В чём заключается добавленная ценность ИИ? Прежде чем инвестировать в ИИ: определите 4 скрытых фактора, препятствующих успеху проектов

Какие наиболее распространенные проблемы возникают при внедрении ИИ в компаниях?

Внедрение искусственного интеллекта в компаниях рисует отрезвляющую картину: несмотря на значительные инвестиции, большинство проектов в области ИИ терпят неудачу еще до начала продуктивного использования. Исследования показывают, что от 80 до 95 процентов всех пилотных проектов в области ИИ никогда не доходят до фазы масштабирования. Проблема редко заключается в самой технологии, а скорее в структурных проблемах, которые многие компании недооценивают.

Причины этой неудачи многогранны и носят системный характер. Недавнее исследование Gartner показывает, что до 34 процентов компаний называют доступность или качество данных основным препятствием. В то же время 42 процента компаний сообщают, что более половины их проектов в области ИИ были отложены или полностью заброшены из-за проблем с предоставлением данных.

Особенно проблематичное несоответствие существует между техническими успехами на пилотном этапе и практическим масштабированием. Исследование Массачусетского технологического института показывает, что почти все пилотные проекты с использованием генеративного ИИ не приносят устойчивой пользы, поскольку они не интегрированы в стратегическую повестку дня и проводятся как изолированные эксперименты.

В связи с этим:

• Настоящая золотая жила: историческое лидерство Германии в области данных, полученных в сфере искусственного интеллекта и робототехники

Почему данные часто не готовы для применения в искусственном интеллекте?

Проблемы с данными представляют собой одно из самых фундаментальных препятствий на пути к успешному внедрению ИИ. Многие организации предполагают, что достаточно интеллектуальная модель может автоматически создавать ценность из существующих данных, но на практике это предположение оказывается обманчивым.

Реальность рисует иную картину: чем крупнее организация, тем более хаотичными часто бывают её структуры данных. Данные часто хранятся изолированно в различных системах, являются неполными, неструктурированными или имеют непоследовательные форматы. Эта фрагментация приводит к парадоксальному явлению: хотя компании обладают большими объёмами данных, эти данные практически непригодны для применения в приложениях искусственного интеллекта.

Особенно важным аспектом является качество данных. Исследования показывают, что до 80 процентов времени, затрачиваемого на проекты в области ИИ, должно быть потрачено на подготовку данных. К распространенным проблемам относятся несогласованные форматы данных, отсутствующие или некорректные метки, устаревшая информация и систематические искажения в обучающих данных. Низкое качество данных может привести к «галлюцинациям» модели или отсутствию контекста, что в конечном итоге заставляет пользователей отказаться от системы.

Кроме того, законы о защите данных, ограничения доступа и внутренние разрозненные системы значительно усложняют доступ к соответствующим данным. GDPR и другие требования соответствия создают дополнительные барьеры, которые необходимо учитывать при использовании данных в целях искусственного интеллекта. Поэтому компаниям необходимо научиться разрабатывать системы ИИ, способные работать с разрозненными и неполными данными, обеспечивая при этом безопасную обработку конфиденциальной информации.

Какова роль ИТ-инфраструктуры в сбоях в работе ИИ?

Интеграция систем искусственного интеллекта в существующие корпоративные архитектуры оказывается сложной технической задачей, выходящей далеко за рамки простой реализации алгоритмов. Полезность ИИ зависит от его способности беспрепятственно интегрироваться в операционную среду организации.

Современные корпоративные архитектуры характеризуются гетерогенным сочетанием устаревших систем и облачных приложений, которые должны быть взаимосвязаны на уровне ведомств и стран. Эта сложность является результатом десятилетий эволюции ИТ, в течение которых новые системы создавались поверх существующих без предварительного планирования целостной общей архитектуры.

Устаревшие системы представляют собой особую проблему. Эти старые системы часто не имеют современных интерфейсов и API, необходимых для интеграции ИИ. Они часто используют устаревшие форматы и стандарты данных, имеют недостаточную документацию и не обладают необходимой технической экспертизой для интеграции. В то же время, эти системы глубоко интегрированы в бизнес-процессы и не могут быть просто заменены без значительных бизнес-рисков.

Требования к безопасности и соответствию нормативным требованиям еще больше усугубляют эту проблему. В устаревших системах могут отсутствовать надежные меры безопасности и контроль доступа, необходимые для защиты конфиденциальных данных. Интеграция ИИ в такие среды вызывает серьезные опасения по поводу безопасности и соответствия нормативным требованиям, особенно в отраслях с высоким уровнем регулирования.

Многомесячные попытки интегрировать большие языковые модели в жесткие среды и бесконечные споры между локальными и облачными решениями значительно тормозят прогресс. Новые инструменты ИИ часто вносят дополнительную сложность вместо решения существующих проблем. Решение заключается в разработке согласованной архитектуры, которая изначально связывает источники данных, учитывает организационный контекст и обеспечивает прозрачность с самого начала.

Как измерить успех ИИ, если цели неясны?

Оценка успеха ИИ — одна из самых сложных задач в корпоративном ИИ, особенно когда четкие цели не были определены с самого начала. Нечеткие цели являются одной из наиболее распространенных причин неудач ИИ и приводят к порочному кругу недостаточной оценки рентабельности инвестиций и отсутствия масштабируемости.

Слишком много пилотных проектов возникает из чистого технологического любопытства, а не из решения реальных бизнес-проблем. Такой исследовательский подход может быть полезен в научных исследованиях, но в компаниях он приводит к проектам без измеримых критериев успеха. Ключевые показатели эффективности часто полностью отсутствуют или сформулированы настолько расплывчато, что не позволяют проводить какую-либо осмысленную оценку.

Структурированная система измерения рентабельности инвестиций начинается с четкого определения бизнес-целей и их преобразования в измеримые ключевые показатели эффективности (KPI). Это должно включать как опережающие индикаторы, которые дают ранние сигналы об успехе или неудаче, так и запаздывающие индикаторы, которые измеряют долгосрочные результаты. В основе лежит классическая формула рентабельности инвестиций: Рентабельность инвестиций равна общей выгоде минус общие затраты, деленная на общие затраты и умноженная на 100 процентов.

Однако такой упрощенный взгляд недостаточен для инвестиций в ИИ, поскольку как затраты, так и выгоды имеют более сложную структуру. Затраты включают не только очевидные расходы на лицензии и оборудование, но и скрытые издержки на очистку данных, обучение сотрудников и текущее обслуживание системы. Особенно важны часто недооцениваемые затраты на управление изменениями, возникающие, когда сотрудникам приходится осваивать новые рабочие процессы.

Что касается преимуществ, можно выделить несколько категорий: прямые финансовые выгоды за счет экономии затрат или увеличения доходов легче всего поддаются количественной оценке. Менее очевидными, но часто более ценными являются косвенные выгоды, такие как улучшение качества принятия решений, снижение количества ошибок или повышение удовлетворенности клиентов. Не все преимущества ИИ можно выразить напрямую в цифрах. Улучшение качества принятия решений благодаря анализу данных может создать значительную долгосрочную ценность, даже если ее трудно количественно оценить.

Даже при наличии технических успехов организационные препятствия часто блокируют переход к масштабированию: бюджетные циклы, текучесть кадров, нечеткие системы стимулирования или задержки в соблюдении нормативных требований могут остановить даже успешные пилотные проекты. Решение заключается в определении ожиданий с самого начала и установлении конкретных, измеримых целей: увеличение доходов, экономия времени, снижение рисков или сочетание этих факторов. Кроме того, планирование должно включать в себя внедрение, а не только техническое развертывание.

Почему так сложно завоевать доверие к искусственному интеллекту?

Установление доверия к системам искусственного интеллекта — одна из самых сложных и критически важных задач в корпоративном ИИ. Эта задача особенно проблематична, поскольку доверие трудно завоевать, но легко потерять, а без доверия использование систем быстро снижается, даже при наличии точных и полезных моделей.

Проблема доверия начинается с фундаментального отсутствия прозрачности в современных системах искусственного интеллекта. Многие передовые модели ИИ функционируют как так называемые «черные ящики», процессы принятия решений в которых непонятны даже экспертам. Эта непрозрачность означает, что пользователи и лица, принимающие решения, не могут понять, как система приходит к тем или иным результатам, что, естественно, порождает скептицизм и сопротивление.

В этом контексте объяснимый искусственный интеллект (XAI) становится важнейшим фактором успеха. XAI включает в себя методы и приемы, которые делают решения и работу моделей ИИ понятными и доступными для человека. Сегодня зачастую недостаточно, чтобы ИИ просто давал правильный ответ — не менее важно и то, как он к этому ответу приходит.

Важность объяснимости подкрепляется несколькими факторами: пользователи с большей вероятностью примут решения ИИ, если смогут их понять. Нормативно-правовые требования, такие как GDPR и Закон ЕС об ИИ, все чаще требуют объяснимых процессов принятия решений. Прозрачность позволяет выявлять и исправлять ошибки дискриминации и систематические ошибки. Разработчики могут легче оптимизировать модели, если понимают основу своих решений.

Даже незначительные ошибки могут породить значительное недоверие, если система воспринимается как непрозрачная. Это особенно проблематично в областях, где решения могут иметь далеко идущие последствия. Поэтому объяснимость, обратная связь и прозрачность — это не дополнительные, а необходимые условия для успешного использования ИИ.

Команды по обеспечению соответствия, естественно, действуют осторожно, что замедляет процессы утверждения. Скептицизм в отношении моделей «черного ящика», требований к управлению данными и неопределенности в регулировании реален и значительно препятствует внедрению. Отсутствие стандартов для разработки, развертывания и оценки означает, что каждый проект превращается в новое «особое начинание», вместо того чтобы опираться на уже существующие процессы.

Платформа управляемого ИИ — Изображение: Xpert.Digital

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

Управляемая платформа искусственного интеллекта — это комплексное и беззаботное решение для вашего бизнеса в сфере искусственного интеллекта. Вместо того чтобы возиться со сложными технологиями, дорогостоящей инфраструктурой и длительными процессами разработки, вы получаете готовое решение, адаптированное под ваши потребности, от специализированного партнера — зачастую всего за несколько дней.

Основные преимущества с первого взгляда:

⚡ Быстрая реализация: от идеи до готового к использованию приложения за считанные дни, а не месяцы. Мы предлагаем практические решения, которые создают немедленную добавленную стоимость.

🔒 Максимальная безопасность данных: Ваши конфиденциальные данные остаются с вами. Мы гарантируем безопасную и соответствующую законодательству обработку данных без их передачи третьим лицам.

💸 Отсутствие финансового риска: вы платите только за результат. Полностью исключаются высокие первоначальные инвестиции в оборудование, программное обеспечение или персонал.

🎯 Сосредоточьтесь на своем основном бизнесе: сконцентрируйтесь на том, что у вас получается лучше всего. Мы берем на себя всю техническую реализацию, эксплуатацию и обслуживание вашего решения на основе ИИ.

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

Более подробная информация здесь:

• Платформа управляемого искусственного интеллекта

Как преодолеть культурное сопротивление искусственному интеллекту?

Культурные сложности внедрения ИИ часто недооцениваются, хотя они представляют собой один из важнейших факторов успеха. Управление организационными изменениями выходит далеко за рамки технических аспектов и требует системного подхода для преодоления глубоко укоренившегося сопротивления.

Устаревшие ИТ-системы часто глубоко интегрированы в процессы компании, и внедрение новых процессов с поддержкой ИИ может столкнуться со значительным сопротивлением со стороны сотрудников, привыкших к устоявшимся рабочим процессам и методам. Это сопротивление проистекает не столько из нежелания, сколько из неуверенности и страха перед неизвестным.

Структурированный подход к культурным изменениям охватывает несколько аспектов. Культура инноваций составляет основу и должна соответствовать нескольким ключевым критериям: очевидная открытость к изменениям на всех организационных уровнях, четкая коммуникация и прозрачность в отношении целей, которые должны быть достигнуты с помощью ИИ, подчеркивание преимуществ как для компании, так и для ее сотрудников. Открытый диалог на всех иерархических уровнях необходим для снижения существующих страхов и предрассудков по отношению к новым технологиям.

Повышение осведомленности и предоставление образования — это первые важнейшие шаги. Сотрудники и руководители должны понимать, почему ИИ актуален для компании и как он может способствовать достижению стратегических целей. Семинары, тренинги и информационные мероприятия являются эффективными средствами передачи знаний и решения проблем. Приоритетной задачей является повышение уровня знаний об ИИ — то есть, фундаментального понимания искусственного интеллекта и его применения.

Развитие навыков работы с ИИ требует инвестиций как в техническую экспертизу, так и в понимание того, как ИИ применяется в конкретных бизнес-контекстах. В этом отношении неоценимую помощь могут оказать специально разработанные программы обучения и сотрудничество с внешними экспертами. Крайне важно, чтобы сотрудники рассматривали ИИ не как угрозу, а как инструмент, поддерживающий их работу.

Адаптация структур и процессов неизбежна. Компании должны быть готовы подвергать сомнению традиционные методы работы и внедрять новые, более гибкие подходы. Это может включать в себя внедрение новых каналов коммуникации, адаптацию процессов принятия решений или перепроектирование рабочих процессов. Искусственный интеллект следует рассматривать не как внешний элемент, а как неотъемлемую часть корпоративной культуры.

Лидеры играют ключевую роль в процессе культурной трансформации. Они должны не только определять видение и стратегию, но и выступать в качестве образцов для подражания и воплощать ценности культуры, ориентированной на искусственный интеллект. Крайне важно развивать культуру экспериментирования и непрерывного обучения. Программы развития лидерских качеств могут помочь повысить необходимую осведомленность и навыки.

В связи с этим:

• Автоматизация бизнес-процессов на практическом примере: как ИИ сжимает весь рабочий день, связанный с созданием коммерческих предложений, всего в несколько кликов и секунд

Что характеризует успешные внедрения ИИ?

Несмотря на многочисленные трудности, некоторые компании получают реальную выгоду от использования ИИ: сокращение вдвое времени обработки сложных документов, безопасная автоматизация задач, требующих тщательной оценки, и модернизация устаревших кодовых баз всего за несколько недель. Ключевое различие заключается не в использовании универсальных инструментов, а в разработке индивидуальных решений для конкретной ситуации каждой компании.

Для успешных внедрений характерен подход, изначально ориентированный на ИИ, когда искусственный интеллект внедряется с самого начала и коренным образом меняет структуру работы. Такие компании понимают, что внедрение ИИ — это не просто технологическое решение, а организационный прогресс, требующий реальных решений для систем, структур и людей, которые обеспечивают рост.

Систематическая модель зрелости выделяет пять критически важных аспектов для успешного масштабирования ИИ: стратегия и организация, культура и управление изменениями, ресурсы и процессы, данные, а также технологии и инфраструктура. Каждый аспект развивается по уровням зрелости, которые последовательно описывают прогресс в направлении полной интеграции ИИ.

Успешные в стратегическом плане компании разрабатывают четкую стратегию в области ИИ, соответствующую их бизнес-целям. Они определяют конкретные области применения и измеряют успех, используя как финансовые, так и нефинансовые KPI. Крайне важно, чтобы ИИ был интегрирован в стратегическую повестку дня, а не использовался в качестве изолированного эксперимента.

В сфере корпоративной культуры и управления изменениями успешные организации способствуют принятию и пониманию ИИ посредством всестороннего обучения и прозрачной коммуникации о его преимуществах и рисках. Они культивируют более открытое отношение к сотрудничеству с ИИ и поощряют сотрудников, разрабатывающих инновационные решения в области ИИ.

Структурирование распределения ресурсов и создание надежных процессов для эффективного определения приоритетов и масштабирования проектов в области искусственного интеллекта являются дополнительными факторами успеха. Раннее вовлечение ИТ-специалистов и руководства может предотвратить узкие места и обеспечить долгосрочный успех.

Как разработать архитектуру, изначально предназначенную для искусственного интеллекта?

Разработка архитектуры, изначально ориентированной на ИИ, требует коренного переосмысления того, как компании проектируют и внедряют свою технологическую инфраструктуру. «Ориентированная на ИИ» означает, что функциональные возможности ИИ интегрируются в архитектуру системы с самого начала, а не добавляются позже.

Модульный подход оказался особенно эффективным. Вместо разработки монолитных систем, приложения искусственного интеллекта следует разбивать на более мелкие, независимые компоненты. Это позволяет целенаправленно масштабировать и обновлять отдельные части системы, не затрагивая ее в целом. Такая модульность особенно важна в сложных корпоративных средах, где у разных отделов разные требования.

Внедрение практик MLOps имеет важное значение для устойчивого масштабирования проектов в области искусственного интеллекта. Автоматизированные конвейеры CI/CD обеспечивают быстрое и надежное развертывание моделей, а непрерывный мониторинг гарантирует стабильную производительность с течением времени. Ключевые компоненты конвейера MLOps включают автоматизированное управление данными, контроль версий данных, кода и моделей, автоматизированное обучение, центральный реестр моделей и автоматизацию развертывания.

Эффективное управление данными лежит в основе любой архитектуры, ориентированной на ИИ. Компании должны инвестировать в модернизацию своей инфраструктуры данных, включая внедрение облачных решений, повышение качества данных и создание безопасных платформ для обмена данными. Стандартизированные форматы данных и совместимость имеют центральное значение в этом процессе.

Масштабируемость необходимо учитывать с самого начала. Архитектуры, изначально предназначенные для ИИ, должны отвечать текущим потребностям, одновременно обеспечивая возможность будущего роста. Это требует стратегического планирования, четко определяющего ожидаемые объемы данных, количество пользователей и критерии производительности, а также разработки масштабируемой архитектуры на их основе.

В связи с этим:

• Конец обучения ИИ? Стратегии ИИ в переходный период: подход «плана» вместо огромных массивов данных – будущее ИИ в компаниях

Какие структуры управления необходимы для ИИ?

Создание надлежащих структур управления имеет важное значение для успешного и ответственного использования ИИ в компаниях. С вступлением в силу Закона ЕС об ИИ в августе 2024 года компании сталкиваются со все более сложными нормативными требованиями.

Управление ИИ охватывает несколько важнейших аспектов. Управление данными гарантирует, что персональные данные обрабатываются в соответствии с GDPR и другими нормативными актами о защите данных. Это включает в себя внедрение принципов «конфиденциальность по умолчанию» и «конфиденциальность по умолчанию», проведение оценки воздействия на защиту данных для систем ИИ с высоким риском, а также обеспечение прозрачности в процессах автоматизированного принятия решений.

Закон ЕС об искусственном интеллекте определяет различные категории риска для систем ИИ и устанавливает конкретные требования. Компании должны прозрачно документировать источники обучающих данных и четко маркировать контент, созданный ИИ. Для приложений с высоким уровнем риска они должны активно защищать свои системы от манипуляций и обеспечивать непрерывный мониторинг со стороны человека. Приложения с неприемлемым уровнем риска полностью запрещены.

Этический аспект управления ИИ затрагивает вопросы справедливости, прозрачности и подотчетности. Это включает в себя внедрение систем мониторинга предвзятости, обеспечение объяснимости принимаемых решений и создание механизмов обратной связи для затронутых лиц. Поддержание баланса между инновациями и ответственным использованием имеет особое значение.

Структуры обеспечения соответствия должны разрабатываться заблаговременно. Компании должны учитывать нормативно-правовую базу, внедрять надежные системы управления данными и обеспечивать соблюдение этических принципов в области искусственного интеллекта. Сотрудничество между предприятиями, политиками и юристами имеет решающее значение для разработки четких руководящих принципов и передовых методов.

Как измерить долгосрочный успех инициатив в области искусственного интеллекта?

Для оценки долгосрочного успеха инициатив в области ИИ необходима многомерная система оценки, учитывающая как количественные, так и качественные факторы. Успех инвестиций в ИИ часто проявляется не сразу, а развивается в течение нескольких лет.

Комплексная концепция измерения начинается с четкого определения опережающих и запаздывающих индикаторов. Опережающие индикаторы дают ранние сигналы об успехе или неудаче и включают такие показатели, как принятие системы пользователями, доступность системы и первоначальные измерения производительности. Запаздывающие индикаторы измеряют долгосрочные эффекты, такие как рентабельность инвестиций, удовлетворенность клиентов и увеличение доли рынка.

Предварительное измерение исходных показателей перед внедрением ИИ имеет решающее значение для последующей оценки успеха. Без точного понимания исходной ситуации невозможно количественно оценить улучшения. Это исходное измерение должно включать не только операционные показатели, но и документировать культурные и организационные факторы.

Ключевые показатели эффективности (KPI) играют центральную роль в непрерывной оценке. Эффективность процессов можно измерить по экономии времени на повторяющихся задачах. Снижение количества ошибок — еще один важный показатель, поскольку системы искусственного интеллекта во многих областях могут превосходить точность решений, принимаемых человеком. Масштабируемость решений на основе ИИ представляет особую ценность, поскольку системы, внедренные один раз, часто можно расширить для обработки больших наборов данных без пропорционального увеличения затрат.

Не следует пренебрегать качественными аспектами добавленной стоимости. Повышение качества принятия решений за счет анализа данных может создать значительную долгосрочную ценность, даже если ее трудно количественно оценить. Удовлетворенность сотрудников может повыситься, когда ИИ берет на себя рутинные задачи, позволяя сотрудникам сосредоточиться на более важных видах деятельности.

Регулярный пересмотр и корректировка концепции измерения необходимы, поскольку как системы искусственного интеллекта, так и бизнес-требования постоянно развиваются. Измерение рентабельности инвестиций следует понимать как итеративный процесс, гибко реагирующий на меняющиеся обстоятельства и интегрирующий новые данные.

Путь к устойчивому созданию ценности с помощью ИИ

Анализ четырех ключевых препятствий ясно показывает, что успешное внедрение ИИ выходит далеко за рамки технологических аспектов. Это целостный процесс трансформации, требующий организационных, культурных и стратегических изменений.

Ключ к успеху заключается в систематическом решении всех четырех проблемных областей: разработка архитектуры, ориентированной на данные, которая может работать и с несовершенными данными; создание согласованной инфраструктуры, изначально предназначенной для ИИ; определение четких, измеримых целей с самого начала проекта; и укрепление доверия посредством прозрачности и объяснимости.

Компаниям, стремящимся к подлинной трансформации, необходимы индивидуальные решения, разработанные с учетом их конкретных систем, структур и персонала. Это требует стратегического подхода, рассматривающего ИИ не как изолированную технологию, а как неотъемлемую часть бизнес-стратегии.

Инвестиции в управление изменениями, обучение сотрудников и культурную трансформацию так же важны, как и техническая реализация. Только благодаря такому целостному подходу компании смогут в полной мере использовать потенциал ИИ и добиться устойчивого создания ценности.

Konrad Wolfenstein

Я с удовольствием стану вашим личным консультантом.

Вы можете связаться со мной по адресу wolfenstein∂xpert.digital или

Просто позвоните мне по номеру +49 7348 4088 965 .

LinkedIn