Инвестиции с интеллектом: как эффективно использовать ИИ в бизнесе | Harvard Business Review Russia
Тренды

Инвестиции с интеллектом: как эффективно использовать ИИ в бизнесе

Дмитрий Черноус
Инвестиции с интеллектом: как эффективно использовать ИИ в бизнесе
Фото: Franki Chamaki / Unsplash

Многие компании и исследовательские организации анализируют эффект от внедрения технологий искусственного интеллекта (ИИ) и их влияние на бизнес. Большинство участников рынка согласны, что применение ИИ в ключевых процессах может повысить эффективность, сократить затраты от рутинных операций и повысить доходность. Однако практический опыт настраивает скорее на сдержанный оптимизм. Судя по исследованию MIT Sloan и BCG Gamma (подразделение Boston Consulting Group, занимающееся разработками в сфере ИИ), пока только треть компаний видит реальное позитивное влияние ИИ на их бизнес прямо сейчас. И менее 40% компаний, инвестировавших в соответствующие проекты и продукты, получили от них прямую или косвенную прибыль. При этом есть и по-настоящему успешные проекты. Например, в 2019 году ИИ помог Сбербанку заработать дополнительные $700 млн. Как конвертировать оптимизм и вложенные в ИИ средства в прибыльные проекты?

Пандемия COVID-19 изменила экономическую ситуацию в мире, вопросы обоснованности использования конкретных инструментов стоят теперь намного острее. Важно не столько получить прибыль от внедрения ИИ в моменте, сколько пережить экономический спад и выйти из него, имея преимущество перед конкурентами. Именно технологии, которые умеют обрабатывать данные и предлагать data-driven insights, могут помочь бизнесу сохранить эффективность, когда компании вынуждены взвешенно относиться к затратам и искать решения с быстрым возвратом инвестиций.

Семь раз отмерь, один раз отрежь

Около трети компаний, опрошенных аналитиками McKinsey, оценивают объем инвестиций в цифровые проекты в первый год в размере $500 тыс. При этом почти половина (45%) руководителей не знают, с чего начинать разработку стратегии цифровизации, а неэффективные бизнес-процессы, на которые в первую очередь стоило бы обратить внимание, ежегодно приносят более $200 млрд убытков. Учитывая, что 63% респондентов Gartner называют непрозрачность своих бизнес-процессов основным барьером для внедрения высоких технологий и ИИ, данные McKinsey о том, что лишь 15% проектов цифровой трансформации можно считать успешными, не выглядят чем-то удивительным. Что нужно для того, чтобы войти в эти 15%?

Может показаться очевидным, но первое, о чем стоит говорить — ответственный выбор процесса и технологии под проект. На пике популярности всего, что связано с ИИ, заметно усилился так называемый «технологический туризм». Заявляемая универсальность ИИ, привлекательная условная дешевизна и возможность «один раз научить» породили бесчисленное количество пилотных проектов разной степени проработки. Они имеют неясные задачи, зачастую не соответствующие стратегическим целям компаний, сомнительные критерии успешности и результаты, не позволяющие оценить эффективность будущего решения.

Ответственный выбор — это, в первую очередь, понимание стратегической ценности и критериев эффективности. Выбирая участок для автоматизации, важно тщательно проанализировать характеристики и составляющие бизнес-процессов.

Возьмем для примера логистику — здесь много сложных процессов, описываемых большим количеством данных, отрасль испытывает особое давление в условиях кризиса. Применение ИИ в логистике сосредоточено на прогнозировании спроса и предложения, управлении рисками в цепочках поставок и т. д. Например, Alibaba выбрала для ИИ-проекта выполнение онлайн-заказа — компании было важно прогнозировать время доставки и постепенно сократить его, выработать метрики производительности для курьеров. В основе решения лежит нейронная сеть, учитывающая количество посылок, которые необходимо доставить в единицу времени, их вес и размер, географию заказов. Кроме того, сеть анализирует данные о процессе — последовательность доставки, регулярность маршрутов и даже такие сложные сценарии, как совместное использование автомобиля. В итоге использование грузового транспорта сократилось на 10%, и на 30% уменьшился его пробег.

Тщательный выбор задачи дает хороший результат, особенно если данные доступны, и их относительно легко подготовить для обработки с помощью технологий ИИ.

Правильно выбрать цель

ИИ активно применяют в логистике, поскольку компании собрали большое количество хорошо интерпретируемых данных, и уже есть готовые алгоритмы машинного обучения. Но что делать бизнесам с большим объемом операционных данных, которые не могут выделить приоритетный процесс для автоматизации и не имеют специалистов по анализу данных?

Подсказка кроется в самых данных — их можно использовать не только для оптимизации отдельного процесса, но и для того, чтобы получить детализированную картину всех процессов в компании, а затем выбрать участок для автоматизации.

Данные и аналитические инструменты для их интерпретации предлагают объективные критерии для такого выбора. Так, цифровые следы бизнес-процессов, записанные в информационных системах, выгодно отличаются от того, как представляют себе реальную практику менеджеры. Недавно эксперт компании KPMG в России поделился кейсом. Руководитель крупного бизнеса рассказывал, что все его службы согласуют договоры параллельно в единой системе и тратят на это не более недели. Однако анализ данных из этой системы показал: параллельно согласуются только 12% договоров, остальные же 88% — последовательно, служба за службой, и среднее время составляет более 30 дней.

Количественные показатели, полученные с помощью интеллектуальных технологий, беспристрастны. Во время кризиса это особенно важно, когда компания должна определить точку приложения усилий.

Анализ цифровых следов с помощью инструментов Process Mining позволяет сделать обоснованный выбор. Некоторые системы Process Mining используют методы ИИ для прогнозирования исходов незавершенных процессов на основе исторических данных — это дает дополнительную информацию для расстановки приоритетов и поиска неочевидных способов увеличения выгоды. Например, можно определить, что оптимизация одного процесса, заметно перегруженного, со множеством известных узких мест, будет стоить дороже, но принесет меньше конечной выгоды, чем внедрение нового продукта в менее сложный, менее очевидный, но более массовый сценарий.

советуем прочитать
Войдите на сайт, чтобы читать полную версию статьи
советуем прочитать
Заразительная энергия
Дэниел Гоулман,  Ричард Бояцис,  Энни Макки