Преобразование экспериментов с ИИ в корпоративный интеллект и ценность

Корпоративный ИИ не ограничивается моделями. Компании могут запускать пилотные программы, выполнять обычные задачи и внедрять модели‑прототипы гораздо быстрее, чем раньше, но часто не способны выйти за рамки отдельных «побед» ИИ.

Но проблема не в модели; она в среде, в которой они работают. Существует множество проблем масштабирования, включая разрозненные данные и неясную собственность, в основном потому, что эти системы были созданы до того, как ИИ стал ключевым бизнес‑вариантом.

Недавнее исследование Wipro и HFS Research пришло к выводу, что хотя 90 % руководителей предприятий ожидают, что команды людей и ИИ станут реальностью в течение трёх лет, лишь 18 % перерабатывают свои процессы, чтобы поддержать это будущее. Аналогично, 87 % заявляют, что инвестируют в ИИ быстрее, чем могут продемонстрировать полученную ценность. Предприятия не могут ожидать трансформацию бизнеса с помощью ИИ, если они не поставили в приоритет обновление данных, управления и рабочих процессов.

Возможности ИИ быстро становятся повсеместными. Конкурентные преимущества будут зависеть от того, насколько эффективно организации связывают данные, контекст, интеллект, управление и выполнение.

Пилотные проекты часто застревают

Даже когда есть ценные данные, пилотные программы могут проваливаться. Например, если небольшая команда знает, откуда берутся данные для таблицы, она обычно чувствует себя уверенно, используя их. Однако масштабировать такой уровень понимания данных на всю организацию сложно. С агентным ИИ легко получать информацию из нескольких систем или создавать рабочие процессы, приводящие к рекомендациям для клиентов. Хотя агент ИИ может действовать быстро, часто неясно, насколько данные надёжны.

Когда компании пытаются расширить один случай использования ИИ до множества, скептицизм растёт, и могут возникнуть проблемы. Если информация о клиенте поступает из разных систем, может быть невозможно определить, как исходные данные были получены и обработаны. Аналогично, могут существовать политики управления, но неясно, были ли эти правила применены к набору данных, который использовали агенты.

Таким образом, хотя масштабирование ИИ привлекательно, несоответствия создают подводные камни. Чтобы действительно обеспечить ценность от агентного ИИ, компании должны внедрять проектирование данных и рабочих процессов с самого начала, а не после.

Создание надёжного фундаментa ИИ

Создание надёжного фундамента, готового к ИИ, означает, что люди и системы ИИ могут находить, получать доступ и использовать надёжные данные при наличии соответствующей системы управления.

Сосредоточьтесь на трёх ключевых возможностях: 

1. Критически важно принять единый подход к данным и ИИ. Приложения агентного ИИ должны получать данные из надёжного фундамента, а не из разрозненных и несвязанных систем. Это значительно уменьшает путаницу из‑за перекрывающихся источников данных и упрощает применение системных правил доступа, качества и соответствия.
2. Внедрение управления в систему с самого начала критично для контроля использования данных. Например, агент, предлагающий действие, должен опираться на утверждённую информацию, работать в рамках определённого набора разрешений и предоставлять прослеживаемую запись того, как он пришёл к полученным результатам.
3. Используйте ИИ в реальных рабочих процессах. ИИ должен быть встроен в те рабочие потоки, где сотрудники уже сталкиваются с трениями, например, при обработке запросов клиентов или устранении ИТ‑проблем.

Не рассматривайте ИИ как отдельный инструмент. Вместо этого сосредоточьтесь на соединении агентов, человеческого надзора и принятия решений в рамках управляемого сквозного процесса. Человеческий надзор важен, но речь идёт о наличии конкретного контроля над сложными процессами.

Применение ИИ на практике

Создание фундаментa данных, который может использовать ИИ, является ключевым. Один пример берёт своё начало в процессе закупки‑к‑оплате в компании, занимающейся потребительским здравоохранением. Крупная организация может обрабатывать огромные объёмы счетов, одновременно управляя сложными процессами утверждения. Ручная проверка этих счетов замедляла цикл платежей и ограничивала видимость проблемных мест. Применение агентного ИИ для обработки счетов привело к 70 % безконтактной работе и повышению эффективности на 45 %. Система на базе ИИ обрабатывает примерно один миллион счетов в год, что представляет около 6 млрд $ стоимости, при этом самые сложные вопросы направляются людям для проверки.

Цель — создать управляемый процесс, в котором система может получать нужную информацию, применять утверждённые правила, обучаться на повторяющихся шаблонах и эскалировать только при необходимости. Надёжный фундамент данных предоставляет системам ИИ контекст, необходимый для поддержки планирования, анализа и отчётности, с гарантией наличия системы управления.

Шаги для дальнейшего продвижения

Чтобы обеспечить компании долгосрочный успех, подходите к расширению и масштабированию ИИ с той же тщательностью, что и к программе трансформации всей компании.

1. Данные и ИИ: перед началом поймите исходный источник информации и задайте себе вопросы: были ли данные неполными? Были ли бизнес‑определения несогласованными? Не препятствовали ли ограничения доступа системе видеть необходимый контекст? Не имели ли сотрудники рабочего процесса для использования или оспаривания вывода ИИ?
2. Создать фундамент: критически важно построить надёжный фундамент данных, который ставит в приоритет домены данных, наиболее важные для начальных сценариев использования. Определите собственность и примените доступ с согласованным контролем качества с самого начала. Цель — данные высокого качества и управления, которые формируют доверие и способствуют лучшим решениям.
3. Определите несколько важных рабочих процессов, где бизнес‑проблемы предельно ясны; данные доступны и легко измерить успех. Создайте агентов, сосредоточенных на этих процессах, включая те, которые требуют человеческого вмешательства, чтобы обеспечить качество.

Что нас ждёт впереди

Следующее конкурентное преимущество будет не в доступе к ИИ, а в способности преобразовывать корпоративные данные в корпоративный интеллект и измеримые бизнес‑результаты в масштабе. Корпоративный ИИ будет определяться тем, насколько хорошо созданы модели и агенты, построенные на их основе, работают ответственно и продуктивно. Жизнь в мире разрозненных, плохо полученных и неуправляемых данных ограничит положительные бизнес‑результаты. Компании, которые соединяют данные, управление и переосмысление рабочих процессов, могут превратить эксперименты в долгосрочную ценность. Путь к агентному ИИ начинается с операционных и данных фундаментa, которые позволяют принимать интеллектуальные действия.