Как компаниям считать отдачу от искусственного интеллекта

А стоит за ним желание получить от новой, толком не изученной технологии ту же предсказуемость, что от давно отлаженного конвейера. Но правда в том, что этого не добиться.

Давайте честно: мы находимся в точке, где большинство проектов с искусственным интеллектом ещё не принесли измеримого финансового эффекта и есть еще масса последствий и рисков, с которыми нам еще предстоит столкнуться на практике. По разным оценкам, подавляющая часть пилотных проектов не доходит до реального влияния на прибыль. И это не провал технологии — это нормальное состояние для этапа, когда инструмент ещё осваивается. Бизнес учится. И требовать от этого этапа чётких цифр окупаемости — всё равно что оценивать учёного по количеству написанных статей, не спрашивая, есть ли в них смысл.

Я не верю в показатели ради показателей. Тем более для инноваций. Показатели нужны там, где процесс стабилен, повторю, где есть история и предсказуемость. Конвейер, логистика, типовая поддержка — да, там считать легко и правильно. Но когда мы говорим о внедрении чего-то принципиально нового, жёсткая метрика становится не инструментом управления, а имитацией контроля. Мы ставим цифру, чтобы не чувствовать тревогу. А потом удивляемся, что цифра живёт своей жизнью, а дело — своей.

При этом я не говорю, что нужно пустить всё на самотёк. Безусловно, нужно смотреть, вопрос в том как именно. Я рекомендую придерживаться оценок на короткой и дальней дистанции.

На коротком горизонте вы увидите, скорее всего, немного: сократилось время на какую-то рутинную операцию, сотрудники стали чуть быстрее готовить черновики, снизилось число типовых обращений. Это хорошо, но это не стратегический эффект. Настоящая отдача от искусственного интеллекта, на мой взгляд, проявится на дальней дистанции и в другом: в культуре использования, в том, что люди на местах сами начнут находить способы применения, в накопленных данных и компетенциях. Это длинные эффекты. Эти результаты не окажутся в бижайшем квартальном отчёте. Цыплят, как известно, по осени считают, но эта осень еще не скоро.

Многое зависит от масштаба бизнеса. Небольшая команда может позволить себе поиграть: поставить, посмотреть, не пошло — откатить. Цена ошибки низкая, риск управляемый. Это здорово, и я только за. Крупная организация — другое дело. Там любое внедрение тянет за собой шлейф: безопасность данных, зависимость от сторонней модели, регуляторные требования, репутация. Здесь ошибка стоит дорого, а последствия могут всплыть не сразу, а они несомненно будут и уже много примеров, то всю базу клиентов данных удали, то модель куда-то не туда убежал. Поэтому для больших компаний важнее не «сколько заработали», а «не наломали ли дров». Это другой тип оценки — защитный, а не наступательный.

Несколько практических ориентиров для компаний, которые стоят на пороге введения оценки от внедрения ИИ. Начинайте не с показателей, а с вопроса: «Какую конкретную боль мы хотим снять?» Если ответа нет — не стоит и начинать. Фиксируйте состояние «до». Без этого любое «после» повисает в воздухе. На первом этапе считайте не деньги, а обучение: сколько гипотез проверили, сколько сценариев выявили, сколько людей попробовали инструмент в деле. Сохраняйте возможность отката назад. Всегда. На любом масштабе. Разделяйте короткую оценку (работает ли технически, удобно ли людям) и дальнюю (меняется ли экономика процесса).

Что делать точно не стоит:

- Не привязывайте премии руководителей к окупаемости интеллектуальных проектов в первый год. Это прямой путь к подгонке цифр.

- Не сравнивайте пилот с искусственным интеллектом и типовой проект автоматизации по одному шаблону. Это разные вещи. Избегайте показателя «количество внедрённых моделей». Это как считать количество написанных законов, а не их качество.

- Не требуйте точных прогнозов отдачи на этапе, когда технология ещё обкатывается.

Я не враг технологии, а именно скептик. И верю, что искусственный интеллект изменит многое, но не верю, что мы уже умеем честно измерять это «многое». И считаю, что честнее сказать «мы пока не знаем, как считать», чем нарисовать красивую цифру и сделать вид, что управляем процессом. Показатели придут, когда технология устоится, появятся типовые сценарии, когда накопится статистика. А пока — давайте учиться, пробовать, ошибаться и не стыдиться того, что точных цифр ещё нет.

Автор: Сергей Капарис, управляющий партнер Umbrella Consulting Group