В разгар IT-революции компании задавались вопросом, как внедрить компьютеры в свой бизнес. Для некоторых ответ был ясен: определить сферу, где требуется много расчетов, и заменить людей компьютерами; они лучше, быстрее и дешевле. Для других все выглядело не столь очевидно, тем не менее многие пробовали. Но плоды экспериментов созрели не сразу. Роберт Солоу, лауреат Нобелевской премии по экономике, сокрушался: «Эпоха компьютеров наступила всюду, кроме статистики производительности труда».

Из этой проблемы зародилось интересное движение под названием «реинжиниринг». Майкл Хаммер и Джеймс Чампи в книге «Реинжиниринг компании» (1993) утверждали, что для применения новой универсальной технологии – компьютеров – компании должны отвлечься от процессов и обозначить цели, которых хотят достигнуть. Затем следует изучить рабочие процессы и определить, какие задачи необходимо выполнить для достижения целей, а только затем думать, какую роль в них можно отвести компьютерам.

Один из любимых примеров Хаммера и Чампи – дилемма Форда, с которой тот столкнулся в 1980-х; она касалась не производства автомобилей, а оплаты труда.

Его отдел расчетов с кредиторами в Северной Америке насчитывал 500 человек, и вложением немалых средств в компьютеры он надеялся сократить их количество на 20 %. Вполне реальной ему представлялась цифра в 400 человек, ведь у его конкурента Mazda эти функции выполняли всего пять сотрудников. Хотя в 1980-е годы все превозносили продуктивность японских рабочих, не нужно быть гуру менеджмента, чтобы понимать: дело не только в этом.

Для повышения производительности менеджеры Ford изучили процесс покупки. Между составлением и оформлением заказа на покупку было задействовано много людей; если хотя бы один выполнял свои обязанности слишком долго, буксовала вся система. Неудивительно, что некоторые покупки совершались проблематично, особенно если требовалось уточнить или дополнить заказ. Эту задачу выполнял один человек, и даже если трудности возникали только с частью заказа, большую часть времени он был занят их решением. Поэтому весь заказ продвигался со скоростью самой проблемной его части.

В этом заложен потенциал для эффективного применения компьютеров. Они не только снижают количество нестыковок в системе, но и могут отделять простое от сложного и обеспечивать обработку задачи с нормальной скоростью. Как только новую систему внедрили, отдел расчетов с кредиторами Ford уменьшился на 75 %, а весь процесс значительно ускорился и стал гораздо точнее.

Не всегда реинжиниринг нацелен на сокращение персонала, даже если (к сожалению) многие думают об этом в первую очередь. В широком применении он может повысить качество услуг. Есть еще пример крупной компании по страхованию жизни Mutual Benefit Life, которая обнаружила, что девятнадцать человек в пяти отделах выполняют тридцать отдельных этапов обработки заявок. Теоретически стандартная заявка должна была проходить эту запутанную схему за день, но на практике это занимало от пяти до двадцати дней. Почему? Из-за отсрочек при переходе от одного сотрудника к другому. И чем медленнее продвигалась заявка, тем больше проволочек с ней возникало. Единая база данных, обеспеченная централизованной компьютерной системой, улучшила процесс принятия решений, уменьшила отсрочки и значительно повысила продуктивность работы в целом.

В итоге каждую заявку принимал один человек, а обработка занимала от четырех часов до нескольких дней.

Как инструмент классических вычислений ИИ представляет собой универсальную технологию. Он обладает потенциалом влияния на все решения, потому что их ключевой элемент – прогноз. Впредь ни один менеджер не добьется повышения продуктивности простым внедрением ИИ в проблему или существующий процесс. Эта технология требует переосмысления всех процессов, как это описали Хаммер и Чампи.

Компании уже занимаются анализом, разбивая рабочий процесс на отдельные задачи. Финансовый директор Goldman Sachs Р. Мартин Чавез отметил, что большая часть из 146 задач по первичному публичному размещению «напрашивается на автоматизацию». Многие из этих задач основаны на решениях, которые инструменты ИИ заметно улучшат. В истории о трансформации Goldman Sachs (а ее напишут через десяток лет) расскажут о том, какую значительную роль в ней сыграл прогресс ИИ.

Практическое внедрение ИИ осуществляется посредством разработки инструментов. Единицей ИИ в них является не «работа», «обязанности» или «стратегия», а «задача». Задачи состоят из решений (как представленные на и описанные в ). Решения основываются на прогнозе и суждении и принимаются исходя из данных. У решений внутри одной задачи эти элементы часто совпадают. И различаются только последующими действиями (рис. 10.1).

Рис. 10.1. Анализ полного изменения и автоматизации процессов

Некоторые решения внутри задачи иногда возможно автоматизировать, а сегодня, сообразно повышению точности прогнозов, можно автоматизировать последнее оставшееся решение. Распространение прогностических машин заставляет задуматься, как переиначить и автоматизировать рабочие процессы полностью, эффективно отстранив людей от таких задач вообще. Но чтобы сами по себе улучшенные и дешевые прогнозы привели к полной автоматизации, использование прогностических машин должно также повысить отдачу от их применения в других аспектах задач. Иначе при наличии прогностических машин решения будут принимать люди.

В ЛСР мы наблюдали развитие более чем 150 наукоемких компаний. И каждая была сосредоточена на разработке инструмента ИИ, предназначенного для конкретной задачи в конкретном рабочем процессе. Один стартап прогнозирует важные части документа и выделяет их. Другой прогнозирует производственные дефекты и отмечает их. Третий прогнозирует подходящие ответы на обращения в службу поддержки и выдает их. Список можно продолжить. Крупные компании внедряют сотни, если не тысячи различных ИИ для выполнения различных задач своего рабочего процесса. Google разрабатывает более тысячи инструментов ИИ для самых разных задач, от отправки электронных писем до языкового перевода и управления автомобилем.

Прогностические машины будут влиять на большинство компаний, но постепенно и по большей части незаметно – сравнимо с тем, как ИИ улучшает приложения для фотографии в смартфоне. Он добавляет удобную сортировку, а принципиально способ использования не меняется.

Но вы читаете эту книгу, скорее всего, потому, что заинтересованы в радикальных изменениях своего бизнеса посредством ИИ. Инструменты ИИ могут менять рабочий процесс двумя способами. Первый – признание задач устаревшими и их устранение. Второй – добавление новых задач, своих для каждой компании и каждого рабочего процесса.

Рассмотрим задачу набора студентов в программу МБА – хорошо знакомый нам процесс. Возможно, вы тоже участвовали в чем-либо подобном – набирали персонал или регистрировали клиентов. Рабочий процесс набора в МБА начинается с привлечения большого количества абитуриентов и сбора их заявлений и заканчивается зачислением в программу тех, кто прошел отбор и принял приглашение. Процедура набора делится на три части: воронка продаж, состоящая из ряда этапов, на каждом из которых производится отсев; отбор кандидатов и рассылка приглашений; дальнейшие шаги, мотивирующие абитуриентов принять приглашения. Каждая стадия требует специального распределения ресурсов.

Цель процесса набора очевидна – набрать курс лучших студентов. Однако что значит «лучший»? Это сложный вопрос, имеющий отношение к стратегическим целям учебного заведения. Мы не будем пока учитывать, как разные определения слова «лучший» влияют на дизайн инструментов ИИ (а они действительно влияют) и задачи внутри рабочих процессов, а просто предположим, что данная организация сформулировала свое определение и теперь может отнести некоторых абитуриентов к категории лучших. На практике вторая стадия – отбор лучших и рассылка приглашений – включает в себя важные решения, касающиеся времени рассылки (в начале или в конце процесса) и предложения материального поощрения или помощи. Эти решения выходят за рамки простого определения лучших, но также прогнозируют самые эффективные методы привлечения многообещающих абитуриентов (что будет происходить позднее).

Современная система ранжирования заявок достаточно примитивна. Обычно заявления делят на три стопки: 1) обязательно зачислить; 2) зачислить, если откажется кто-то из категории 1; и 3) не зачислять. Это, в свою очередь, приводит к необходимости управления рисками, чтобы уравновесить все «за» и «против» действий, повышающих вероятность ошибок. Например, нежелательно, чтобы абитуриенты, которых следовало бы отнести к категории 1 или хотя бы 2, попали в категорию 3 по причинам, не очевидным из их заявления. Аналогично не хотелось бы допустить в категорию 1 тех, кому следует находиться в конце списка. Поскольку заявки однозначно оценивать трудно, абитуриенты распределяются по категориям под влиянием одновременно и объективных, и субъективных причин.

Предположим, что программа МБА разработала ИИ, способный на основе заявок и другой информации (видеозаписей интервью и публикаций в соцсетях) четко ранжировать абитуриентов. Для этого его обучали на данных за прошедший период – заявках студентов, впоследствии причисленных к категории лучших. Инструмент ИИ будет выполнять задачу по выбору абитуриентов, достойных получить приглашение, быстрее, дешевле и точнее. Основной вопрос в том, как эта волшебная прогностическая технология повлияет на остальную часть рабочего процесса МБА.

Наша гипотетическая технология ранжирования абитуриентов выдает прогноз, кто из них, вероятнее всего, окажется в числе лучших. Это повлияет на другие решения рабочего процесса, в том числе по поводу ранних приглашений (чтобы опередить другие учебные заведения), материальных поощрений (стипендии) и особого внимания (обеды с профессурой или ранг почетных выпускников). Все эти решения требуют поиска компромиссов, а ресурсы на них ограничены. С появлением точного списка желаемых кандидатов станет понятно, на кого тратить ресурсы. А чем больше уверенность в потенциале абитуриента, тем, вероятно, больше ресурсов в него готовы вложить.

Заметно ощутимее прогностическое ранжирование может повлиять на решения, принимаемые до подачи заявок. Хотя большинство учебных заведений хотят заполучить побольше абитуриентов, они знают: если их окажется слишком много, анализ и ранжирование усложнятся. Наша прогностическая машина существенно снизит издержки всех этапов и, как следствие, повысит отдачу от большого количества абитуриентов. Особенно в случае, если технология способна анализировать их целеустремленность (почему бы и нет, она ведь волшебная). Таким образом, школы расширят охват абитуриентов и смогут отказаться от оплаты за рассмотрение заявок, потому что их сортировка упростится настолько, что не потребует издержек с увеличением количества желающих.

В результате изменения рабочего процесса могут оказаться весьма ощутимыми. С таким методом ранжирования школы сократят время между получением заявки и отправлением приглашения.

При налаженном методе все происходит почти мгновенно, поэтому рабочий процесс и динамика конкуренции приоритетных кандидатов меняются.

Это гипотетический ИИ, но на его примере понятно, как в результате внедрения инструментов ИИ в задачи рабочего процесса они устраняются (ранжирование вручную) или добавляются (больше рекламы). Конечно, у всех компаний будут разные исходы, но в ходе разбора рабочих процессов можно проанализировать вероятность того, что прогностические машины выйдут далеко за пределы отдельных решений, для которых были разработаны.

У клавиатуры смартфона больше общего с механической пишущей машинкой, чем с клавиатурой ПК. Возможно, вы еще застали пишущие машинки и помните, что при слишком высокой скорости печатания механизм заклинивает. Поэтому и придумали раскладку QWERTY – чтобы снизить вероятность нажатия двух соседних клавиш, что и вызывало проблемы со старыми машинками. Из-за этого машинистки с высокой скоростью печати вынуждены были работать медленнее.

Раскладка QWERTY до сих пор существует, в отличие от пишущих машинок. Когда инженеры Apple разрабатывали iPhone, было много споров о том, пора ли наконец избавиться от прежней раскладки. Но все к ней уже привыкли, пришлось на ней и остановиться. У ближайшего конкурента Apple в то время, BlackBerry, была кнопочная клавиатура QWERTY, которая работала настолько хорошо, что телефон из-за повального им увлечения назвали Crackberry (нарко-berry).

Крупнейшим научным проектом iPhone стала виртуальная клавиатура. Но в 2006 году (первый iPhone выпустили в 2007-м) она была просто ужасной. До BlackBerry ей было далеко – она настолько неудобная, что никто не печатал на ней текстовые сообщения, тем более письма. Проблема заключалась в крошечных клавишах, но иначе они не уместились бы на 4,7-дюймовом экране, и пользователь легко промахивался, нажимая соседнюю кнопку. Многие инженеры Apple предлагали отличную от QWERTY раскладку.

На поиск решения оставалось всего три недели, и, если бы его не нашли, проект рухнул бы, и всем разработчикам дали полную свободу на апробирование любых вариантов. К концу срока клавиатура выглядела как маленькая стандартная, но с одним отличием. Пользователь не замечал изменений, но рабочее поле некоторых клавиш во время печати увеличивалось. Например, после t чаще всего следует h, поэтому она становилась больше. Далее расширялись e и i и т. д.

Это инструмент ИИ в действии. Инженеры Apple раньше всех использовали достижения машинного обучения 2006 года для создания прогностических алгоритмов, меняющих размер поля клавиш исходя из уже напечатанных букв. Сегодняшняя технология автокоррекции текста работает так же, но по большому счету решение было найдено благодаря QWERTY. Раскладка, разработанная во избежание нажатия соседних клавиш, позволила виртуальным клавишам смартфона при необходимости расширяться, поскольку маловероятно, что следующая клавиша находится рядом с той, что только что нажали.

Во время разработки iPhone инженеры Apple досконально разобрались в рабочем процессе, примененном для клавиатуры. Пользователь находит нужную клавишу, нажимает и переходит к следующей. Разбив процесс, они поняли, что идентификации и нажатию не мешает различающийся внешний вид клавиш. Что самое главное – прогноз определял, какая клавиша станет следующей. Понимание рабочего процесса обеспечило возможность оптимального применения инструмента ИИ, и это верно в отношении любых процессов.

• Инструменты ИИ представляют собой точечное решение. Каждый предназначен для конкретного прогноза, а большинство разработано для конкретной задачи. Большинство стартапов нацелены на создание одного инструмента ИИ.

• Крупные корпорации состоят из рабочих процессов, обращающих ресурсы в продукт. Рабочие процессы подразделяются на задачи (например, первичное размещение акций Goldman Sachs состоит из 146 отдельных задач). Принимая решение о внедрении ИИ, компании должны разбить процессы на задачи, оценить прибыль от затрат по разработке или покупке ИИ для выполнения каждой задачи, ранжировать ИИ с учетом выгоды от затрат, затем начать работать по списку сверху вниз. Иногда можно добавить инструмент ИИ в рабочий процесс и сразу увидеть выгоду в результате повышения эффективности выполнения задачи. Однако чаще всего это не так просто. Извлечение реальной выгоды от внедрения инструмента ИИ требует реинжиниринга всего рабочего процесса. В итоге по аналогии с революцией ПК понадобится много времени, чтобы увидеть в большинстве рядовых компаний рост производительности в результате ИИ.

• Для иллюстрации потенциального влияния ИИ на рабочий процесс мы описали вымышленный ИИ, прогнозирующий ранжирование абитуриентов МБА. Чтобы извлечь из этой прогностической машины максимальную выгоду, учебным заведениям придется пересмотреть рабочий процесс. Им понадобится устранить задачу ручного ранжирования и расширить задачу по рекламе программы, поскольку ИИ повысит отдачу от увеличения числа абитуриентов (посредством повышения точности прогнозирования успешных абитуриентов и снижения издержек на анализ их заявок). Школа изменит задачу по предоставлению материальных поощрений, таких как стипендия и финансовая помощь, потому что будет больше уверена в том, какие из абитуриентов лучшие. И наконец, школа отрегулирует остальные элементы рабочего процесса, чтобы воспользоваться преимуществами предоставления мгновенных решений по заявкам на обучение.