В последнее время возрос интерес к возможности создания Искусственного Генеративного Интеллекта (Искусственный ГИ), способного значительно повысить производительность работников.
Однако среди вызовов, с которыми компании сталкиваются при внедрении Искусственного ГИ, особенно сложна задача получения возврата инвестиций (ВИ).
Компании рассматривают внедрение Искусственного ГИ для предоставления новых ценностных предложений своим клиентам, а также для достижения экономии и обеспечения сильного ВИ.
Недавно опубликованный PwC 2024 Исследовательский барометр по рабочим местам ИИ выявляет, что в трех секторах с более высоким уровнем экспозиции к ИИ – финансовые услуги, ИТ и профессиональные услуги – темпы роста производительности почти в шесть раз выше, чем в секторах с низким уровнем экспозиции к ИИ.
Однако следует подходить к этим результатам осторожно и сдержанно оптимистично. Как правильно отмечено в отчете, “нельзя доказать причинно-следственные связи, обнаруженный образец является интригующим”, напоминая о том, что корреляция не означает причину.
Эта необходимая осторожность дополнительно поддерживается результатами недавнего опроса Gartner, в котором почти 50% участников отметили, что основным препятствием к внедрению и принятию Искусственного ГИ является сложность оценки и демонстрации его ценности.
Принимая во внимание эти соображения в бизнес-контексте оценки ВИ от Искусственного ГИ, следует тщательно рассмотреть три ключевые рекомендации.
1. Эффективность предшествует Эффективности
Обещания, связанные с внедрением Искусственного ГИ, обычно пропагандируют прирост производительности в текущих дискуссиях. В бизнес-контексте это может быть двусмысленным: во-первых, это затмевает важность как эффективности, так и приращения эффективности. Во-вторых, это подчеркивает нечто необходимое, но недостаточное с бизнес-точки зрения.
Производительность – это отношение, сравнивающее объем произведенного продукта с используемыми для их производства ресурсами. Производительность ориентирована на количество произведенного продукта.
Эффективность измеряет степень достижения целей и насколько хорошо задача или ряд задач достигают поставленных целей. Она связана с желаемым качеством результата, независимо от используемых ресурсов.
Эффективность относится к тому, насколько хорошо что-то сделано, фокусируясь на минимальном использовании ресурсов (включая время, деньги и материалы) для достижения желаемого результата. Она связана с качеством желаемого результата при оптимизации процесса его производства.
Следовательно, если качество имеет значение для вашего бизнеса, ожидаемый прирост(ы) от Искусственного ГИ должен оцениваться из более широкой перспективы эффективности и эффективности, а не только производительности.
Следуя принципу начинать с простого, целесообразно целиться в прирост эффективности перед приростом эффективности. Это означает, что организация должна оценить, достижим ли ожидаемый прирост эффективности одним шагом, или необходимо сначала построить путь к эффективности.
В результате, приоритизация применения кейсов использования Искусственного ГИ должна включать целостное видение, ценящее изменения не в изоляции от одного департамента к другому, а из перспективы процесса с начала до конца. Это должно способствовать стратегической интеграции, которая использует Искусственный ГИ для существенных и устойчивых организационных улучшений от эффективности к эффективности.
2. Сбережение времени не означает меньше людей
Предполагая, что вы занимаетесь, или будете заниматься, значительными приростами эффективности за счет сэкономленного времени в рамках конкретного кейса использования Искусственного ГИ, одним из ключевых аспектов дискуссии является определение, насколько эти выгоды влияют на EBIT.
Однако представление о том, что сбереженное времени, порожденное Искусственным ГИ, автоматически переводится в конкретные экономические сбережения, например в сокращение штата, слишком упрощено и часто не соответствует действительности.
Задача, для выполнения которой Искусственный ГИ ускоряет процесс, соответствует лишь части времени отдельного лица, и сумма сэкономленных временных долей по команде, департаменту, организации, а иногда даже по всей компании, не всегда эквивалентна общему рабочему времени сотрудников, которые занимаются только этим типом задач на протяжении всего дня. Люди редко полностью посвящены задаче, для которой Искусственный ГИ экономит время, и, таким образом, выполняют множество задач.
Более того, даже в случаях, когда математически оно может соответствовать рабочему времени одного или нескольких сотрудников, которые исключительно бы занимались данной задачей, на практике так называемая задача, выполняемая Искусственным ГИ, может на самом деле быть подзадачей или несколькими подзадачами.
Поскольку они вместе способствуют выполнению определенной задачи, людям все еще может понадобиться быть в процессе, чтобы завершить полностью процедуру по доставке задачи на требуемом уровне качества.
И это без учета некоторых нематериальных, но не менее значительных факторов в производительности, таких как мотивация, энергия или межличностные навыки, влияющих на результат на индивидуальном, командном и организационном уровнях.
Вместо безрассудной концентрации на прямом сокращении персонала за счет сэкономленного времени с помощью Искусственного ГИ, бизнесу следует сначала сконцентрироваться на снижении операционных неэффективностей, целенаправленно перераспределяя высвободившееся время для улучшения других критических задач и инноваций в областях, требующих человеческого творчества и стратегического мышления.
3. Зрелость процессов предшествует обету Искусственного ГИ
Организации полны проектов внедрения, которые заполнили шкафы файлами, но так и не смогли превратиться в успех на практике, и гипотезы о приросте были обещающими с технической возможностью, подтвержденной как доступной со всех точек зрения.
Действительно, то, что приросты и техническая возможность зеленеют, недостаточно для их реализации.
Как сказал Билл Гейтс, первое правило любой технологии, используемой в бизнесе, заключается в том, что автоматизация, примененная к эффективной операции, увеличит эффективность. Второе – что автоматизация, примененная к неэффективной операции, увеличит неэффективность.
Приоритетными для внедрения кейсов использования Искусственного ГИ должно быть сначала сосредоточиться на оценке возможных выигрышей, не рассматривая сначала техническую осуществимость, а уровень зрелости процесса, в который встроен данный кейс использования и его критичность.
Чем выше операционное совершенство и зрелость организации в выполнении процесса, связанного с кейсом использования Искусственного ГИ, тем выше вероятность реализации ожидаемых выигрышей. Почему? Потому что скорость кривой обучения при внедрении решения Искусственного ГИ зависит от способности организации сделать свое критическое суждение о результатах Искусственного ГИ из задачи, учитывая связанное выполнение процесса.
В контексте внедрения решения Искусственного ГИ (или ИИ) остается часто критически важным, чтобы у организации была и сохранялась способность проверять и подтверждать то, что генерирует машина для обоснованного использования.
Следовательно, при размышлениях о ВИ по кейсам использования Искусственного ГИ важно провести комплексный анализ, который учитывает типы выигрышей сверх производительности, перераспределение времени, а не сокращение персонала, и уровень зрелости процессов, на котором основан кейс использования Искусственного ГИ.
Привлекательность значительных выигрышей, часто выделяемых в рекламных рассказах, должна быть сбалансирована тщательной оценкой и тестированием, поскольку большинство из них могут быть подтверждены не заранее, а по завершении.
Главное, как и для верхней строки, не захватываться гипом Искусственного ГИ.
