Телекоммуникации с искусственным интеллектом: радикальное преобразование для процветания в неспокойные времена

Искусственный интеллект (ИИ) открывает возможности для использования, которые преобразуют отрасли в широком спектре мировой экономики. От инфраструктуры, которая "самовосстанавливается", до радикально переосмысленного (и бесконтактного) обслуживания клиентов; от масштабной гиперперсонализации до автоматически создаваемых маркетинговых сообщений и изображений с использованием инструментов генеративного ИИ, таких как ChatGPT - все это уже сегодня реальность. Эти решения ИИ могут мощно дополнить, а иногда и радикально превзойти большинство традиционных бизнес-функций.

Эффект от этих решений становится очевидным. Лидеры в области ИИ - верхний квинтиль компаний, прошедших оценку McKinsey Analytics Quotient - показали пятилетний годовой рост доходов в 2,1 раза выше, чем аналогичные компании, а общий доход акционеров в 2,5 раза больше.

Учитывая многочисленные проблемы, с которыми столкнулась телекоммуникационная отрасль в последние годы, такие как падение доходов и рентабельности инвестиций, можно было бы предположить, что отрасль уже полностью перешла на эту технологию. Однако, исходя из нашего опыта работы с операторами по всему миру, телекоммуникационные компании еще не полностью приняли ИИ и менталитет, ориентированный на ИИ. Вместо этого модели разрабатываются один раз и не совершенствуются по мере развития бизнес-контекста. Машинное обучение (ML) существует только в названии, что ограничивает способность системы улучшаться на основе опыта. К большому сожалению, инвестиции в ИИ часто не согласуются с приоритетами руководства высшего уровня; в отсутствие такой поддержки внедрение ИИ тормозится, инвестиции в технический персонал ослабевают, а технология остается незрелой.

Противопоставьте такое разрозненное положение дел организации, ориентированной на ИИ. Здесь ИИ рассматривается как ключевая компетенция, которая обеспечивает принятие решений во всех отделах и на всех уровнях организации. Инвестиции в ИИ необходимы для реализации большинства приоритетов на уровне руководителей, таких как более персонализированные рекомендации для клиентов и более высокая скорость ответа в центрах обработки вызовов. Топ-менеджеры выступают в роли проводников важнейших инициатив в области ИИ. Данные и возможности ИИ управляются как продукты, созданные для масштабируемости и повторного использования. Менеджеры по продуктам ИИ, даже те, кто работает над основополагающими продуктами, отмечаются за преимущества, которые они генерируют для организации.

Достижение такого уровня зрелости ИИ - задача не из легких, но она, безусловно, под силу телекоммуникационным компаниям. Действительно, с учетом всего того давления, с которым они сталкиваются, широкомасштабное внедрение ИИ и переход к организации, основанной на ИИ, может стать ключом к росту и обновлению. Те операторы связи, которые начинают понимать, что это не подлежит обсуждению, наращивают инвестиции в ИИ по мере того, как материализуется влияние технологии на бизнес.

Хотя изолированное применение технологии может помочь отдельным отделам улучшить работу, именно ИИ, подключенный комплексно на всех уровнях и во всех отделах, станет ключом к защите основного дохода и стимулированию роста маржи даже в самых сложных условиях. Представьте себе следующие не столь отдаленные сценарии:

• Ориентированность на клиента: Сара, жительница Нью-Йорка, является клиентом с высоким средним доходом на пользователя (ARPU). Зная, что Сара тратит половину времени использования телефона на фитнес-приложения, ИИ создает заманчивое индивидуальное предложение по повышению класса обслуживания, включающее кредит на шесть месяцев для ее любимой фитнес-подписки и преимущества, характерные для Нью-Йорка, например, билет на предстоящий концерт, спонсируемый оператором. Зная о высокой склонности Сары к цифровым технологиям1 , ИИ делает предложение доступным для нее только в цифровом формате.
• Сосредоточенность на сотрудниках: Когда Тревор, сотрудник магазина в торговом центре телекоммуникационной компании, входит в систему в начале своей смены, он получает праздничное уведомление, поздравляющее его с высоким качеством взаимодействия с клиентами в предыдущий день. А поскольку ИИ обнаружил, что Тревор отстает от своих коллег по показателям прикрепления аксессуаров и защиты устройств, он получает уведомление, указывающее ему на ресурсы для обучения, специально созданные для повышения эффективности работы по этим показателям.
• Ориентирование на инфраструктуру: Люсиль, директор группы планирования капитальных вложений, использует ИИ для принятия решений о целевых инвестициях в сеть на основе детального понимания оценок опыта использования сети на уровне клиентов, которые сильно коррелируют с коммерческими результатами (например, оттоком). ИИ дает тактические рекомендации о том, что и где строить, исходя из того, где клиенты используют сеть, и автоматически вычисляемых пороговых значений, после которых новые инвестиции оказывают незначительное влияние на опыт и коммерческие результаты оператора.

Важно рассмотреть, как эти возможности могут стать реальностью, особенно учитывая, что большинство телекоммуникационных компаний в настоящее время внедряют ИИ ограниченными способами, которые не приведут к устойчивому, широкомасштабному успеху.

Факторы, поддерживающие этот шаг для телекоммуникационных компаний, включают следующее:

• Повышение доступности ведущих технологий ИИ: Организации, основанные на ИИ, такие как Meta, продолжают развивать экосистему с открытым исходным кодом, делая новые языки программирования, наборы данных и алгоритмы широко доступными. Параллельно облачные провайдеры разработали множество быстро развертываемых API машинного обучения, таких как Google Cloud's Natural Language API. Генеративные решения ИИ, такие как ChatGPT, способные создавать увлекательные ответы на человеческие запросы, также доступны через API. Эти два фактора в сочетании со снижением стоимости обработки и хранения данных делают ИИ все более доступным для организаций.
• Стремительный рост объема пригодных для использования данных: Операторы могут напрямую собирать, структурировать и использовать значительно больше данных, чем когда-либо прежде. Эта информация включает в себя потоки данных из индивидуальных моделей использования приложений, оценки потребительского опыта на конкретном сайте, а также то, что можно приобрести или передать партнерам или третьим лицам. Чтобы ответить на опасения потребителей и регулирующих органов по поводу конфиденциальности, телекоммуникационные компании должны инвестировать в создание цифрового доверия, в том числе активно управлять конфиденциальностью данных, иметь надежную стратегию кибербезопасности и основу для этичного развертывания ИИ.
• Доказанные примеры использования и результаты: AI-Native организации в разных отраслях применяют ИИ для достижения четырех важнейших результатов, которые очень актуальны для операторов по всему миру: 1) защита и рост доходов за счет персонализации, 2) преобразование структуры затрат, 3) обеспечение беспрепятственного взаимодействия с клиентами и 4) удовлетворение новых требований к рабочему месту. Операторы могут учиться у всех из них. Например, стриминговые игроки давно известны тем, что предоставляют персонализированные рекомендации контента, основанные на прошлом поведении пользователей. Чтобы оптимизировать расходы и обеспечить бесперебойное обслуживание клиентов, одна из ведущих страховых компаний США использует помощников ИИ для сокращения и даже исключения человеческого взаимодействия с пользователями при получении страховки или аннулировании полисов у других операторов. В свою очередь, некоторые ведущие технологические компании мира известны тем, что используют ИИ для выявления черт отличных менеджеров и высокоэффективных команд и используют эти знания для обучения лидеров компании.
• Инвестиции в технологии признаны движущей силой бизнеса: В мире, пережившем пандемию, инвесторы и руководители компаний пришли к общему мнению, что инвестиции в технологии - это не просто центр затрат, а фундаментальный фактор бизнеса, оказывающий глубокое влияние на конечный результат. Несмотря на перспективы экономических потрясений и опасения рецессии, ожидается, что в 2023 году расходы на ИТ вырастут более чем на 5 процентов, а технологические лидеры будут испытывать растущее давление, чтобы продемонстрировать влияние на финансовые показатели компании.
• Ставки операторов требуют гиперзарядки: По мере конвергенции сетей и продуктов операторы делают ставки на то, чтобы стать игроками, ориентированными на затраты и эффективность, на опыт или на экосистему. Варианты использования ИИ, которые более актуальны для каждой ставки, могут дать им больше шансов на гиперзарядку и опередить конкурентов.

Для получения наибольшей отдачи этот сдвиг требует от телекоммуникационных компаний принятия концепции организации, основанной на ИИ - структуры, в которой технология глубоко внедрена в структуру всего предприятия.

В течение последнего десятилетия телекоммуникационные компании испытывали неустанное давление, поскольку традиционные факторы роста разрушались, а экономическая ценность все больше переходила к технологическим компаниям. Используя ИИ в полной мере, операторы могут защитить свой основной бизнес от дальнейшей эрозии, одновременно повышая маржу.

По мере того как отрасль стремится использовать возможности ИИ, мы видим, что на основе нашего опыта работы с телекоммуникационными компаниями по всему миру в стратегических повестках дня преобладают шесть тем.

Используя широту и глубину имеющихся в их распоряжении данных на уровне пользователя, операторы все больше инвестируют в персонализацию с помощью искусственного интеллекта и управление каналами.

Например, гиперперсонализированная рекомендация тарифного плана и устройства для каждого владельца линии может использовать гранулированные поведенческие данные, такие как количество установленных приложений, их активность и использование функций устройства, для создания индивидуальных рекомендаций тарифного плана (более высокая скорость сети или дополнительные услуги потокового вещания), рекламных акций ("Получите неограниченные предоплаченные данные для использования в службе потокового вещания музыки всего за $5 в месяц") и сообщений для конкретных устройств, мест и событий ("Обновите новейшее устройство со встроенным VR"). Впоследствии, используя инструменты сегментации аудитории, можно направлять клиентов к каналам, которые предлагают увлекательный опыт и обеспечивают наиболее выгодные результаты продаж для телекоммуникационной компании. Например, абонент с низкой склонностью к цифровым технологиям3 , высоким ARPU и высоким риском оттока, живущий в нескольких милях от магазина, может стать хорошим кандидатом для того, чтобы подтолкнуть его к обновлению устройства в магазине, что приведет к улучшению потребительского опыта и потенциально повысит лояльность оператора. Или рассмотрим другой сценарий: этот абонент пользуется передовой сетью 5G в Нью-Йорке и является постоянным пользователем фитнес-приложений, который часто путешествует за пределами страны. В результате ее оператор предлагает индивидуальную рекомендацию тарифного плана с превосходным доступом к сети, лучшими преимуществами подписки на фитнес-приложения и привлекательным международным планом передачи данных.

Пример из практики: Оператор Азиатско-Тихоокеанского региона, запустивший комплексную трансформацию управления ценностью клиента на основе ИИ (с персонализацией в основе), добился более чем 10-процентного сокращения оттока клиентов и 20-процентного роста перекрестных продаж.

Более ранние инвестиции в цифровую инфраструктуру в сочетании с возможностями предиктивного и предписывающего ИИ позволяют операторам разработать персонализированный опыт обслуживания, основанный на автономном разрешении проблем и проактивной информационно-разъяснительной работе.

Например, при полностью автономном решении проблем система может предсказать и устранить потенциальные источники недовольства клиентов еще до того, как они возникнут. Заметив, что клиент начисляет плату за роуминг во время поездки за границу, система искусственного интеллекта автоматически применяет оптимальный пакет услуг роуминга к его ежемесячному счету, чтобы минимизировать расходы. Затем она высылает персональное пояснение к счету с подробным описанием оптимизации пакета и полученной экономии для клиента, что приводит к неожиданному и положительному моменту CX.

Операторы также изучают возможность перепроектирования цифровых сервисных маршрутов с помощью ассистентов ИИ, выполняющих функции цифровых консьержей. Технологии генеративного ИИ, включая такие инструменты, как ChatGPT, имеют потенциал для улучшения существующих ботов за счет лучшего понимания более сложных намерений клиента, более эмпатичного общения и лучших возможностей подведения итогов (например, когда боту необходимо передать взаимодействие с клиентом сотруднику). Единый унифицированный помощник ИИ, вероятно, также будет представлять собой шаг вперед в скорости, точности и вовлеченности по сравнению с сегодняшними интерактивными системами голосового ответа.

Организация обслуживания на основе ИИ - ключевой компонент для высвобождения всего потенциала специализированных представителей для высокоценных взаимодействий и улучшения общего клиентского опыта - одного из ключевых полей битвы для телекоммуникационных компаний по всему миру.

Пример из практики: Ожидается, что ведущая телекоммуникационная компания добьется примерно 10-процентного снижения количества звонков по устранению неисправностей устройств благодаря проактивной системе искусственного интеллекта, которая учитывает вероятность звонка клиента и серьезность проблемы, чтобы решить, следует ли направить наиболее эффективное решение через SMS. Этот проактивный механизм также является ключевым элементом стремления оператора иметь самые высокие показатели удовлетворенности клиентов среди конкурентов.

В розничной торговле искусственный интеллект совершает революцию в дизайне и управлении магазинами, оптимизируя операции и повышая качество обслуживания покупателей.

Некоторые телекоммуникационные компании уже используют виртуальных розничных ассистентов, отображаемых на экранах на различных поверхностях, для проведения многочисленных операций с клиентами, включая пополнение баланса на предоплаченном счете и продажу предоплаченных карт и ТВ-подписок. Одна из ведущих европейских телекоммуникационных компаний использует инструменты искусственного интеллекта для более точной оценки устройств и обмена в магазине. Магазин ближайшего будущего включает в себя следующие компоненты:

• Перед входом в магазин: Планировка проходов и размещение товаров оптимизируются на основе моделей просмотра, анализируемых с помощью машинного зрения. Цифровые вывески ориентированы на отдельных покупателей, которые находятся в магазине и идентифицируются с помощью биометрической технологии или технологии геозондирования. Интерактивные киоски предлагают персонализированные рекламные акции, сервисную помощь и прогнозы времени ожидания. Клиенты подбираются к представителям, которые подталкивают их с помощью персонализированной информации, способной вызвать наилучшее взаимодействие и привести к действительно беспроблемному обслуживанию клиентов.
• В служебных помещениях: SKU устройства автоматически управляются для оптимизации запасов и продаж. Магазины пополняют ассортимент на основе местных предпочтений, выявленных в аналитике продаж. Инструменты искусственного интеллекта, такие как градация на основе компьютерного зрения, позволяют немедленно гарантировать цену на сдаваемые устройства.
• Снаружи: Потребители, проходящие рядом с магазином, получают текстовые или push-уведомления с персонализированной рекламной акцией и приглашением проверить товар в магазине.

Пример из практики: Азиатская телекоммуникационная компания запустила виртуального розничного помощника 5G в беспилотных поп-ап магазинах. Цифровой человек общается с клиентами в индивидуальной и дружественной манере, используя привлекательную мимику и язык тела. Она поддерживает клиентов при совершении множества операций, начиная с покупки предоплаченных карт и заканчивая заменой SIM-карты.

Телекоммуникационная компания, использующая ИИ, будет использовать технологии для оптимизации принятия решений на всех этапах жизненного цикла сети - от планирования и строительства до эксплуатации и обслуживания. Например, на этапах планирования и строительства ИИ может использоваться для определения приоритетности инвестиций в пропускную способность на уровне участка на основе детальных данных, таких как оценка опыта работы сети на уровне клиентов.

На этапах эксплуатации ИИ может определять приоритеты при отправке аварийных бригад на основе потенциальной потери доходов или влияния на качество обслуживания клиентов. ИИ также может обеспечить самовосстанавливающуюся сеть, которая автоматически устраняет неисправности - например, автоматически переключает клиентов с одной частоты оператора на другую, поскольку ожидалось, что первая будет забита. Это высвобождает инженерные ресурсы для деятельности с более высокой добавленной стоимостью.

Пример из практики: Оператор связи разработал оптимизированный с помощью ML показатель качества обслуживания (QoE) для обоснования решений о развертывании. QoE - это составной показатель, объединяющий несколько сетевых метрик. ИИ используется для оптимизации веса, придаваемого каждой сетевой метрике, чтобы корреляция между QoE и коммерческими показателями (такими как отток клиентов) была максимальной. После использования QoE для развертывания инвестиций в сеть - "что" и "где" строить - оператор значительно улучшил отток клиентов.

Телекоммуникационная компания, ориентированная на ИИ, также использует инструменты с поддержкой ИИ для оптимизации планирования трудовых ресурсов и инструктажа передовых сотрудников в различных командах, включая полевой персонал, службу поддержки клиентов и сотрудников розничной торговли.

Для планирования трудовых ресурсов инструменты ИИ улучшают традиционные приложения, прогнозируя показатели спроса и предложения на месячные, ежедневные и внутридневные временные горизонты с более высокой точностью, большей детализацией и полной автоматизацией. Интеллектуальное планирование соответствует спросу и предложению, например, сотрудники колл-центра требуются в особенно напряженные периоды, чтобы соответствовать целевым показателям уровня обслуживания и ожиданиям клиентов.

Действуя в качестве интеллектуального коуч-менеджера, механизм подталкивания с поддержкой ИИ предоставляет сотрудникам и их руководителям персонализированные поощрения и подталкивания к улучшению работы (Рисунок 1). В сочетании с достижениями в области генеративного искусственного интеллекта влияние ИИ-двигателя подталкивания может стать еще более значительным, например, моделируя реакцию клиентов в различных сценариях для обучения представителей.

Пример из практики: Телекоммуникационный оператор развернул решение для планирования и обучения технического персонала, обслуживающего медных и оптоволоконных клиентов, с поддержкой ИИ. Результатом стало повышение эффективности на 10-20 процентов и улучшение показателей удовлетворенности клиентов.

Аналитика на основе ИИ будет способствовать принятию решений во всех бизнес-функциях, не ограничиваясь автоматизацией стандартизированных или малосложных задач. Например, в финансовой сфере ИИ может отмечать счета-фактуры с отклонениями от нормы для дальнейшей проверки, а в сфере дебиторской задолженности он может предсказывать вероятность невыполнения обязательств клиентами, инициируя действия по смягчению последствий. В сфере управления персоналом ИИ может помочь выявить сотрудников с высоким риском отсева или прогулов и соответствующие причины, а также помочь определить неформальных авторитетов, которые могут возглавить работу по управлению изменениями. Генеративные решения ИИ могут помочь в разработке маркетинговой копии продукта, обобщении отзывов клиентов в исследовательских целях или даже позволить бизнес-пользователям писать простой код для быстрой настройки ИТ-приложений.

В целом, вовлечение ИИ в процесс принятия и исполнения решений приводит к повышению скорости и согласованности. Его преимущества можно ощутить повсюду: от управления контрактами и поиска поставщиков до внедрения и обслуживания ИТ.

Пример из практики: Британская транспортная компания применила искусственный интеллект для выявления основных причин выбытия сотрудников и прогулов. Затем компания разработала целевые мероприятия для каждого из этих факторов, что позволило сократить расходы на оплату больничных листов и отсев сотрудников на 20-25%.

В этом путешествии относительно легче понять, что именно нужно сделать, чтобы стать "родным" для ИИ; более сложной задачей является то, как воплотить эти возможности в жизнь. Работая над многолетними проектами с операторами по всему миру, мы выявили важнейшие передовые методы в трех областях, которые являются отличительными признаками успешной трансформации на базе ИИ: создание ИИ, управление им и стимулирование его внедрения.

Для разработки преобразующего ИИ требуется тщательно выверенный подход, который следует следующим основным принципам:

• Создавайте основные возможности ИИ по модульному принципу и с учетом возможности повторного использования, с потенциалом развертывания в различных контекстах оператора. Например, основной механизм прогнозирования может быть развернут как в колл-центре, так и в розничной торговле. Это позволит повысить рентабельность инвестиций в ИИ за счет сокращения времени на развертывание и предотвращения дублирования работы.
• Тесная интеграция возможностей ИИ друг с другом на основе подхода, основанного на архитектуре моделей, которая объединяет различные модели ИИ для максимизации создания ценности и содействия повторному использованию. Например, модель склонности к цифровым технологиям будет построена как базовая модель, которая станет исходным материалом для множества моделей, ориентированных на клиентов.
• Используйте цифровых двойников в качестве основы для всего ИИ. Цифровые двойники - виртуальные представления физического актива, человека или процесса с продуктом данных в основе - являются ключом к разблокированию многократно используемого ИИ. Данные в цифровом двойнике намеренно структурируются и моделируются, чтобы обеспечить простое, многократное использование и управление всеми потребностями, а также служить единым источником истины для всех моделей (Рисунок 2).

• Внедряйте передовые методы работы с машинным обучением (MLOps), чтобы сократить жизненный цикл разработки аналитики и повысить стабильность моделей. MLOps обычно включает автоматизацию интеграции и развертывания кода, лежащего в основе возможностей ИИ.
• Переосмыслите стратегию привлечения технических талантов в целом. Без глубокой базы инженерных талантов амбиции по созданию ИИ останутся миражом. Работодателям следует подумать о том, чтобы расширить сеть поиска поставщиков за счет более широкого круга университетов и учебных заведений. Также важно улучшить условия, в которых работают разработчики, поскольку опыт разработчиков является одним из главных факторов, определяющих привлекательность работодателя. Например, ограничения на использование языков программирования и инструментов облачных провайдеров могут оказать значительное влияние на решение разработчика нанять и остаться в организации, а также на производительность труда разработчика. Поскольку потребности в технических кадрах многогранны, операторам следует запустить полный список инициатив на протяжении всего жизненного цикла сотрудника.

Поддержание и совершенствование возможностей ИИ зависит от экспериментального, итерационного мышления, ориентированного на инновации в области продуктов и технологий.

• Относитесь к возможностям ИИ как к настоящим продуктам, назначая для их курирования специальных менеджеров по продуктам. PM выступают в роли переводчиков между техническими и бизнес-командами и обязаны постоянно владеть продуктом и разрабатывать возможности для его улучшения. Они следят за тем, чтобы продукт никогда не создавался как одноразовое решение.
• Создайте лаборатории ИИ для быстрого проведения экспериментов. Выделенные группы руководителей и специалистов по анализу данных или инженеров получают ускоренное разрешение на проведение экспериментов с новыми моделями, проверку их осуществимости и подтверждение ценности для бизнеса перед масштабированием.
• Обновляйте технологический стек ИИ не реже одного раза в год, чтобы использовать преимущества новых разработок. В последние годы произошли значительные улучшения в инструментарии, которые радикально изменили рабочие процессы ИИ.
• Ускорить усилия по модернизации ИТ и данных (сложность которых часто замедляет трансформацию ИИ) за счет использования эталонных архитектур, проверенных в ходе многочисленных трансформаций в разных отраслях. Более того, создавайте целевую облачную нативную архитектуру данных на основе итеративного подхода, ориентируясь в первую очередь на улучшение компонентов, необходимых для приоритетных сценариев использования ИИ (например, потоковая передача данных может стать ключом к разблокированию сценариев обнаружения мошенничества).

Комплексный подход, сфокусированный на том, что входит в модели и выходит из них, имеет решающее значение для стимулирования растущего использования ИИ:

• Обеспечьте, чтобы решения ИИ считались надежными ИИ, включая такие аспекты, как объяснимость моделей, ответственность за результаты работы моделей ИИ и техническая надежность.
• Сделайте управление изменениями приоритетным с первого дня. Операторам необходимо вовлекать конечных пользователей аналитических данных с использованием ИИ на всех этапах жизненного цикла разработки модели и инвестировать в формальное и неформальное наращивание потенциала. Операторам также необходимо тщательно проанализировать замену и перестройку существующих процессов, а также методов управления и ролей, чтобы они были ориентированы на ИИ.

Во многих отраслях компании используют ИИ для повышения эффективности своей деятельности, существенного улучшения качества обслуживания клиентов и, в конечном счете, для более быстрого вывода на рынок инновационных продуктов и услуг. Операторы могут перенять опыт этих отраслей и инвестировать в ИИ для повышения своей конкурентоспособности в предстоящие годы экономической неопределенности и конкурентных потрясений. Многие операторы уже начали это делать.

Организации, которые говорят о внедрении ИИ, но двигаются медленными темпами, надеясь, что несколько инновационных проектов, разработанных на периферии организации и в изолированных подразделениях, соберутся вместе, чтобы создать эффект снежного кома для целостного изменения того, как технология обеспечивает принятие бизнес-решений, скорее всего, потерпят неудачу.

В конечном счете, крупнейшим фактором внедрения ИИ станет спонсорство на уровне генерального директора и полная согласованность действий руководителей на протяжении всей трансформации AI-native. Искусство возможного с помощью технологии уже давно превзошло то, что компании смогли воспринять. Без активной поддержки на высшем уровне, направленной на активное преодоление организационной инерции, донесение увлекательной истории изменений, моделирование нового поведения, содействие наращиванию потенциала и принятие обязательств по необходимым долгосрочным технологическим инвестициям, усилия по преобразованию AI-native не увенчаются успехом.

Путь к внедрению искусственного интеллекта потребует от операторов создания стратегического видения и дорожной карты, которая воодушевит и мобилизует организацию, создания приоритетных возможностей искусственного интеллекта, чтобы набрать обороты, и объединения всех усилий для обеспечения того, чтобы операционная модель и управление изменениями были настроены на внедрение. За этим последует широкомасштабное внедрение ИИ в организации.

Этот путь долог и требует самоотдачи, но операторы, которые встанут на путь внедрения ИИ, скорее всего, станут лидерами на следующем этапе трансформации.

В статье использованы материалы исследований отчётов McKinsey & Company