Включить ИИ на
полную мощность

Искусственный интеллект меняет бизнес — правда, не так стремительно, как многим кажется. Но ИИ действительно уже участвует в принятии всяческих решений: от сбора урожая до выдачи займов, и на наших глазах обретают плоть еще недавно казавшиеся утопичными идеи вроде полностью автоматической службы поддержки. Технологии, поддерживающие ИИ (например, платформы разработки приложений, мощности хранения и обработки данных), стремительно развиваются и дешевеют. Похоже, компаниям пора извлекать из этого тренда пользу. По нашим оценкам, в ближайшие десять лет вклад ИИ в экономику достигнет $13 трлн.

Увы, несмотря на перспективность новых технологий, многие инициативы по их использованию не достигают целей. Мы разослали анкету с вопросом о применении ИИ и передовой аналитики тысячам топ-менеджеров, и наши данные показали, что лишь 8% фирм внедрили его в базовые процессы, обеспечив тем самым большой масштаб. Большинство фирм запускают только ситуативные пилотные проекты или используют ИИ очень узко.

Почему все так медленно? По сути, компаниям не удается перестроиться. Проведя исследования и ­поработав с сотнями клиентов, мы убедились: инициативы по внедрению ИИ упираются в мощнейшие культурные и организационные барьеры. С другой стороны, нам удалось встретить лидеров, которые сразу же приняли меры по устранению этих барьеров и успешно воспользовались возможностями новейших технологий.

Переход на новые рельсы

Одно из основных заблуждений руководителей компаний — идея, будто ИИ можно просто «подключить» и начать получать прибыль. Решив реализовать пару проектов, такие лидеры вливают миллионы в инфраструктуру данных, программные инструменты, специалистов-аналитиков и разработку моделей. Часть пилотных инициатив даже дает небольшую прибыль, но затем проходят месяцы или даже годы — а масштабных выгод, ожидавшихся начальством, нет как нет. Фирме никак не удается перейти от пилотов к полноценным программам, а от отдельных задачек вроде сегментации потребительской базы к более крупным инициативам — например, оптимизации всего взаимодействия с ­клиентом.

Зачастую лидеры недопонимают условий применения ИИ. А ведь здесь нужны не только передовые технологии и таланты, но и новая культура, оргструктура и методы работы: без этого не добиться широкого освоения. Если компания не строилась изначально как цифровая, наверняка ее стиль мышления и работы отторгает ИИ.

Чтобы воспользоваться ИИ во всем его великолепии, фирме необходимо сделать три важных шага.

От разобщенных отделов — к междисциплинарному сотрудничеству. ИИ эффективнее, если над ним работала кроссфункциональная команда, объединившая людей с непохожими навыками и разным менталитетом. Если ­продажники и производственники станут работать бок о бок с аналитиками, инициативы будут направлены на широкий спектр приоритетов компании, а не на изолированные проблемы. Междисциплинарная команда может и сама предложить необходимые для новых технологий изменения, ведь ей, например, проще заметить, что внедрение алгоритма, прогнозирующего потребность в техобслуживании, требует пересмотра рабочих процедур. А если группа разработки сумеет вовлечь в проектирование еще и конечных пользователей, шансы на успех вырастут в разы.

От опоры на свой прошлый опыт и указания начальника — к самостоятельному использованию данных. Там, где ИИ удается внедрить в плоть и кровь компании, алгоритмы начинают дополнять оценки и интуитивный выбор сотрудников на всех уровнях, выводя принимаемые ими решения на уровень, недоступный ни для человека, ни для машины в отдельности. Однако для реализации такого подхода специалисты по всей иерархии должны научиться доверять предложениям алгоритмов и иметь право принимать решения. Если любое решение приходится согласовывать с боссом, активно задействовать ИИ просто не удастся.

В одной организации, заменившей сложный ручной процесс составления графика мероприятий новейшей интеллектуальной системой, решения стали приниматься принципиально иначе. Прежде планировщики отмечали предпочтения участников, наложение разных графиков и иные факторы с помощью цветных пометок, флажков и стикеров. Часто они действовали по наитию — своему или высокого начальства. Новая система быстро учитывала все варианты: один алгоритм вычленял из сотен миллионов вариантов несколько миллионов сценариев, а другой — дополнительно сужал это число до сотен и строил рейтинг оптимальных расписаний для каждого из участников. Опытный планировщик, опираясь на свои знания, теперь без труда принимал окончательное решение: оно было подкреплено надежным анализом и не требовало консультации с вышестоящими инстанциями. Планировщики с готовностью освоили новый инструмент и доверились ему — ведь они сами помогали задавать его параметры и ограничения, к тому же последнее слово все-таки оставалось за ними.

От жесткости и боязни риска — к гибкости, экспериментам и адаптации. Организации должны перестать требовать от реализуемой идеи идеальной проработки, а от внедряемого инструмента — полного совершенства. Первая версия системы ИИ редко обладает всем ­функционалом. Привычка тестировать и учиться по ходу дела приучает смотреть на ошибку как на источник открытий, снижающих риск провала. Быстро получая отзывы от пользователей и учитывая их в следующих версиях, фирма сможет исправлять мелкие недочеты, прежде чем они разрастутся в дорогостоящую проблему. Это значительно ускоряет разработку, позволяя небольшой группе ИИ создавать минимально жизнеспособные продукты буквально за несколько недель.

Подобные фундаментальные сдвиги не даются сразу. Сотрудников надо к ним подготовить, мотивировать и снабдить всем необходимым. Но прежде всего подготовиться должны сами лидеры. Мы видели уйму провалов, вызванных непониманием руководством компаний сути ИИ (ниже мы расскажем, как с этим справиться).

Настройка на успех

Чтобы облегчить путь организации к ИИ и вовлечь в дело сотрудников, лидеру нужно с самого начала уделять внимание ряду задач.

Объяснять зачем и почему. Помогите организации осознать неотложность и потенциальную пользу перемен. Это важно всегда, но особенно в случае внедрения ИИ: люди противятся ему, боясь потерять работу.

Лидер должен убедить сотрудников и сплотить их вокруг общей цели. Важно объяснить им, какую роль будет играть в компании ИИ и какое место займут в новой системе они сами. В частности, им нужно убедиться, что роботы не отберут их работу, а сделают ее более значимой (наши исследования подтверждают: ИИ потребует переобучить, а вовсе не уволить большинство персонала).

Продвигая свою ИИ-стратегию среди сотрудников, руководство крупного розничного конгломерата заявило, что без алгоритмов компании просто не выжить. Лидеры объяснили, какую угрозу офлайн-торговле несут интернет-магазины и как ИИ поможет справиться с рисками, увеличив эффективность и гибкость работы. Призвав сотрудников поддержать фирму в борьбе за выживание, менеджмент подчеркнул их важнейшую роль в предстоящей схватке.

Описывая ситуацию, руководство особенно выделило участников пилотного проекта, который уже помог оптимизировать ассортимент в магазинах и повысить выручку. Их пример показал другим сотрудникам, каким образом ИИ способен дополнить их опыт, улучшив результаты.

Предвидеть препоны внутри организации. Такие препятствия, как страх сотрудников остаться без работы, свойственны всем организациям. Вдобавок может ­оказаться, что в вашей есть свои особые сопряженные с ИИ сложности. Например, менеджер по работе с клиентами, гордящийся тонким пониманием их чаяний, часто отказывается верить, что какая-то машина может быть умнее его, и не станет обращать внимания на персональные рекомендации для клиентов, выдаваемые ИИ. А управленцы в крупных организациях, привыкшие мерить свой статус числом подчиненных, могут возмущаться вызванной ИИ децентрализацией принятия решений или сокращением штата.

В других случаях широкому освоению ИИ мешают нестыкующиеся процессы в разных частях организации. Например, компании, привыкшие при выделении бюджета мыслить в категориях функций или подразделений, будут затрудняться с созданием междисциплинарных эджайл-команд.

Чтобы найти решение, стоит вспомнить, как трансформационные инициативы преодолевали подобные барьеры в прошлом. Кроме того, в ряде случаев можно скорректировать ИИ-проекты под особые ценности компании. Например, в одной финансовой организации с сильным акцентом на клиентоориентированность лидеры сделали ставку на способность ИИ дополнительно укреплять отношения с клиентами. Банк разработал для менеджеров по работе с клиентами специальную брошюру, где рассказывалось, как можно увеличить лояльность, выручку и прибыль за счет объединения опыта и умений сотрудников с персональными рекомендациями алгоритмов. Программа освоения ИИ также включала в себя соревнование: кто добьется большей конверсии благодаря использованию нового инструмента. Результаты победителей были включены в ежемесячное послание сотрудникам от генерального директора.

Важную роль в выявлении трудных мест может сыграть относительно новый класс экспертов — координаторы, или «аналитики-толмачи». Эти люди помогают навести мосты между инженерами по данным и аналитиками, с одной стороны, и людьми из сферы собственно бизнеса (маркетологами, сбытовиками, производственниками, специалистами по рискам и проч.), с другой. Координаторы следят за тем, чтобы ИИ-приложения соответствовали потребностям компании и чтобы их освоение шло гладко. В начале внедрения именно они часто проводят опросы конечных пользователей, изучают их привычки и проверяют рабочие процедуры, чтобы найти и устранить узкие места.

Поняв, что мешает прогрессу, лидеры смогут не только найти правильный месседж в общении с персоналом, но и определить направления инвестиций, запустить ­оптимальные ИИ-инициативы, понять, как вести обучение, кого и за что поощрять и проч.

Потратить на интеграцию и освоение не меньше, чем на сами технологии. Один из наших опросов показал: почти 90% компаний, успешно выполнивших крупные ИИ-проекты, тратили более половины бюджета на различные меры, облегчившие внедрение — например, редизайн рабочих процессов, информирование и обучение. Среди компаний-неудачников подобное соотношение затрат наблюдалось лишь у 23%.

Например, один поставщик телекоммуникационных услуг решил запустить в колл-центре новую ИИ-программу удержания клиентов. Компания вложилась одновременно и в разработку нужных алгоритмов, и в помощь сотрудникам по переходу к новой схеме работы. Если раньше операторы просто выслушивали требование недовольных клиентов отключить их от сервиса и с сожалением выполняли его, то теперь ИИ подсказывал им, какие клиенты могут вскоре отказаться от их услуг и какие новые акции стоит им превентивно предложить. Сотрудников обучили новым навыкам продаж и заключения сделок и какое-то время наставляли их в процессе работы. Коучи и менеджеры слушали разговоры операторов с клиентами, давали индивидуальные отзывы и соответственно обновляли обучающие материалы и скрипты. Благодаря скоординированным усилиям новая программа сумела снизить отток клиентов на 10%.

Найти баланс между реализуемостью, ценностью и временны?ми затратами. Если внедряемая инициатива неподъемно трудоемка или требует больше года на подготовку, она может бросить тень на все текущие и будущие ИИ-проекты.

Но и на быстрых победах зацикливаться не стоит: разумно будет выстроить портфолио инициатив с разным временнм горизонтом. Если алгоритмизированные процессы, не требующие вмешательства специалиста (например, выявление мошенничеств), могут окупиться за несколько месяцев, то проекты с активным участием сотрудников (скажем, техподдержка) часто занимают больше времени. Чтобы правильно расставить приоритеты, следует рассматривать процессы в долгосрочной перспективе (обычно три года) и максимизировать совокупный эффект различных инициатив. В частности, чтобы ИИ мог изучить клиентов достаточно подробно для микросегментации, компании может понадобиться провести ряд распродаж и акций. Часть этих мероприятий (целевые предложения) могут дать результат за несколько месяцев, но чтобы реализовать общий потенциал всех маркетинговых проектов, понадобится год-полтора.

Ритейлер из Азиатско-Тихоокеанского региона подсчитал, что ИИ-инициатива по оптимизации пространства магазинов и размещения товаров не даст полной отдачи, если компания не решится переделать все магазины, полностью реорганизовав выкладку. После долгих споров руководство решило, что проект достаточно значим для будущих продаж, чтобы его реализовать, но слишком сложен, чтобы сделать это за один раз. Процесс разбили на два этапа. Сначала был разработан ИИ-инструмент, подсказывавший, какие дополнительные товары могли бы хорошо продаваться в конкретном магазине. Этот инструмент давал фирме лишь небольшой процент от общей ожидавшейся выгоды, но позволял директорам магазинов вводить в ассортимент новые артикулы немедленно, доказывая пользу проекта и наполняя сотрудников энтузиазмом перед началом многолетних преобразований.

Подготовка к масштабированию

О том, как лучше встроить команды по ИИ и аналитике в структуру компании, ведутся ожесточенные споры. Зачастую лидеры просто спрашивают «Какая оргмодель самая эффективная?» и, посмотрев на успехи других компаний, выбирают один из трех подходов: либо консолидируют почти все аналитические мощности в хабе (центре), либо децентрализуют их и распределяют по бизнес-подразделениям (периферии), либо используют гибридную, так называемую звездообразную модель. По нашим данным, нельзя априорно утверждать, что какой-то из этих подходов лучше: выбор модели зависит от ситуации.

Здесь можно вспомнить две крупные финансовые организации, с которыми нам довелось работать. Одна собрала команды по ИИ и аналитике в единый центр и подчинила всех специалистов директору по данным и аналитике, который по необходимости направлял их на работу в конкретные отделы. Вторая, напротив, децентрализовала почти всех аналитиков: они сидели в своих отделах и подчинялись своим начальникам. Обе фирмы достигли выдающихся успехов в сфере ИИ: вторая за два года увеличила число прибыльных инициатив с 30 до 200. Обе при выборе модели учли свою структуру, потенциал, стратегию и другие характеристики.

Центр. Существует ограниченный спектр обязанностей, который всегда разумнее оставить в хабе и поручить директору по аналитике и (или) данным. Сюда входят контроль данных, стратегия найма и обучения специалистов, работа с внешними поставщиками соответствующих услуг и ПО. Взрастить ИИ-таланты, сформировать сообщества для обмена передовым опытом, выстроить процесс разработки алгоритмов для всей организации — все это задачи центра. Наши исследования показывают, что компании, которым удалось внедрить ИИ в широком масштабе, втрое чаще коллег формировали у себя такой центр и в 2,5 раза чаще использовали четкую методологию создания моделей, интерпретации получаемой информации и развертывания новых ИИ-мощностей.

Именно центр должен также отвечать за системы и стандарты ИИ. Они возникают в ответ на потребности, то есть развиваются постепенно, а не насаждаются сразу, еще до формирования плана конкретных применений. Мы наблюдали, как множество организаций тратили уйму времени и денег (сотни миллионов долларов) на очистку и интеграцию сразу всех данных компании и не доводили процесс до конца, осознав его бессмысленность.

С другой стороны, один европейский банк, заметив, что развитию новых ИИ-инструментов мешает нестыковка методов управления данными, приостановил работу и составил план по унификации архитектуры и хранения данных на четыре года. Параллельно формировались задачи для ИИ-трансформации. Такая многофазная программа, включавшая также пересмотр организационной структуры и изменение стратегии привлечения талантов, сейчас обещает ежегодную отдачу в более чем $900 млн.

Периферия. Почти всегда имеет смысл поручить некий набор обязанностей локальным группам, которые ближе к конечным пользователям ИИ-систем. В основном это задачи по освоению технологий: обучение конечных пользователей, пересмотр рабочих процессов, программы поощрения, контроль эффективности, отслеживание результатов.

Чтобы клиенты одного производителя «умного» подключенного оборудования активнее задействовали функционал его ИИ-сервисов, отдел продаж и обслуживания сформировал «группу немедленного ­реагирования», ­которая помогала клиентам задействовать весь потенциал продуктов и мотивировала к этому особыми ценами. Подобные вещи, конечно, относятся к «местной епархии» и не должны передаваться в центр.

Серая зона. Очень многие виды работ по ­ИИ-­трансформации нельзя однозначно отнести ни к цент­ру, ни к периферии. Ключевые задачи (целеполагание ИИ-проектов, анализ решаемых проблем, выстраивание алгоритмов, разработка инструментов, тестирование их на конечных пользователях, управление изменениями, создание поддерживающей ИТ-инфраструктуры) могут выполняться и в центре, и на периферии, или там и там одновременно, иногда с привлечением отдела ИТ (см. врезку «Как подготовиться к масштабному внедрению ИИ»). Однозначного ответа на вопрос о распределении обязанностей в организации дать нельзя. Однако мы рекомендуем учесть три фактора.

1. ЗРЕЛОСТЬ ИИ-МОЩНОСТЕЙ. Если компания только начинает свой путь в этой сфере, обычно имеет смысл посадить руководителя, исследователей и инженеров по аналитике, а также дизайнеров интерфейса, специалистов по графическому представлению результатов анализа и проч. в хабе и направлять их в локальные группы по мере необходимости. Работая сообща, эти профессионалы смогут создать базовые мощности и возможности компании в сфере ИИ: общие аналитические инструменты, процессы обработки данных, способы подачи результатов. Однако когда процессы будут стандартизированы, этих же экспертов можно (или даже нужно) направить на места.

2. СЛОЖНОСТЬ БИЗНЕС-МОДЕЛИ. Чем больше ­бизнес-функций, направлений работы и офисов предполагается оснастить ИИ-инструментами, тем сильнее потребность в сплочении ИИ-экспертов в функциональные группы (например, группа исследователей или группа дизайнеров). Сложно устроенные компании часто консолидируют такие группы в центре, по мере необходимости задействуя их для работы на конкретные подразделения, функции или офисы.

3. ТЕМПЫ И УРОВЕНЬ НЕОБХОДИМЫХ ТЕХНИЧЕСКИХ ИННОВАЦИЙ. Некоторые компании, которым нужны быстрые результаты, переносят значительную часть обязанностей (стратегию и развитие) в центр: откуда удобнее отслеживать отраслевые и технологические перемены и развертывать новые ресурсы, отвечая на вызовы ­конкурентов.

Здесь стоит вернуться к двум финансовым организациям, о которых мы говорили чуть выше. Обе столкнулись с конкурентными сложностями, требовавшими быстрых инноваций. При этом аналитическая зрелость и организационная сложность компаний заметно разнились.

Организация, разместившая аналитиков в хабе, отличалась большей сложностью бизнес-модели и сравнительно небольшим опытом в ИИ-приложениях — в основном в сфере управления рисками. Сосредоточив обработчиков, инженеров и ряд других экспертов из «серой зоны» в центре, компания обеспечила всем отделам и функциям быстрый доступ к важнейшим наработкам.

Вторая финансовая организация имела простую ­бизнес-модель и специализировалась на небольшом числе финансовых услуг. С другой стороны, ее опыт и знания в области ИИ были значительны. Она имела возможность децентрализовать ИИ-специалистов, передав основную часть специалистов по аналитике, стратегии и ИТ в подразделения.

Как показывают эти примеры, распределение обязанностей — своего рода искусство. У каждой организации своя специфика и своя рыночная конъюнктура, и все три названных ключевых фактора следует учитывать не по отдельности, а в совокупности. Например, если у компании сложная бизнес-модель и ей нужны очень быстрые инновации (обычно это требует сдвига ответственности в центр), но при этом она весьма продвинута в ИИ (что предполагает передачу работ на места). Лидерам нужно взвесить относительную важность трех факторов в своем конкретном случае и определить, где разумнее всего использовать таланты. Часто существенное влияние на принимаемые решения оказывает уровень специалистов (элемент ИИ-зрелости). Достаточно ли в организации экспертов по данным, которые, даже будучи перемещенными на периферию, все равно смогли бы удовлетворять потребности всех подразделений, функций и офисов? Если нет, наверняка правильнее будет оставить их в хабе и оттуда распределять их работу по разным сферам.

Надзор и реализация. Хотя обязанности в сфере ИИ и аналитики у разных компаний распределены по-­разному, все бизнесы, которым удалось масштабное внедрение, объединяют два подхода.

1. РУКОВОДЯЩАЯ КОАЛИЦИЯ ИЗ ЛИДЕРОВ КОММЕРЦИИ, ИТ И АНАЛИТИКИ. Полноценная интеграция ИИ в работу компании — сложный и долгий путь. Создав для контроля над ней коалицию, руководство обеспечит сотрудничество и общую ответственность всех трех функций, независимо от разделения между ними ролей и обязанностей. Эта коалиция, часто создаваемая по инициативе директора по аналитике, также помогает поддерживать темп ИИ-проектов, особенно в начале пути.

2. КОМАНДЫ «ПОД ЗАДАНИЕ». Организации, стремящиеся масштабировать ИИ, вдвое чаще создают на периферии междисциплинарные команды. Они объединяют в себе людей с разным ракурсом и используют при разработке, развертывании и отслеживании новых ИИ-возможностей идеи сотрудников, работающих напрямую с клиентами. Эти команды, как правило, заново создаются перед началом каждой инициативы и включают в себя специалистов как из центра, так и с периферии. Обычно в каждую команду входит менеджер, ответственный за успех нового ИИ-инструмента, а также координатор, архитекторы, инженеры и обработчики данных, дизайнеры, визуализаторы и бизнес-аналитики. Команда позволяет быстрее решать проблемы с внедрением и быстрее извлекать выгоду из ИИ.

В частности, междисциплинарная проектная команда, созданная тем самым ритейлером из Азиатско-Тихоокеанского региона, который использовал ИИ для оптимизации пространства магазинов и выкладки, помогла устранить барьеры между мерчандайзерами, определявшими положение товаров на полках, и байерами, формировавшими ассортимент. До этого и те, и другие работали независимо друг от друга, причем байеры манипулировали рекомендациями ИИ по своему усмотрению. В результате инвентарь товаров и пространство магазинов плохо сопрягались друг с другом. Призвав группы вместе доработать ИИ-инструмент, удалось создать эффективную модель, предложившую байерам набор вариантов, из которых с учетом мнения мерчандайзеров они делали выбор. В конечном счете валовая прибыль по каждой категории продуктов, где применялся новый инструмент, выросла на 4—7%.

Всеобщее обучение

Чтобы приучить людей использовать ИИ в работе, необходимо дать знания о нем всем — от высшего руководства до рядового сотрудника. Для этого некоторые компании организуют внутренние «академии», обычно предполагающие групповую работу (очно или онлайн), практические занятия, сопровождение на рабочем месте и даже посещение успешно внедривших ИИ компаний из той же сферы. Большинство таких академий изначально нанимают планировщиков и преподавателей извне, параллельно стремясь наращивать и собственные возможности.

Все подобные проекты очень разные, но чаще всего в них встречаются четыре основных специализации.

Лидер. Большинство академий нацелены на передачу топ-менеджерам глубокого понимания принципов работы ИИ и мер по выявлению и приоритизации связанных с ним возможностей. Здесь организуются дискуссии по влиянию ИИ на роли сотрудников, по особенностям развития талантов и помехам к полноценному внедрению новых технологий; руководство обучают проводить в жизнь необходимые культурные перемены.

Аналитик. Специалистам по данным — исследователям, инженерам, архитекторам, аналитикам, администраторам, разработчикам решений — академии помогают непрерывно расширять технические знания и коммуникативные навыки.

Координатор. Координаторы — это в основном нетехнические специалисты, нуждающиеся в углубленном ознакомлении с аналитикой. Среди прочего, они должны на­учиться смотреть на бизнес-задачи с аналитической точки зрения и определять точки приложения возможностей ИИ. Для их обучения подойдут онлайн-учебники, производственная практика у координаторов — «мастеров по ИИ» и заключительная проверка — внедрение ИИ-инициативы.

Конечный пользователь. Сотрудникам-практикам, как правило, требуется лишь общее знакомство с новыми инструментами, а затем практика и поддержка наставника в ходе применения. Ответственные за принятие стратегических решений, например маркетологи и финансисты, порой нуждаются в более подробном обучении с анализом реальных деловых сценариев, где новые инструменты улучшают качество решений — например, о запуске продуктов.

Поддержка изменений

Большинство ИИ-трансформаций занимают от полутора до трех лет, хотя не предел и пять. Чтобы за это время они не потеряли темп, лидерам нужно сделать четыре вещи.

Подать пример. Лидер призван быть для подчиненных ролевой моделью. В начинающих организациях руководители вместе с другими посещает курс ИИ, демонстрируя свою приверженность этому подходу. Кроме того, они должны заставить работать по-новому. ИИ требует постоянного экспериментирования, причем поначалу все приложения обычно работают с ошибками. При каждой неудаче лидер должен рассказать сотрудникам об извлеченных уроках, тем самым приучая сотрудников к умеренности в рискованных инициативах.

При этом, по нашим наблюдениям, лучше всего настроить команду удавалось самым скромным лидерам, которые не боялись задавать вопросы и ценили разные точки зрения. Они часто встречаются с подчиненными, чтобы обсудить данные, и спрашивают их, например, «Как часто наш прогноз оправдывается?» или «Какие данные поддерживают принятое сегодня решение?»

Хорошим примером может служить знакомая нам гендиректор специализированного ритейлера. На каждом совещании она просит участников поделиться опытом и высказать свое мнение, а сама всегда выступает последней. Кроме того, раз в две недели встречается с ИТ- и другими сотрудниками, чтобы узнать о ходе дел, будь то запуск нового пилотного проекта или масштабирование существующего.

Добиться сопричастности бизнес-подразделений. Зачастую ответственность за ИИ-продукты перекладывают на самих аналитиков. Однако, поскольку аналитика — просто инструмент решения проблем бизнеса, руководить ИИ-проектами и отвечать за их успех призваны бизнес-компоненты компании. Вести проект, распределять роли и контролировать все с начала и до конца должен специалист соответствующего функционального направления. Порой организации меняют ответственных по­этапно (скажем, разделяя стадии проверки, развертывания и ­масштабирования). Это тоже ошибка: передавая бразды, можно потерять или упустить важные моменты.

Чтобы не дать разойтись целям аналитики и бизнеса, создайте систему показателей, значимых для всех. Например, одна авиакомпания создала такую общую отчетность для оценки широты освоения, скорости вывода на полную мощность и бизнес-отдачи для конкретного ИИ-решения по оптимизации ценообразования и бронирования.

Проконтролировать и поддержать освоение. Вдохновить сотрудников на использование ИИ можно, продемонстрировав им результаты решений, принятых без него и с ним. Например, в одной сырьевой компании трейдерам сообщили, что без поддержки ИИ их прогнозы в среднем сбываются лишь в половине случаев. С тем же успехом можно было подбросить монетку. Это открытие заставило их с б?льшим доверием отнестись к ИИ-инструментам, уточнявшим прогноз.

Команды, следящие за внедрением новых технологий, вправе вносить корректировки по ходу. Ответственный за ИИ-проект в одной североамериканской розничной компании заметил, что директорам магазинов трудно соотносить выкладки, представляемые ИИ, с привычными цифрами отчетов о продажах. Пользовательский интерфейс ИИ-инструмента оказался сложен в навигации, а его данные не интегрировались с показателями, опираясь на которые директора всегда принимали решения. Чтобы исправить ситуацию, ИИ-команда упростила интерфейс и изменила представление данных. Теперь они отображались в привычной системе и ими было удобно пользоваться.

Дать стимулы для изменений. Признание вдохновляет сотрудников на новые усилия. Упомянутая выше гендиректор ритейлера начинает совещания с рассказа о конкретном сотруднике (например, о менеджере продукта, специалисте по обработке данных или по работе с клиентами), внесшем вклад в успех ИИ-программы. А уже отмеченный крупный ритейлер даже создал новые должности для лучших из лучших в этой сфере. К примеру, менеджер по категории товаров, помогавший тестировать решение по оптимизации в рамках пилотного эксперимента, возглавил развертывание проекта в других магазинах. Так сотрудники убедились, что освоение ИИ полезно для карьерного роста.

Наконец, фирмы должны следить, чтобы стимулы соответствовали задачам по ИИ. Это не сразу удалось, например, ритейлеру, который разработал ИИ-модель по оптимизации скидок, чтобы распродать залежавшийся товар. Созданная модель показала, что в некоторых случаях дешевле избавиться от товаров, чем пытаться продать их с дисконтом. Но персонал магазина традиционно получал премии, только если удавалось продать все — хотя бы и с максимальной скидкой. Поскольку рекомендации ИИ противоречили стандартам и системе поощрений компании, сотрудники восприняли их скептически и не стали использовать. Схема стимулирования в компании была тесно увязана с условиями контрактов, ее нельзя было быстро пересмотреть, поэтому в итоге организация скорректировала ИИ-модель, найдя компромисс между выгодой и поощрениями. Сотрудники стали активнее осваивать технологии, а фирма получила больше прибыли.

Если вы добились масштабного внедрения ИИ в чем-то одном, скорее всего, система будет дальше развиваться сама. Переход от функциональных команд к междисциплинарным научил людей с разными навыками и видением и дал необходимый для ИИ «полевой» материал. Со временем коллаборативные практики распространятся на всю организацию. Работая в связке с коллегами из других функций и офисов, сотрудники начинают мыслить шире и переходят от решения изолированных задач к пересмотру операций и бизнес-модели. Вся организация учится действовать методом проб и ошибок, который привел к успеху пилотный проект. Таким образом, инновации набирают темпы.

По мере того как круг сотрудников, пользующихся ИИ-инструментами, расширяется, решения все чаще принимаются не наверху, а на местах, делая иерархию более плоской и стимулируя новые широкие партнерства.

Сегодня мы находим все больше способов улучшить процесс принятия решений за счет алгоритмов. Новые уровни применения ИИ приведут к принципиальным — и порой весьма непростым — изменениям в рабочих процессах, ролях и культуре, организация которых ляжет на плечи лидеров. Компании, обеспечившие широкое использование ИИ, получат гигантское преимущество в новом мире, где, сотрудничая, люди и машины добьются большего, чем те и другие порознь.

Об авторах. Тим Фаунтейн (TIM FOUNTAINE) — партнер офиса McKinsey в Сиднее, глава QuantumBlack — принадлежащей McKinsey австралийской фирмы по расширенной аналитике. Брайан Маккарти (BRIAN MCCARTHY) — партнер офиса McKinsey в Атланте, один из руководителей направления по развитию знаний для McKinsey Analytics. Тамим Салех (TAMIM SALEH) — старший партнер лондонского офиса McKinsey, глава McKinsey Analytics в Европе.