Барьеры внедрения ИИ в организации
Что на самом деле мешает AI-трансформации
Рубрика: статья
Автор: Артем Пичугин
Время чтения: 9 мин
Степень использования AI в создании этого материала: поиск релевантных источников, сам текст написан полностью человеком.
Мы считаем важным открыто информировать о том, в какой степени ИИ использовался в написании материала, поскольку только такой подход способен создавать доверие между нами и читателем.
Мы считаем важным открыто информировать о том, в какой степени ИИ использовался в написании материала, поскольку только такой подход способен создавать доверие между нами и читателем.
1
Executive Summary
ИИ-трансформация затрагивает сразу несколько слоев организации и по этой причине создает большие управленческие сложности и вызовы. Согласно опросу Bain & Company Survey: Generative AI’s Uptake Is Unprecedented Despite Roadblocks, проведенному в декабре 2024 года, главными барьерами, замедляющими внедрение AI являлись риски безопасности, нехватка экспертизы и качество моделей.
Источник: Bain Generative AI Survey, December 2024 (N=199)
По большому счёту все эти причины можно отнести к одному из следующих слоев:
1. инфраструктурный
- безопасность и конфиденциальность
- интеллектуальная собственность
- техническая платформа не готова
2. компетентностный
- отсутствие внутренней экспертизы
- недостаток понимания сценариев использования
3. организационный
- недоказанная окупаемость инвестиций
- неопределенность в области регулирования
- отсутствие поддержки руководства
4. слой данных
- данные компании не готовы
5. слой моделей
- проблемы качества и точности.
Таким образом, если организация сможет обеспечить безопасную и современную инфраструктуру в закрытом контуре, обучить сотрудников использованию ИИ, определить политики и процессы использования ИИ для минимизации рисков, сделает данные качественными и актуальными для использования, то это создаст значительный фундамент для трансформации.
Качество и точность моделей находятся за пределами контроля большинства организаций (единицы компаний тренируют собственные LLM) и одновременно в течение последних лет демонстрируют постоянный прогресс.
2
Big Picture
Интересно задаться вопросом, а чем эта трансформация отличается от других трансформаций, которые многие организации проходили в прошлые годы? Организации ведь и до этого использовали в своей деятельности AI — это был в большей степени Analytical AI, нежели GenAI. В рамках Analytical AI компании работали в основном с табличными или полуструктурированными данными (text-mining). На основе них специально обученные люди (дата сайентисты) строили ML-модели, которые далее внедрялись во внутренние процессы организации или в продукт для конечного пользователя: рекомендательные системы, кредитный скоринг, мониторинг состояния оборудования и др.
Ключевое отличие от GenAI — это количество пользователей внутри организации, которые могут самостоятельно с этим AI взаимодействовать и получать от него результат. Не было такого момента в истории, когда каждый сотрудник компании мог взять свои данные, очистить их, далее на основе них самостоятельно построить и натренировать модель, подобрать необходимые параметры, получить прогноз и как-то с ним обойтись. GenAI такую возможность предоставляет — любой человек посредством чата может попросить модель что-либо сделать.
И это создает один из вызовов — уровень проникновения этой технологии в организации в потенциале намного выше, и если все вдруг начинают ею активно пользоваться в стихийном и бесконтрольном режиме, то происходит порождение хаоса и связанных с этим рисков (репутационные, безопасности, операционные и др.) Следовательно, этим хаосом нужно как-то управлять и его структурировать.
И вот в этой точке появляется множество развилок, экзистенциальных вопросов и неопределенности в организации: что мы хотим делать, зачем мы это делаем, что мы ожидаем получить, как нам это лучше выстроить, что делать вначале, что делать следующим шагом, куда мы вообще идем и что хотим строить, что нам нужно, чтобы это случилось, сколько это будет стоить.
Ответы на эти вопросы являются хорошим подспорьем для стратегии AI-трансформации, которой посвящена одна из наших корпоративных программ. Именно такая стратегия вносит ясность и позволяет дальше проработать более детальный план, на каждом из задействованных слоев организации.
3
Инфраструктурный слой
После того как организация сформулировала для себя роадмап ИИ-трансформации и понимает ключевые направления и сценарии использования как в ближайшей перспективе, так и в рамках долгосрочного планирования, она способна перейти и к пониманию того, какая инфраструктура могла бы подкрепить эту стратегию.
Многие компании хотели бы иметь развернутые LLM в своем контуре для обеспечения безопасности своих данных и защиты интеллектуальной собственности, однако не все это себе могут позволить с точки зрения бюджетных ограничений.
Одновременно с этим для того, чтобы то самое проникновение технологии было близким к 100% внутри организации, у рядовых сотрудников должен быть обеспечен максимально удобный и простой способ взаимодействовать с разными ИИ-моделями, сервисами и типами данных. Согласно отчету McKinsey The state of AI: How organizations are rewiring to capture value, сотрудники чаще всего взаимодействуют с текстом и только потом с другими типами данных.
Источник: McKinsey Global Survey on the state of AI, июль 2024 (N=1 491)
4
Компетентностный слой
ИИ-трансформация идет рука об руку с полноценным обучением сотрудников компании тому, что эта технология способна сделать, а также какие она имеет ограничения и риски. Обучение должно охватывать сразу все уровни организации.
1. Топ-менеджмент должен сформулировать стратегический вектор развития и внедрения AI, определить верхнеуровневый целевой роадмап, оценить примерные необходимые инвестиции и человеческие ресурсы, понимать, какие существуют барьеры и факторы успеха с точки зрения организационного развития.
2. Уровень руководителей подразделений и владельцев продуктов должен формулировать качественные гипотезы по внедрению ИИ в разные процессы, проекты и продукты с пониманием возможностей и ограничений технологии, а также реалистичным взглядом на то, что может потребоваться при переходе от прототипа к production-ready решению.
3. Уровень специалистов по работе с данными и других технических специалистов должен приобрести новые навыки, связанные с тем, чтобы докручивать и оптимизировать модели под возникающие сценарии использования, чтобы достигать необходимой точности, и упаковывать их в продукты с понятным интерфейсом.
4. Уровень линейных сотрудников должен понимать потенциальные точки использования ИИ конкретно в их процессах, а также ограничения и риски, связанные с этим, чтобы не навредить себе и репутации компании.
5
Организационный слой
В рамках этого слоя компании необходимо продумать организационную структуру, которая будет драйвить AI-трансформацию: кто будет являться ключевым лидером и ответственным, как будет выглядеть центр компетенций и кто в него войдет, насколько это будет централизованная или децентрализованная модель. Согласно отчету McKinsey, эта степень централизации/децентрализации может варьироваться в зависимости от функции.
Источник: McKinsey Global Survey on the state of AI, июль 2024 (N=1 491)
И поскольку изменения коснутся почти каждого сотрудника, то обязательным элементом является тщательная проработка внутренней коммуникации, которая ясно и четко даст понять, куда организация двигается и какую роль в этой новой версии организации будут играть сотрудники.
6
Слой данных и слой моделей
Для некоторых сценариев GenAI нет потребности в том, чтобы работать с какими-либо корпоративными данными: например, кейсы с генерацией картинок. Однако, любые кейсы, связанные со взаимодействием с корпоративными базами знаний, таск-менеджерами моментально приведут к пониманию, что для качественной работы новых инструментов, необходимо привести всю необходимую документацию в актуальное и релевантное состояние и в дальнейшем его поддерживать и обеспечивать.
Data Governance необходим не только для Analytical AI, но и имеет свою специфику в рамках GenAI.
На слой моделей, как было сказано ранее, может влиять сильно ограниченное количество компаний, однако неточность результатов моделей довольно часто сводится всё к тому же качеству исходных данных или недостаточности необходимого контекста, который должен быть указан в промпте.
Таким образом, AI-трансформация компании является сложным многосоставным проектом, который включает в себя множество слоев, про которые необходимо думать, чтобы повысить вероятность успеха.