Как поставить GenAI на службу компании

На смену первоначальному энтузиазму приходит понимание того, что реализация огромного потенциала генеративного ИИ достигается за счет создания организационных и технологических преобразований для масштабного внедрения инноваций. По сути, за счет полной перестройки бизнеса с учетом цифровых возможностей. Тех, кто надеется, что генеративный ИИ поможет избежать сложной, но необходимой организационной трансформации, ждет разочарование. Запускать пилотные проекты относительно легко, а вот масштабировать их и создавать весомую ценность для компании – на порядок сложнее. Такие проекты требуют значительных корпоративных усилий. Но есть и хорошая новость: они многократно окупаются.

Выясните, в каких случаях генеративный ИИ дает реальное конкурентное преимущество. Ценность генеративного ИИ во многом связана с его способностью помогать людям более эффективно выполнять свою привычную работу. При этом ИИ-инструменты в большинстве случаев выступают в роли «второго пилота», который работает бок о бок с «капитаном корабля» – живым сотрудником. ИИ, к примеру, создает начальный блок кода, который затем адаптирует разработчик – или составляет заявку на закупку новой детали, которую проверяет специалист по техобслуживанию. Применение генеративного ИИ в бизнесе максимально выгодно в областях, где привлечение «второго пилота» дает наибольший эффект.

Постоянно повышайте квалификацию своих сотрудников, четко представляя, какие именно навыки в сфере ИИ необходимы. ИТ-навыки для успешной работы с генеративным ИИ выходят далеко за рамки умения кодировать. Опыт разработки в McKinsey собственной платформы генеративного ИИ Lilli показал, что технические специалисты в области генеративного ИИ в обязательном порядке должны обладать многими дополнительными качествами. Это и экспертиза в проектировании – человек должен поставить перед ИИ внятную и решаемую задачу. И понимание контекста задачи – иначе ответы ИИ будут недостаточно качественными. И навыки сотрудничества, ведь к работе с ИИ для тестирования и проверки ответов нужна коммуникация с экспертами в области знаний. А еще такому специалисту нужны сильные экспертные навыки, чтобы выявлять причины сбоев и навыки прогнозирования для планирования и отслеживания результатов. Обычный программист в этом контексте бесполезен.

Создайте команду по разработке стандартов, обеспечивающих эффективное масштабирование. Для масштабирования возможностей генеративного ИИ во всех подразделениях компании естественным шагом будет объединение компетенций в единой команде. Важнейшая задача такой команды – разработка и внедрение протоколов и стандартов по масштабированию, которое обеспечит всей компании доступ к возможностям ИИ с одновременной минимизацией рисков и сокращением расходов. В функции команды может входить, например, закупка существующих моделей и предоставление прав доступа к ним, разработка стандартов готовности данных, создание библиотек подсказок, распределение ресурсов.

Создайте технологическую архитектуру для масштабирования. Создание пилотной модели генеративного ИИ зачастую не представляет сложности, а вот обеспечение ее полноценной работы в масштабе организации – задача иного уровня. Инженеры могут создать базовый чат-бот за неделю, но на выпуск стабильной версии, отвечающей всем запросам компании и при этом пригодной для масштабирования, может потребоваться до четырех месяцев. Как показывает наш опыт, стоимость модели может составлять менее 10–15 % от общей стоимости решения. При этом создание технологической архитектуры для ИИ экономит и время, и средства.

Обеспечьте ИИ достаточным количеством данных, фокусируясь на неструктурированных данных. Относитесь к возможностям данных творчески. Большинство организаций традиционно богато структурированными данными – это, например, цены или количество товаров, упакованные в таблицы. Генеративный ИИ работает и с ними, однако самой сильной стороной больших языковых моделей (LLM) является их способность анализировать и извлекать ценность из неструктурированных данных – из слайдов PowerPoint, видео, текстов. Поэтому с точки зрения эффективности важно определить наиболее ценные источники неструктурированных данных и установить стандарты маркировки метаданных. Тогда генеративные ИИ-модели смогут их обрабатывать, а специалисты-люди находить в ответах то, что им нужно.

Повышайте доверие и обеспечьте возможность многократного использования моделей для масштабирования. Для компаний имеет коммерческий смысл отказаться от разовых решений, которые не подходят «на все случаи жизни». Например, один из наших клиентов, международная энергетическая компания, сделала простоту повторного использования ключевым требованием ко всем моделям корпоративного генеративного ИИ. В итоге уже на ранних этапах 50–60 % компонентов всех тестировавшихся и применявшихся в компании моделей могли быть использованы повторно. Это предполагает создание стандартов для разработки активов генеративного ИИ (например, подсказок и контекста).

Требования к объяснению принципов работы генеративного ИИ гораздо выше, чем при внедрении «обычных» ИТ-решений. Люди не без оснований хотят знать, как именно генеративные инструменты работают и в чем их польза, – помогите им в этом. Потратьте больше времени и средств на повышение доверия, тем самым обеспечив эффективность применения ИИ в вашей компании.

Не стоит забывать и о том, что, хотя очень многие спешат инвестировать в технологии, лишь малая часть компаний получает от внедрения устойчивый результат. Недавнее исследование McKinsey показало, что бизнес в среднем получает от цифровых трансформаций менее трети ожидаемой отдачи. Чтобы эффективность была намного выше, необходимо предпринять три ключевых шага.

1. Связать ценность технологий с бизнес-стратегией. Технологии будут приносить пользу только тогда, когда они связаны с долгосрочной бизнес-стратегией компании, а для этого прежде всего необходимо согласование видения, ценности и дорожной карты трансформации среди высшего руководства.
2. Перестроить операционную модель ведения бизнеса. Внедрение технологических решений во всей компании и их согласование с бизнес-целями требуют фундаментальной перестройки работы. Успешная трансформация позволит удвоить рост и возможности.
3. Сосредоточиться на ИИ-специалистах. Многие компании стремятся привлекать таких специалистов со стороны, но смена модели с упором на собственные силы позволит двигаться вперед быстрее и принимать более эффективные решения. Например, по результатам работы McKinsey с сингапурским банком DBS выяснилось, что оптимальное сочетание составляет 80 % штатных специалистов на 20 % привлеченных со стороны.

За последние три года разрыв в уровне развития цифровых технологий и ИИ между ведущими и остальными компаниями увеличился на 60 %, при этом разрыв по общему доходу акционеров достигает 2–6 крат. Потому что дело не только и не столько в технологиях – #ItsNeverJustTech.