McKinsey: роботы становятся реальностью

Искусственный интеллект обещает полноценную революцию в области операционной деятельности, но превратить эти обещания в реальные результаты пока удается немногим. Новое исследование McKinsey и MIT, в котором мы изучено больше 100 компаний, показывает, что лидеры по использованию ИИ все быстрее уходят в отрыв от конкурентов. Они добиваются в несколько раз большей отдачи от этой технологии.

Что отличает победителей? Они смогли решить несколько ключевых проблем. В этих компаниях высшее руководство держит внедрение ИИ-проектов на контроле и лично продвигает их. Еще одно важное условие успеха – постоянное сотрудничество между подразделениями. Здесь очень эффективны общекорпоративные центры компетенций и межфункциональные команды, состоящие из аналитиков, разработчиков, и производственных специалистов. В то же время две трети ведущих организаций по-прежнему активно привлекают внешних партнеров к разработке решений. Наконец, очень важны высококачественные данные. Вот несколько полезных кейсов, которые проанализированы в исследовании:

— Один из крупнейших мировых ритейлеров создал чатбот для сотрудников почти 2 тысяч торговых точек. Вместо того, чтобы читать тысячи страниц документации или звонить во внутренние сервисные центры, работники теперь могут немедленно получить ответы на свои вопросы.

— В глобальной фармацевтической компании генеративный ИИ проверяет соответствие счетов от поставщиков заключенным контрактам. Только в R&D-подразделении годовой объем закупок превышает $4 млрд в год, причем нужно учитывать сложные скидки, разные валюты и схемы индексации. Новый инструмент извлекает позиции из PDF-документов с 95% точностью и анализирует расхождения. Всего за четыре недели новая система нашла более чем $10 млн неэффективных расходов.

— Международный производитель транспортных систем и компонентов хотел автоматизировать процесс технологического контроля на основе ИИ. Первая попытка провалилась: внешний партнер не разобрался в нюансах непрерывного производственного процесса. Но технический директор был уверен в потенциале ИИ и решил перенести разработку внутрь компании. Собственная модель оказалась в десять раз быстрее и в десять раз дешевле. В итоге разработку выделили в дочерний стартап, который оказывает услуги по управлению процессами другим производственным компаниям.

Новое исследование MIT и McKinsey показывает, что инвестиции в искусственный интеллект в операционной деятельности окупаются быстрее, чем когда-либо прежде, Компании-лидеры смогли добиться прогресса в преодолении ключевых барьеров, тормозивших их амбиции в области ИИ и машинного обучения (ML). Недостаток экспертизы и культурные барьеры для внедрения ИИ, которые в прошлом исследовании считались главными проблемами, теперь упоминались менее чем половиной ведущих организаций.

Но на смену им пришли новые сложности. Наибольшим препятствием респонденты назвали трудности в количественной оценке финансовой отдачи от инвестиций в ИИ/ML, на втором месте – ограничения по времени и ресурсам для реализации проектов. Неопределённость с ROI – вечная проблема цифровых инициатив: новые технологии часто внедряются дольше, чем ожидалось; выгоды вроде экономии времени у сотрудников с фиксированной зарплатой не всегда напрямую конвертируются в выручку; а «сияющие» новые технологии могут оказаться плохо подходящими для реальных бизнес-задач.

Несмотря на эти препятствия, некоторые компании из исследования оценили свою отдачу как в пять раз превышающую затраты на цифровые проекты – менее чем через пять лет после внедрения.

Что они делают иначе?

Лидеры всё увереннее смотрят на собственные возможности. В исследовании 89% лидеров заявили, что теперь используют внутренние разработки для создания решений на базе искусственного интеллекта и машинного обучения. Для компаний из нижней половины выборки этот показатель составляет лишь 50%. Аналогично, доля руководителей, называющих недостаток экспертизы барьером для внедрения, снизилась до менее 50% в последнем исследовании против почти 70% в предыдущем.

Тем не менее, даже при наличии сильных внутренних компетенций в области разработки программного обеспечения и науки о данных, более двух третей лидеров продолжают использовать внешние партнёрства для создания решений машинного обучения. Среди компаний из нижней половины выборки этот показатель составляет лишь 50%. Похоже, что лидеры лучше осознают свои внутренние ограничения и видят ценность в привлечении внешней экспертизы и ресурсов.

Кроме того, меняется сама природа партнёрств. Сотрудничество с академическими институтами и стартапами снизилось – с 83% до 50% среди лидеров. При этом они продолжают полагаться на консалтинговые фирмы, поставщиков технологий и отраслевых партнёров. Это указывает на то, что рынок партнёров в сфере искусственного интеллекта становится более зрелым: от «экспериментальных» подходов он движется к массовому применению.

Другой тренд в партнёрствах, выявленный в беседах с лидерами, – это межотраслевое сотрудничество. Лидеры развивают экспертизу в области искусственного интеллекта, сотрудничая с компаниями из других отраслей через конференции, научные журналы и даже в формате личных встреч. Эти связи способствуют распространению знаний за пределами отдельных отраслей. Во многих случаях лидерам удавалось напрямую перенести успешные кейсы машинного обучения из других отраслей в собственные операции.

Ещё один критический фактор успешных партнёрств – это полная передача знаний в конце взаимодействия, особенно если оно включает разработку прототипа или пилотного проекта на базе искусственного интеллекта или машинного обучения. В таких случаях поставщик понимает модель и умеет её обновлять, но заказчик – нет. Чтобы этого избежать, в проектный план необходимо закладывать процесс передачи модели. Обычно он включает выделение внутреннего ресурса или команды, которые знают, как получить доступ к разработанной партнёром модели, как её поддерживать и обучать. Такой подход гарантирует, что ценность решения не исчезнет после ухода внешнего партнёра. В противоположность этому менее успешные компании часто привлекают партнёров из-за нехватки внутренних ресурсов и лидерства в области искусственного интеллекта. После первоначального энтузиазма от пилотов и новых кейсов, к сожалению, некому подхватить инициативу, когда партнёр уходит.

Лидеры адаптируют свои организации, чтобы проекты и инициативы внедрялись последовательно по всей компании. Один из распространённых подходов – это создание центра экспертизы (Center of Excellence, COE), кросс-функциональной структуры, в которой работает критическая масса специалистов по науке о данных. Центр экспертизы гарантирует, что проекты на базе искусственного интеллекта реализуются эффективно и приносят ценность, а также помогает решать вопросы кибербезопасности, ошибок данных и соответствия требованиям. Обычно такие центры устанавливают единые практики и стандарты, а также поддерживают кадровый резерв – как через найм, так и через развитие компетенций. Они могут использовать преимущества более широкого сотрудничества, разнообразия опыта и концентрации талантов в одной команде.

Альтернативный подход – формирование специализированных кросс-функциональных команд внутри бизнес-единиц. Такие команды объединяют специалистов по данным, экспертов в области операций и инженеров. Иногда они размещаются прямо на производственной площадке и получают мандат на проработку наиболее приоритетных тем для конкретного подразделения. При этом уровень стандартизации с другими частями компании остаётся ниже.

В обеих этих моделях компании постоянно стремятся объединить навыки в области науки о данных с операционной экспертизой. Некоторые лидеры включают экспертов из технических операционных подразделений в состав своих центральных команд по искусственному интеллекту. Это помогает наладить взаимопонимание между традиционно разобщёнными бизнес-единицами.

Данные имеют значение: количество, качество и доступность

Подход к управлению данными стал критическим фактором успеха. Разница между лидерами отрасли и остальными заключается не просто в объёмах накопленных данных, а в их грамотном управлении и доступности для стратегического использования.

Хотя многие компании собирают данные, лидеры выделяются тем, что поддерживают их точность, корректное форматирование, необходимую детализацию и обеспечивают доступность по всей организации для принятия решений, повышающих эффективность и стимулирующих инновации.
В производстве данные часто бывают неполными, неточными, плохо структурированными или недостаточно детализированными, что ведёт к упущенным возможностям или ошибочным решениям. Основа эффективного управления – это целостность и точность данных, и лидеры инвестируют в системы и процессы, которые гарантируют, что данные поддерживаются в актуальном состоянии и отражают реальные операции.

В центре внимания – сбор данных: в последнем исследовании 58% лидеров собирают данные более чем с половины своего оборудования, что значительно реже встречается у компаний с более низкими результатами (см. график 5).

Ещё не поздно догнать лидеров

По мере того как разрыв в результативности увеличивается, некоторые компании рискуют отстать в гонке за применение искусственного интеллекта, машинного обучения и данных в операционной деятельности. Однако возможности всё ещё есть: компании могут пересмотреть свои операционные модели и занять лидирующие позиции в этой области.

Хотя сегодняшние лидеры показывают лучшие результаты с точки зрения возврата инвестиций, сроки окупаемости сокращаются для всех. В предыдущем исследовании они составляли 12–18 месяцев для лидеров и 18–24 месяца для нижней половины выборки. В последних данных срок окупаемости сократился до 6–12 месяцев для обеих групп.

Кроме того, широкая доступность готовых решений, аналитических инструментов и поставщиков с узкоспециализированными решениями снижает барьеры для входа. Простые в использовании системы позволяют новичкам в области науки о данных внедрять инструменты машинного обучения. Как отметил один руководитель: «У нас больше нет дата-сайентистов, которые строят модели. Все работают над MLOps – автоматизацией процессов обработки данных и созданием облачных приложений».

Если компании смогут обучить бизнес-руководителей пользоваться такими инструментами, необходимость массового найма специалистов по данным – задача, которая всегда была серьёзным вызовом, – может вскоре исчезнуть.