Больше никаких «проверок концепции»: почему модели ИИ, ориентированные на результат, совершают революцию в ИТ-сфере

Конец наивности: почему нам необходимо полностью пересмотреть экономическую целесообразность искусственного интеллекта

В то время как Кремниевая долина переживает золотую лихорачку, а миллиарды венчурных инвестиций вливаются в генеративный искусственный интеллект, в советах директоров европейских компаний распространяется разочарование. Разница тревожна: с одной стороны, революционные перспективы технологии, с другой – баланс, который с трудом можно оправдать традиционными методами. Многие компании обнаруживают, что их дорогостоящие инициативы в области ИИ, несмотря на впечатляющую техническую составляющую, оказываются экономически несостоятельными.

Однако проблема заключается не в самой технологии, а в том, как мы измеряем и управляем ее ценностью. На протяжении десятилетий руководители учились рассчитывать инвестиции в ИТ, такие как внедрение SAP или CRM-систем — детерминированные проекты с четким началом, концом и определенными выгодами. Но ИИ подчиняется другим правилам: он изменчив, вероятностен и динамично развивается. Любой, кто пытается ориентироваться в этом новом мире, используя старые схемы традиционных закупок ИТ, рискует вложить огромные бюджеты в «ловушку невозвратных затрат», так и не получив измеримой отдачи.

Эта ситуация особенно критична для немецких малых и средних предприятий и европейских корпораций. Находясь между капиталистической мощью США, основанной на инновациях, и государственным масштабированием экономики Китая, Европа рискует отстать. Однако решение не может заключаться в слепом увеличении инвестиций. Вместо этого необходима радикальная смена парадигмы: отказ от оплаты инфраструктуры и лицензий в пользу поощрения реальных результатов.

В данной статье анализируются структурные недостатки традиционных инвестиционных моделей, выявляются скрытые факторы, влияющие на стоимость проектов в области ИИ, и предлагается выход из ситуации, минимизирующий риски и гарантирующий создание ценности с первого дня. Это руководство для лиц, принимающих решения, которые хотят понимать ИИ не как технологическую игрушку, а как прибыльное конкурентное преимущество.

Подходит для:

• Unframe.AI: Рентабельность инвестиций в корпоративный ИИ: почему большинство расчетов неверны

Почему традиционные инвестиционные модели в Европе обречены на провал и как радикальная перестройка может обеспечить доступ к мировым рынкам

Нынешнее несоответствие между масштабными инвестициями в искусственный интеллект и реальной отдачей от них представляет собой одну из самых насущных проблем для руководителей предприятий по всему миру. В то время как американские частные инвестиционные и венчурные фирмы вложили в этот сектор более 100 миллиардов долларов только в 2024 году, европейские компании, особенно немецкие МСП, сталкиваются с отрезвляющей реальностью. Значительная часть расчетов рентабельности инвестиций в корпоративный ИИ оказывается ошибочной. Это происходит не из-за недостатка математической точности, а скорее из-за принципиально неверных предположений. Технологическая инфраструктура и построенные на ней финансовые модели, разрабатывавшиеся десятилетиями для детерминированных ИТ-систем, таких как ERP или CRM, рушатся под воздействием изменчивости и вероятностной природы современных систем ИИ. Любой, кто до сих пор пытается управлять генеративным ИИ с теми же KPI, что и при внедрении SAP, по сути, плывет по океану с дорожной картой.

Структурная несовместимость классических ИТ-метрик

Основная проблема традиционных расчетов инвестиций заключается в непонимании природы проектов в области ИИ. Четыре фактора принципиально отличают эти инвестиции от традиционной реализации программного обеспечения, что приводит к тому, что стандартные модели ROI систематически дают неточные прогнозы.

Во-первых, существует серьезная проблема с временными рамками. Классический расчет ROI предполагает определенный этап внедрения, за которым следует этап измеримой отдачи. Однако проекты в области ИИ редко ведут себя линейно. Проект, запланированный как шестимесячный пилотный проект, часто превращается в четырнадцатимесячную экспериментальную фазу. Готовность к производству, которая, как предполагалось, должна была быть достигнута всего за несколько недель, остается теоретической целью даже спустя год. В то время как знаменатель в уравнении ROI неуклонно растет из-за текущих затрат, числитель — отдача — остается равным нулю.

Во-вторых, проекты в области ИИ характеризуются крайней изменчивостью масштабов. В то время как традиционные ИТ-проекты часто следуют жестким спецификациям, сценарии использования ИИ динамично развиваются. Система обработки документов может в процессе разработки трансформироваться в платформу поиска знаний, а незадолго до внедрения быть заменена решением для организации рабочих процессов на основе агентов. Поскольку технологические основы — модели, фреймворки и инструменты — меняются с периодом полураспада всего в несколько месяцев, решения должны постоянно адаптироваться, чтобы избежать устаревания после развертывания.

В-третьих, проблема определения причинно-следственной связи ставит перед финансовыми отделами, казалось бы, непреодолимые задачи. Даже если система ИИ создает ценность, выделить эту ценность сложно. Можно ли объяснить увеличение выручки новым механизмом рекомендаций на основе ИИ, обновленной командой продаж или просто благоприятными экономическими условиями? В отличие от детерминированного программного обеспечения, где причинно-следственная связь часто очевидна, в случае с ИИ часто измеряется лишь вклад в результат, а не его единственная причина.

В-четвертых, ловушка невозвратных затрат часто приводит к иррациональным решениям. Большинство корпоративных проектов в области ИИ требуют значительных первоначальных инвестиций: предоставление инфраструктуры, очистка данных, обучение моделей и интеграция. К этому добавляются затраты на управление мониторингом ИИ, поскольку модели, в отличие от статического программного обеспечения, подвержены снижению производительности, известному как дрейф, и должны постоянно отслеживаться. Момент, когда можно проверить целесообразность инвестиций, часто наступает настолько поздно в проекте, что большая часть бюджета уже безвозвратно потрачена.

Глобальный контекст и специфические географические недостатки Европы

Эти неотъемлемые риски затрагивают особенно хрупкую экосистему в Европе. В то время как американские компании часто получают поддержку от венчурных фондов, готовых к риску, и культивируют культуру «быстрого выявления и устранения ошибок», европейский рынок функционирует в условиях высокой склонности к избеганию рисков и жесткого регулирования. Хотя Закон Европейского союза об ИИ обеспечивает правовую определенность, он налагает значительные затраты на соблюдение требований на малые и средние предприятия (МСП). По оценкам, тестирование на соответствие требованиям для одной высокорискованной системы ИИ может стоить до 400 000 евро, если отсутствуют налаженные системы управления качеством.

Это приводит к опасному инвестиционному разрыву. Инвестиции США в ИИ значительно превосходят европейские. Китай, в свою очередь, использует государственно-ориентированную интеграцию для достижения эффекта масштаба в промышленности. Германия и Европа рискуют оказаться в ситуации «сэндвича»: технологическая зависимость от американских моделей и ценовое давление со стороны китайской эффективности. Для европейских руководителей высшего звена это означает, что проекты в области ИИ должны быть не только прибыльными, но и стратегически важными. Однако именно немецкий средний бизнес, основа европейской экономики, проявляет нерешительность. Лишь около трети крупных компаний и еще меньшая доля малых и средних предприятий используют ИИ в производственных целях. Страх перед неисчислимыми затратами и неясными выгодами подавляет инновации.

Управляемая платформа ИИ — Изображение: Xpert.Digital

Здесь вы узнаете, как ваша компания может быстро, безопасно и без высоких барьеров для входа внедрять индивидуальные решения на основе ИИ.

Управляемая платформа ИИ — это ваш комплексный и простой в использовании пакет решений для искусственного интеллекта. Вместо того, чтобы разбираться со сложными технологиями, дорогостоящей инфраструктурой и длительными процессами разработки, вы получаете готовое решение, адаптированное под ваши потребности, от специализированного партнера — часто в течение нескольких дней.

Краткий обзор основных преимуществ:

⚡ Быстрое внедрение: от идеи до внедрения в эксплуатацию — всего за несколько дней, а не месяцев. Мы предлагаем практичные решения, которые приносят мгновенную пользу.

🔒 Максимальная безопасность данных: Ваши конфиденциальные данные остаются у вас. Мы гарантируем безопасную и соответствующую требованиям обработку данных без передачи третьим лицам.

💸 Отсутствие финансового риска: вы платите только за результат. Высокие первоначальные вложения в оборудование, программное обеспечение или персонал полностью исключены.

🎯 Сосредоточьтесь на своей основной деятельности: сосредоточьтесь на том, что у вас получается лучше всего. Мы возьмём на себя всю техническую реализацию, эксплуатацию и обслуживание вашего ИИ-решения.

📈 Перспективность и масштабируемость: ваш ИИ растёт вместе с вами. Мы обеспечиваем постоянную оптимизацию и масштабируемость, а также гибко адаптируем модели к новым требованиям.

Подробнее об этом здесь:

• Управляемая платформа ИИ

От абстрактного обещания к измеримой реальности

Чтобы выйти из этого тупика, необходимо радикально переосмыслить экономическое обоснование внедрения ИИ. Успешные организации начинают не с вопроса о технологии, а с вопроса о результате. Первый вопрос должен звучать так: какой конкретный бизнес-результат обеспечит этот ИИ? Расплывчатые цели, такие как «повышение эффективности» или «стимулирование инноваций», в этом контексте бесполезны. Надежное экономическое обоснование требует точных показателей, которые можно отслеживать еженедельно на информационной панели.

Хорошими примерами являются конкретные и поддающиеся проверке примеры: сокращение времени на проверку контрактов с четырех часов до двадцати минут, повышение показателя решения проблем при первом обращении в службу поддержки клиентов с 62% до 78%, или сокращение ручного ввода данных в заявки на кредиты на 80%. Если цель не может быть сформулирована на языке руководителя отдела, то нет и экономического обоснования.

Второй важнейший вопрос касается проверки: как узнать, работает ли проект? Традиционные модели отвечают на этот вопрос в конце проекта — часто через восемнадцать месяцев. Однако проекты в области ИИ требуют непрерывной проверки. Что нам нужно увидеть на второй неделе, чтобы подтвердить правильность выбранного курса? Какая точка принятия решения существует на третьем месяце, когда проект можно остановить, если отсутствуют необходимые показатели? Лучшие инвестиции структурированы таким образом, чтобы быстро доказать свою ценность или потерпеть неудачу до того, как будет уничтожен значительный капитал.

Невидимые факторы, разрушающие капитал в структуре затрат

Даже если цель ясна, многие расчеты оказываются неверными из-за скрытых затрат, которые часто игнорируются на начальном этапе. Подготовка данных занимает около 60 процентов времени и бюджета в большинстве проектов. Это включает в себя не только техническую очистку, но и управление, нормализацию и особенно сложную юридическую процедуру утверждения наборов данных в Европе.

Ещё один недооценённый фактор — сложность интеграции. Искусственный интеллект, функционирующий в изолированной демонстрационной среде, имеет мало общего с системой, встроенной в существующие архитектуры безопасности и рабочие процессы. Этот «последний этап» интеграции часто обходится дороже, чем сам компонент ИИ, и именно на этом этапе большинство проектов заходят в тупик. Добавьте к этому текущие эксплуатационные расходы. Модели требуют постоянного мониторинга на предмет отклонений и регулярного переобучения при изменении структуры данных.

Наконец, упущенная выгода от времени практически никогда не рассчитывается. Каждый месяц, затраченный на реализацию проекта в области ИИ, — это месяц упущенной выгоды. Проект продолжительностью 18 месяцев и с рентабельностью инвестиций в 200% может быть экономически хуже, чем проект продолжительностью шесть недель и с рентабельностью инвестиций в 80%, поскольку последний генерирует положительный денежный поток на 16 месяцев дольше. Организации с лучшей рентабельностью инвестиций — это не обязательно те, которые имеют самую высокую доходность, а скорее те, которые достигают измеримой ценности быстрее при наименьших капиталовложениях.

За пределами капитальных затрат: смена парадигмы в сторону ориентированных на результат моделей финансирования

Учитывая эти риски и нежелание Европы вкладывать средства, набирают популярность новые модели ценообразования и ведения бизнеса, которые перекладывают риски с покупателя на поставщика. Такие поставщики, как Unframe , и другие прогрессивные игроки рынка устанавливают принципы, основанные на предварительной проверке обязательств. Такой подход к ценообразованию, ориентированный на результат, может стать ключом к преодолению инвестиционного заморозка в Европе.

Вместо того чтобы заранее приобретать инфраструктуру (капитальные затраты) или платить за лицензии на пользователя (ценообразование на основе рабочих мест), которые часто остаются неиспользованными, компании здесь платят за достигнутые результаты. Затраты масштабируются в зависимости от полученной ценности, а не от потребленных ресурсов. Это напрямую решает проблему атрибуции и заставляет поставщиков продавать только те решения, которые действительно работают.

В этой модели каждое взаимодействие начинается с определения сценария использования и измеримого результата. Клиент видит, как ИИ работает на его собственных данных и в его среде, прежде чем сделать значительные инвестиции. Здесь нет 18-месячных проектов с надеждой на возврат инвестиций в конце. Приоритет отдается созданию ценности. Кроме того, часто исключаются огромные первоначальные затраты на инфраструктуру, поскольку современные платформы берут на себя бремя подготовки данных и развертывания моделей. Это устраняет скрытые затраты, которые в противном случае могли бы поглотить до 80 процентов бюджета.

Еще одним преимуществом этой модели является отказ от моделей лицензирования, основанных на количестве пользователей, которые в прошлом препятствовали широкому распространению. Если каждый дополнительный пользователь влечет за собой затраты, использование технологии искусственно ограничивается. Модели, ориентированные на результат, напротив, стимулируют широкое использование, поскольку большее количество пользователей, как правило, приводит к лучшим результатам и, следовательно, к большей добавленной стоимости.

Стратегические последствия для европейского лидерства

Для лиц, принимающих решения в Европе, это означает, что эра экспериментальных «проверок концепций» без четкого пути к созданию ценности закончилась. Экономическая реальность требует перехода от технологического увлечения к почти хирургической точности в определении бизнес-результатов. Компаниям следует использовать не семинары и пилотные этапы для изучения возможностей ИИ, а для выявления наиболее ценного варианта его применения и подтверждения его экономического эффекта.

Целесообразно искать партнеров среди поставщиков, готовых рисковать и оцениваться по результатам. Однако это также требует изменения мышления со стороны клиента: от покупки «ИТ-часов» или «лицензий» к созданию партнерских отношений, приносящих ценность. В мире, где США и Китай доминируют за счет масштабных капиталовложений, эффективность использования капитала — единственный шанс Европы. Ключ не в том, чтобы тратить больше денег, а в том, чтобы инвестировать эти деньги в модели, которые окупаются еще до наступления срока платежа. Тот, кто все еще полагается на 18-месячные прогнозы, уже проиграл. Истинная конкурентоспособность возникает там, где создание ценности не обещается, а доказывается с первого дня.

Konrad Wolfenstein

Буду рад стать вашим личным консультантом.

связаться со мной под Wolfenstein ∂ xpert.Digital

позвоните мне под +49 89 674 804 (Мюнхен)

LinkedIn
 

Наша глобальная отраслевая и деловая экспертиза в области развития бизнеса, продаж и маркетинга - Изображение: Xpert.Digital

Отраслевые направления: B2B, цифровизация (от искусственного интеллекта до расширенной реальности), машиностроение, логистика, возобновляемые источники энергии и промышленность

Подробнее об этом здесь:

• Xpert Business Hub

Тематический центр с идеями и опытом:

• Платформа знаний о мировой и региональной экономике, инновациях и отраслевых тенденциях
• Сбор анализов, импульсов и справочной информации из наших приоритетных направлений
• Место для получения экспертных знаний и информации о текущих событиях в бизнесе и технологиях
• Тематический центр для компаний, желающих узнать больше о рынках, цифровизации и отраслевых инновациях