Искусственный интеллект и цифровые советники. Часть 3: Что делать и куда бежать?

Продолжаем цикл статьей про цифровых советников и искусственный интеллект. Первая статья доступна тут, вторая тут.

Как мы уже с вами понимаем, цифровые советники - это перспективное, но сложное направление.

С одной стороны они способны готовить рекомендации с учетом ваших личных качеств. А сочетание интернета вещей с искусственным интеллектом - вообще ключевое и наиболее перспективное направление развитие.

Но с другой стороны все цифровые советники имеют огромное количество недостатков, которые приводят к тому, что эта технология находится в зачаточном состоянии и не раскрывает своего потенциала.

Поэтому давайте подумаем, что делать и куда бежать? Что нас ждет в ближайшие 5-20 лет.

Мы много общаемся с разными специалистами и всегда сходимся в одном: дальше не будет всезнающих чат-ботов, которых обучают на всем интернете. Будут сильные и сложные модели, но их область рекомендаций будет сужена до определенных тематик. Интересно, что к аналогичному мнению пришли и исследователи из MIT.

То есть те же чат-бот и языковые модели пойдут в область узкой и средней специализации. Все как у людей. Ты не можешь быть экспертом во всем, тебе нужно понять свою специализацию и развиваться в ней.

Если говорить про ИИ-системы, то в такой схеме мы получаем несколько ключевых преимуществ:

Когда у модели нет информации о том, как создать взрывчатку, то она и не сможет ответить на такой вопрос.

Когда модель имеет в основе определенную тематику, то она не пытается объединить все возможное в этом мире. А значит, ее рекомендации становятся лучше. Примером тому является бот Eliza, который разработан в 1960-х годах как робот-психолог и проходит тест Тьюринга лучше ChatGPT-3.5, уступая только моделям на ChatGPT-4. Исследование доступно тут.

И эти результаты совпадают с нашими наблюдениями. Мы сами проводили тесты, и модель, которая отвечала на базе наших книг, давала на порядок более релевантные и конкретные рекомендации, чем открытые чат-боты. К тому же галлюцинаций там тоже было на порядок меньше.

Одна из ключевых задач для популяризации технологии - снижение порога входа. Тоже самое было с сайтами. Когда-то нужно было нанимать специалистов, а теперь можно собрать на конструкторе. Да, высоконагруженные и оптимизированные сайты делают разработчики, но вполне рабочее решение можно сделать и на конструкторе.

Тоже самое будет и с ИИ-советниками. Да, полноценные решения для сложных задач останутся. Но будет и развитие коробочных конструкторов, которые можно будет конфигурировать по принципу No-Code. В него можно будет загрузить регламент или книгу, а он будет консультировать.

При этом, данные конструкторы должны быть относительно легкими и нетребовательными к ИТ-инфраструктуре. То есть мы говорим про удобный UX|UI и оптимизацию решений (ограничений возможностей и упрощение моделей). Это нужно для того, чтобы была жизнеспособная модель развертывания on-premise или приемлемая стоимость аренды инфраструктуры по IaaS или PaaS моделям для стартапов.

Следующе направление, которое мы видим - создание СППР (цифровых советников) на базе международных или национальных стандартов. Хотя возможно использование авторских программ и методик, причем такой подход имеет все шансы, с учетом пункта далее о внедрении в малый и средний бизнес.

По такому пути идем и мы с нашим советником. Мы взяли PMBOK 7 и структуру рекомендаций делаем на ее базе с нашими доработками. Да, конечно, любой бизнес хочет, чтобы все делалось под него, но давайте будем честны - это в основном хотелки, а не аргументированная потребность.

Для 90-95% компаний хватит "базовых" методологий, в которых заложены либо международные стандарты, либо авторские методики. И на своем опыте, который основан на работе в добыче нефти, ее переработке, строительстве, мебельном производстве, энергетике, логистике мы можем с уверенностью заявить, что важнее дисциплина и исполнение стандартных рекомендаций, а не попытка допиливать все под себя.

Также здесь уместно вспомнить японский подход к обучению - СЮ ХА РИ. Согласно этому подходу, при обучении и формировании навыков надо пройти 3 стадии:

Делаем все по букве правил. Цель — понять базу и наработать опыт. В случае обучения теории – формируем систему принципов, на которых эта теория строится.

Начинаем избавляться от лишнего. К этому этапу следует переходить только после того, как полностью освоена «база». Идеально при поддержке "учителя".

Вы уже впитали в себя суть методики, осознал самую суть учения. Уже не нужны правила и наступает время «отделиться» от учителя / стандарта. Создаем свой собственный «стиль», свои собственные теории и практики.

То же самое, например, и с управлением проектами. Если в компании нет проектной культуры и опыта, то лучше сначала базироваться на том, что в мире придумали люди с опытом и следовать правилам. Да, будет больно и неудобно, но полезно. А уже затем придумывать свои стандарты. Иначе, как показывает опыт, идет попытка нагородить все подряд, чтобы в итоге получить методологию, неприменимую вообще.

А если говорим про цифрового советника, то получаем:

Как следствие - у нас дорогая игрушка.

Третье направление - создание отраслевых СППР. Регуляторы и государство обладает ключевым ресурсом - они получают любую необходимую информацию. То есть они не сталкиваются с тем, что для ИИ не хватает данных. У регуляторов и государства есть те самые Большие данные. Таким образом, у них есть возможность обучать ИИ на обезличенных данных и строить СППР с высоким качеством рекомендаций.

Подобным путем идут и производители промышленного оборудования из Европы и США. Они как конструкторы знают, из чего состоит оборудование, делая цифровые модели еще до запуска производства. А затем собирают данные о работе своего оборудования у клиентов от момента запуска до момента утилизации. В итоге у них появляются цифровые двойники, которые сочетают и математическую модель, и эксплуатационные данные. Они развивают предиктивную аналитику и могут предлагать клиентам сервисную модель продаж оборудования (когда вы покупаете оборудование, но доставку, монтаж, пуско-наладку, техническое обслуживание проводит производитель и дистрибьютор). Это увеличивает ценность для клиентов и повышает маржинальность бизнеса.

К сожалению, российские производители пока не пришли к такой модели и продают просто железо.

Бизнес хочет системы, а не чат-боты. Мы этот тезис разбирали в прошлой статье. Чтобы общаться с чат-ботом, нужно задавать правильные вопросы, а это самое сложное.

Но это не значит что у чат-ботов нет будущего. Они прекрасно покажут себя, когда в дополнение к готовым рекомендациям можно будет задать вопросы ассистенту, уже имея аналитику с выводами. В таком случае пользователь может сформулировать интересующий его вопрос предметно. А чат-бот, обученный на определенных данных, сможет давать не абстрактные рекомендации, а релевантные и предметные. То есть происходит сближение двух сторон - пользователь уже не выдумывает что-то непонятное, а задает вопрос в определенном контексте, а чат-бот не пытается гадать на кофейной гуще из базы по всему интернету.

Как мы уже разобрали ранее, внедрение инноваций через корпорации это, скажем мягко, тяжелое мероприятие.

Для начала давайте вспомним кривую Мура для внедрения инновационных продуктов.

Немного освежим его расшифровку.

И выдержка из книги, для тех кто любит подробнее разобраться:

Вполне логично, что большие компании явно не относятся к тем категориям, через которые приходят инновации. Сама культура таких компаний противоречит этому. Им нужна безопасность и поступательный рост, а не рискованный прорыв. Какова цена провала? Вспомните, когда и какая действительно мощная инновация приходила из корпоративного сегмента?

При этом малый и средний бизнес - совершенно другая культура и среда. Он хочет расти и стать большим, но у него нет таких ресурсов и возможностей, он не может "пылесосить" рынок людей и формировать огромные штаты. Он хочет расти, но скован в ресурсах, а значит, больше готов к риску и более гибкий.

Это поле, на котором можно внедрять инновации, чтобы потом укрепиться в сознании людей и зарабатывать миллиарды в корпоративном сегменте. Также здесь полезно вспомнить такой инструмент, как окно Овертона.

То есть необходимо сначала заходить в малый и средний бизнес, которому интересы инновации, и который готов принимать риск. А для этого важна медийность и популярность, исключение академичности и простой человеческий язык. При этом нужно понимать, что на этой стадии мы не будем зарабатывать на технологии и нужно терпение. На данном этапе идет популяризация технологии и отладка ошибок. Идет прохождение первых стадий окна Овертона за счет новаторов и ранних последователей.

Сначала нужно стать нормой в обществе и уже затем постепенно создавать корпоративные продукты и заходить в корпорации.

По своему опыту можем сказать, что даже если внутри корпорации появятся ребята, которые готовы все сделать за условное "спасибо" и принести огромную ценность, то они вряд ли добьются успеха. Если это и случится, то не благодаря, а вопреки. Примеров тому масса, и самый яркий - история создания Linux.

Последний тренд в СППР - персонализированные рекомендации. И это вполне логично. У каждого человека есть свои сильные и слабые стороны. Сильные стороны нужно делать еще ярче, а слабые доводить до необходимого минимума, а не пытаться делать из слона носорога.

Мы в своей работе активно используем PAEI-теорию Адизеса, о которой уже писали тут, тут, тут и тут. Это простой для применения инструмент. Так вот яркому Е-типу бессмысленно давать рекомендации по детальной проработке планов и рисков. Это будет противоречить его психологии и такие рекомендации по умолчанию будут игнорироваться.

Поэтому одно из направлений в области разработки СППР - учет как психотипа руководителя, так и состав команды с описанием компетенций и психотипа каждого ключевого участника. В таком случае СППР будет готовить рекомендации для каждого свои.

Здесь можно использовать различные инструменты, как Адизеса, так и DISC или любые другие. Ключевое - инструменты не должны быть чрезмерно сложными. Ту же логику мы закладываем и в целевую модель нашего цифрового советника для управления проектами - конечные рекомендации должны опираться на сильные стороны руководителя и подсказывать необходимый минимум по остальным направлениям.

И здесь мы плавно подходим к ключевому фактору - системному подходу.

Да, и снова мы возвращаемся к системному подходу. Пока вы не наведете порядок в бизнесе и не систематизируете его, не уберете хаос, то никакой ИИ-советник вам не поможет.

Если в бизнесе нет организационной структуры, то как он поймет кто ключевой член команды и какие у людей компетенции?

Если бизнес-процессов нет или они не описаны, нет качественных данных, проекты реализовываются абы как, люди без компетенций, то ИИ снова окажется бессилен. И неважно, речевые модели это или аналитические системы.

Например, если у вас в ERPлежат недостоверные данные, которые вводятся людьми и содержат тонны ошибок, то что может посоветовать ИИ, даже если он понимает ваш психотип?

Также нужно думать и о бережливом производстве, как с точки зрения процессов, так и потоков данных. Это будет снижать нагрузку на ИТ-инфраструктуру и советников, а значит, и снизятся затраты. А если этого, готовьтесь к огромным бюджетам на ИТ.

Если же у вас слабая горизонтальная коммуникация, то о внедрении инноваций лучше вообще не задумываться.

В такой ситуации вы не сможете создать СППР под себя или взять готовое решение с рынка. Поэтому мы и считаем, что в основе внедрения ИИ в бизнес должен лежать системный подход и обучение команды.

Да, это трудно сделать в малом бизнесе. У него мало людей и компетенций, нет огромных бюджетов на создание качественной ИТ-инфраструктуры с различными решениями. Поэтому механизмы тестирования психотипов, описания команды и процессов нужно закладывать в сами ИИ-решения в формате готовых модулей или No-Code, а также закладывать и отрабатывать механизмы интеграции (API) с другими сервисами.

Если ваши люди абсолютно не готовы к взаимодействию и принятию технологий, то чтобы вы не внедряли, это будет саботироваться. Или они будут ждать, пока кто-то за них все отработает, придумает и внедрит. А этого не будет, тем более в малом и среднем бизнесе.

То есть людей нужно обучать цифровым компетенциям и уходить от культуры силы или бюрократии. И тут возникает еще один вопрос: а возможно ли это в корпорациях, или же там все ждут, что придет ИТ-подразделение и все сделает идеально, дав готовые инструкции на каждый день?

Поэтому нужно создавать песочницы, где можно проводить эксперименты и поощрять персонал за внедрение ИИ-решений, например, советников для закупок.

К сожалению, ИТ-разработчики имеют склонность создавать решения с опорой на функционал. А это приводит к двум проблемам:

Мы подробно рассматривали этот вопрос тут.

Также давайте посмотрим на этот вопрос со стороны тех, кто будут пользоваться ИИ-советником, то есть руководителей. А теперь давайте вспомним, какие две операционные системы для телефонов доминируют в мире? IOS и Android. А чем чаще пользуются люди с высоким доходом? Относительно простой и ограниченной для вмешательства IOS или функциональной Android?

Так же и тут. Нужно создавать ИИ-советников с минимум функций и элементов интерфейса для пользователей, но с глубокой проработкой сценариев взаимодействия с решением и оптимизацией UX|UI - дизайна.

Еще одно из перспективных направлений - создание верхнеуровневых ИИ. Назовем их ИИ-оркестраторы.

Подобный подход уже давно стал обязательным элементом для ИТ-инфраструктуры. Спросите опытного ИТ-директора, можно ли построить производительную ИТ-инфраструктуру без VMware или аналогов.

Оркестраторы осуществляют контроль запуска, остановки и перезапуска ИТ-сервисов. Они отвечают за распределение нагрузки между сервисами, следят за их доступностью. Оркестратор предоставляет возможность определить зависимости между сервисами и задать порядок их запуска.

Также и тут, необходимы ИИ-оркестраторы, которые будут декомпозировать запросы пользователей между различными ИИ, устранять конфликты между рекомендациями различных ИИ-систем, определять порядок запусков и обмена данными между ИИ-советниками.

Давайте вспомним, как обучается ИИ?

То есть для ИИ важна обратная связь. А как оценивать качество рекомендаций? По нашему мнению, оптимально на основе обратной связи от пользователя + оценки результатов из учетных систем спустя время. Такая же логика заложена и в нашем цифровом советнике.

В целевой системе предусмотрен модуль оценки результатов проекта, который будет работать на основе обратной связи от участников проекта и сборе данных из системы.

Участники проекта будут отвечать на три вопроса:

Из системы будет браться информация:

И да, в каждой организации будут свои особенности, невозможно создать идеальную систему для всех. Поэтому мы снова уходим необходимость создания эффективных алгоритмов обучения (которым нужно меньше данных) и к локальным моделям.

Еще один пример, но уже просто для чат-ботов и языковых моделей - внедрение системы лайков и дизлайков. На их основе система сможет понимать, насколько удовлетворен пользователь ее ответами.

Но при всем этом тут есть подводный камень - внедрение механик обратной связи может привести к тому, что ИИ придет к очень неоднозначным выводам. Ведь у него есть один критерий - успех или провал, больше для него ничего не важно.

Итак, раскрывать потенциал ИИ нужно через малый и средний бизнес. То есть нужно не целиться в отдельных людей крупных корпораций, а выстраивать массовый маркетинг, как в B2C, с использованием цифровых каналов. То есть нужно выстраивать маркетинговую стратегию, аналогичную B2C, с агрессивной рекламой, простыми словами, смыслами и с бюджетом на маркетинг в 50-70% от общего.

Стратегия через конференции тут вряд ли даст высокую отдачу, а вот через соц. сети с вирусной рекламой, провокациями и качественным контентом - да.

Еще один ключевой момент в таком продвижение - продумывание CJM и удобного входа в продукт: регистрация с минимальным количеством действий, подписочная модель с низкой стоимостью входа и полной историей, полезные материалы для пользователей и т.д. И если мы посмотрим на текущего лидера (Chat GPT от Open AI), то именно по такому пути они и идут, делая свой продукт стандартом для всех и давая доступ всем за минимальную стоимость, а не фокусируясь на корпоративных продажах с миллиардными чеками.

Исходя из темпов развития ИИ и анализ того, что происходит в мире в сфере регулирования ИИ дает однозначное понимание того, что в мире будет развиваться риск-ориентированный подход к регулированию ИИ.

А развитие риск-ориентированного подхода в любом случае приведет к тому, что сильный и суперсильный ИИ будут признаны самыми опасными. Соответственно и ограничений для больших и мощных моделей будет больше всего. Каждый шаг разработчиков будет контролироваться. Это приведет к тому, что затраты и трудности для разработки и внедрения будут расти в геометрической прогрессии. В итоге мы имеем проблемы как для разработчиков, так и для пользователей, что снижает экономический потенциал таких решений.

При этом специализированныемодели на базе локальных и урезанных ИИ-моделей, которые могут немного, будут в зоне с наименьшим регулированием. Ну а если эти ИИ в своей основе еще будут на базе международных / национальных / отраслевых методологий и стандартов, то тут будут не ограничения, а субсидии.

В итоге сочетание таких "слабых" и ограниченных решений на базе ИИ-конструкторов в сочетании с ИИ-оркестратором позволит обходить ограничения и решать бизнес-задачи. Пожалуй узкое место тут будут ИИ-оркестраторы. Они попадут под категорию среднего риска и, скорее всего, их придется регистрировать.

Здесь хотим сделать небольшой пример практического применения нескольких трендов, а именно - ИИ-оркестратора, специализированные советники и ИИ-конструкторы.

Давайте смоделируем следующую ситуацию. У вас большая организация с различными самостоятельными подразделениями. Допустим, холдинг, с дочерними организациями в разных регионах. Ключевые процессы у вас идентичны: закупки, ремонты, продажи и т.д. Естественно, что большинство регламентов не работают, так как они перегружены и неспециалистам непонятны.

В итоге вы решили внедрить цифровых советников для сотрудников, чтобы упростить их работы и обеспечить исполнение правил и регламентов. Если мы берем связку ИИ-оркестратора, ИИ-конструктора для локальных моделей, то в итоге получаем следующую картину.

Вам не придется делать 50 разных интерфейсов и систем. Вы сможете сделать все в окне одного чат-бота или личного кабинета. Пользователю не придется переключаться. А значит мы улучшаем UX|UI и снижаем сопротивление персонала (в том числе по техническим причинам)

Как мы рассмотрели ранее, ИИ-советники со специализацией будут иметь выше качество рекомендаций и меньше галлюцинаций. Кроме того, в таких советниках проще обеспечить безопасность.

Если мы развертываем ИИ-конструктор, в который можно просто загрузить документ и с ним сразу общаться, то это позволит быстро запускать новых советников подразделениями. Тестировать их, и либо отказываться (денег не вложено, признать ошибку не страшно), либо подключать к оркестратору и запускать в работу.

Покупка предобученных, но оптимизированных и локальных моделей в основе ИИ-конструктора будет экономически целесообразной. Пример тот же что и с сайтами. Разработка сайта разработчиками может забрать 1 млн, а запуск на конструкторе 20 тысяч. Здесь экономическая модель будет аналогичной.

Опять же, локальная модель менее требовательна к ИТ-инфраструктуре, что упрощает внедрение on-premise и снижает стоимость аренды IaaS или PaaS.

В итоге мы получаем доступную цену и низкие требования к ИТ-инфраструктуре как для on-premise, так и для облачного развертывания. Дополнительный бонус - более высокая скорость работы на качественной и современной инфраструктуре.

Регламенты и процессы меняются регулярно. Не бывает бизнеса, который не меняется. Если у нас набор локальных моделей, которые можно актуализировать без специальной подготовки, то мы получаем огромное преимущество. Во-первых, подразделения смогут сами обновлять базу, а значит ИИ-советник давать актуальные рекомендации. Во-вторых, вы разгрузите ИТ-службу. А с учетом цен на ИТ-специалистов это огромная экономия ресурсов. Попытка переобучать централизованную большую модель ежемесячно будет и затруднительной, и дорогостоящей.

В итоге, используя подход, который в ИТ называется микросервисным, мы получаем:

И чем сильнее зарегулирована отрасль, тем сильнее будет эффект от такого внедрения. Во-первых, снижается требования к сотрудникам, их дословному знанию всех регулятивных документов. Во-вторых повышается скорость и качество управленческих решений. Вместо ожидания ответов от сотрудников и загрузкой их своими идеями, руководитель может быстро получить ответ от советника. При этом, как показывает опыт, цифровые советники научились давать ответ более простой и человечный, чем профильные эксперты с профессиональной деформацией. И в-третьих, повышается наша эффективность и безопасность. Нам не нужно нанимать сотрудников с доскональным знанием документов. Мы экономим их время, снижая важность постоянного отслеживания новых правил. А это независимость и снижение затрат.

Однако, даже в таком подходе обойтись одним внедрением ИТ невозможно. Все равно нужен системный подход:

ИИ-советники бесспорно станут тем триггером, который выведет людей на следующий этап эволюции. И это огромный рынок, который чей-то бизнес выведет на новый уровень, а кому-то станет основным продуктом.

Но экспансия ИИ будет идти через малый и средний бизнес, а не корпорации. МСБ более открыт к экспериментам и готов принимать на себя риски.

Для разработчиков нужно предусмотреть:

Для бизнеса нужно: