Совет директоров требует этого. Сотрудники используют это. Кажется, все вокруг только об этом и говорят. Искусственный интеллект пришёл в бизнес всерьёз и надолго — несмотря на все опасения, разговоры о хайпе и риске «пузыря».
Руководители видят в ИИ путь к конкурентному преимуществу. Сотрудники воодушевлены перспективой роста производительности и возможностью избавиться от рутины. Но внедрение новых технологий, перестройка рабочих процессов и принятие решений на основе полученных данных — задача не из лёгких. Руководителям нужно использовать этот шанс, одновременно решая целый комплекс возникающих проблем.
Согласно исследованию Korn Ferry «Workforce 2025», 78% руководителей считают, что в их компаниях есть чёткая долгосрочная стратегия в области ИИ. Однако только 39% сотрудников уверены, что внедрение технологий в их организациях происходит скоординированно и эффективно. Этот разрыв между стратегией и реальной готовностью напрямую влияет на результаты. Недавнее исследование Economist Impact показало: 67% топ-менеджеров ожидают окупаемости ИИ-проектов в течение года, но с этим согласны лишь 45% руководителей среднего звена. Эту пропасть необходимо устранить.
Крайне важно, чтобы руководство открыто транслировало стратегию в области ИИ и планы по её реализации. Это подразумевает диалог со всеми уровнями компании, особенно когда на топ-менеджмент давит совет директоров. В руководстве Snowflake «Data Leaders Guide to Effective AI» бывший директор по данным крупной европейской энергетической компании отметил: «Члены совета директоров любят ИИ. Но это не магический шар. Вы не можете потрясти его и получить ответ. Мы продолжаем обучать наш совет, чтобы они понимали возможности и навыки, необходимые для получения пользы».
Одновременно руководители должны понимать опасения сотрудников и обеспечивать их готовность к работе с ИИ, чтобы сократить разрыв между ожиданиями и реальностью. Наличие корпоративной программы обучения для повышения квалификации и синхронизации ожиданий — обязательное условие для компаний любого размера и отрасли. Это критически важно. Вице-президент по данным крупного американского дистрибьютора продуктов питания отметил: «Когда вы реализуете проект в области ИИ, вы ставите на кон свою карьеру. Именно там строятся карьеры». В глобальном исследовании Snowflake «The Radical ROI of Gen AI» 59% респондентов признались, что боятся потерять работу из-за продвижения неудачных сценариев применения ИИ. Ключ к «правильному» использованию — в соответствии инициативы бизнес-целям и её реализуемости с точки зрения ресурсов и навыков.
Установка реалистичных ожиданий и достижение согласованности — это не просто желательное условие, а вопрос безопасности рабочих мест или, как минимум, душевного спокойствия.
Разрыв между технологическими и бизнес-подразделениями — явление не новое. Если официальные каналы могут придерживаться взвешенного подхода, то сотрудники часто внедряют технологии «в обход» правил. Это снова произошло с ИИ. Исследование «The Radical ROI of Gen AI» показало, что IT-команды не имеют полного представления об использовании генеративного ИИ в их организациях. Например, 69% маркетологов сообщили об использовании генеративного ИИ для исследования аудитории или создания контента, но лишь 42% IT-специалистов знали об этом применении в маркетинге. Такая ситуация наблюдалась во всех функциях. 73% HR-специалистов заявили, что используют генеративный ИИ, однако об этом знали только 44% IT-команды. В производстве и логистике — 70% против 47%. Такие большие различия указывают на высокий уровень «теневого» ИИ.
Лучший способ устранить эти разрывы — наладить сотрудничество между отделами. А лучший способ сделать это — повысить прозрачность во всей организации. Например, внедрение реестра моделей ИИ и каталога данных позволяет всем видеть, что происходит: какие сценарии реализованы, какие модели созданы и какие данные доступны для использования. Такая прозрачность рождает новые идеи: «О, у них есть отличный инструмент. Что, если я применю его к своим данным?» или «Что, если мы объединим данные для повышения точности?». Например, в производстве модель прогнозирования дефектов может использовать данные от разных производственных команд. Команды по работе с данными и их каталоги помогают устанавливать такие связи, сокращая «теневой» ИИ, ускоряя проекты и способствуя повторному использованию решений.
Рассмотрим пример крупной американской сети продуктовых магазинов из руководства Snowflake «CDO's Guide: Measuring AI's Business Value». Была разработана модель для сборки онлайн-заказов: алгоритм прокладывает сотруднику оптимальный маршрут по залу, чтобы сократить количество шагов. Это часто снижает пройденное расстояние на 10% и ускоряет получение заказа клиентом. После подтверждения эффективности модель внедрили в других магазинах и бизнес-направлениях, например, для маршрутизации грузовиков от склада. Если разработка первой версии заняла от шести до девяти месяцев, то версия для логистики была запущена за пару месяцев и сократила пробег на 8,3%. Теперь у компании есть модель, приносящая пользу разным подразделениям. Сотрудничество и переиспользование дают дополнительную ценность.
Оптимизм относительно ценности ИИ высок: 92% компаний сообщили о положительном ROI для проектов с генеративным ИИ в отчёте Snowflake за 2025 год. Однако у трети респондентов не было фактических данных о результатах. Обратите внимание на этот разрыв: измерение ценности критически важно! Оценка результатов помогает точнее распределять ресурсы и соотносить их со стратегическими целями.
Руководители видят множество потенциальных сценариев использования, но их беспокоят ограниченные ресурсы. 71% ранних пользователей признались, что у них идей больше, чем возможностей для реализации. Для 54% респондентов выбор правильных сценариев на основе объективных показателей (стоимость, влияние на бизнес, реализуемость) стал сложной задачей. Конкурентное давление повышает ставки: 71% опасались, что неверный выбор негативно скажется на позициях компании на рынке, а 59% (как упоминалось ранее) боялись потерять работу.
Хотя Питер Друкер говорил: «Вы не можете управлять тем, что не можете измерить», более точное изречение принадлежит лорду Кельвину: «Если вы не можете измерить это, вы не можете улучшить это». Поскольку мы изучаем сценарии использования и модели ИИ, постоянное улучшение — залог успеха. Измерение обязательно. И это командная работа.
Как отметила Каутар Сгиуэр, директор по данным, аналитике и ИИ компании Sanofi, в руководстве Snowflake «CDO's Guide: Measuring AI's Business Value»: «Бизнес — это не „клиент“. Бизнес-лидеры и лидеры по данным — это коллеги». При измерении ценности ИИ первым шагом становится определение «команды по измерению» — от владельцев бизнес-процессов до тех, кто несёт расходы. Затем нужно согласовать метрики влияния (конверсии, заказы, дефекты). Определите текущие значения, чтобы понять базовый уровень и спрогнозировать эффект. И обязательно отслеживайте, измеряйте и сообщайте о результатах. Регулярное общение с топ-менеджментом устанавливает ожидания и обосновывает инвестиции; общение внутри компании стимулирует новые инициативы и создаёт поддержку на местах, вызывая здоровый «синдром упущенной выгоды» (FOMO).
Этот FOMO стимулирует желание повышать квалификацию и уровень понимания технологий в организации. Хотя влияние на бизнес имеет значение, стоимость остаётся критическим фактором. Лидеры в области данных сообщают о перерасходе на персонал, так как пытаются привлечь дефицитных специалистов для проектов генеративного ИИ.
- Forbes.com
Поделиться
