Обзор Сегодня искусственный интеллект (ИИ) используют все компании. От заседаний совета директоров до маркетинговых кампаний, компании с гордостью демонстрируют новые пилотные проекты генеративного ИИ и интеграции чат-ботов. Корпоративные инвестиции в GenAI растут и достигают примерно 30-40 миллиардов долларов, однако исследования показывают, что 95 процентов организаций сообщают о нулевой измеримой отдаче от этих усилий.
Фактически, по данным широко распространенного отчета Массачусетского технологического института (MIT), опубликованного летом, лишь около 5 процентов пользовательских инициатив в области ИИ когда-либо переходят от пилотной стадии к широкому внедрению. Это парадокс нынешнего бума ИИ. Внедрение высокое, ажиотаж еще выше, но ощутимое влияние на бизнес остается неуловимым. ИИ есть везде, кроме итоговой прибыли.
Почему возникает такой разрыв? Дело не в том, что технология ИИ внезапно достигла своего предела. Модели стали мощнее, чем когда-либо. Проблема в том, как компании используют ИИ, а не в том, что ИИ может или не может делать. Организации относились к ИИ как к очередному развертыванию программного обеспечения, ожидая решения “подключи и работай”. Но ИИ ведет себя не столько как программное обеспечение, сколько как новая форма труда, требующая обучения, контекста и интеграции в рабочий процесс.
Разрыв в GenAI существует между компаниями, которые устанавливают инструменты ИИ, и теми, которые создают возможности для их использования. Многие предприятия находятся не на той стороне этого разрыва, будучи убеждены, что покупка инструмента ИИ равносильна наличию решения на основе ИИ.
В то же время сотрудники часто получают больше пользы от теневого ИИ, чем от официально санкционированных проектов ИИ. Предприятия развертывают множество ИИ, но лишь немногие поняли, как извлечь из него реальную пользу.
Почему компании терпят неудачу
Простое прикручивание ИИ к старым процессам не работает. Однако именно это и делает большинство компаний. Они рассматривают ИИ как плагин к существующим рабочим процессам, которые никогда не были предназначены для инструментов прогнозирования или адаптации. В результате пилотных проектов много, но они умирают, не успев развиться. Фактически, компании в среднем проводят десятки экспериментов с ИИ, но лишь немногие из них проходят стадию проверки концепции.
Исследования MIT показывают, что подавляющее большинство пилотных проектов выполнялись изолированно, без переосмысления того, как должна измениться сама работа.
Агент ИИ может генерировать точные результаты в демонстрации, но в реальном мире он ломается в тот момент, когда сталкивается с пограничным случаем или устаревшей процедурой. Предприятиям необходимо отметить, что, если они не перепроектируют рабочий процесс вокруг ИИ – например, чтобы отлавливать его ошибки, использовать его прогнозы и дополнять его сильные стороны – ИИ останется научным экспериментом, а не производственным инструментом.
Другая проблема связана с данными и контекстом модели ИИ. Когда пилотные проекты ИИ терпят неудачу, руководители винят технологию. Но исследования выявили более глубокую проблему: инструменты ИИ не обучались. Они не могли сохранять контекст или улучшаться со временем. Проще говоря, ИИ был умным, но страдал амнезией после каждого взаимодействия. Это иллюзия, в которую впадают многие фирмы. Они думают, что у них есть умная система, но на самом деле у них есть алгоритм без сохранения состояния, который никогда не улучшается.
Компании продолжают сосредотачиваться на улучшении моделей или увеличении объема данных для обучения, но им нужен ИИ, который накапливает контекст, как сотрудник. Он мог бы изучать терминологию компании, запоминать прошлые решения и улучшаться с каждой задачей. Без этого даже самая современная модель разочарует на практике.
Выдающиеся успехи были достигнуты благодаря другому подходу. Они привлекли людей, которые понимали процессы, а не только модели, нанимая или заключая контракты с проектировщиками процессов, архитекторами рабочих процессов и экспертами в предметной области, которые могли бы преобразовать возможности ИИ в повседневные операции.
Исследование MIT показало, что компании, пытающиеся построить все своими силами, имели гораздо более низкие показатели успеха. Внутренние проекты ИИ были успешными лишь примерно в трети случаев, тогда как сотрудничество с внешними партнерами, которые часто предлагают решения для конкретных областей, удваивало шансы на успех.
Еще одной поразительной закономерностью многих успешных развертываний был восходящий подход. Они часто начинались с того, что сотрудники на передовой возились с ИИ для решения реальных проблем. Когда эти эксперименты показывали перспективность, руководство поддерживало их и масштабировало. Это означало, что ИИ решал ощутимую потребность, а не навязанное сверху решение в поисках проблемы.
Суть в том, что эти 5 процентов фокусируются на возможностях, а не только на технологиях. Они приводят проекты в соответствие с реальными бизнес-целями, сотрудничают для получения опыта в предметной области и постоянно адаптируются.
Где ИИ действительно работает
Еще один противоречивый вывод здесь заключается в том, что реальная рентабельность инвестиций в ИИ исходит не от блестящих, ориентированных на клиента проектов, о которых все говорят. Она находится в бэк-офисе, в “скучных” вещах, которые компании часто упускают из виду.
Существует огромная инвестиционная предвзятость, которая поражает многие предприятия, при этом значительные бюджеты ИИ выделяются на маркетинг и продажи, поскольку эти инициативы заметны и вызывают восторг у руководителей. Однако, по иронии судьбы, наибольшая отдача достигается в таких областях, как операции, финансы и цепочка поставок.
Фактически, некоторая наиболее значительная экономия затрат достигается за счет автоматизации рабочих процессов бэк-офиса, таких как обработка счетов, мониторинг соответствия требованиям и создание отчетов. Одной из причин является легкая добыча, поскольку многие процессы бэк-офиса включают рутинную ручную работу или передаются на аутсорсинг фирмам BPO, поэтому ИИ, который может выполнять эти задачи, дает немедленную экономию.
Так почему же компании продолжают вкладывать деньги в ИИ для продаж, маркетинга и чат-ботов для клиентов? Это случай, когда видимость преобладает над ценностью. Проекты фронт-офиса имеют легко наблюдаемые показатели, которые делают отличные заголовки и радуют членов правления. С другой стороны, улучшения в бэк-офисе часто остаются незамеченными за пределами кругов CFO.
В конце концов, история ИИ в 2025 году является отражением каждого крупного технологического переворота, который мы видели. Сама по себе технология ничего не меняет, если организации тоже не меняются. Главная ирония заключается в том, что у нас под рукой мощные модели ИИ, но большинство предприятий застряли в чистилище пилотных проектов, ломая голову над отсутствием рентабельности инвестиций.
Очевидно, что это не технический провал. Это провал управления. Разрыв между победителями и отстающими в области ИИ определяется не качеством модели или регулированием, а подходом. ИИ не преобразит бизнес, пока предприятие не захочет преобразовать себя. В этом суть парадокса и вызов, на который должны ответить дальновидные лидеры. ®
(*) Имейте ввиду: редакции некоторых изданий могут придерживаться предвзятых взглядов в освящении новостей.
8/9
Автор – Abhishek Jadhav
