Цифры отрезвляют. Широко разрекламированный отчет Массачусетского технологического института показывает, что 95% пилотных проектов генеративного искусственного интеллекта в компаниях не могут добиться значимого финансового эффекта. Между тем, корпорация RAND обнаружила, что более 80% проектов ИИ терпят неудачу — в два раза больше, чем обычные ИТ-проекты. А S&P Global сообщает, что компании сейчас отказываются от 42% своих инициатив в области искусственного интеллекта по сравнению с 17% в предыдущем году.
Но вот в чем дело: это не технологические сбои. Это неудачные стратегии.
Для AI нет SKU
Зайдите сегодня на любую конференцию по корпоративному программному обеспечению, и вы увидите, как поставщики торгуют «решениями искусственного интеллекта» так же, как они продают ноутбуки или офисные кресла. Подразумевается, что ИИ — это продукт, который можно просто купить, подключить и наблюдать, как происходит волшебство. Именно этот коммерческий взгляд на ИИ — рассматривая его как товарную единицу (SKU), которую вы можете заказать из каталога, — является именно причиной того, что так много проектов терпят крах и горят.
Реальность такова, что для ИИ не существует SKU, потому что ИИ — это не решение, которое ищет проблему. Это мощный инструмент, который требует продуманного применения для решения конкретных, четко определенных бизнес-задач. Большинство неудач происходит не потому, что модели ИИ недостаточно сложны; они происходят потому, что организации неправильно подходят к ИИ.
Ловушка для научного эксперимента
Многие из тех проектов ИИ, которые потерпели неудачу, с самого начала никогда не имели четкого пути окупаемости инвестиций. Это научные эксперименты, замаскированные под бизнес-инициативы. Команда специалистов по обработке данных воодушевляется новой моделью, руководство узнает о преобразующем потенциале ИИ, и внезапно появляется шестизначный бюджет для пилотного проекта ИИ с расплывчатыми критериями успеха, такими как «повышение эффективности» или «улучшение качества обслуживания клиентов».
Эти (обреченные) проекты следуют предсказуемой схеме: впечатляющие демонстрации, первоначальный энтузиазм, месяцы разработки, растущие затраты и, в конечном итоге, тихий отказ, когда никто не может указать на конкретное влияние на бизнес. Исследование MIT подтверждает это, обнаружив, что приобретенные инструменты искусственного интеллекта достигают успеха в 67% случаев, тогда как внутренние сборки достигают успеха лишь в трети случаев, главным образом потому, что решения поставщиков имеют более четкие сценарии использования и показатели успеха, привязанные к конкретным бизнес-результатам.
Избегайте панических покупок
Еще одна причина, по которой проекты ИИ не могут принести значимой пользы, — это когда директивы исходят с вершины корпоративной иерархии в вакууме. Директивы «Нам нужна стратегия искусственного интеллекта» могут привести к паническим покупкам.
Например, одна богатая организация финансовых услуг получила мандат и немедленно приобрела новейший сервер с графическим процессором, чтобы выполнить его. Однако только после того, как сервер прибыл в центр обработки данных, организация осознала, что не продумала, как будет использовать его для решения бизнес-задач. Вместо этого он считал, что покупка сервера GPU сама по себе ставит галочку в пункте, указанном выше.
Есть лучший способ. . .
Лучшая структура: подход трех блоков
Вместо того, чтобы начинать с ИИ и искать приложения, умные организации переворачивают сценарий. Вот структура, которая устраняет коренные причины сбоев ИИ:
Вставка 1. Начните с главных бизнес-проблем
Перечислите 10 самых больших проблем вашей организации. Не технологические проблемы, а бизнес-задачи. Подумайте о росте доходов, сокращении затрат, удовлетворенности клиентов, производительности сотрудников, управлении рисками или операционной эффективности. Это должны быть проблемы, которые не дают вашим руководителям спать по ночам, а не интересные технические головоломки, которые волнуют ваших разработчиков.
Такой подход, ориентированный на решение проблем, гарантирует, что вы решите что-то важное. Как сказал один из руководителей в исследовании RAND: «Проекты ИИ часто терпят неудачу, когда они сосредотачиваются на используемой технологии, а не на решении реальных проблем для предполагаемых конечных пользователей».
Вставка 2. Оцените качество ваших данных
Какие из этих главных проблем имеют хорошие, чистые и доступные данные? Именно здесь большинство проектов ИИ проходят первую проверку реальности. Действительно, исследования CDO показывают, что проблемы качества данных являются главным препятствием, которое 43% организаций называют основным препятствием на пути к успеху ИИ.
В условиях искусственного интеллекта фраза «мусор на входе — мусор на выходе» по-прежнему остается прибыльной. Если ваши данные о клиентах разбросаны по шести системам разных форматов, или если ваши операционные данные неполны и противоречивы или заблокированы в древней базе данных SQL, никакое сложное моделирование в отдельной векторной базе данных вас не спасет. Проблемы с лучшими данными становятся вашими лучшими кандидатами на роль ИИ не потому, что они самые важные, а потому, что их легче всего решить с помощью современных технологий.
Блок 3. Проверка существующих показателей
Какие из основных проблем, имеющих хорошие данные, уже имеют установленные бизнес-метрики? Это очень важно, поскольку от этого зависит, сможете ли вы доказать окупаемость инвестиций после определенного периода развертывания решения ИИ. Если вы не можете измерить текущее состояние проблемы, вы не сможете продемонстрировать улучшение после внедрения ИИ.
Ищите проблемы, в которых вы уже отслеживаете такие показатели, как время решения, уровень точности, стоимость транзакции или уровень удовлетворенности клиентов. Эти существующие системы измерения станут вашими критериями успеха и помогут избежать расплывчатых целей, которые обрекают на провал многие инициативы в области ИИ.
Пример чат-бота RAG: идеальное решение для трех блоков
Многие ранние истории успеха искусственного интеллекта связаны с внедрением чат-бота с расширенной генерацией данных (RAG) для систем поддержки заявок, подобных тем, которые используются ИТ-специалистами, отделами кадров или командами, работающими с клиентами. Давайте посмотрим на внутренний вариант использования, который прекрасно проверяет все три флажка:
Блок 1. Ясная бизнес-проблема: запросы сотрудников на поддержку отнимают значительное время и ресурсы. ИТ- и HR-команды часами отвечают на повторяющиеся вопросы о сбросе паролей, регистрации льгот, доступе к программному обеспечению и разъяснениях политик. Это напрямую влияет на производительность и удовлетворенность сотрудников.
Вставка 2. Хорошие данные: Ваши системы обработки заявок уже содержат тысячи решенных заявок с вопросами, ответами и способами решения. На внутренних сайтах часто есть ответы на часто задаваемые вопросы, но сотрудники редко их просматривают. Ваши базы знаний, политики и документация предоставляют чистую, структурированную информацию, которая может эффективно использоваться в системе RAG.
Вставка 3. Существующие показатели: вы уже измеряете объем обращений, уровень разрешения проблем при первом обращении, среднее время разрешения проблем и уровень удовлетворенности сотрудников. Они станут вашими показателями успеха ИИ.
Прелесть этого подхода в том, что он ориентирован на сотрудников, а не на клиентов, что снижает риск во время вашего обучения. Сотрудники более снисходительны к случайным причудам ИИ, чем платят клиентам, и обратной стороной неправильного ответа обычно является разочарование, а не потеря дохода.
Проверка реальности реализации
Даже при таком дисциплинированном подходе помните, что успех не гарантирован. По данным Gartner, исследования показывают, что только 48% проектов ИИ доходят до стадии производства, и на это уходит в среднем восемь месяцев. Но, следуя схеме трех блоков, вы значительно повышаете свои шансы, гарантируя, что:
- Вы решаете реальную бизнес-задачу (а не технологический молоток, ищущий гвозди).
- Ваше основание данных может поддержать это решение.
- Вы можете измерить и доказать успех.
Путь вперед
Высокий процент неудач в проектах ИИ не является обвинением в адрес технологии; они являются сигналом тревоги относительно стратегии реализации. Организации, которые рассматривают ИИ как волшебное средство или покупку товара, продолжат пополнять статистику 95% неудач. Те, кто подходит к нему как к мощному инструменту, требующему тщательного применения для решения четко определенных проблем, окажутся в числе успешных 5%.
В следующий раз, когда кто-то предложит вам «решение на базе искусственного интеллекта», спросите его, какие из ваших главных бизнес-задач оно решает, какие данные для этого требуются и как вы будете измерять успех. Если они не могут четко ответить на все три вопроса, вы рассматриваете еще один потенциальный научный эксперимент.
Для ИИ нет SKU, потому что ИИ — это не продукт; это возможность, которая требует стратегии, подготовки и дисциплины для успешного развертывания и достижения значимых бизнес-результатов. Организации, которые понимают это правильно, не имеют самых сложных моделей; у них самые ясные проблемы и лучшие данные для их решения.
Начните со своих проблем, а не своих возможностей. Ваша рентабельность инвестиций скажет вам спасибо!
Отказ от ответственности: Мнения, высказанные здесь, принадлежат автору и не должны восприниматься как официальная позиция MongoDB.
ТЕНДЕНЦИОННЫЕ ИСТОРИИ YOUTUBE.COM/THENEWSTACK Технологии развиваются быстро, не пропустите ни одной серии. Подпишитесь на наш канал YouTube, чтобы смотреть все наши подкасты, интервью, демонстрации и многое другое. ПОДПИСАТЬСЯ Группа, созданная в Sketch. Пит Джонсон — технический директор в области искусственного интеллекта в MongoDB, где он регулярно обсуждает такие темы, как большие языковые модели, векторный поиск и протокол контекста модели, с аналитиками, прессой и клиентами. Ветеран технологической отрасли с более чем 30-летним стажем, он провел… Подробнее от Пита Джонсона
