К искусственному интеллекту много вопросов

О стратегическом применении искусственного интеллекта в бизнесе консультанты загово­рили более 10 лет назад, однако вопрос о том, как выстроить прибыльную бизнес-модель с опорой на ИИ, до сих пор остается нерешенным. Многие компании, сделавшие на него ставку в 2010‑х годах, разработали мощные и дорогостоящие ИИ-продукты, но так и не смогли заинте­ресовать ими рынок. Известный пример: Watson, одна из ведущих в мире лабора­торий Computer Science, принадлежащая компании IBM, в 2011 году решила исполь­зовать ИИ в сфере общего образования. Амбициозная цель Watson состояла в том, чтобы дать каждому школьнику персональ­ного ИИ-репетитора. За пять лет на разра­ботку было потрачено $100 млн, партнером IBM стала «Улица Сезам», однако в реальном мире программа не прижилась: школьники упорно не хотели пользоваться ее уроками. В 2017 году проект закрыли, списав убытки.

Приход больших лингвистических моде­лей и генеративного ИИ (ГенИИ) вновь во­одушевил игроков отрасли EdTech. Салман Хан, основатель «Академии Хана» — самой массовой платформы онлайн-курсов, — заявил, что искусственный интеллект может принести, «вероятно, самую боль­шую позитивную трансформацию, которую когда‑либо видело образование». Хан хочет дать «каждому ученику на планете личного наставника — искусственно умного, но по­трясающего».

В направлении персонализации дви­жется и компания Duolingo. В ее мобиль­ном приложении собраны курсы по де­сяткам иностранных языков. У Duolingo миллионы пользователей, и она уже несколько лет применяет ИИ-инструменты для проверки тестов. В 2024 году для плат­ных подписчиков ввели новую функцию: теперь на иностранном языке можно вести видеодиалог с аватарами любимых персо­нажей Duolingo.

Мощное наступление генеративного ИИ в 2022 году привело многих к мысли о том, что его инструменты способны изменить жизнь людей и трансформировать бизнес. К 2024 году сервисы, применяющие ИИ, пере­стали быть новостью, но их массовость пока не вызвала качественного скачка, утверждают скептики. «ИИ не создал интересных новых профессий. Не подорвал никакую отрасль», — пишет Bloomberg. Создатели самых популяр­ных ИИ-систем сообщают о том, что эконо­мическая отдача от новых версий снижается, а стоимость серьезных усовершенствований возрастает. Из-за этого даже очень мощные стартапы выходят из гонки. Пример — ком­пания Aleph Alpha, считавшаяся серьезным европейским конкурентом OpenAI и привлек­шая в 2023 году $500 млн финансирования. Bloomberg приводит слова Йонаса Андрулиса, гендиректора Aleph Alpha: «Мир изменился, и быть европейским GPT уже не срабатывает как бизнес-модель». Тем временем компании бигтеха — Meta (признана в России экстре­мистской и запрещена), Alphabet и Microsoft, а также небольшое число стартапов, таких как OpenAI, Anthropic и xAI, основанная Илоном Маском, — совершенствуют свои ИИ-системы, вкладывая в них миллиарды. С ними трудно тягаться. Но и сами эти лидеры испытывают трудности: найти данные, пригодные для соз­дания более совершенных систем, становится все труднее.

По мнению авторов Bloomberg, нынешняя гонка моделей ИИ напоминает ту, которая 10 лет назад происходила между приложени­ями для вызова такси. Тогда многим старта­пам удалось привлечь серьезные инвестиции, но в итоге рынок оказался поделен между квазимонополистами, такими как Uber и Lyft.

Стратегическое vs Тактическое

Сейчас очень многие компании рапортуют о том, что применяют ИИ в своих бизнес-процессах — ценообразовании, маркетинге, оценке рисков, пользовательской поддержке и HR. Некоторые инструменты вроде везде­сущих чат-ботов стали обыденными, постро­ енные с помощью ИИ рекомендательные системы преследуют нас в сети, а в некоторых социальных сетях сгенерированные ИИ ви­деоролики постепенно вытесняют «человече­ский» контент. Однако говорить о стратегиче­ском использовании искусственного разума, трансформирующем бизнес, пока рано.

Согласно разным отчетам, ГенИИ по­зволяет выполнять задания быстрее, тем самым увеличивая эффективность. Однако исследования того, как ГенИИ лучше справ­ляется с заданиями — в одиночку или в паре с человеком, — пока немногочисленны и, как правило, выполнены в лабораторных, а не в реальных условиях. Опубликованная в Nature статья, обобщившая тысячи матери­алов, говорит о том, что качество решений, достигнутых «ИИ-соло» либо «человек-соло», чаще всего оказывается выше, чем у ком­бинации «человек — ИИ». Исследователи пишут о трудностях сочетания человеческого и искусственного разума. Эффект синергии в паре «человек — машина» достигается далеко не всегда.

Исследователи из McKinsey попытались разобраться, насколько глубоко и стратеги­чески применяют ГенИИ разные функции компаний — финансовая, ИТ, кадровая и юридическая. Опрос 276 функциональных директоров в III квартале 2024 года пока­зал, что в целом его использование за год выросло существенно: 22% против 4% годом ранее. Выявились и существенные различия в темпах освоения. Самый высокий процент принятия (36%) — у ИТ-функции. В функциях поддержки клиентов, кадровой и юридиче­ской использует ГенИИ каждый четвертый респондент. А вот среди финансовых руково­дителей его развернули всего 6%.

В среднем по всем функциям большин­ство их руководителей считают, что потре­буется еще 3–5 лет, прежде чем ценность от внедрения ГенИИ в их функциях стала значительной. Среди проблем развертыва­ния чаще всего упоминались ошибки выдачи и риски безопасности. Далее следовали сложности выбора точек применения (use cases) и самого процесса развертывания.
Исследователи решили более детально разобраться в том, какие виды заданий вы­полняет ГенИИ. Выяснилось, что, во‑первых, ему поручают лишь часть рутинных опера­ций, выполняемых человеком: никто пока не передал ИИ роль какого‑либо сотрудника целиком. ГенИИ работает как помощник, в чем‑то экономит время, но эта экономия слишком мала, чтобы положительно отраз­иться в экономике фирмы. А о более суще­ственных задачах для ИИ компании пока только задумываются, планируя заняться этим в 2025 году или позже. Скажем, фи­нансовые директора хотели бы попробовать поручить ГенИИ прогноз выручки или опти­мизацию капитала — такое решение сулит реальный выигрыш.

Вывод исследователей: чтобы получить от внедрения ГенИИ финансовую отдачу, компа­ниям надо ставить цели улучшения результа­тов бизнеса, а не только экономии времени.

ИИ в конкурентной борьбе

ИИ в роли помощника полезен, но если вы сумели его где‑то применить, то, скорее всего, это смогут сделать и ваши конку­ренты, как это чаще всего бывает с новыми технологиями. Это довольно очевидно в случае стандартной «покупной» модели ИИ общего назначения, такой как ChatGPT. Но даже если разработка была дообучена на уникальных данных вашей компании и у вас 1 млрд уникальных точек доступа, то модель вашего конкурента, обученная на 50 млн точек доступа, может сработать не хуже, пишут Мартин Ривз и Джей Барни в статье AI won’t give you a new sustainable advantage, опубликованной в HBR. «Поскольку гене­ративный ИИ использует обновляемые данные, ваши конкуренты выигрывают не только от собственных усилий по овла­дению этой технологией, но и от ваших действий», — предупреждают авторы. Все то новое, что внесет в деятельность вашей фирмы ГенИИ, может создать ценность, но вы вряд ли извлечете из этого рыночную выгоду, утверждают они.

При каких условиях ИИ может стать тем оружием конкурентной борьбы, которое позволит компании вырваться вперед?

Это возможно, отвечают Ривз и Барни, только в том случае, если ваши достижения и способности в какой‑либо сфере уже пре­восходят то, чем обладают соперники. Успех Amazon, например, определяется целым комплексом выдающихся способностей и ре­сурсов: опыт взаимодействия с миллионами поставщиков, ПО для связи поставщиков с покупателями, целая батарея информаци­онных систем, которые работают согласо­ванно, изощренная складская и доставочная логистика, механизмы управления возвра­тами — и все это в контексте культуры, кото­рая поощряет инициативу и эффективность.

Во многие модули работы Amazon инкор­порировала ИИ, тем самым дополнив свои и без того выдающиеся навыки. Интернет-ресурс Evidently AI ведет мониторинг ИИ- и ML-разработок, которые крупные компа­нии проводят для собственных нужд. В базе данных этого ресурса собраны сведения о 500 кейсах использования ИИ, описанных в прессе или на сайтах самих компаний.

Например, Amazon, объединив компью­терное зрение с LLM, научилась автома­тически выявлять дефекты продуктов на складах и описывать эти дефекты простыми словами, тем самым упростив дальнейшие действия по удалению брака и общению с поставщиками. Другое применение LLM — выстраивание знаний о мире на основе поведения пользователей. Скажем, если покупательница Amazon ввела запрос «обувь для беременных» и после этого купила ботинки на резиновой подошве, модель выдвигает гипотезу о том, что беременным нужны нескользящие ботинки. Подтвердив новое знание на массиве, модель вписывает его в граф знаний и обогащает им свою систему рекомендаций. Кроме того, Amazon использует ML для выявления подозритель­ных транзакций и предотвращения мошен­ничества и в системе навигации для достав­щиков: система помогает найти нужный вход в дом в ситуации, когда GPS и геогра­фический адрес покупателя расходятся или показывают множественные локации.

Напомним, что все эти инструменты — собственные разработки Amazon. Каждая из них индивидуальна, но, проанализиро­вав базу Evidently AI, можно увидеть, что и другие игроки отрасли электронной ком­мерции ставят перед ИИ задачи — иногда уникальные, а иногда общие для многих биз­несов, как, например, улучшение системы рекомендаций. Все эти компании — среди лидеров рынка, их компетенции в ключе­вых аспектах были чрезвычайно высокими и до применения ИИ, и они хорошо знали, что можно улучшить. Они выполняют мно­жество разработок в сфере ML и ИИ, чтобы повысить эффективность и еще больше увеличить отрыв от конкурентов (см. врез на предыдущей странице).

«Если же у вас нет исключительных компетенций и ресурсов, то единственный способ получить преимущество с помощью искусственного интеллекта — это постро­ить на нем свою бизнес-модель», — пишут Ривз и Барни. Но это непомерная задача: порожденные ИИ «идеи» надо будет ин­тегрировать в каждый бизнес-процесс организации, и даже сами данные, кото­рые вы будете использовать для обучения искусственного интеллекта, должны будут включать подсказки от ИИ. Такой тотальный ИИ «позволит вашему бизнесу автомати­чески адаптироваться к меняющейся среде и создаст гибкость, которую конкурентам будет сложно воспроизвести. Но пока ни одной компании не удалось этого сделать, и потому не ясно, является ли технология достаточно зрелой, чтобы оправдать инве­стиции и риск», заключают авторы статьи.

Бизнес-модели технологических компаний

Классическая работа Рафаэля Амита и Кристофа Зотта постулирует, что преимущества над конкурен­тами достигают те бизнес-модели, в которых присутствует хотя бы один из важнейших элементов: новизна, эффективность, комплементарность предложений и удержание клиентов и партнеров. Порой новизна дости­гает силы подрывной инновации: примером служит компания eBay, которая со своей уникальной моделью интернет-аукционов резко изменила торговлю подержанными вещами. Фактор эффективности активируется, например, когда торговля, традици­онно замкнутая внутри помещений магазинов, перемещается в интернет. Начав онлайн‑торговлю книгами, Amazon сразу опередила по эффек­тивности традиционные книжные магазины. Фактор комплементарности реализуется, например, через пред­ложение дополнительных товаров или услуг огромной клиентской базе Amazon. Удержание клиентов достигается через сетевые эффекты, разного рода программы лояльности и касто­мизацию предложений, а поставщиков или других акторов можно закрепить в своем контуре через эксклюзивные контракты или ловушки невозвратных затрат.

Свежее международное эмпирическое исследова­ние свидетельствует о том, что цен­ность каждого из четырех аспектов бизнес-модели зависит от степени распространения основной техно­логии компании. Авторы сравнивали две выборки фирм: в первую попали первопроходцы интернет-бизнеса, которые провели IPO до 1999 года, а во вторую — те, которые опериро­вали онлайн уже в условиях развитого интернета. В каждой из групп были свои чемпионы. Выяснилось, что, когда интернет был еще фронтир­ной технологией (вторая половина 1990‑х), выдающихся финансовых результатов фирме удавалось достичь, лишь если ее бизнес-модель изна­чально обеспечивала очень высокую степень новизны. Эффективность, комплементаторы и удержание могли присутствовать в разных комбинаци­ях, но новизна была определяющим элементом. Напротив, в сложившейся технологической среде (2010–2015 годы) новизна бизнес-модели уже не является ни необходимым, ни доста­точным элементом.

Объяснить эти результаты можно следующим образом: новаторство помогает совершить первый прорыв, но при появлении конкурентов фирме необходимо задействовать меха­низмы, препятствующие уходу к ним клиентов и поставщиков, а также рас­ширить предложение за счет разного рода комплементаторов. Когда же другие игроки вновь станут догонять, ей надо будет снова менять бизнес-модель: задействовать факторы новизны и эффективности или искать дополнительные способы удержания ключевых акторов. Таким образом, чтобы процветать, фирма должна циклически реактивировать разные аспекты своей бизнес-модели.

Искусственный интеллект меняет бизнес-модель, если он активирует какой‑либо из че­тырех ее аспектов: новизна, эффективность, комплементарность предложений и удер­жание клиентов и партнеров. Если понимать бизнес-модель широко, то есть включать в нее по­требителей, поставщиков и других акторов, то ИИ способен сыграть уникальную роль: реализуя сетевые эффекты передачи данных между участниками, он служит препятствием ухода клиентов, поставщиков и других участ­ников к конкурентам. Сетевые эффекты мо­гут усилить новизну, создавая существенную экономическую ценность. Примером может служить Uber, который, накопив огромную базу знаний о трафике в каждой локации в определенное время каждого дня, исполь­зует ИИ, чтобы направлять водителей туда, где предполагается наиболее густой поток пассажиров. Благодаря сетевым эффектам ИИ создает уникальную базу знаний, и она становится барьером для новичков, у кото­рых таких данных нет.

ИИ в партнерствах

Преимущества ИИ реализуются наиболее ярко и стратегически в партнерствах и эко­системах. Более того, ИИ нередко служит магнитом, вокруг которого формируется стратегическое сотрудничество. Об этом в своей статье пишут Томас Дейвенпорт и Маргерита Пагани: «Партнерские отношения, задействующие искусственный интеллект, развивают беспрецедентный уровень обмена данными и потенциал новых бизнес-моделей, которые выходят за границы отрасли». Вот один из примеров авторов статьи.

Через свое венчурное подразделение китайская страховая компания Ping An проинвестировала несколько стартапов, занимающихся HealthTech. Благодаря этому в компании поняли, что в Китае есть воз­можности обмена медицинскими данными, и в 2014 году создали «облако здоровья» — управляемую ИИ экосистему для предостав­ления медицинских услуг. Затем появилось приложение «Добрый доктор», которое позволяет получить онлайн-консультации или направление в больницу. Приложение хранит медицинские данные и помогает за­ботиться о здоровье. Оно использует анали­тический ИИ для медицинской диагностики и даже рекомендует методы лечения. Сейчас в экосистеме 450 млн зарегистрированных пользователей, которые получили доступ более чем к 50 тыс. врачей, более чем к 3 тыс. больниц, более чем к 200 тыс. аптек и более чем к 100 тыс. поставщиков медицинских услуг. Эта экосистема данных изменила всю отрасль оказания медицинских услуг в Китае и Юго-Восточной Азии.

С 2017 года авиапроизводитель Airbus собирает данные с самолетов на своей плат­форме Skywise. Непрерывный мониторинг «показателей здоровья» основан на данных множества сенсоров, установленных на 11,4 тыс. самолетов, эксплуатируемых всеми ведущими авиакомпаниями. Использование инструментов предиктивной аналитики по­зволило существенно снизить время простоя самолетов, оптимизировать ремонт и техоб­служивание, делать общие выводы о со­стоянии воздушного парка авиакомпании. На основе обширных данных о действиях экипажей строятся программы подготовки и переподготовки пилотов и авиацион­ных техников. Решение использует модули языкового анализа, которые выявляют повторяющиеся сбои и находят соответству­ющие разделы в технической документации. Основываясь на базе знаний, собранной по конкретному самолету и по всему сообще­ству Skywise, ИИ определяет наиболее веро­ятную причину неисправности, значительно сокращая время определения проблемы и метода ее исправления.

Еще в 2019 году IBM и Thomson Reuters Regulatory Intelligence создали в облаке IBM решение, которое предоставляет банкам-абонентам данные из тысяч источников в режиме реального времени. Эта эксперт­ная система соединила ИИ и знания пред­метной области. Банковские специалисты по управлению рисками и комплаенсу используют ее, чтобы оперативно или даже заблаговременно реагировать на появление новых нормативов. К системе IBM подклю­чено 97% крупнейших банков мира, тем самым они снижают свои регуляторные и прочие риски в глобальной нормативно-правовой среде. «Объединяя контент, акку­мулирующий нормативные требования по всему миру, с искусственным интеллектом и расширенной аналитикой, IBM OpenPages с Watson предоставляют доступ к предсто­ящим изменениям нормативов, что позво­ляет банкам действовать точно и уверенно, а также заранее прогнозировать, как эти изменения скажутся на их бизнесе», — ска­зал Алистер Ренни, генеральный директор подразделения Watson Financial Services, IBM, представляя новый продукт.

ИИ в бизнес-процессах

Если ИИ не удается применить стратегиче­ски, то можно ли хотя бы определить, какие бизнес-процессы в наибольшей степени вы­играют от его участия? О том, как подойти к выбору вариантов использования и как добиться улучшений, рассказывают авторы из Accenture Research Джеймс Уилсон и Пол Доуэрти в статье, опубликованной в первом номере журнала HBR за 2025 год.

Первое условие: сами эти процессы должны быть четко определены, прозрачны и управляемы. Необходимы общие стандарты и свободный обмен данными в организа­ции. Второе условие — люди должны хотеть и уметь пользоваться инструментами ИИ.

Авторы предлагают по-новому исполь­зовать старые инструменты постепенных улучшений — кайдзен, Lean и Six Sigma, которые до сих пор не имели поддержива­ющей технологии. Сейчас, когда все больше операций становятся цифровыми, кайдзен, дополненный ГенИИ и другими передовыми технологиями, может снова пригодиться компаниям. Интерфейсы на естественном языке, доступные для нетехнических сотруд­ников, позволяют уточнять процессы прямо на рабочем месте.

Сотрудники — самый ценный источник данных для ИИ. Вместо массивов числовых данных система получает от них продуман­ные предложения по улучшению рабочих процессов, основанные на знаниях. Эти предложения повышают производитель­ность и качество, сокращают отходы и рас­шивают узкие места в таких компаниях, как Mercedes-Benz, где данные стали общим достоянием и обращение к ним реализовано на естественном языке.

Уже сейчас происходит конвергенция ГенИИ и цифровых двойников, что сделает непрерывное совершенствование процес­сов еще более доступным, пишут авторы. Цифровые двойники используются для моделирования сложных систем, таких как реактивные двигатели, ветряные турбины, заводы и даже сердце человека, моделируя их функционирование с точностью, помога­ющей пользователям удаленно отыскивать решения любых проблем, часто еще до их возникновения.

Цифровые двойники больниц исполь­зуются для принятия текущих решений об укомплектовании персоналом и планиро­вании операций. Двойник может пройти стресс-тестирование на случай катастроф, таких как землетрясение с массовыми жерт­вами. ГенИИ дополнительно расширяет воз­можности цифровых двойников. Интерфейс на естественном языке позволит персоналу больниц мгновенно реагировать на новые потребности, давая сигналы цифровому двойнику.

Другая зарождающаяся технология для внедрения ИИ в комплексные процессы — это автономные агенты: они способны взять на себя выполнение сложного комплекса разнородных действий с нечеткой последо­вательностью. Прежде такие комплексные задачи удавалось автоматизировать только по отдельности — передача от одного агента к другому требовала участия человека. Чтобы преодолеть эти ограничения, исследователи из Стэнфорда использовали мультимо­дальную базовую модель, которая училась у людей, просматривая видеодемонстрации и читая документы, что значительно сокра­тило затраты на ее настройку. Модель, вклю­чающая в себя множество агентов, иденти­фицировала шаги каждого рабочего процесса с точностью 93%. Она использовала свои способности к рассуждению и визуальному восприятию для формулирования планов действий, контролировала себя и исправляла ошибки, а также успешно определяла завер­шение рабочего процесса с точностью 90%. Предполагается, что модель сможет авто­матизировать совершенно новые категории рабочих процессов, например те, которые содержат трудно описываемые шаги, требуют принятия сложных решений или являются наукоемкими.

В компаниях разных отраслей сейчас вне­дряют ИИ-помощников, или агентов, разной степени автономности: Walmart исполь­зует их, чтобы разобраться с инвентарем, Marriott оптимизирует бронирование, Nestle совершенствует цепочки поставок, а Toyota разрабатывает роботов-агентов, которые могли бы выполнять функции по уходу за пожилыми людьми.

Технологические компании — Microsoft, Google, Amazon, OpenAI и др. — уже предла­гают готовые инструменты для конструиро­вания автономных агентов, часто с откры­тым кодом. GenWorlds создала платформу, на которой ИИ-агенты могут взаимодей­ствовать друг с другом, чтобы выполнять комплексные задания. При этом участие человека в дизайне, обучении и уточнении действий искусственного разума остается критически важным. «В наступающий век автономных агентов это будет одним из ключей к новому расцвету кайдзен», — за­ключают авторы.