Как преодолеть технологический разрыв внутри компании

IT-директор одной крупной фармацевтической компании, разочаровавшись в попытках внедрить искусственный интеллект (ИИ), посчитал, что продукты и услуги на базе ИИ конечно умные, но еще «как дети». От сотрудников требуются огромные усилия, чтобы довести полученные результаты до уровня зрелости, который позволит решать практические бизнес-задачи. Оказалось, что простой закупки передовых технологий искусственного интеллекта недостаточно — это не приблизило компанию к достижению стратегических целей и не повысило стоимость бизнеса.

Дилемма этой компании вовсе не единичный случай. Несмотря на стремительное распространение технологий искусственного интеллекта и накопление огромных объемов данных в компаниях, извлечь выгоду из искусственного интеллекта непросто. Хотя приобрести технологии ИИ становится все проще, 40% организаций, вкладывающих значительные средства в искусственный интеллект, все еще не получают прибыли от этих инвестиций. 

Как и в случае с технологическими прорывами прошлого, сама по себе технология не является ценностью. Извлечение прибыли из технологий ИИ требует инвестиций не только в саму технологию, но и в инфраструктуру данных и в человеческий капитал. С последним особенно сложно. Обзаведясь технологиями и инфраструктурой, многие организации вскоре обнаруживают, что у сотрудников нет необходимых навыков для работы с искусственным интеллектом.

Технологии создают неизбежный разрыв между тем, какие сложные решения организация получает в результате использования данной технологии, и тем, какую долю этих решений она сможет реально использовать. Изящные модели не спасают, если люди в компании не знают, что означают полученные результаты или как им изменить свою работу, исходя из этих результатов. Таким образом, проблема для менеджеров заключается не столько в управлении самой технологией, сколько в развитии навыков и процессов, необходимых сотрудникам и рабочим коллективам.

Чтобы проиллюстрировать это, рассмотрим взаимосвязь между зрелостью организации, использующей конкретную технологию, и сложностями в ее использовании. По мере развития компании, вероятно, растет и ее техническое развитие. Однако эта техническая изощренность распределена неравномерно внутри самой организации. Некоторые сотрудники обладают более высокими техническими навыками, чем другие. Так департаменты IT и искусственного интеллекта, занимающиеся разработкой самих технологий, скорее всего, технически значительно более подкованы, чем те, кто потребляет результаты этой работы (например, высшее руководство или службы по работе с клиентами). По мере развития организации проблема усугубляется, навыки в различных группах сотрудников развиваются с разной скоростью.

По мере того, как компании вкладывают больше ресурсов в универсальную технологию, такую как ИИ, они способны добиваться с помощью этой технологии все более сложных результатов. Сотрудники, работающие напрямую с ИИ, получают необходимый опыт. Например, более сложные алгоритмы могут повысить качество прогнозирования при моделировании оттока клиентов, программы по выявлению мошенничества становятся способны более эффективно отличать легальные транзакции от нелегальных, а инвентаризационные технологии легко отслеживают и постоянно совершенствуют маршрутизацию и возможности пополнения запасов. В последнее время качество подобных приложений значительно выросло из-за совершенствования ИИ-технологий, что в свою очередь делает результаты работы ИИ все более сложными.

К счастью, ситуацию можно резко улучшить. Экосистемы наперебой предлагают услуги, которые помогут компаниям извлечь максимальную пользу из современных технологических достижений. Например, если внутри самой организации нет людей с необходимыми навыками по работе с ИИ, можно обратиться за помощью извне. К сожалению, аутсорсинг приносит реальную пользу лишь 12% организаций, которые выбирают этот подход.

Эта мрачная статистика не означает, что аутсорсинг не работает вовсе. Внешние квалифицированные кадры способны помочь компаниям повысить производительность и результаты с помощью новых технологий. Компании могут быстро извлечь выгоду и нарабатывать опыт самостоятельно. Но, как обнаружил разочарованный руководитель фармацевтической компании, необходимо понимание конкретного бизнес-контекста, особенно в тех случаях, когда организация пытается применить ИИ к ключевым и уникальным процессам.

Сложность в том, что одних лишь систем искусственного интеллекта недостаточно. Организация должна иметь возможность воспользоваться результатами их работы для достижения своих бизнес-целей. Продавцы должны понимать, как они могут использовать прогнозы оттока клиентов и что эти данные могут означать для организации. Сотрудники клиентских служб должны понимать, почему система отметила транзакцию клиента как потенциально мошенническую. Менеджеры цепочки поставок должны знать, почему система рекомендует определенный уровень производства или конкретный план логистики. Требовать от опытных сотрудников доверять результатам алгоритмов, которых они пока могут не понять — это чересчур много.

Да, компании могут значительно повысить использование данных и результатов работы новых технологий. Компании и менеджеры могут помочь сотрудникам улучшить их способность работать вместе с машинами. Компаниям необходимо улучшить использование полученных результатов, чтобы увидеть преимущества новых сложных систем ИИ. В противном случае вся модернизация производства может оказаться напрасной.

Однако скорость развития использования результатов работы ИИ значительно медленнее, чем скорость развития самих технологий. Сами модели ИИ разрабатываются относительно небольшим количеством сотрудников. Большинство же лишь используют данные, которые эти модели выдают. Развитие навыков работы с данными в более широкой группе пользователей — процесс медленный, особенно когда (по определению) эта группа сотрудников сосредоточена не на самой технологии, а на своей бизнес-роли.

Фокус на использовании результатов работы искусственного интеллекта необходим еще и потому, что технологии ИИ не работают в вакууме. Технология требует бизнес-контекста, который в каждой компании свой. Этот контекст, естественно, с трудом поддается аутсорсингу. Для многих компаний очевидно выгоднее развивать технические навыки у сотрудников, уже разбирающихся в бизнесе, чем заставить IT-специалистов вникать в особенности того или иного бизнеса. Развитие навыков работы с ИИ среди обычных сотрудников создает затраты. Согласно совместному всемирному исследованию внедрения ИИ за 2019 год издания MIT Sloan Management Review и BCG, компании, которые делают упор на развитие технических навыков среди сотрудников, на 40 процентных пунктов вероятнее будут извлекать прибыль, в отличие от компаний, которые не ориентированы на переподготовку специалистов.

Поскольку использование технологии растет медленнее, чем ее развитие, разрыв между производством и потреблением результатов работы ИИ в организации  скорее увеличивается, а не уменьшается. В то время как организация в целом набирает обороты в использовании ИИ, потребление по-прежнему отстает от производства, что может привести к беспокойству и дискомфорту среди пользователей внутри компании. Как ни странно, по мере своего роста и развития, компания сталкивается с увеличением этого разрыва.

Именно поэтому компаниям имеет смысл поощрять сотрудников использовать приобретенные навыки. Чтобы сотрудники чувствовали себя комфортно при работе с новыми технологиями, Roche Diagnostics представила «театры инноваций» с понятными примерами того, как именно компания может расширить свои возможности с помощью ИИ. Ежегодная закрытая конференция Siemens по ИИ также делает на этом упор. Оба этих примера основаны на обширном тренинге сотрудников в области ИИ. Эти компании осознают, что важно не только внедрить технологии ИИ, но и переподготовить сотрудников так, чтобы они смогли эффективно их использовать.

Приобретение подходящей технологии искусственного интеллекта и получение результатов ее работы критически важны, но недостаточны. Для того, чтобы действительно получить выгоду от технологий ИИ, компаниям необходимо сосредоточиться на тех сотрудниках, которые в итоге будут иметь дело с полученными результатами.

Оригинал статьи // Переводчик — А.Мирзоева