Генеративный искусственный интеллект (GenAI) может изменить ваш бизнес, но только если вы заложите правильный фундамент. Портал The New Stack рассказывает об основных принципах, сформулированных на основе экспертных мнений HBR, KPMG и других аналитиков.

Если вы думаете, что GenAI — это идеальное решение для «революции» в вашем бизнесе, подумайте еще раз. Заголовки новостей могут рисовать его как паровой двигатель нашей эпохи или волшебную палочку для сокращения расходов и стимулирования инноваций, но реальность такова, что неэффективность, непредсказуемость результатов и дорогостоящие эксперименты не принесут результатов для большинства организаций.

Правда в том, что GenAI — это не быстрое решение. Без прочного фундамента в виде четкой дорожной карты, чистых данных, эффективного руководства и культуры, готовой принять изменения, он станет еще одним технологическим трендом, который слишком много обещает и мало выполняет.

Многие компании рвутся вперед, но лишь немногие делают это правильно. А как обстоят дела в вашей организации? Рассчитываете ли вы на долгосрочный успех или повторяете ошибки других? Что отделяет тех, кто впадает в ажиотаж, от тех, кто реализует потенциал GenAI?

В этой статье вы узнаете о четырех основах эффективного использования GenAI, подкрепленных отраслевыми исследованиями Harvard Business Review (HBR) и KPMG, а также экспертными мнениями лидеров отрасли. Вы получите план по преодолению этих проблем, а также действенные инсайты, содержащиеся в комплексном отчете HBR «Unlocking Gen AI’s Potential By Strengthening Data and Organizational Readiness», подготовленном по заказу компании Boomi.

Основные проблемы, сдерживающие развитие GenAI

Понимание основных проблем GenAI — первый шаг к созданию устойчивой стратегии.

Многие организации гонятся за хайпом, а не за ценностью

Слишком часто организации бросаются в море GenAI, движимые скорее азартом, чем стратегическими намерениями. Стремление казаться инновационными или не отстать от конкурентов толкает на поспешные внедрения без четко поставленных целей.

Они видят в GenAI «новую блестящую игрушку», как метко выразился Кевин Коллинз, генеральный директор Charli AI, но проверка реальностью наступает быстро и жестко: «Заполучить эту новую блестящую игрушку дорого и сложно». Согласно Fortune, этот ажиотаж нашел отражение в более чем 30 тыс. упоминаний ИИ в ходе конференций по финансовым вопросам только в 2023 г., что свидетельствует о широком энтузиазме, но зачастую без необходимой ясности цели.

Исследование KPMG, проведенное в 2023 г., показало, что у 19% организаций не было продуманного бизнес-обоснования для внедрения GenAI. Отсутствие целенаправленного подхода превращает то, что могло бы стать преобразующей технологией, в дорогостоящий эксперимент, который не соответствует бизнес-целям.

Низкое качество и изолированность данных ограничивают потенциал GenAI

Отсутствие стратегической ясности — не единственное препятствие. Даже если организациям удается определить бизнес-кейс, они часто сталкиваются с другой проблемой: их данные.

Неразбериха в данных мешает организациям выйти за рамки начального уровня использования. Захламленность данных, несогласованность форматов и неполнота записей создают узкие места, которые не позволяют GenAI обеспечить обещанную ценность. В отчете HBR приводится мнения Марьям Алави, профессора ИТ-менеджмента в Georgia Tech: «На крупных предприятиях существуют изолированные системы, различные версии одних и тех же данных, разные подходы к именованию элементов данных, различные форматы, а также большие объем и скорость передачи данных. Данными нужно управлять гораздо лучше во всех аспектах — будь то интеграция, вопросы безопасности, конфиденциальности, контроля доступа — чем это было раньше».

То, что более 87% руководителей называют разрозненность и несогласованность данных в качестве существенных препятствий, является отрезвляющим фактом. Модели GenAI не могут масштабироваться и эффективно работать без чистых, согласованных конвейеров данных.

Отсутствие руководства создает риски и неэффективность

Слабые или несуществующие структуры управления подвергают компании различным этическим, юридическим и операционным рискам, которые могут свести на нет их амбиции в области GenAI.

Согласно данным опроса Info-Tech Research Group, только 33% компаний, использующих GenAI, внедрили четкие политики использования. Отсутствие надзора не позволяет контролировать такие риски, как галлюцинации, предвзятость и неточность результатов, что создает потенциальную уязвимость с точки зрения регулирования и репутации.

Принципы ответственного ИИ (в том числе справедливость, прозрачность и подотчетность) часто остаются на втором плане, что приводит к созданию систем, не соответствующих ценностям организации и не отвечающих требованиям законодательства.

Cопротивление и недоверие тормозят прогресс

Сами по себе системы управления не могут решить глубокие человеческие проблемы, с которыми сталкиваются организации. Особенности корпоративной культуры часто создают барьеры, которые не могут преодолеть никакие технические достижения.

Руководители могут переоценить свое понимание GenAI: согласно исследованию Alteryx, 67% членов советов директоров в 2023 г. оценивали свое понимание как «продвинутое» или выше. Однако эта уверенность редко переходит в обоснованное принятие решений, что приводит к разрыву между стратегическими амбициями и практическими реалиями.

С другой стороны, сотрудники часто настроены скептически. Для многих GenAI кажется скорее угрозой, чем инструментом, вызывая страх перед потерей работы или недоверие к его результатам. Неудивительно, что в исследовании HBR 24% организаций назвали внутреннее сопротивление одним из главных препятствий.

Эти противоположные точки зрения — лидеры, продвигающие вперед, и сотрудники, отступающие назад, — приводят к своего рода перетягиванию каната. Без согласованности действий внедрение GenAI станет еще одной благой затеей, развалившейся из-за разного понимания смысла.

Ключевые решения для раскрытия потенциала GenAI

Несмотря на эти проблемы, многие организации продолжают внедрять GenAI, в первую очередь для того, чтобы собрать «низко висящие плоды», такие как усовершенствование ПО управления взаимоотношениями с клиентами (CRM) или создание контента с помощью ИИ. Но достаточно ли этого? Организации, нацеленные на долгосрочный успех, готовятся к продвинутым сценариям использования с помощью целостного подхода, опирающегося на следующие четыре основы:

1. Создайте дорожную карту для устойчивого и масштабного внедрения GenAI

Создание дорожной карты внедрения GenAI требует структурированного подхода к оценке и приоритизации сценариев использования. В отчете HBR приводится совет Химаншу Ароры, вице-президента компании Infosys, оценивать сценарии использования по шести параметрам, чтобы выявить те, которые с наибольшей вероятностью принесут пользу:

  • Обоснованность и реализуемость. Оцените, соответствует ли конкретный сценарий использования стратегическим целям и может ли он быть реализован.
  • Количественная оценка ценности для бизнеса. Измерьте потенциальный эффект, например, экономию затрат или рост доходов.
  • Готовность данных. Определите, являются ли необходимые данные чистыми, доступными и согласованными.
  • Ответственное отношение к ИИ. Избегайте сценариев использования, которые пересекают этические или нормативные границы.
  • Культурная готовность. Оцените способность организации принять и масштабировать сценарий использования.
  • Стоимость. Сопоставьте ожидаемую прибыль с необходимыми инвестициями.

Сет Эрли, основатель и генеральный директор компании по оказанию профессиональных услуг Earley Information Science, в том же отчете обращает внимание на важность фокусирования на дифференцирующих факторах, таких как инновации бизнес-модели или генерация идей, для обеспечения конкурентного преимущества. Начало работы с малорискованных и высокоэффективных сценариев использования позволяет набрать обороты и подготовить организацию к передовым приложениям, обеспечивающим долгосрочное масштабирование и рост.

2. Создайте прочный фундамент данных для успеха GenAI

«Ваш бизнес будет работать на этих моделях, и они будут делать прогнозы. Поэтому вам лучше сделать все правильно, потому что иначе „мусор на входе, мусор на выходе“», — отмечает Коллинз.

Чтобы раскрыть потенциал GenAI, необходимо решить пять важнейших задач, рекомендуемых Аророй:

  • Готовность данных. Очистите и гармонизируйте данные, чтобы устранить разрозненность и несоответствия.
  • Эффективность моделей. Оцените, насколько хорошо модели соответствуют потребностям бизнеса и улучшают его результаты.
  • Ценность сценариев использования. Измерьте влияние GenAI в конкретных сценариях, таких как ускорение процесса адаптации сотрудников или повышение эффективности кодирования.
  • Стратегическое соответствие. Оцените вклад GenAI-инициатив в достижение более широких бизнес-целей, таких как рост доходов или операционные улучшения.
  • Соответствие нормативным требованиям. Отслеживайте конфиденциальность данных, безопасность и этические стандарты, чтобы снизить риски и сохранить доверие.

Сочетание решения этих задач с такими мероприятиями, как анализ готовности данных, стандартизация метаданных и системная интеграция, позволит усовершенствовать экосистему данных и подготовить организацию к эффективному масштабированию GenAI.

Создание этой основы также требует повышения квалификации сотрудников, налаживания партнерских отношений с поставщиками и найма людей с техническими навыками и навыками решения проблем.

3. Создайте систему руководства для снижения рисков

Чтобы создать надежную систему руководства, необходимо:

  • Разработать принципы ответственного ИИ. Создайте политики, акцентирующие внимание на конфиденциальности данных, справедливости, подотчетности и прозрачности. «Системы должны избегать привнесения предвзятости в процессы и быть инклюзивными и уважительными по отношению к отдельным людям и сообществам», — говорится в отчете HBR.
  • Привлечь межфункциональные команды. Объедините усилия ИТ-специалистов, юристов, бизнес-лидеров и конечных пользователей для создания и контроля над политиками регулирования. Билл Вонг, научный сотрудник по ИИ в Info-Tech Research Group, рекомендует распределить обязанности по всей организации, чтобы лучше справляться с рисками ИИ.
  • Проводить регулярные аудиты и оценки воздействия. Проверяйте модели на комплаенс, оценивайте результаты и совершенствуйте процессы, чтобы поддерживать соответствие этическим и нормативным стандартам.
  • Создать библиотеку проверенных сценариев использования. Эрли предлагает разработать «эталонный сценарий использования» для определения соответствия сценариев политикам и критериям успешности работы.

Хорошо структурированный подход к регулированию защищает от невыполнения обязательств и позиционирует GenAI как надежный и масштабируемый организационный инструмент.

4. Сформируйте культуру, которая примет GenAI

Ключевые действия для создания культуры, готовой к GenAI:

  • Обучение руководителей и сотрудников. Предоставьте последовательное руководство по роли GenAI как инструмента дополнения, а не замены человеческих знаний.
  • Создание централизованного руководства. Создайте центр передового опыта (CoE) или назначьте главного специалиста по ИИ для руководства стратегией, регулированием и процессами внедрения.
  • Поощрение межфункциональной работы. Привлекайте отделы ИТ, кадров и управления рисками и бизнес-подразделения к формированию и реализации GenAI-инициатив.

«В компании должна быть группа, возможно, руководящий комитет по ИИ, состоящий не только из технологов, но и из людей из бизнеса, которые в той или иной степени осведомлены о GenAI», — говорит Том Дэвенпорт, профессор Babson College.

Совместный подход устраняет разрыв между руководителями и сотрудниками, укрепляя доверие и согласовывая цели организации с потенциалом GenAI.

Заключение

GenAI обладает огромным потенциалом для преобразования организаций, позволяя внедрять инновации, оптимизировать рабочие процессы и создавать новые бизнес-модели. Однако для реализации этих преимуществ требуется не только энтузиазм. Без устранения сформулированных выше четырех основополагающих пробелов даже самые амбициозные проекты GenAI рискуют превратиться в дорогостоящие эксперименты, которые не принесут ощутимой пользы.