Зазор знань, який створює штучний інтелект, – це новий пробіл у безпеці. Ось як його закрити.

Технологічні компанії роблять знайому ставку: що штучний інтелект може виконувати роботу швидше і дешевше, ніж люди. Хоча в багатьох випадках це може бути правдою, його також використовують як легкий спосіб проведення скорочень.

У звіті PwC, опублікованому на початку цього року, 56% керівників компаній заявили, що не бачили жодної суттєвої фінансової вигоди від своїх інвестицій у штучний інтелект на даний момент, і лише 12% повідомили про те, що бачать економію коштів і зростання доходів завдяки штучному інтелекту. Крім того, у лютому дослідження Національного бюро економічних досліджень показало, що майже 90% фірм заявили, що штучний інтелект не мав жодного впливу на зайнятість чи продуктивність за останні три роки. Все це підкреслює відкровену правду: багато організацій ще не бачать доходів і продуктивності, обіцяних штучним інтелектом, і для того, щоб покрити свої втрати, вони продовжують скорочувати тисячу працівників.

Але ось що не кажуть звіти про прибуток: коли ви усунете менеджера з обліку, який має десять років контексту відносин у своїй голові, або інженера з контролю якості, чия інституційна знання – це єдине, що ловить дефекти до того, як вони доходять до клієнтів, ви не скорочуєте зайві витрати. Ви скорочуєте опорні стіни. Витрати на передроботу, клієнтську утрату, якість провалів, які слідують, рідко з’являються в тому самому слайд-шоу, яке святкує скорочення штату. Вони тихо поглинаються в майбутніх кварталах, приписуються ринковим умовам і забуваються. Пробіл між тим, що обіцяє штучний інтелект, і тим, що він насправді приносить, реальний, він росте, і для багатьох організацій він залишається цілком невизнаним.

Справжні витрати цього циклу не приземляються в одному місці. Вони розподіляються по кожній команді, яка залишається після скорочень. Розробники поглинають робоче навантаження інженерів, які пішли, одночасно отримуючи інструменти штучного інтелекту, які ще занадто недозрілі, щоб компенсувати втрачений штат. Команди з продукту втрачають контекст, який тримав дорожні карти на рівні клієнтської реальності. Організації підтримки розтягуються і якість відповідей погіршується, оскільки клієнти відразу впізнають “слоп” відповіді на свої тикети. Витрати не концентруються, вони розподіляються, і ця дифузія є частиною того, що робить її так легко ігнорувати в квартальному звіті. Але всередині цього ширшого розподілу команди ІТ стикаються з особливим і складним варіантом проблеми. Вони не просто роблять більше з меншим. Їм доручено керувати інфраструктурою, побудованою швидко, без інституційної знання, яке давало їй зв’язність, одночасно виконуючи процедури виходу колег, які пішли, і входу їхніх заміни, оскільки компанії тихо змінюють курс на скорочення, які вони публічно святкували.

Якщо продовжувати рік, і організації намагаються виконати обіцянки штучного інтелекту, вже час усвідомити, що втрачено більше, ніж просто доходи, коли ви скорочуєте людську експертизу на ім’я ефективності, яку забезпечує штучний інтелект. Добра новина? Ви можете мати все найкраще з двох світів. Але для цього потрібно підходити до штучного інтелекту більш практично і прагматично. Тобто тримати людей у центрі вашої стратегії.

Що втрачається, коли знання виходять за двері

Критична операційна знання живе в людей і застосовується через людську оцінку, а не системи. Коли ці люди йдуть, знання йдуть з ними. Незважаючи на те, наскільки розвинені можливості штучного інтелекту, він не може заповнити цю пробіл на даний момент.

Навіть якщо можливості штучного інтелекту розширюються, автоматизація без нюансів створює небезпечні сліпі плями в критичних областях:

• Оцінка і стратегія: Інтуїція, інституційна знання і ринкова свідомість не живуть у даних, навіть якщо вони неструктуровані.
• Контекст і ситуаційна свідомість: Люди впізнають нюанси, наміри і можуть орієнтуватися в сірій зоні, де жорсткі правила можуть зламатися.
• Емпатія і довіра: Впливові або емоційно заряджені моменти (особливо ті, які включають клієнтів чи працівників) вимагають людської відповіді.
• Нагляд і відповідальність: Хтось має бути відповідальним за виявлення провалів, упередженості або вихід вперед за дезінформацією. Просто кажучи: “Ви праві, давайте спробуємо ще раз”, після надання цілком неправильної інформації не достатньо.
• Інституційна пам’ять і системний контекст: Поняття того, чому команди побудували інфраструктуру певним чином (або не побудували), що вони пробували раніше, і які краї існують, яких ніхто не задокументував.
• Лідерство і управління: Визначення політики, ризику, толерантності та дотримання етичних меж залишається фундаментальною людською відповідальністю.

Штучний інтелект може надавати інформацію, рекомендувати дії і прискорювати виконання, але він не може замінити інституційну пам’ять, яка запобігає катастрофам, або надавати відповідальність, яка ловить їх, перш ніж вони розгортаються.

Що роблять інші організації по-іншому

Організації, які успішно використовують штучний інтелект, не видаляють людей з рівняції. Вони використовують штучний інтелект для оптимізації рутинних, повторюваних процесів, які додають тертя до щоденних операцій. Звільняючи людей, щоб вони могли присвятити час і інші критичні ресурси іншим місцям для пошуку нових творчих способів забезпечення більшої бізнес-вигоди. Вони використовують штучний інтелект як інструмент “гонки з” для примусового посилення.

Розгляньте світ ІТ-операцій. Ці команди вже розтягнуті, керуючи розгалуженою інфраструктурою з обмеженими засобами. Штучний інтелект, або, можливо, машинне навчання (МЛ), можуть надати реальну цінність тут. Штучний інтелект/МЛ можуть автоматизувати раніше тривалі, рутинні завдання, які ховають цінних фахівців у операційній роботі: тестування патчів і дослідження, класифікація тикетів, генерація робочих процесів, виявлення і картування ризиків.

Ці завдання утворюють основу ІТ-операцій, але вони споживають величезну кількість часу (особливо коли цифрові володіння організацій розширюються, ландшафт уразливості змінюється, і працівники все більше очікують мати позитивний цифровий досвід з пристроями, які вони використовують для роботи). Коли команди не виконують базові речі добре (керування або моніторинг цих можливостей і процесів) через те, що вони занурені, наслідки вражають сильно: простої, пропущені патчі, витоки даних, порушення безпеки.

З іншого боку, коли ви використовуєте штучний інтелект добре для оптимізації роботи в цих областях, ви даєте ІТ-персоналу час на те, чого штучний інтелект не може зробити: видалення технічних боргів, покращення існуючих систем і процесів, перепроектування для стійкості, і збереження інституційної знання, яке тримає критичні системи в роботі. Це більше, ніж просто ефективність. Це мінімізація ризику. І це створює твердішу основу для довгострокового зростання.

Як правильно впроваджувати штучний інтелект

Організації, які починають з вдумливого застосування і впровадження штучного інтелекту, одночасно пріоритезуючи безпечне і ефективне забезпечення, бачать (і будуть продовжувати бачити) більші перемоги від своїх стратегій штучного інтелекту. Оптимізація не надходить від скорочення людей. Вона походить від інвестування в них, переробки робочих процесів і освіти команд щодо того, як найкраще використовувати штучний інтелект.

Це насправді не ново. Технології розвиваються через покоління циклів уже сотні років. Кожного разу ми повторюємо ті самі помилки. Ми переоцінюємо і намагаємося зробити певний прогрес універсальним засобом для всього, що нас турбує. Там немає нестачі в продажах зазначених засобів, які будуть використовуватися через цю відчай. Реальність полягає в тому, що штучний інтелект/МЛ можуть робити те, що завжди робили комп’ютери: виконувати певні завдання з вищою швидкістю і точністю, ніж людина. Ті, хто знаходить ці можливості і застосовує штучний інтелект у практичному, “гонці з” стилі, побачать дуже швидкі повернення на свої інвестиції. Практично це означає:

• Використання штучного інтелекту для ліквідації завдань низької цінності, а не високої оцінки
• Проектування людських робочих процесів для деризикації високоефективних рішень
• Визначення явних шляхів ескалації, коли системи штучного інтелекту не справляються або дають невизначені результати
• Призначення явної власності для рішень, прийнятих штучним інтелектом
• Навчання команд контролювати вихід штучного інтелекту, а не сліпо приймати його

Справжні витрати помилок

Поточний цикл технологічної промисловості масових скорочень, за яким слідує тихе перепризначення, не є зміною талантів. Це перехід ризику. Організації обмінюють десятиліття інституційної пам’яті на кілька місяців автоматизованої швидкості, і лідери ІТ залишаються з управління наслідками.

Штучний інтелект пропонує справжні вигоди, але вони мають найбільше значення, коли ви використовуєте штучний інтелект для збереження і посилення експертизи, а не заміни її. Компанії, які продовжуватимуть процвітати в епоху штучного інтелекту, не будуть ті, які роблять найглибші скорочення або розгортають найбільше інструментів штучного інтелекту. Це будуть ті, хто вдумливо використовує штучний інтелект для автоматизації монотонності і посилення людської творчості, співробітництва та експертизи.

Бо коли наступна система виходить з ладу, або наступний апдейт чи інцидент кібербезпеки відбувається, ви не хочете, щоб робот або машина стояли на чолі системного відновлення або клієнтської комунікації. Там ви хочете (і需要уєте) людину з глибоким історичним контекстом і знанням, яка все ще перебуває в будівлі.

Якщо ми хочемо розблокувати весь потенціал штучного інтелекту, це важливо зосередитися на використанні штучного інтелекту для завдань, які занурені в нудьгу, і зупинити використання його як виправдання для поганої бізнес-продуктивності.