7 ошибок при масштабном внедрении искусственного интеллекта

Ошибки при формировании стратегии 

Стратегические ошибки в любой инициативе каскадом распространяются на подпроекты, а внедрение новых технологий всегда характеризуется большим риском. Для успешного внедрения ИИ критически важно правильно определиться со стратегией. 

1. Отсутствие видения, синхронизации целей между командами 

Согласно MarketWatch, капитализация топ-5 цифровых компаний (Facebook, Apple, Google, Microsoft, Amazon) превосходит капитализацию 282 других компаний из S&P500. Более того, эти компании успешно используют сетевые эффекты по данным, что делает их практически недосягаемыми для конкурентов.

Вместо того, чтобы заниматься масштабной трансформацией, качественными изменениями и запуском собственных сетевых эффектов, компании старого уклада тратят ресурсы на локальные инициативы по модернизации и случайные инновации, называя это цифровой трансформацией.

Например, одна международная телекоммуникационная компания хотела запустить ИИ чат-бота для автоматизации клиентской поддержки. Локальная команда в каждой стране выбрала своего вендора и реализовала этот проект. В результате такого подхода компания многократно переплатила за обучение каждой команды, все из них совершили ошибки из-за отсутствия обмена опытом.

Были потрачены дополнительные ресурсы и время на интеграцию разных вендоров в рамках одной платформы хранения диалогов с клиентами. Но клиенты, путешествующие в другие страны, постоянно жаловались на неконсистентный пользовательский опыт и неспособность «иностранного» чат-бота отвечать на знакомые «домашние» команды. 

Рекомендации

• Сформировать общее видение и цели трансформации с помощью стратегических сессий, платформ по управлению идеями, воркшопов, опросов и интервью. 
• Вести распределенный, но системный поиск возможностей для внедрения ИИ под руководством цифрового лидера из команды топ-менеджеров, ответственного за внедрение ИИ. 
• Организовать регулярную коммуникацию между командами, локальными офисами, инновационной лабораторией и материнской компанией.  

2. Преждевременные инвестиции в дорогостоящую инфраструктуру

Это приводит к «замораживанию» большого бюджета, который сложно окупить даже в среднесрочной перспективе, и несоответствию возможностей инфраструктуры потребностям проектов.

Один из крупных международных ритейлеров потратил более $10 млн на лицензию и 2,5 года на создание централизованного хранилища данных. Когда проект по хранилищу завершили, оказалось, что им воспользовалось лишь две команды, которые, в свою очередь, надстроили над хранилищем собственный слой взаимодействия с данными и не использовали схожие возможности хранилища.

В итоге прежнего CIO уволили из-за отсутствия результатов и неэффективного управления бюджетом.

Рекомендации 

В начале пути компания должна сфокусироваться на реальных бизнес-кейсах и получении первых ярких результатов. Это позволит получать дальнейшее финансирование, частично или полностью самофинансировать ИИ-трансформацию и привлечь интерес со стороны других руководителей и сотрудников.

everything possible/Shutterstock

Ошибки при реализации стратегии

Наличие качественной стратегии не всегда гарантирует успех. Большая часть ошибок  совершается компаниями именно на этапе реализации, так как ИИ требует качественно новых принципов работы, компетенций и технологий. 

3. Недостаточное финансирование и отвлеченный подход к бюджетированию программы по внедрению ИИ 

В ИИ-проектах значительной статьей затрат являются сырые данные, их разметка, а также вычислительные ресурсы на обучение моделей машинного обучения и использование обученных моделей для обработки новых данных. Более того, в отличие от типичного SaaS, ИИ характеризуется более сложной структурой переменных затрат, которые могут негативно влиять на экономику бизнес-кейса при масштабировании.

Недостаточное финансирование может препятствовать достижению нужного масштаба, когда решение на основе данных и ИИ начнет работать и окупаться. 

Так, Uber потребовалось более $10 млрд, чтобы выстроить свою сеть водителей и создать точные ИИ-алгоритмы по рекомендации пассажиров и водителей на основе данных. Стоит отметить, что чрезмерное финансирование может быть вредным, так как команда проекта не будет чувствовать финансовых ограничений и не сможет настроить юнит-экономику. 

Рекомендации

Бюджет должен соответствовать решаемой задаче и выделяться постепенно на основе метрик проекта и достижения ключевых показателей, как в случае стартапов. Для целей финансирования выделяют семь фаз ИИ-проекта: 

1. Проработка бизнес-кейса,
2. Формирование технических требований,
3. Прототип, 
4. MVP, 
5. A/B-тест, 
6. Запуск в промышленную эксплуатацию, 
7. Масштабирование.

4. Отсутствие поддержки со стороны высшего руководства, без которой трансформация может затухнуть или замедлиться

Например, необходимо получить доступ к данным под управлением другого подразделения, доступ к мощным вычислительным ресурсам вне очереди, дополнительное финансирование для проверки гипотез. Во всех этих ситуациях лидер, обладающий полномочиями и социальным капиталом внутри компании, способен «переписать историю» и помочь.

Рекомендации

Выделить среди топ-менеджеров цифрового лидера, который будет отвечать за системное внедрение ИИ (обычно CDO, CAO или CAIO). Сформировать рабочую группу из руководителей и проектных менеджеров, которая будет на регулярной основе обсуждать барьеры в трансформации и находить решения, а также сбалансирует единоличные решения цифрового лидера по ИИ.

5. Несистемность в выборе технологий и отсутствие централизованной ИИ-платформы

Это приводит к неспособности удовлетворить растущий спрос на ИИ внутри компании после получения первых результатов. В этом случае инициатива качественно изменить компанию за счет ИИ остается на уровне нескольких проектов. 

Рекомендации

Начиная с первых проектов компания должна задумываться о вопросах воспроизводимости экспериментов по обучению моделей машинного обучения, упрощать процесс вывода моделей в эксплуатацию, устанавливать стандарты по хранению данных, тестированию и пострелизному мониторингу систем, избегать дублирования кода, чтобы в момент массового спроса на ИИ компания была способна успешно обработать заявки. 

На практике для одного из наших клиентов мы сократили бюджет на 40% (с $2.9 млн до $1.76 млн) и время реализации на 33% (с 12 до 8 месяцев) за счет выделения повторяющегося в нескольких проектах кода в облачные сервисы ИИ-платформы.

6. Наем неэффективных сотрудников «по нормативу» и отсутствие стандартов

Вместо того, чтобы нанимать большое число рядовых специалистов без понимания, как они будут взаимодействовать и кто за что отвечает, лучше создавать эффективные команды «спецназа» и предоставлять им хорошие условия и свободу для творчества.

Например, мы столкнулись с ситуацией, когда разработанное нами, как консультантами, решение удовлетворяло все требования и цели компании-клиента, но ее сотрудники не могли поддерживать решение после его передачи из-за высокой сложности и большого числа новых технологий, которые использовались для разработки.

В итоге руководство приняло решение частично отказаться от собственных требований и стратегических целей, а мы потратили еще несколько месяцев для того, чтобы упростить решение и сделать его «доступным».

Рекомендации 

Цифровые команды должны быть небольшими, состоять из высококлассных специалистов, которые могут быстро тестировать гипотезы, подстраиваться под меняющуюся бизнес-среду, создавать новые решения для новых задач. Задача CHRO (руководитель команды по подбору персонала) — четко определить роли и требования для ИИ-специалистов, сформировать составы типовых команд под ИИ-проекты разной сложности, а затем провести инвентаризацию доступных навыков внутри организации. 

Недостающие навыки можно получить путем узконаправленного найма специалистов или расширения пула талантов за счет удаленной работы с фрилансерами, что стало нормой в период COVID. Специально для этой цели компания Gigster запустила платформу, которая позволяет «бесшовно» создавать распределенные команды узкопрофильных специалистов под цифровые проекты, объединяя внутренний пул талантов и внешних консультантов. 

7. Линейный подход к трансформации и непризнание гибких методологий

Во времена технологической революции, которые мы сейчас переживаем, стандарты и подходы к решению задач создаются в процессе работы. Поэтому наивно рассчитывать, что все предпосылки стратегии будут выполняться.

Рассмотрим на примере. Для крупной телекоммуникационной компании наша команда провела серию стратегических сессий, чтобы сформулировать цели ИИ-трансформации. В результате была сформирована дорожная карта по ИИ на восемь месяцев вперед. Однако в ходе анализа клиентских данных через месяц выяснилось, что нужной для моделирования и машинного обучения целевой переменной в данных нет — ее просто никто не сохранял — и проект не может двигаться дальше. 

Вместе с клиентом за шесть недель мы провели дополнительные сессии по поиску возможностей для внедрения ИИ и планирования, а после этого приступили к реализации. По завершении модифицированного проекта оказалось, что новое направление было даже более доходным — мы сэкономили компании $5–10 млн.    

Рекомендации

Выстраивать стратегию, процессы и культуру компании так, чтобы иметь возможность реагировать на новую информацию и корректировать планы без угрозы приостановки всей трансформации.

Вместо одного проекта, внедрение ИИ нужно сразу начинать с портфеля из 3–5 проектов разной сложности: несколько простых проектов с низким уровнем риска и высокими шансами на успех (2–3 месяца на проект), несколько проектов средней сложности (4–6 месяцев на проект) и один сложный и высокодоходный проект (на 6–9 месяцев). 

Как показывает практика, в процессе реализации некоторые проекты могут быть приостановлены из-за отсутствия необходимых данных уже на стадии сбора требований, другие окажутся нерентабельными после реализации прототипа и уточнения затрат на вычислительные ресурсы, при этом в целом по портфелю внедрение ИИ будет показывать доходность, что позволит реинвестировать средства в масштабирование успеха на всю компанию.

Главный вывод

Времени ждать нет. Нужно как можно раньше запускать сетевые эффекты по данным, проводить масштабное внедрение ИИ и цифровизацию всех бизнес-процессов, создавать ИИ-платформу и обязательно менять культуру для того, чтобы по-настоящему трансформироваться и минимизировать риск полного исчезновения из-за угрозы от цифровых конкурентов. Перечисленные ошибки и рекомендации по их устранению позволят двигаться быстрее и повысят шансы на выживание.

В проекте Dig(IT)al рассказываем о технологиях, которые помогут вам заработать. Переходите на цифровую сторону бизнеса.

Фото на обложке: Tatiana Shepeleva/Shutterstock