Штучний інтелект не є Людина-залізо. Це костюм

Більшість лідерів думають про штучний інтелект неправильно. Не тому, що їм бракує амбіцій або усвідомлення, а тому, що домінуючі нарративи — штучний інтелект як заміна робочої сили з одного боку, штучний інтелект як самодостатній двигун продуктивності з іншого — обоє промахуються мимо суті. Причинно-наслідковий зв’язок, який я бачу найчастіше, у різних галузях і функціях, полягає в тому, що організації, які генерують реальні доходи від штучного інтелекту, не є тими, які розгорнули його найширше. Вони є тими, які зрозуміли, що він насправді є: не Людина-залізо, а костюм. І вони побудували свою стратегію навколо цієї відмінності.

Розгляньте, що таке костюм Людина-залізо насправді. Це не герой. Це апаратне забезпечення, програмне забезпечення і інтелект, зібрані для служіння певному оператору. Без Тоні Старка всередині нього костюм не має місії, судження, підзвітності і можливості орієнтуватися в ситуації, для якої він не був спроектований. Костюм надзвичайно здатний. Він також цілком залежить від людини, яка його носить. Ця залежність проходить в обидва боки — Стارک без костюма обмежений людськими обмеженнями; костюм без Старка є інертним металом. Цінність існує лише в комбінації. Корпоративний штучний інтелект працює точно так само, і організації, які генерують реальні доходи, зрозуміли це з самого початку.

У тих випадках, які генерують реальні доходи, штучний інтелект робить саме це: він збільшує потужність, зменшує тертя і покращує виконання. Але організації, які бачать найкращі результати, не запитують, як швидко вони можуть видалити людей з рівняння. Вони запитують, як поставити своїх найкращих людей всередину кращого костюма — з кращими інструментами, кращою інформацією і кращою підтримкою прийняття рішень — щоб вони могли діяти на рівні, який раніше був неможливий.

Спроможність сама по собі не є бізнес-цінністю

Це місце, де багато корпоративних розмов про штучний інтелект відходять від курсу. Лідери стають зосередженими на тому, що технологія може зробити в ізоляції — чи може вона підсумувати швидше, класифікувати краще, генерувати контент, визначати аномалії або автоматизувати відповіді. Це справедливі питання, але вони є неповними. Спроможність не є тим же самим, що і бізнес-цінність. І розрив між ними є тим місцем, де велика частина інвестицій у штучний інтелект піддається недооцінці.

Бізнес-цінність прийходить від того, як штучний інтелект застосовується всередині операційної моделі. Важливо запитати, де він знаходиться у робочому процесі, яке рішення він покращує, яку瓶ку він видаляє, який ризик він зменшує, хто валідує вихід, і хто володіє винятком, коли щось не підходить під шаблон. Це питання, які визначають, чи штучний інтелект створює тривалу цінність або просто виробляє вражаючу демонстрацію.

Найсильніші розгортання, які ми бачимо, не походять від того, що інструмент падає у існуючий процес і сподівається, що бізнес реорганізується навколо нього. Вони походять від переробки роботи так, щоб швидкість машини використовувалася там, де вона створює підйом, тоді як людське судження залишається близько до рішень, які вимагають контексту, нюансів, підзвітності і розуміння галузі. Це місце, де створюється реальна цінність — і це вимагає намірної конструкції, а не просто доступу до технології.

Що насправді означає людина у циклі

Людина у циклі — це одна з тих фраз, яка звучить відповідальною, але часто залишається розчаруючо нечіткою. На практиці це не гасло. Це операційна модель, яка визначає, чи штучний інтелект стає корисним, керованим і довіреним. Це означає чіткі права на прийняття рішень, явні пороги для ескалації, структуровану валідацію вихіду і названу підзвітність за результати — не нечітку колективну власність. Організації, які визначають це чітко, є тими, які будують справжнє інституційне довір’я до штучного інтелекту — довір’я, яке заробляється тому, що люди всередині організації розуміють точно, коли довіряти системі, коли її викликати, і хто відповідає, коли це найважливіше. Це довір’я не є ніщо бажане. Це те, що визначає, чи впровадження штучного інтелекту поширюється через організацію чи зупиняється після першого розгортання.

Наприклад, у сфері обслуговування клієнтів штучний інтелект може підсумувати історію справи, маршрутизувати запит, або запропонувати проект відповіді. Це може створити реальну ефективність. Але коли питання чутливе, емоційно заряджене або поза нормою, людське судження все ще є суттєвим. Штучний інтелект може збільшити діапазон і швидкість, але людина все ще пілотує взаємодію.

Та сама логіка застосовується у функціях, таких як фінанси, право, дотримання вимог і операції. Штучний інтелект може переглянути документи, визначити аномалії, підняти поверхневі закономірності і обробити сигнали у масштабі, який жодна окрема людина не може порівняти. Однак цінність не полягає у заміні судження, а радше у тому, щоб дозволити кваліфікованим професіоналам проводити більше часу на матеріальному ризику, стратегічній інтерпретації, винятках і рішеннях, які фактично впливають на результати. У багатьох корпоративних середовищах вища-цінність людської ролі не зникає. Вона стає більш концентрованою навколо нагляду, ескалації, оркестрування і підзвітності.

Як виглядає правильна початкова точка

Організації, які роблять реальний прогрес зі штучним інтелектом, мають спільну початкову точку: вони починають з бізнес-проблеми, яку варто вирішити, а не з технологією, яку варто впровадити. Вони визначають, де швидкість машини створює підйом, перш ніж розгорнути її. Вони призначують підзвітність, перш ніж автоматизувати. І вони визначають, які результати насправді мають значення, перш ніж говорити про продуктивність. Ця дисципліна — результат перш за все, технологія друга — є менш поширеною, ніж повинна бути, і це зазвичай те, що відокремлює впровадження, які зростають у цінності, від тих, які зупиняються.

Пропуск між перспективним пілотним проєктом і сильною операційною моделлю є тим місцем, де більшість корпоративної цінності штучного інтелекту зникає. Це рідко технологічна невдача. Модель працює. Вихідні дані є розумними. Але люди не довіряють тому, чого не розуміють. Команди не змінюють свій спосіб роботи просто тому, що нова система з’являється у їхньому середовищі. І організації не захоплюють бізнес-цінність просто тому, що пілотний проєкт був технічно вражаючим. Впровадження вдається. Прийняття зупиняється. І доходи ніколи не матеріалізуються.

Готувальність організації залишається більшим викликом, ніж технічний доступ. Купівля доступу до можливостей штучного інтелекту відносно легко. Переробка процесів, управління, вимірювання і поведінки команди навколо цих можливостей є набагато складнішою. Але компанії, які роблять це добре, будують щось цінніше, ніж розгортання штучного інтелекту — вони будують платформу. Там, де кожний наступний випадок використання є швидшим для валідації, швидшим для масштабування і більш тісно пов’язаним з бізнес-результатом, який можна фактично виміряти.

Пастка кодування настрою

Є певний і зростаючий джерело плутанини на ринку зараз, яке робить це гірше. Походження “кодування настрою” — ідея про те, що кожна людина з доступом до інструментів штучного інтелекту може побудувати складні програмні системи швидко і без глибокої технічної експертизи — було посилено хвилею маркетингу від компаній штучного інтелекту, як встановлених платформ, так і нового покоління стартапів, які постійно перебільшують, наскільки легко побудувати і впровадити системи, підтримувані штучним інтелектом, які справді підтримують бізнес-процеси і доставляють реальну цінність. Повідомлення, намірне чи ні, полягає в тому, що складна частина в основному вирішена. Це не так.

Штучний інтелект дійсно знизив бар’єр для побудови чогось, що виглядає так, як ніби воно працює. Прототип, демонстрація, доказ концепції, який вражає у залі засідань — все це більш доступне, ніж коли-небудь раніше. Але вигляд того, що працює, і фактичне працювання у масштабі підприємства — це дві фундаментально різні речі. Будівництво системи, яка працює надійно на реальних, нечітких, неповних даних, — це інша проблема, ніж будівництво системи, яка працює на чистих тестових наборах. Будівництво системи, яка обробляє винятки, крайні випадки і режими відмови елегантно, — це інша проблема, ніж будівництво системи, яка обробляє звичайний випадок. І будівництво системи з структурами управління, аудитності і підзвітності, які фактично потрібні для корпоративного розгортання, — це інша проблема ще.

Цей розрив коштує дорого в будь-якій галузі. У регульованих галузях він може бути екзистенційним. У банківській справі, фінансових послугах, страхуванні і охороні здоров’я системи штучного інтелекту, які підтримують реальні бізнес-процеси, повинні працювати у суворих регуляторних рамках — SR 26-2 для ризику моделі у фінансових установах, HIPAA і вимоги клінічної підтримки рішень у сфері охорони здоров’я, Solvency II і зобов’язання щодо проведення ризику у страхуванні. Вони повинні бути зрозумілі регуляторам і обґрунтовані під час аудиту. Вони повинні мати названу людську підзвітність за кожне суттєве рішення, яке вони інформують. Вони повинні мати протестовані механізми резервного копіювання, коли вони відмовляються. Ніщо з цього не входить у сферу дії прототипу, кодованого настрою, незалежно від того, наскільки переконливим він виглядав у демонстрації. Банк, який розгортає систему штучного інтелекту для кредитних рішень без належної моделі управління ризиком, не рухається швидко. Він накопичує регуляторну і репутаційну відповідальність, яка виникне в найгірший можливий момент.

Плутанина, яку це створює, є дорогою у певному сенсі. Лідери, які поглинули нарратив про демократизацію, недооцінюють інвестиції, недооцінюють необхідну експертизу і потім приписують невдачу штучному інтелекту, коли справжньою причиною була підхід. Що виглядає як проблема штучного інтелекту, майже завжди є проблемою даних, управління або архітектури, яку жодна кількість інженерії промпта не зможе вирішити. Причинно-наслідковий зв’язок, який ми бачимо постійно, полягає в тому, що організації, які ставлять до впровадження штучного інтелекту таку ж інженерну дисципліну, яку вони застосовували б до будь-якої критичної бізнес-системи — правильну архітектуру, правильні дані, правильне управління ризиком — є тими, які доходять до виробництва і залишаються там. Ті, хто спокусився наївною розповіддю, доходять до демонстрації і дивуються, чому цінність ніколи не слідувала.

Реальна можливість полягає в доповненні з наміром

Будуть випадки, коли штучний інтелект сильно автоматизує завдання, і деякі організації будуть переслідувати скорочення робочої сили як основну мету. Це є легітимним вибором. Але для більшості підприємств — особливо тих, які працюють у складних, регульованих, орієнтованих на клієнтів або судових середовищах — більша і більш тривала можливість полягає у доповненні з наміром: оснащенні своїх найкращих людей костюмом, який робить їх здатними на речі, які вони не могли робити раніше.

Таке доповнення може не продукувати найяскравішу заголовок, але це місце, де живе найтриваліша цінність. Це проявляється у вигляді швидших рішень, кращої пріоритезації, сильнішої служби клієнтів, менших звичайних瓶ок і більшого часу, проведеного на роботі, яка фактично вимагає досвіду і судження. І доставчі економіки зсуваються у спосіб, який змінює те, що організації можуть дозволити собі спробувати. Робота, яка раніше вимагала великої команди і довгого графіка, стає досяжною з меншою, вищою командою, що рухається у темпі, який раніше був неможливий. Обмеження на амбіції змінюються. Організації починають переслідувати можливості, які вони раніше відкинули як надто дорогі або надто повільні, перш ніж костюм існував. З часом ці прибутки не є маржINALними. Вони переінакшають те, що організація вважає можливим.

Компанії, які вибираються вперед, не будуть тими, у кого найбільше інструментів або моделей. Вони будуть тими, хто стане найкращим у поєднанні технічної можливості з людською можливістю — хто знає, де належить автоматизація, де судження повинно залишатися близько, і як переробити роботу так, щоб сили обох підтримували одна одну. І вони побудують дані і модель управління, які роблять кожну нову можливість штучного інтелекту швидшою для розгортання і легшою для довіри.

Тест Людина-залізо

Штучний інтелект не є Людина-залізо. Це костюм. І як будь-який костюм, його цінність залежить цілком від того, хто його носить, чого вони намагаються досягти, і наскільки добре він побудований для місії. Лідери, які розуміють це, перестають запитувати, чи готовий штучний інтелект, і починають запитувати, чи готова їхня організація — чи визначена операційна модель, чи наявна база даних, чи реальне управління, а не риторичне, і чи знають люди всередині костюма, що вони роблять і чому. Це питання, які визначають, чи штучний інтелект стає тривалою джерелом конкурентної переваги чи дорогим рядом експериментів, які ніколи не доставили.

Реальна лідерська проблема не полягає в тому, чи потужний штучний інтелект. Це явно є. Проблема полягає в тому, чи лідери готові ставитися до нього з серйозністю, яку він вимагає — щоб опиратися наївній розповіді, інвестувати в основи, які роблять його працюючим, і будувати операційну модель, яка перетворює можливість у результати. Це складніший шлях, ніж купівля інструменту і очікування результатів. Але це єдиний шлях, який веде туди, куди варто йти. Команди, з якими ми працюємо, які обрали цей шлях, не тільки виконують краще сьогодні. Вони будують організації, які будуть значно складніше конкурувати з ними завтра.