Підприємства штучного інтелекту досягли межі. Планування – це те, що допомагає їм подолати її.

Перша хвиля підприємства штучного інтелекту дала командам копілоти, які оптимізували продуктивність всередині окремих функцій. Наступна хвиля тепер зіштовхується з проблемою координації: бізнес-рішення, які мають найбільше значення, охоплюють фінанси, операції, ланцюжки постачання та стратегію, тоді як більшість систем штучного інтелекту все ще працюють всередині однієї функції.

Згідно з дослідженням компанії McKinsey щодо зрілості штучного інтелекту, лише один відсоток лідерів називає свої компанії “зрілими” на спектрі розгортання, тобто штучний інтелект повністю інтегрований у робочі процеси та забезпечує суттєві бізнес-результати. Інші дев’яносто дев’ять відсотків мають розгорнуті системи штучного інтелекту, але ще не мають нічого суттєвого на рівні підприємства.

Причина полягає в структурі. Ці системи штучного інтелекту потребують місця для координації, а планування є природним місцем для цього. Планування – це місце, де вже збігаються фінансові припущення, сигнали попиту, операційні обмеження та стратегічні цілі. Будівництво штучного інтелекту в цей шар перетворює його з періодичної діяльності у зв’язуючу тканину підприємства.

Це та межа, яку багато підприємств зараз відкривають для себе при впровадженні першого покоління систем штучного інтелекту. Хоча копілоти покращили ефективність завдань всередині окремих команд, більшість організацій ніколи не розв’язали більш складну проблему, що лежить в їх основі: як рішення координуються по всьому бізнесу в реальному часі. Швидша робочий процес прогнозування все одно зламається, якщо припущення ланцюжка постачання, операційні обмеження та фінансові пріоритети залишаються відключеними один від одного.

Архітектура пробілу координації штучного інтелекту підприємства

Для цього потрібно три структурні зміни.

1. Підприємства штучного інтелекту повинні вийти за межі функційних силосів

Копілот, вбудований у фінанси, може підсумувати відхилення прогнозу та пояснити, що змінилося в ПЛ. Він не може витягнути сигнал попиту в реальному часі з операцій, врахувати оновлену оцінку ризику постачальника та надати це назад у переглянутому прогнозі, який оглядають одночасно фінансовий директор та операційний директор. Це та структурна межа, яку підприємства штучного інтелекту зараз зіштовхуються, і це причина, чому впровадження функції за функцією дає сильні індивідуальні показники продуктивності та слабкі результати підприємства.

Під цією розбивкою лежить проблема контексту. Кожна функція штучного інтелекту працює з даними, які належать цій функції, у системах, які використовує ця функція, з припущеннями, які робить ця функція – і немає спільного шару, де ці погляди збігаються у єдиний образ того, у що вірить бізнес.

Це створює те, що багато підприємств зараз переживають як “пробіл координації штучного інтелекту”: системи, здатні генерувати ідеї самостійно, але нездатні узгоджувати рішення по всьому бізнесу достатньо швидко для умов реального часу.

Подолання цієї межі означає підключення агентів через спільний операційний контекст, побудований на спільних моделях даних, спільній бізнес-логіці та онтологіях, які дозволяють їм інтерпретувати рішення послідовно по функціях.

З цією основою агент попиту може спостерігати за сигналом, агент ланцюжка постачання може запустити симуляцію джерел проти нього, а агент фінансів може оновити прогноз на основі обох. Фінансовий директор бачить одне єдине рекомендації, побудоване на тій же картині реальності, яку використовує все підприємство.

2. Безперервне планування стає координаційним шаром штучного інтелекту підприємства

Безперервне планування на основі цього операційного контексту перетворює узгоджені агенти у справжні бізнес-результати. Це означає, що планування перестає бути квартальним завданням і починає працювати як живий систем, з сценаріями, що рухаються проти цілей компанії, коли змінюються умови, а не чекаючи на наступний цикл, щоб наздогнати.

Конфлікт між США та Іраном зараз тестиє це в реальному часі. Транснаціональні компанії з впливом на цей регіон поглинають кілька сигналів одночасно – ціни на нафту та енергію рухаються, маршрути транспортування через Ормузьку протоку переоцінюють ризик, терміни поставок постачальників розтягуються. І керівництво повинно вирішити, що робити з цим протягом кількох днів. Енергетичне хеджування, зміна маршрутів транспортування та переговори про контракти всі повинні бути оцінені один проти одного в цьому вікні. Система планування, яка працює безперервно та тестиє сценарії, коли змінюється ситуація, – це єдиний спосіб отримати надійну відповідь вчасно для дії.

Це той вигляд, який має штучний інтелект, орієнтований на цілі, на практиці. Агенти працюють до цілей, встановлених керівництвом, і вони сигналізують про компроміс, коли досягнення однієї цілі означає відмову від іншої. Система може змоделювати сотню альтернатив в реальному часі та все одно залишити керівництво в складному виборі, який варіант вибрати. Шар планування – це місце, де вже живуть цілі та компроміси. Це різниця між системою багатокомпонентного штучного інтелекту, яка працює у виробництві, та тією, яка працює у демонстрації.

Терміновість цього зрушення зростає. Gartner прогнозує, що понад 40 відсотків проектів агентного штучного інтелекту будуть скасовані до кінця 2027 року через зростаючі витрати, слабку бізнес-цінність або недостатній контроль ризику. Багато з цих провалів будуть пов’язані з проблемами координації та управління, а не лише з можливостями моделі.

3. Підприємство управління не може бути прикріплено пізніше

Шар безперервного планування концентрує реальну владу з прийняття рішень у координовану систему штучного інтелекту, тому управління повинно бути частиною архітектури з самого початку. Це проблема, яку багато фінансових директорів та директорів з інформаційних технологій піднімають першими, коли мова заходить про впровадження штучного інтелекту, і це відображає обґрунтовану позицію. Автономні системи не належать до робочих потоків прийняття рішень без аудитабельності, пояснюваності та чітких політичних меж.

У розгортаннях, які насправді працюють, кожна дія агента може бути відстежена до вхідних даних, логіки та політики, що стоять за ним. Кожна рекомендація супроводжується припущеннями, які фінансовий керівник, аудитор або член ради директорів потребує, щоб викликати її на заслугах.

Відстежуваність – це те, що робить людський нагляд працездатним. Фінансовий директор, контролер та керівники, відповідальні за результат, можуть тільки переглянути рекомендації, викликати припущення та авторизувати дії, якщо вони можуть побачити, як система прийшла до цього висновку. Агенти займаються швидкістю та шириною, а люди тримають суд. Керівник, який може спостерігати за системою, виявити відхилення, побачити припущення за ним та викликати рекомендацію до її виконання, буде розширювати більше повноважень системі з часом. Керівник, якому надали чорний ящик з відповіддю без відстежуваної логіки, відмовиться довіряти системі, і влада агента зменшується. Компанії, які будують управління в архітектуру, отримують перший тип розгортання. Ті, хто прикріплює його пізніше, отримують другий.

Наступне десятиліття належить будівельникам інфраструктури

Через десять років різниця між компаніями, які зробили планування зв’язуючим шаром для свого штучного інтелекту, та компаніями, які цього не зробили, буде незаперечною.

Негламурна робота – підключення даних, інтеграція робочих потоків, впровадження управління з самого початку – це те, що вирішує, на якій стороні компанія опиниться.

Переможці у сфері підприємства штучного інтелекту не будуть компаніями з найбільшою кількістю агентів. Вони будуть компаніями, які побудували інфраструктуру, здатну координувати їх.