В январе 2007 года, когда на сцену вышел Стив Джобс и представил миру iPhone, ни один обозреватель не сказал: «Да это же просто прикрытие для бизнеса такси». Перенесемся в 2018 год: оказывается, так и есть. За последние десять лет смартфоны эволюционировали из просто умных телефонов в незаменимые платформы для инструментов, подрывающих и коренным образом изменяющих самые разные отрасли. Даже Энди Гроув, отпустивший известную шутку «выживут только параноики», вынужден признать, что нужно было быть закоренелым параноиком, чтобы предвидеть, насколько широко и глубоко смартфоны проникнут в традиционные отрасли производства.

Недавнее развитие ИИ и машинного обучения убедило всех, что эта инновация по своим масштабам сравнима с революционными технологиями прошлого: электричеством, автомобилями, пластмассой, микрочипами, интернетом и смартфонами. Из истории экономики мы знаем, как эти универсальные технологии распространяются и преображают мир. Понятно, что очень сложно предвидеть, когда, где и как произойдут самые подрывные перемены. И в то же время уже известно, что именно следует искать, как можно оказаться на шаг впереди всех и когда новые технологии, вероятнее всего, превратятся из занимательной штуковины в двигатель прогресса.

Когда вопрос ИИ должен стать приоритетным для руководящего состава организации? Хотя изменения режима работы иногда происходят по итогам расчетов прибыли от капиталовложений, стратегические решения ставят руководство перед дилеммами и вынуждают бороться с неопределенностью. Внедрение ИИ в одну часть организации может потребовать изменений в другой. Чтобы отследить влияние на организацию в целом, нужно, чтобы внедрением и принятием решений занимался человек, полностью контролирующий деятельность бизнеса, а именно СЕО.

Когда же ИИ попадает в данную категорию? Когда снижение стоимости прогнозов приобретает достаточное значение, чтобы изменить стратегию? И какой трудный выбор поджидает директора, если это произойдет?

Как мы предположили в главе 2, если повернуть регулятор точности, компании типа Amazon смогут предсказывать желания конкретного покупателя настолько уверенно, что это изменит их бизнес-модели. От схемы «покупка – затем доставка» они перейдут на «доставка – затем покупка» и начнут рассылать заказы клиентам, предугадывая их желания. Данный сценарий наглядно иллюстрируют три составляющие, вместе подталкивающие к решению вложиться в разработку инструмента ИИ, чтобы подняться до уровня стратегических решений в противовес тактическим.

В первую очередь должна присутствовать дилемма или компромиссное решение. Для Amazon дилеммой выступает то, что «доставка – затем покупка» может повысить продажи, но одновременно увеличить количество возвратов. Если издержки от возвратов высоки, то доход от вложений в модель «доставка – затем покупка» ниже, чем в традиционную «покупка – затем доставка». Вот почему при отсутствии технологических изменений Amazon придерживается модели «покупка – затем доставка», а не наоборот, как и почти все другие магазины.

Во-вторых, проблему можно решить снижением неопределенности. В случае Amazon это покупательский спрос. Если точно прогнозировать, что люди купят, особенно если товар уже доставлен, то вероятность возвратов снижается и продажи растут.

Такого рода управление спросом не ново, поэтому и существуют офлайновые магазины. Они не могут прогнозировать индивидуальный спрос, только вероятный спрос группы потребителей. Объединяя в группы потребителей, приходящих в один магазин, они страхуются от неопределенности спроса индивидуальных покупателей. Переход на модель «доставка – затем покупка», основанную на индивидуальном подходе, требует больше информации о спросе отдельных покупателей, с тем чтобы превзойти конкурентное преимущество офлайн-магазинов.

В-третьих, компаниям требуется прогностическая машина, способная в достаточной степени снизить неопределенность, чтобы сместить баланс стратегической дилеммы. Amazon при очень точном прогнозировании потребительского спроса будет выгодна модель «доставка – затем покупка». В данном случае плюсы повышения продаж перевесят минусы издержек возвратов.

Если Amazon внедрит данную модель, за ней последуют дальнейшие перемены в бизнесе. В том числе, например, вложения в снижение издержек по обеспечению безопасности посылок, оставленных для получателя, и в транспортные услуги по доставке возвратов. Хотя на клиентоориентированном рынке доставки высокая конкуренция, рынок услуг по возврату находится пока в зачаточном состоянии. Amazon могла бы организовать собственную инфраструктуру грузового транспорта для ежедневной доставки и сбора возвратов и таким образом вертикально интегрироваться в бизнес возвратов товара. Фактически Amazon подвинула бы границу своего бизнеса прямо к крыльцу дома покупателя.

И эта граница уже начинает сдвигаться. Один из примеров тому – немецкое предприятие электронной коммерции Otto. Основной проблемой покупок в онлайн-магазинах остается неопределенное время доставки, и, если оно не удовлетворило клиента, он вряд ли вернется на сайт еще раз. Otto выяснила, что, если доставка слишком долгая (больше нескольких дней), количество возвратов увеличивается. За это время покупатели успевают купить то, что им необходимо, в магазине. И даже при высоких продажах Otto много теряла на возвратах. Как же сократить время доставки до покупателя? Предугадать, что он собирается заказать, и обеспечить наличие товара на складе неподалеку. Но такое управление ресурсами само по себе затратно.

Вместо этого следует запастись только теми товарами, которые понадобятся вероятнее всего. Нужен точный прогноз покупательского спроса. В базе данных Otto три миллиарда транзакций и сотни других переменных (в том числе поисковые запросы и демографические данные), поэтому она смогла создать прогностическую машину. И теперь с 90 %-ной точностью прогнозирует, какие товары продадутся в ближайший месяц. Исходя из прогноза, компания изменила логистику. Перечень товаров уменьшился на 20 %, а количество возвратов в год снизилось на 2 млн. Прогностика улучшила логистику, которая, в свою очередь, сократила издержки и повысила удовлетворенность клиентов.

Мы снова видим три составляющие стратегического значения. Otto столкнулась с дилеммой (как сократить время доставки без дорогостоящего хранения запасов), обусловленной неопределенностью (в данном случае – общим потребительским локальным спросом), и, устранив эту неопределенность (то есть повысив точность прогнозирования локального спроса), смогла реорганизовать логистику, для чего понадобились дополнительные складские помещения и локальная доставка в гарантированный срок. Компания не достигла бы всего этого без использования прогностических машин для устранения неопределенности.

Чтобы прогностическая машина изменила стратегию, кто-то должен ее создать – и такую, которая необходима именно вам. И это зависит от нескольких вещей, неподвластных контролю вашей организации.

Давайте посмотрим на факторы, делающие прогностическую машину доступной для вашего бизнеса. Для этого мы отправимся в 1930-е годы на кукурузные поля Айовы. Фермеры-новаторы вывели новый сорт кукурузы, скрещивая между собой разные ее сорта в течение почти двадцать лет. Гибридная кукуруза отличалась от обычной. Для ее получения скрестили инбредные линии, за счет чего улучшились такие свойства, как засухоустойчивость и урожайность в местной среде. Гибридный сорт породил серьезные перемены – он не только обещал высокую урожайность, но еще и сделал фермеров зависимыми от поставщиков семян. Чтобы получить все преимущества сорта, нужно было адаптировать семена к местным условиям.

Как видно из рис. 13.1, алабамские фермеры отставали от Айовы. Но когда гарвардский экономист Цви Грилихес внимательно посмотрел на цифры, то обнаружил, что причина отставания Алабамы от Айовы на 20 лет заключается не в медлительности фермеров, а в том, что доход от вложений в освоение сорта в 1930-х не оправдывал издержек. Фермерские хозяйства в Алабаме по размерам меньше, а их рентабельность – ниже, чем на севере и западе. Фермеры Айовы, в отличие от них, засевали большие поля и получали большую выгоду по сравнению с издержками на покупку дорогостоящих семян. На крупных фермах было проще экспериментировать с гибридными сортами, потому что они занимали меньшую площадь земли, пока не проявили свои преимущества.

Источник: Zvi Griliches. Hybrid Corn and the Economics of Innovation // Science 132. 1960. June. № 3422. P. 275–280. Опубликовано с разрешения AAAs.

Рис. 13.1. Распространение гибридной кукурузы

У фермеров Айовы риски были ниже, а прибыль выше. Когда количество фермеров, освоивших новый сорт, превысило определенный предел, рынок семян расширился, покупателей и продавцов стало больше, цены упали и риски дополнительно снизились. В итоге гибридный сорт кукурузы начали осваивать фермеры на всей территории США (и за ее пределами) по мере снижения цен и предполагаемых рисков.

Компания Google – Айова мира ИИ. Для каждой категории бизнеса, от поиска до рекламы, карт и перевода, она ведет разработку тысяч проектов. С ней сравнялись и другие мировые технологические гиганты. Причина очевидна: Google, Facebook, Baidu, Alibaba, Salesforce и прочие уже внедрили инструменты ИИ. Они четко определили задачи, выполняемые в компании, и в каждой существенно улучшили прогностический элемент с помощью ИИ.

Величина прибыли этих гигантов огромна, поэтому у них есть возможность экспериментировать. Часть «земли» они отводят под разнообразные типы ИИ и могут пожать большой «урожай» в результате успешных экспериментов, масштабно применяя их к широкому ассортименту продуктов.

У других компаний путь к ИИ не такой прямой. В отличие от Google, у большинства нет двадцати лет на оцифровку всех аспектов рабочего процесса, как и четкого понимания, что следует прогнозировать. Но как только у компании появляется ясно очерченная стратегия, эти составляющие могут развиваться, закладывая основу эффективного применения ИИ.

Когда настал подходящий момент, фермеры Висконсина, Кентукки, Техаса и Алабамы последовали примеру Айовы и начали осваивать гибридный сорт кукурузы. Выгоды со стороны спроса стали достаточно высокими, а затраты со стороны предложения упали. Аналогичным образом издержки и риски, связанные с ИИ, постепенно сократятся, и компании в арьергарде разработки цифровых инструментов тоже их освоят. В этом их будет стимулировать сторона потребления: возможность разрешить фундаментальные дилеммы в своих бизнес-моделях благодаря снижению неопределенности.

Билли Бин из фильма «Человек, который изменил все» использовал статистический прогноз, чтобы преодолеть предубеждения скаутов по набору игроков и улучшить прогностику. Это пример применения прогноза для снижения неопределенности и повышения продуктивности команды Oakland Athletics. Позиция Бина изменила стратегию, что потребовало перестановок в явной и скрытой иерархии организации.

Улучшение прогнозов повлияло на набор инфилдеров, но само функционирование команды осталось неизменным. Бейсболисты, выбранные прогностической машиной, играли почти так же, как и предыдущие, разве что делали чуть больше уоков. А за скаутами сохранилось право голоса при наборе.

Более заметно изменился набор аутфилдеров, и в результате последовала перестройка структуры организации. Главное, что команда наняла людей, которые могли сообщить машинам, что именно прогнозировать, и использовать этот прогноз для отбора игроков (в первую очередь это Пол Деподеста и другие, их общий вклад в фильме воплотился в персонаже по имени Питер Брэнд, которого сыграл Джона Хилл). Команда также создала новую должность саберметрического аналитика: он определяет критерии положительной отдачи для команды от участия разных игроков. Саберметрический аналитик – разработчик функции вознаграждения в бейсболе; сейчас в большинстве команд есть как минимум один такой специалист, и под разными названиями эта профессия появляется и в других видах спорта.

Улучшенный прогноз создал новую позицию в структуре организации. Ученые-исследователи, специалисты по анализу данных и вице-президенты по аналитике играют главные роли в онлайновых фронт-офисах. В Houston Astros есть даже специальный отдел теории принятия решений, который возглавляет бывший инженер НАСА Сиг Междал. Стратегические перемены также повлияли на то, как команда нанимает игроков. Эти профессиональные аналитики хорошо знают математику, а лучшие из них идеально подбирают задание для прогностической машины. Они обеспечивают суждение.

Возвращаясь к элементарной экономике, на которой основаны все наши доводы, добавим, что прогноз и суждение дополняют друг друга.

Чем шире распространяются прогнозы, тем выше ценится суждение. Команды все чаще нанимают новых советников, у которых не всегда есть непосредственный опыт участия в игре, и они – в соответствии со стереотипом – не очень-то вписываются в атлетическую среду профессионального спорта. Но даже закоренелым «ботаникам» в этой роли необходимо хорошо разбираться в игре, потому что прогностические машины в спортивном менеджменте ведут к повышению ценности людей, способных судить об отдаче и, следовательно, принимать решения, исходя из прогнозов.

Реорганизация менеджмента бейсбольной команды выносит на свет очередной важный для руководства вопрос, связанный со стратегическим выбором в отношении ИИ. До саберметрики суждение бейсбольных скаутов сводилось к аргументам «за» и «против» отдельных игроков. Но благодаря количественным показателям стало возможным прогнозировать эффективность группы игроков. Суждение перенаправили с изучения отдачи от конкретных игроков на отдачу от конкретной команды. Теперь улучшенные прогнозы позволяют менеджеру принимать решения, в большей степени соответствующие целям организации: устанавливать, какая команда выиграет, а не какие игроки окажутся лучше. Чтобы извлечь максимум из прогностических машин, необходимо переосмыслить функцию вознаграждения для всей организации и действовать в соответствии с целями. Это непростая задача. Помимо набора игроков следует изменить и маркетинг команды и, скорее всего, отвести на второй план индивидуальные показатели. Сходным образом тренеры должны понимать причины, по которым выбрали именно этих игроков, и их роль в составе команды в каждой игре. И наконец, даже игрокам необходимо знать, как их роль меняется в зависимости от того, есть ли у соперников аналогичные прогностические инструменты.

Помимо прочего, стратегия нацелена на извлечение прибыли – кто извлечет прибыль, которую сулит улучшение прогнозов?

Руководители часто утверждают, что данные представляют собой стратегический ресурс, поскольку в них нуждаются прогностические машины. Другими словами, если у вас есть данные за много лет, скажем, по продажам йогуртов, они могут кому-нибудь понадобиться для прогнозирования продаж с помощью прогностической машины. Следовательно, для владельца данные представляют ценность, словно нефтяные запасы.

Такое допущение создает неверное представление о важном вопросе – как и нефть, данные бывают разных типов. Мы описали три: входные, обучающие и данные обратной связи. Обучающие данные необходимы для создания прогностической машины. Входные данные используются для прогностики, а данные обратной связи повышают точность прогнозов. И для применения в будущем нужны только последние два типа. Алгоритмы учатся на обучающих данных, но, как только прогностическая машина заработала, они больше не понадобятся, их можно уничтожить. Данные по продажам йогуртов за минувший период теряют свою значимость, когда созданная по ним машина начала функционировать. Сегодня они еще могут представлять ценность, но вряд ли это продлится долго. Чтобы сделать из них постоянный источник выгоды, нужно генерировать новые данные – входные или обратной связи – или искать другие преимущества. Плюсы генерации новых данных мы рассмотрим в следующей главе, а сейчас сосредоточимся на другом.

Дэн Бриклин, изобретатель электронных таблиц, создал огромную ценность, но не стал богачом. Куда же делась ценность таблиц? По размеру благосостояния Бриклина далеко обогнали его последователи, такие как основатель Lotus 1–2–3 Митч Капор и глава Microsoft Билл Гейтс, но даже они получили лишь малую ее часть. Вся ценность отошла пользователям и компаниям, сколотившим миллиарды на использовании электронных таблиц. Что бы ни делали Lotus и Microsoft, решения, которые улучшались благодаря электронным таблицам, принадлежали пользователям.

Прогностические машины оперируют на уровне решений, поэтому все это относится и к ним. Представьте себе ИИ, который серьезно упростит складской учет сети супермаркетов. Зная, когда йогурт будет продаваться активнее, вы пополните запасы в нужное время и минимизируете ущерб от нереализованного товара. Изобретатель машин, прогнозирующих спрос йогурта, имеет все шансы преуспеть, но для получения выгоды ему придется договариваться с супермаркетами. Действие по закупке йогурта выполняют они. А без этого действия прогнозирование спроса на йогурты теряет смысл.

С ИИ или без него право действия остается за компаниями. Они извлекут прибыль от освоения ИИ. Но это не значит, что вся прибыль отойдет компаниям, которым принадлежат действия.

Бриклин и его партнер Боб Фрэнкстон не были уверены, стоит ли продавать электронные таблицы. Сохранив их в собственности, они могли бы торговать своими навыками и таким образом извлекать выводы из собственного изобретения. Они отказались от этого варианта – скорее всего, обоснованно, – но для ИИ данная стратегия, вероятно, сработает. Поставщики ИИ могут попытаться обойти остальных участников рынка.

Примером в некоторой степени служит беспилотный транспорт. Пока одни автопроизводители активно инвестируют в собственные возможности, другие рассчитывают в этом на партнеров вне отрасли (например, Alphabet, дочерняя компания Waymo). В других случаях крупные технологические компании инициируют проекты с автопроизводителями сами. Например, Baidu, владелец самой большой поисковой машины в Китае, с несколькими десятками партнеров, в том числе Daimler и Ford, начала масштабную и разноплановую открытую инициативу по автономному вождению Project Apollo. Кроме того, Tencent Holdings, владелец WeChat почти с миллиардом аккаунтов активных пользователей ежемесячно, организовала альянс по автономному вождению, в числе знаменитых участников которого стоит упомянуть Beijing Automotive Group. Чэнь Цзюй-Хун, вице-президент Tencent, отметил: «Tencent собирается приложить все возможные усилия для содействия развитию технологии ИИ для автономного вождения… Мы хотим стать связующим звеном, ускоряющим налаживание сотрудничества, инновации и слияние индустрий…» Сюй Хэй, председатель Beijing Automotive, высказал свои соображения о стимулирующей сотрудничество конкуренции: «В этой новой эпохе выживут только те, кто сотрудничает с другими компаниями в создании следующего поколения автомобилей. Тех же, кто собирается изолировать свое производство от остальных, ждет гибель». Относительно новые компании (такие как Tesla) конкурируют с давними участниками рынка непосредственным применением ИИ в автомобилях, что тесно связывает между собой ПО и «железо». Компании вроде Uber используют ИИ для развития автономного вождения с целью лишить потребителя возможности принимать решения по управлению автомобилем.

В этой сфере погоня за выгодой не признает традиционных границ бизнеса, а ставит под вопрос право на действие, которое дает преимущества.

Описанные перемены зависят от двух аспектов влияния ИИ на основу нашей экономической схемы.

Во-первых, как в модели Amazon «доставка – затем покупка», прогностические машины снижают неопределенность. С прогрессом ИИ использование их с этой целью станет масштабнее, вследствие чего стратегические дилеммы, вызванные неопределенностью, будут развиваться вместе с ИИ. Из-за снижения стоимости прогноза прогностические машины приобретут способность разрешать более широкий спектр прогностических дилемм.

Во-вторых, ИИ повысит ценность дополнительных составляющих прогноза. Суждение бейсбольных аналитиков, действия продовольственных магазинов и (как вы узнаете далее) данные для прогностических машин приобретут такое значение, что вынудят вас изменить стратегию, чтобы воспользоваться всеми их преимуществами.

• Высшему руководству не следует полностью возлагать стратегии ИИ на отдел IT, поскольку действие мощных инструментов ИИ может выйти за пределы повышения продуктивности задач, выполняемых в соответствии со стратегией, и привести к изменению самой стратегии. Для этого необходимо присутствие трех факторов:

• ключевой компромисс бизнес-модели (то есть «покупка – затем доставка» или «доставка – затем покупка»);

• компромисс, обусловленный неопределенностью (то есть высокие издержки от возвратов из-за неопределенности того, что приобретет покупатель, перевешивают высокие продажи при модели «доставка – затем покупка»);

• снижающий неопределенность инструмент ИИ: он склоняет чашу весов так, что оптимальная стратегия меняется от одной альтернативы к другой (снижение неопределенности с помощью прогноза вероятных покупок приводит к тому, что отдача от модели «доставка – затем покупка» будет выше, чем от традиционной).

• Еще одна причина, по которой стратегия ИИ требует участия высшего руководства, состоит в том, что внедрение инструментов ИИ в одной части компании может повлиять на другие. В нашем мысленном эксперименте с Amazon переход на модель «доставка – затем покупка» ведет к вертикальной интеграции в бизнес по сбору возврата, возможно с парком грузовиков, еженедельно объезжающих территорию. Мощные инструменты ИИ вызывают необходимость пересмотра рабочих процессов и границ компании.

• Прогностические машины повысят ценность дополнительных составляющих, в том числе суждения, действий и данных. Повышение ценности суждения может повлечь за собой перестановки в иерархии – вероятно, повышение отдачи от выполнения руководством других ролей или назначения на эти должности других людей. Также прогностические машины позволят менеджерам вместо индивидуальных составляющих оптимизировать глобальные цели и таким образом принимать решения, более соответствующие задачам организации. Владение действиями, зависящими от прогноза, может дать конкурентные преимущества, что позволит традиционным компаниям извлечь некоторую выгоду из ИИ. Однако в случаях, когда мощные инструменты ИИ предоставляют значительные конкурентные преимущества, новые участники рынка смогут вертикально интегрироваться во владение действиями и использовать ИИ как базис для соперничества.