Недавние исследования Capgemini выявили значительную проблему во всех секторах: трансформация концепций доказательства AI в функциональные производственные решения. По словам Стива Джонса, EVP по данными и генеративному AI в Capgemini, задержки в этом процессе в значительной мере связаны с такими проблемами, как цифровые границы, цифровые сотрудники и некачественные данные.
Джонс подчеркнул: «Мы слишком привыкли к плохим данным. Наиболее распространенный миф в IT — это вера в то, что мы решим проблемы с данными в исходной системе. Это заблуждение, которому организации продолжают верить». Он сравнил данные с нефтью, отметив, что, как нефть нуждается в очистке для использования, так и данные должны быть очищены и организованы для эффективности. С прогнозами, что к 2030 году 50% бизнес-решений будет принимать AI, особенно в области автономных цепочек поставок, риски, связанные с ненадежными данными, становятся значительными.
«Цифровым сотрудникам, принимающим решения, не следует ждать чистых данных; это операция, которая нецелесообразна», — заметил Джонс. «В таких сценариях, как автономные транспортные средства или склады, плохо управляемые данные совершенно неприемлемы. Организациям необходимо разработать структуру управления не только своими человеческими сотрудниками, но и AI, работающим в их командах».
Джонс также отметил, что большие языковые модели (LLM) могут работать плохо, если не имеют доступа к точным оперативным данным. К сожалению, компании исторически создавали разрыв между своими операционными процессами и стратегиями управления данными.
Преодоление проблем внедрения AI
Чтобы устранить этот разрыв, организациям нужна надежная цифровая операционная модель. Это включает четкое определение проблем, которые они намерены решать с помощью цифровых технологий, выявление наборов данных, подходящих для принятия решений, и определение того, что AI должен или не должен влиять.
«Если вы развернете мощный AI для снижения углеродного следа компании без ограничений, он может предложить полностью остановить основные операции, что не является жизнеспособной стратегией», — объяснил Джонс. «Ключ в том, чтобы гарантировать, что AI функционирует в рамках заранее определенных границ, соответствующих бизнес-целям».
Организациям не удастся извлечь выгоду из единой системы AI, управляющей всеми операциями, из-за высоких рисков. AI-решения должны быть адаптированы к конкретным функциям. Например, бот по взысканию долгов будет работать по другим правилам, чем бот-консультант по продажам. Многие организации испытывают трудности с переходом от концепций доказательства к полному внедрению из-за того, что они упускают важность подхода к AI с точки зрения управления бизнесом, надеясь на технологию, которая решит все их проблемы.
Джонс отметил: «Мы продолжаем держаться за идею, что только технологии решат наши вопросы, но для реального внедрения необходимо вовлечение людей с этими технологиями». Для эффективной интеграции AI бизнес должен определить детализированные модели управления операционными и киберрисками, обеспечивая при этом ответственность.
Например, бот-консультант по продажам может взаимодействовать с несколькими суб-ботами, каждый из которых имеет свои правила. Их совместные усилия могут привести к значительным бизнес-результатам, но без четких операционных границ риски возрастают.
«Эффективный контроль и ответственность позволяют автоматизировать процессы, которые были ранее неконтролируемыми», — сказал Джонс. «Это требует сосредоточения на оптимизации бизнес-моделей вместо простого внедрения AI в существующие рабочие потоки».
Подчеркивание организационных изменений для масштабирования AI
«Мы должны поставить организационные изменения выше технологических достижений», — утверждает Джонс. «Хотя технологии быстро развиваются в Силиконовой долине, основной задачей является внедрение бизнеса и адаптация модели».
Чтобы добиться успеха, архитектура AI должна быть принципиально иной. Данные должны быть легко доступны для цифровых сотрудников, а не оставаться на заднем плане приложений, где происходят транзакции.
Джонс заключил: «Низкий темп перехода от концепции к полному внедрению AI обусловлен тем, что текущие стратегии данных недостаточны. Цифровые сотрудники требуют четко определенной операционной модели, и большинство организаций не готовы к этому переходу. Важно, чтобы бизнес-лидеры, которые могут не до конца понимать технологии, приняли AI, чтобы обеспечить свой успех и адаптироваться к миру, в котором AI существенно влияет на принятие решений».
Рейтинг
