Стимулирование экономического роста всегда было искусством. Теперь появилась и наука, пишут в корпоративном блоге представители McKinsey Андреа Зуграву, Тарек Мансур, Ари да Кунья, Бен Сафран и Орели Эсперандье.

Роль лидера экономического развития, возможно, становится сложнее, чем когда-либо. Эта работа очень обширна: от поддержки экономического роста и устойчивости до содействия созданию рабочих мест и трансформации рынка труда. Расходы на обеспечение экономического роста могут достигать триллионов долларов — например, страны ОЭСР тратят на экономические цели в среднем 3,9% своего ВВП. Однако во многих странах мира процентные ставки выросли, что ограничивает бюджетную гибкость правительств. Кроме того, мировая экономика все еще не оправилась от последствий пандемии COVID-19, которая нанесла урон мировому экономическому производству.

В то же время новые формы данных и новые способы их обработки оказывают влияние как на бизнес, так и на общество, включая правительства. Например, один только генеративный ИИ может приносить различным отраслям от 2,6 до 4,4 трлн. долл. в год. Однако для получения этой ценности потребуются новые идеи и подходы. В этой статье мы рассмотрим некоторые основные возможности, которые открывает ИИ, проблемы, которые могут встать на этом пути, и то, как некоторые организации решают их.

ИИ может изменить множество секторов и функций, но пять областей экономического развития могут извлечь особую выгоду из этой технологии.

  • Глобально конкурентоспособные цепочки добавленной стоимости. Лидеров экономического развития часто просят определить области, в которых их страна или регион могут стать конкурентоспособными на мировом уровне. Для этого они оценивают потенциальный вклад секторов в устойчивый, инклюзивный и жизнеспособный рост и благодаря этому могут первыми заметить потенциальные новые возможности. Аналитические модели, позволяющие в режиме реального времени анализировать рынки, выявлять зарождающиеся экономические тенденции и определять области, готовые к росту, открывают перед руководителями новые мощные возможности.

    Например, один из городов Восточной Азии использовал аналитические модели для выявления неиспользуемых областей экономической конкурентоспособности в сфере производства напитков и автозапчастей — областей, примыкающих к тем, где он уже обладал сильными возможностями. Сосредоточившись на этих секторах и используя существующие кадры, инфраструктуру и возможности цепочек поставок в смежных областях, город за шесть лет увеличил ВВП на душу населения на 8500 долл.
  • Программы привлечения инвестиций и поддержки торговли. Многие лидеры экономического развития уделяют особое внимание привлечению иностранных инвестиций и увеличению экспорта. ИИ может помочь руководителям выбрать компании, способные стимулировать местное экономическое развитие, понять, куда компании могут направить свои силы, оценить результаты инвестиций и определить бюджет для усилий правительства по привлечению бизнеса.

    Американская организация REDI Cincinnati (REDI означает «региональная инициатива экономического развития») использует предиктивную аналитику для выявления растущих компаний, которые, скорее всего, сделают инвестиции в будущем. Модель, объединяющая бизнес-аналитику и анализ данных в режиме реального времени, использует такие данные, как активность в сфере слияний и поглощений и отчеты о прибылях, чтобы заблаговременно нацелить компании на привлечение и расширение. На данный момент REDI Cincinnati способствовала более чем 6 млрд. долл. капиталовложений.
  • Программы «Будущее работы». Агентства по трудоустройству могут использовать ИИ для выявления важных долгосрочных изменений на рынке труда и обеспечения критических переходов. Аналитические модели могут выявить рабочие места, которые рискуют быть вытесненными такими силами, как автоматизация и глобальные макроэкономические тенденции. Они также могут рекомендовать смежные, более устойчивые профессии, на которые работники могут переквалифицироваться.

    Министерство труда и пенсий Великобритании использует аналитику трудовых ресурсов для оценки спроса на работников различных профессий. Это позволяет соискателям лучше ориентироваться в меняющемся трудовом ландшафте. Кроме того, это позволяет государственным учреждениям предлагать больше программ обучения по быстрорастущим профессиям, таким как социальный уход и ИКТ.
  • Экономическое «прогнозирование» и предсказание. Министерствам финансов и экономики и центральным банкам больше не придется выявлять кризис через несколько месяцев после его начала. Вместо этого руководители могут использовать технологии ИИ для обнаружения ранних признаков потрясений, что позволит им быстрее скорректировать курс и направить экономику в русло различных экономических циклов.

    Например, ОЭСР теперь еженедельно прогнозирует рост ВВП, используя данные из 46 стран по различным секторам экономики. Модель использует машинное обучение для выявления корреляций между частотой поиска таких терминов, как «безработица», «инвестиции», «кризис», «рецессия», и изменениями в различных компонентах ВВП. Предоставляя показатели экономической активности в режиме реального времени, OECD Weekly Tracker может легко оценить быстро меняющиеся данные, например, в случае экономического кризиса.
  • Преобразование государственных служб с помощью геоинформационных систем и пространственных данных. Правительственные организации все чаще используют пространственные данные и спутниковые снимки для повышения эффективности предоставления госуслуг, повышения оперативности реагирования на стихийные бедствия и содействия развитию более «умных», устойчивых и готовых к будущему городов. Учитывая размер и детализацию этих наборов данных, для получения метрик практически в режиме реального времени могут потребоваться сложные модели ИИ.

    Казахстанский подход к выявлению и развитию инфраструктуры в сельских поселениях использует статистическую модель, сочетающую географические, демографические и экономические данные с аналитическими методами. В рамках этой модели было проанализировано более 6293 населенных пунктов, из которых было отобрано 3500 с наибольшим потенциалом развития, в которых проживает 90% сельского населения. В результате государственные руководители смогли более эффективно и точно обеспечить сельские районы необходимыми услугами и инфраструктурой.

При внедрении ИИ лидерам экономического развития следует обратить внимание на три ключевые проблемы: обеспечение правильных данных, привлечение квалифицированных кадров и завоевание общественного доверия.

Данные. Недостаток данных может затруднить лидерам экономического развития точное прогнозирование макроэкономических тенденций, сравнение влияния инвестиций в разных регионах и подготовку рабочей силы к меняющемуся рынку труда. Кроме того, существует разрыв между странами, богатыми и бедными данными, в том, что касается качества, доступности и стоимости данных. Например, в странах Африки к югу от Сахары регистрируется менее половины всех рождений детей, в Афганистане последняя перепись населения была проведена в 1979 г., а около миллиарда человек во всем мире не имеют официального удостоверения личности.

В среде, богатой данными, бывает сложно отличить сигнал от шума. Аналитические модели хороши лишь настолько, насколько хороши данные, на которых они основаны, а работа с неинтегрированными или разрозненными данными может затянуть проекты и увеличить расходы. Низкокачественные данные могут быть несовместимы с использованием методов анализа, основанных на ИИ. По данным одного из глобальных исследований, только 45% разработчиков согласились с тем, что государственные данные являются чистыми и точными, то есть более половины разработчиков посчитали, что работают с противоречивыми или неточными данными. Менее 35% отметили, что данные хорошо документированы.

Доступ к данным — еще одна проблема, на которую ссылаются эксперты. Аналитические модели обычно требуют больших массивов данных для точного прогнозирования, но бюрократические барьеры, политические расхождения и ограничительные нормы могут помешать организациям обмениваться соответствующими данными.

Кадры. Организации государственного сектора испытывают трудности с привлечением квалифицированных специалистов. В Великобритании 51% государственных организаций сообщают, что им трудно заполнить вакансии, по сравнению с 38% компаний частного сектора. Еще сложнее набрать молодых, технически подкованных сотрудников. Например, в правительстве США на каждого сотрудника в возрасте 30 лет и моложе приходится более четырех ИТ-специалистов в возрасте 60 лет и старше.

Руководители государственных органов, с которыми мы беседовали, подчеркнули, что конкуренция за таланты с частным сектором еще больше ограничивает их возможности по найму технических специалистов. Например, в настоящее время вакансий, требующих знания языка Python, столько же, сколько специалистов, владеющих этим языком кодирования, а на каждую вакансию, требующую навыков работы с данными, приходится 0,9 специалиста по анализу данных. Одним из результатов этого является повышение зарплатных ожиданий, которым многие государственные организации не могут соответствовать.

Доверие. Государственным организациям, стремящимся к прозрачности в принятии решений, трудно использовать инструменты, от которых невозможно получить объяснения или которые невозможно привлечь к ответственности. О современных методах МО иногда говорят, что они работают как «черный ящик», выдавая результаты, которые нельзя легко объяснить линейной зависимостью между переменными. Это может подорвать доверие к результатам модели, а также объяснить, почему многие люди с опаской относятся к ИИ. Согласно опросу, проведенному компанией Ipsos среди примерно 22,8 тыс. взрослых людей в 31 стране, примерно половина респондентов заявили, что испытывают беспокойство по поводу продуктов и услуг, в которых используется ИИ.

Одно из потенциальных преимуществ использования методов МО для анализа больших объемов данных заключается в том, что они позволяют получить контринтуитивные выводы, на которые не способен подход, основанный на человеческих гипотезах. Например, алгоритм может определить, что страна имеет большие нереализованные возможности для производства водяных насосов. Но будет сложно обосновать эту идею перед инвесторами и налогоплательщиками, если сами правительственные чиновники не могут понять, как алгоритм пришел к такому выводу. Некоторые из тех руководителей, с кем мы беседовали, также сомневались в том, что ИИ сможет понять культурный контекст, в котором принимаются решения по экономическому развитию.

Несколько сотрудников государственного сектора рассказали нам, что их организации запускают пилотные проекты по внедрению ИИ, а затем наблюдают замедление прогресса. Отсутствие динамики вызывает разочарование, что приводит к сокращению ресурсов и дальнейшим задержкам. Например, по официальным оценкам, в Европейском союзе только 38% проектов использования ИИ в государственном секторе достигли стадии внедрения, а большинство все еще находятся в разработке или на стадии эксперимента.

Продолжение следует.