Майкл Мейстер, Партнер в Arthur D. Little – Интервью

Майкл Мейстер, Партнер в Arthur D. Little, – опытный стратегический и технологический консультант с глубокими знаниями в области цифровой трансформации, ИТ-стратегии и инновационного роста. Базируясь в Брюсселе и работая в регионе Бенелюкс, он имеет более двух десятилетий опыта в консультировании ЦИО и старших руководителей по вопросам реализации крупномасштабных изменений и достижения измеримых бизнес-результатов. До прихода в Arthur D. Little он провел 16 лет в Accenture, где занимал руководящие должности, включая должность управляющего директора по технологическим ресурсам во Франции и Бенелюксе, и разработал сильную отраслевую экспертизу в области энергетики, коммунальных услуг, химии и природных ресурсов.

Arthur D. Little – одна из старейших в мире компаний по управленческому консалтингу, основанная более 135 лет назад и широко признанная за свой фокус на инновациях, стратегии и технологической трансформации. Компания работает с глобальными организациями для решения сложных бизнес-задач, сочетая стратегические идеи с глубокими отраслевыми знаниями для поддержки таких областей, как цифровая трансформация, управление инновациями и операционное совершенствование. С сильным акцентом на соединении стратегии, технологий и выполнения, Arthur D. Little построила репутацию компании, которая помогает клиентам разрабатывать прорывные инновации и адаптироваться к быстро меняющимся рыночным условиям.

Вы провели более 16 лет в Accenture, в конечном итоге возглавляя технологии и ресурсы в Бенелюксе и Франции, прежде чем стать партнером в Arthur D. Little. Как это путешествие сформировало ваше представление о том, что на самом деле необходимо организациям, чтобы перейти от экспериментов с ИИ к крупномасштабной операционной трансформации?

Во время моего пребывания в Accenture я увидел, как компания выросла с 30 000 до более 500 000 сотрудников. Я испытал на себе, как ИТ-услуги могут быть индустриализированы до крайней степени для поддержки крупномасштабных трансформаций для ЦИО.

Однако с течением времени ИТ все больше становится неотъемлемой частью бизнеса, что требует от организаций отказаться от подхода к ИТ как к товару.

Переходя в Arthur D. Little, я хотел исследовать, как эти стратегические трансформации основного бизнеса могут быть решены изнутри, как индивидуальные решения вместо стандартизированных платформ могут лучше обеспечить дифференциацию, и как совместная ответственность всего ExCo может помочь организации сделать шаг вперед в создании ценности.

В вашем недавнем обзоре It’s not the agents, it’s the system, вы утверждаете, что многоагентный ИИ менее связан с технологией и более с изменением операционной модели. Почему, по вашему мнению, так много организаций все еще подходят к ИИ в первую очередь как к проблеме инструментария?

Организации подходят к ИИ как к проблеме инструментария, потому что это хорошо вписывается в существующие структуры, бюджеты и владение, избегая сложности межфункциональных изменений. Это позволяет быстро запустить пилотные проекты и показать видимый прогресс, но часто приводит к инициативам, которые не могут масштабироваться или обеспечить значимую отдачу от инвестиций. Многие лидеры также полагаются на устаревшие модели программного обеспечения, предполагая, что ИИ может быть развернут как традиционные ИТ-системы, а не требует переработки рабочих процессов и принятия решений. В то же время ответственность за изменение операционной модели распылена и труднее управлять, что делает технологические инициативы более привлекательными. В результате компании по умолчанию выбирают инструменты, поскольку это проще и безопаснее, чем сталкиваться с более глубокой трансформацией, необходимой для раскрытия полного потенциала ИИ.

Многие предприятия в настоящее время экспериментируют с агентным ИИ, но испытывают трудности с масштабированием. Какие наиболее распространенные структурные барьеры препятствуют организациям в переходе от пилотных проектов к производству?

Организации испытывают трудности с масштабированием агентного ИИ, потому что они фокусируются на изолированных случаях использования, а не на переработке конечных рабочих процессов с четкой ответственностью. Операционные модели часто не адаптированы, с неясными ролями, правами на принятие решений и недостаточной интеграцией сотрудничества человека и агента в ежедневные рабочие процессы. Многие инициативы также не имеют сильных связей с измеримыми бизнес-результатами, что приводит к их застреванию на стадии пилотных проектов без демонстрации отдачи от инвестиций. Кроме того, фрагментированные данные и устаревшие системы ограничивают способность агентов работать без проблем через функции. Наконец, слабое управление изменениями и нерешенные проблемы управления, связанные с риском и надежностью, еще больше замедляют принятие и предотвращают масштабирование.

Вы подчеркиваете, что оркестровка, а не отдельные агенты, – это где лежит真正ая ценность. Что представляет собой эффективная оркестровка в реальной среде предприятия?

Эффективная оркестровка означает проектирование ИИ вокруг конечных бизнес-процессов, а не отдельных инструментов, с агентами, назначенными четкими ролями на протяжении всего рабочего процесса. Множество агентов сотрудничают как команда, обрабатывая ввод, принятие решений, выполнение и надзор – координируемые через центральный слой оркестровки. Эти агенты тесно интегрированы с системами предприятия через API и источники данных, что позволяет осуществлять реальные действия, а не только предоставлять информацию. Слой оркестровки также управляет последовательностью задач, исключениями и эскалацией к людям, обеспечивая плавное и контролируемое выполнение. Наконец, сильное управление, механизмы проверки и обратные связи встроены для обеспечения надежности и непрерывного совершенствования.

Когда организации перерабатывают рабочие процессы вокруг ИИ, как должны эволюционировать права на принятие решений между людьми и автономными системами, чтобы избежать как чрезмерной автоматизации, так и узких мест?

Права на принятие решений должны эволюционировать в модель, основанную на риске, где решения с низким риском и высоким объемом автоматизируются, а решения с высоким воздействием или неопределенностью остаются под человеческим контролем. Агенты должны заниматься восприятием, анализом и выполнением, а люди – суждением, исключениями и определением правильных результатов. Четкие пути эскалации необходимы, чтобы агенты знали, когда следует передать решения людям, а не превышать свою власть. Чтобы избежать узких мест, участие человека должно быть избирательным и сосредоточенным на исключениях, а не на полном надзоре за каждым шагом. В то же время сильные ограничения, механизмы проверки и мониторинг обеспечивают контроль и предотвращают чрезмерную автоматизацию.

Одна из ваших ключевых точек заключается в том, что надежность должна быть сконструирована на протяжении всего процесса. Какие самые большие режимы отказов вы видите сегодня, когда компании развертывают многоагентные системы без достаточных мер безопасности?

Ключевым режимом отказа является распространение ошибок, когда небольшие ошибки одного агента распространяются по системе и усиливаются. Другой проблемой является галлюцинация и ложная уверенность, поскольку ИИ может генерировать правдоподобные, но неверные выводы без сигнала неопределенности. Организации также испытывают трудности, когда слишком большая автономия предоставляется агентам в решениях с высоким воздействием без надлежащих механизмов проверки или утверждения. Слабое обработка исключений еще больше усугубляет проблему, когда агенты не могут эскалировать неоднозначные или граничные случаи к людям. В целом, неудачи происходят, потому что надежность не сконструирована на протяжении всей системы координации, проверки и надзора.

Управление часто рассматривается как слой соответствия требованиям, а не как принцип проектирования. Как компании должны переосмыслить управление при построении операционных моделей, родных для ИИ?

Управление должно перейти от послепроектного слоя соответствия требованиям к основному принципу проектирования, встроенному непосредственно в рабочие процессы ИИ. Это означает интеграцию ограничений, шагов проверки и ворот утверждения на ключевых точках принятия решений, а не добавление контроля после развертывания. Компании должны принять подход, основанный на риске, регулируя уровень автономии и человеческого надзора в зависимости от воздействия и неопределенности решения. Четкая ответственность и права на принятие решений должны быть определены, чтобы агенты знали, когда действовать, а когда эскалировать. Наконец, непрерывный мониторинг, обратные связи и сконструированная надежность являются необходимыми для поддержания доверия, производительности и контроля в масштабе.

Из вашей работы по консультированию ЦИО и ЦДО, что отличает организации, которые достигают измеримой отдачи от инвестиций в ИИ, от тех, которые остаются в состоянии постоянного экспериментирования?

Организации, которые достигают отдачи от инвестиций, фокусируются на трансформации конечных процессов, а не на изолированных случаях использования ИИ. Они связывают инициативы с четкими финансовыми показателями и встраивают ИИ в рабочие процессы, роли и структуры принятия решений. Они также инвестируют в управление изменениями, принятие и управление, чтобы обеспечить масштабируемость решений. Напротив, организации, застрявшие в экспериментировании, запускают несвязанные пилотные проекты, фокусируются на инструментах, а не на процессах, и не имеют четкой ответственности и подотчетности. В результате они не могут перевести ИИ в измеримую бизнес-ценность и остаются в ловушке стадии пилотных проектов.

Когда многоагентные системы становятся более сложными, как организации должны думать об наблюдаемости, мониторинге и эскалации, чтобы поддерживать доверие к решениям, основанным на ИИ?

Организации должны рассматривать наблюдаемость, мониторинг и эскалацию как основные элементы конструкции системы, а не как после мысли. Это включает в себя обеспечение полной прослеживаемости через журналы, аудиторские следы и контрольные точки, чтобы решения могли быть поняты и проверены. Мониторинг должен фокусироваться не только на производительности, но и на качестве результатов, ошибках и том, как проблемы распространяются по агентам. Четкие правила эскалации необходимы, чтобы агенты могли передать решения людям в высокорисковых или неоднозначных ситуациях без создания узких мест. В конечном итоге, доверие исходит от систем, которые прозрачны, измеримы и спроектированы для человеческого надзора по умолчанию.

Оглядываясь вперед, как вы видите эволюцию операционных моделей предприятий в течение следующих 3-5 лет, когда многоагентные системы ИИ становятся более глубоко интегрированными в основные бизнес-процессы?

Операционные модели предприятий будут эволюционировать в сторону гибридных рабочих сил человека и ИИ, где агенты действуют как цифровые сотрудники, встроенные в основные процессы. Организации будут переходить от функциональных силосов к процессно-ориентированным структурам с конечными владением и оркестровкой на протяжении рабочих процессов. Принятие решений станет более динамичным, с автоматизацией рутинных задач и людьми, фокусирующимися на исключениях и надзоре. Механизмы управления и надежности будут встроены в ежедневные операции, а не рассматриваться как отдельные слои. В конечном итоге, конкурентное преимущество будет зависеть от того, насколько хорошо компании переработают свои операционные модели вокруг ИИ, а не только от самой технологии.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Arthur D. Little.