

• Время от потребности до результата: сколько времени проходит от поступления запроса до получения результата, от начала до конца.
• Где работа простаивает: сколько времени занимают принятие решений, передача задач и ожидание в очередях между командами.
• Работа без необходимости координации: какая часть рабочего процесса выполняется без координации со стороны людей, а сотрудники сосредоточены на оценке ситуации и исключениях.

Затем свяжите эти показатели с результатами бизнеса: стоимостью обслуживания, качеством и выручкой.

Проверить, произошла ли трансформация, просто: стала ли задача выполняться быстрее или изменился сам рабочий процесс? Постепенный рост эффективности ускоряет прежний процесс. Трансформация устраняет этапы, передачи задач и согласования, которые больше не нужны.

Измерьте время от потребности до результата. Выясните, где работа простаивает. Устраните то, что её задерживает.

Как, по-вашему, в ближайшие три-пять лет будут меняться взаимоотношения между ИИ, корпоративным программным обеспечением и сотрудниками? Представляете ли вы будущее, в котором системы, изначально созданные на основе ИИ, полностью заменят традиционные корпоративные рабочие процессы? И что руководителям следует делать уже сегодня, чтобы подготовиться к этому переходу?

На протяжении тридцати лет корпоративное ПО сообщало нам, что происходит. В ближайшие три—пять лет оно будет всё чаще выполнять работу.

ИИ возьмёт на себя координацию: отслеживание задач, копирование, передачу дел и последующие действия, которые занимают большую часть дня большинства людей. Люди смогут сосредоточиться на принятии решений, нестандартных ситуациях, отношениях и ответственности за результаты. Это позволит лучше использовать человеческую экспертизу, но для этого потребуются новые навыки, и руководителям нужно целенаправленно их развивать.

Что руководителям следует делать уже сегодня? Выбрать один важный рабочий процесс и описать решения, которые в него входят. Привести в порядок лежащие в его основе данные. Определить, какие решения агент вправе принимать, и назначить человека, отвечающего за результат. Затем перейти к следующему процессу.

Компании, которые будут рассматривать ИИ как инструмент, повысят эффективность. Компании, которые перестроят свою работу вокруг него, получат больше возможностей для масштабирования. ИИ — не стратегия. Главное — её реализация.

Спасибо за прекрасное интервью! Читателям, которые хотят узнать больше о реализации корпоративных процессов на основе ИИ, интеллектуальных рабочих процессах и переходе от пилотных проектов с ИИ к промышленной эксплуатации, стоит посетить KMS Technology.