Джошуа Ганс недавно спросил у сотрудников стартапа в области машинного обучения: «Зачем вы даете врачам диагноз?» Компания работала над инструментом ИИ, который должен был подтверждать наличие определенного заболевания. Простейший двоичный вывод. Диагноз. Проблема в том, что для этого компании необходимо было получить одобрение контролирующих органов, что требовало дорогостоящих тестов. И с этой целью она выбирала между сотрудничеством с известной фармацевтической компанией и компанией по производству медицинских изделий.

Вопрос Джошуа скорее стратегический, чем медицинский. Почему они хотят предоставлять диагноз? Может быть, достаточно прогноза? В таком случае инструмент мог бы анализировать данные и сообщать, что «вероятность наличия заболевания составляет 80 %». Тогда врач детально рассмотрел бы аргументы для этого вывода и поставил окончательный диагноз – тот же двоичный вывод «есть или нет». Решающее слово осталось бы за клиентом (врачом).

Джошуа предложил компании сосредоточиться на прогнозе, а не диагнозе, чтобы граница бизнеса им и заканчивалась. Такой шаг устраняет необходимость одобрения контролирующих органов, поскольку у врачей достаточно инструментов для диагностического заключения. Компании уже не нужно было сотрудничать с авторитетными фирмами на раннем этапе. И что самое важное, отпала нужда в исследованиях и поисках способа преобразования прогноза в диагноз. Оставалось только определить степень точности прогноза, с которой его можно считать ценным: 70, 80 или 99 %?

Где заканчивается ваш бизнес и начинается чужой? Где точно проходят границы вашей компании? Это долгосрочное решение требует пристального внимания со стороны самых высокопоставленных лиц организации. Более того, новые универсальные инновации часто приводят к неожиданным ответам на эти вопросы. Определенные инструменты ИИ, с большой вероятностью, изменят границы вашего бизнеса. Прогностические машины заставят многое переосмыслить, от производственного оборудования до данных и людей.

Неопределенность влияет на границы бизнеса. Экономисты Зильке Форбс и Мара Ледерман изучали организацию авиатранспортной отрасли США на пороге нового тысячелетия. Маршруты были поделены между крупными авиаперевозчиками ранга United и American и региональными партнерами, такими как American Eagle и SkyWest. Партнеры были независимыми компаниями, сотрудничество оформили соглашением. Помимо других условий, цена на билеты региональных авиакомпаний была ниже, как и зарплата сотрудников, а их условия работы были менее выгодными. Например, в ряде исследований установлено, что у старших пилотов крупных авиакомпаний зарплата на 80 % выше.

Загадка в том, почему большинство маршрутов обслуживали крупные компании, если их партнеры предоставляли услуги по более низким ценам. Форбс и Ледерман установили основной фактор – это погодные условия, точнее, их неопределенность. При нелетной погоде полеты откладываются, что в целом сказывается на работе, зависящей от пропускной способности авиатранспортной отрасли, объединенной в сеть.

Когда погода портится, партнеры долго принимают решения, потому что для внесения быстрых изменений с неопределенными издержками им необходимо свериться с контрактом. Крупные компании хотят избежать таких задержек, поэтому маршруты, на которых рейсы часто откладываются из-за погодных условий, контролируют и обслуживают они.

Три ранее описанные составляющие предполагают, что ИИ ведет к изменению стратегии. Во-первых, здесь присутствует ключевой компромисс между низкими издержками и высоким контролем. Во-вторых, он обусловлен неопределенностью, а конкретнее – отдача от контроля повышается с уровнем неопределенности. Крупные авиаперевозчики ищут компромисс между снижением издержек и увеличением контроля, оптимизируя границу, отделяющую их действия от партнерских. Если бы прогностическая машина могла преодолеть неопределенность, появилась бы третья составляющая, баланс сместился бы, и авиакомпании доверили бы больше обязанностей партнерам.

Компании, вовлеченные в постоянные инновации, особенно подразумевающие обучение на опыте, создают похожую схему. Новые модели автомобилей появляются примерно каждые пять лет, и, поскольку их изготовление включает в себя подробную спецификацию деталей и конструкторские разработки, автопромышленники должны определиться, откуда брать детали: изготавливать самостоятельно или заказывать аутсорсинг? На протяжении длительного процесса разработки компания имеет только примерное представление о ходовых характеристиках автомобиля. Некоторая информация становится доступной только после выпуска новой модели из отзывов покупателей и других долгосрочных показателей эффективности. Именно поэтому модели ежегодно обновляют без радикальных изменений в конструкции, лишь устраняя недостатки компонентов, за счет чего улучшают продукт.

Экономисты Шарон Новак и Скотт Стерн обнаружили, что изготовители элитных автомобилей, сами производящие детали, быстрее усовершенствовали модели от года к году. Они измеряли улучшения со стороны клиентов, используя рейтинги Consumer Reports. Обладая контролем, автопроизводители могли быстрее реагировать на обратную связь клиентов. В отличие от них, компании, которые заказывали детали сторонним производителям, не продемонстрировали таких улучшений. Однако у них свои преимущества: качество их моделей изначально выше, потому что изготовленные поставщиками детали лучше. Автопроизводители стоят перед выбором: приобретать детали у поставщиков или изготавливать самим, чтобы быстрее усовершенствовать выпущенные модели, контролируя инновации в жизненном цикле продукции. Здесь опять же снижающая неопределенность прогностическая машина может изменить стратегию.

В обоих случаях компромисс между краткосрочной и долгосрочной производительностью и рядовыми и нештатными событиями ищет сама организация, решая, до какой степени полагаться на внешних поставщиков. Однако отличительная особенность такого выбора тесно связана с неопределенностью. Насколько важны метеорологические явления, к которым авиакомпании не могут подготовиться заранее? Насколько автомобиль будет соответствовать желаниям клиента?

Предположим, что снижающий неопределенность ИИ уже существует и третья составляющая в наличии. Прогноз очень дешев и достаточно минимизирует неопределенность, чтобы изменить суть стратегической дилеммы. Как это повлияет на действия авиакомпаний и автопроизводителей? С ИИ машины способны функционировать в более сложной среде. Количество проверенных «если» возрастает, таким образом, ослабляется потребность бизнеса иметь собственные средства производства по двум причинам.

Первая: больше «если» означает, что компания может прописать в договоре действия при возникновении непредвиденных обстоятельств. Предположим, ИИ позволяет авиакомпаниям прогнозировать не только метеорологическую обстановку, но и оптимальные действия в случае связанных с ней затруднений. Это повысит крупным авиалиниям отдачу от подробного описания особых ситуаций в договоре. Они смогут перечислить в нем больше «если». Следовательно, вместо контроля над маршрутами крупные авиаперевозчики получили бы прогностическую власть, позволяющую им с уверенностью заключать договоры с независимыми региональными перевозчиками и пользоваться преимуществами их низких цен. Им требовалось бы меньше средств производства (самолетов), потому что к выполнению большинства рейсов привлекались бы партнеры.

Вторая: прогнозы ИИ – вплоть до прогнозирования удовлетворенности клиента – позволят автопроизводителям изначально увереннее конструировать автомобили, что повысит удовлетворение потребителей и качество продукции и исключит необходимость масштабных обновлений моделей. Следовательно, они смогут выбирать лучшие в мире детали у независимых поставщиков, зная, что благодаря точному прогнозу обойдутся без затратных пересмотров договора. Отпадет потребность в собственных заводах по изготовлению деталей. И в целом прогноз дает гораздо больше «если», чем необходимо для четкого описания всех «то».

В данном анализе сложность структуры сети авиалиний и автомобильной промышленности считается постоянной. Вполне вероятно, что предварительный прогноз дает авиалиниям и автопроизводителям возможность перейти к более сложным сделкам и продуктам. О его влиянии на внешних поставщиков трудно судить с определенностью, поскольку улучшенный прогноз расширяет сотрудничество с ними, а повышенная сложность, наоборот, сужает. Какой из этих факторов будет доминировать на этом этапе – неизвестно. Но в то время, когда недавно ставшие осуществимыми сложные процессы можно будет выполнять внутри компании, к большинству более простых, ранее выполняемых там, начнут привлекать внешних партнеров.

В 1980-е банки активно внедряли банкоматы, изобретенные в 1970-х. Потенциально трудосберегающая технология была разработана для автоматизации работы кассиров.

Согласно данным Бюро трудовой статистики, кассиры не потеряли работу (рис. 14.1). Машины отобрали у них прямые обязанности. Но в итоге кассиры занялись маркетингом и работой с клиентами, не связанными со сбором и выдачей наличных, – эту задачу выполняли машины, и гораздо надежнее людей. Банки не открывали дополнительные отделения только по двум причинам: из-за проблемы безопасности и издержек на зарплату банковских кассиров. Как только причины исчезли, открылось множество отделений (в городах на 43 % больше), а с ними появилось и множество работников, по старинке называемых кассирами.

Источник: Bessen J. E. How Computer Automation Affects Occupations: Technology, Jobs, and Skills // Boston University School of Law, Law and Economics Research Paper. 2016. October, 3. № 15–49 // URL: .

Рис. 14.1. Распространение банкоматов и кассиров за период

Появление банкоматов спровоцировало существенные перемены в организации – новым кассирам в гораздо большей степени требовалось субъективное суждение. Изначальные обязанности кассира были примитивными и легко поддались машинизации. Новые задачи – общение с клиентами, выяснение их потребностей, консультирование по кредитам и выбор опций кредитных карт – оказались не в пример сложнее. И соответственно, труднее стало оценить качество работы новых кассиров.

Когда объективные критерии продуктивности (у кого короче очередь?) сменились субъективными (кто продает удовлетворяющий клиента продукт?), управление кадрами усложнилось. Экономисты подтвердят, что служебные обязанности непременно станут менее явными и более относительными. Оценка работы и вознаграждение будут основаны на субъективных процессах, таких как пересмотр эффективности, учитывающий сложность задач, а также сильные и слабые стороны сотрудников. Такие процессы внедрить сложно, поскольку требуется немалая доля доверия для того, чтобы они стали стимулами для усердной работы. В конце концов, компании проще отказать в бонусе, повышении зарплаты или служебного статуса, исходя из субъективной точки зрения, чем в присутствии объективных измеримых критериев. Но если использовать критерии в сложной среде, вероятны серьезные ошибки, как убедительно подтверждает опыт Уэллса Фарго с мошенничеством менеджеров по работе с клиентами.

Непосредственный вывод из этого механизма экономики заключается в том, что благодаря ИИ управление персоналом из делового ранга перейдет в социальный. Причина двоякая. Во-первых, человеческое суждение используется там, где оно имеет ценность, потому что его трудно запрограммировать. Вознаграждение переменчиво, неизвестно или требует человеческого опыта. Во-вторых, человеческое суждение непременно включает в себя способы оценки продуктивности, субъективные до такой степени, до которой возрастает его значимость в результате распространения прогнозов. При наличии объективных способов машина, вероятно, могла бы выносить такое суждение без участия специалистов по кадрам. Таким образом, человек критически важен для принятия решений, если цели субъективны. И поэтому управление такими людьми, скорее всего, будет более социальным.

Следовательно, влияние ИИ на труд отличается от влияния на капитал. С ростом значимости суждения договоры с сотрудниками должны стать более субъективными.

Влияющие на капитал факторы воздействуют и на труд. Если основной результат человеческого труда – это данные, прогнозы или действия, то использование ИИ приведет к сотрудничеству с внешними работниками на контрактной основе и аутсорсингу оборудования и ресурсов. Как и с капиталом, точный прогноз повышает количество «если», которые можно использовать для четкого описания «то» в договоре с внешними партнерами.

Однако больше всего на труд повлияет рост значимости суждения. Прогноз и суждение – взаимодополняющие элементы, и вместе с качеством прогноза растет спрос на него. Основная роль сотрудников сведется к суждению для принятия решений, что по определению трудно сформулировать в договоре. В данном случае прогностическая машина повышает неопределенность стратегической дилеммы, потому что качество суждения трудно оценить, и, следовательно, аутсорсинг предполагает риск. Парадоксально, но чем точнее прогноз, тем выше неопределенность относительно качества работы людей. В компании должны быть свои разработчики функции вознаграждения и другие занимающиеся суждениями сотрудники.

Следующий важный стратегический вопрос заключается во владении данными и контроле над ними. Как последствия для рабочих связаны с взаимодополняемостью прогноза и суждения, так же эти компромиссы обусловлены отношениями между прогнозом и данными. Данные улучшают прогноз. Здесь мы рассматриваем компромиссы, связанные с границами организации. Использовать свои данные или чужие? (Далее мы изучим вопросы стратегического значения инвестирования в сбор данных.)

Для стартапов ИИ критически важно владеть данными для обучения, иначе они не смогут улучшить свой продукт со временем. Стартап машинного обучения Ada Support помогает компаниям взаимодействовать с клиентами. Ada получила возможность интегрировать свой продукт в систему крупного успешного провайдера чатов. Если бы все пошло как нужно, было бы гораздо проще продвигаться и заполучить большую базу пользователей: соблазн велик.

Однако проблема заключалась в том, что данные обратной связи по взаимодействию с пользователем оставались во владении авторитетной компании. А без этих данных Ada не сможет улучшать продукт по результатам работы. Это заставило пересмотреть подход и отказаться от интеграции, пока не появится возможность овладеть полученными данными. Благодаря этому теперь у Ada сформирован и расширяется постоянный поток данных для непрерывного обучения.

Вопрос о том, приобрести или добывать данные, интересует далеко не только стартапы. Рассмотрим данные, разработанные для поиска целевой аудитории рекламодателями. Джон Уонамейкер, один из создателей современной структуры рекламы в СМИ, однажды заявил: «Половина средств на рекламу потрачена зря. Вот только я не знаю, какая именно».

Это основная проблема рекламы. Разместите ее на сайте: ее увидят все посетители, и вы платите за каждый показ. Если только малая часть из них войдет в число потенциальных клиентов, за каждый показ платить не захочется. Это проблема и для рекламодателя, и для сайта, зарабатывающего на рекламе.

Одно из решений – заняться созданием сайтов для привлечения людей с определенными интересами (спорт, финансы и т. д.), представляющими собой целевую аудиторию для определенных рекламодателей. До распространения интернета на этом поприще процветали журналы, кабельные каналы и газетные рубрики об автомобилях, моде, недвижимости и инвестировании. Однако не все СМИ могут так организовать контент.

Благодаря инновациям в интернет-браузерах, в основном файлам cookie, рекламодатели могут отслеживать поведение пользователей и посещенные ими сайты. Так реклама находит целевую аудиторию. Cookie фиксируют информацию о посетителях сайта, а главное – о часто посещаемых ими сайтах, в том числе магазинах. Если зайдете на сайт магазина присмотреть новые брюки, то вам покажут огромное количество рекламы брюк даже с других сайтов.

Размещать cookie может любой сайт, но они не всегда представляют для него ценность. Файлы cookie продаются на рекламных биржах или непосредственно рекламодателям, чтобы те попали в целевую аудиторию. Сайты продают данные о посетителях компаниям, размещающим рекламу.

Компании покупают данные, потому что не могут собирать их сами. Понятно, что они приобретают данные, помогающие идентифицировать наиболее ценных клиентов. Также они покупают данные, помогающие избежать просмотра их рекламы клиентам, менее ценным. Оба типа данных важны, поскольку рекламный бюджет расходуется на показы более ценным клиентам.

Многие лидеры ИИ, в том числе Google, Facebook и Microsoft, создали или приобрели собственные рекламные сети для овладения этими ценными данными. Они решили, что выгода от владения данными превышает издержки на их приобретение. Для других рекламные данные менее важны, поэтому они обмениваются контролем над ними во избежание затрат на их сбор. Таким образом, рекламные данные остаются за пределами границ компаний.

Google, Facebook, Microsoft и горстка других компаний обладают особенно ценными знаниями о потребительских предпочтениях онлайн. Вместо того чтобы просто продавать их, они пошли дальше и делают прогнозы для рекламодателей. Например, Google своим поисковиком, YouTube и рекламной сетью накопила много данных о потребностях пользователей. Они продают не данные, а прогнозы рекламодателям на их основе в пакете услуг. Если вы даете рекламу через Google, ее покажут пользователям, которым, по мнению сети, она будет интересна. Реклама через Facebook и Microsoft дает похожий результат. Рекламодатель покупает прогноз без прямого доступа к данным.

Уникальные данные важны для стратегических преимуществ. Если данные не уникальны, трудно извлечь выгоду из прогностических машин. Без данных невозможно обучение, поэтому ИИ не является центром стратегии. Как указано в примере с рекламными сетями, прогноз в любом случае может быть полезным. Сети помогают рекламодателю выйти на самых ценных клиентов. Таким образом, точный прогноз полезен организации, даже если он сам и данные вряд ли станут источником стратегического преимущества. Данные и прогноз находятся вне границы организации, но прогнозом она все равно может пользоваться.

Основной посыл состоит в том, что данные и прогностические машины взаимно дополняют друг друга. Следовательно, приобретение или разработка ИИ получит ограниченную ценность, если у вас нет данных. А если они принадлежат другим, вам необходима стратегия для их получения.

Если данные находятся у эксклюзивного поставщика, существует риск, что он получит всю выгоду от вашего ИИ. Если же данными располагают конкуренты, вероятно, никакая стратегия не поможет их заполучить. Но если данные принадлежат потребителям, можно обменять их на улучшенный продукт или услуги повышенного качества.

Бывает, что ваши данные нужны тем, у кого есть ценные для вас данные; тогда возможен обмен. В случаях, когда данные находятся у нескольких поставщиков, для приобретения данных и прогноза понадобятся сложные договорные условия.

От значения прогностической машины для вашей компании зависит, станете ли вы покупать данные или собирать их и делать прогноз самостоятельно. Если это просто готовый ресурс, а ИИ не играет ключевой роли в стратегии, можно относиться к ней так же, как к энергии, и приобрести на рынке. Но если прогностические машины являются центром стратегии, вам нужен контроль над данными для их совершенствования, поэтому и данные, и машина должны принадлежать компании.

В начале главы мы предположили, что стартапу машинного обучения лучше продавать прогноз, чем готовый диагноз. Почему врачи предпочтут прогноз? И зачем им владеть прогностической машиной и данными? Ответы – в уже изложенных соответствующих компромиссах. Ставить диагноз – основная работа врача, поэтому покупка прогноза не становится его ключевым стратегическим решением. Он продолжит заниматься тем же самым, только получит дополнительную информацию. Если это не ключевое стратегическое решение, врач может покупать прогноз без потребности владеть им или данными. Смысл стартапа заключается в ИИ, а прогноз обеспечивает его ценность для потребителей. Следовательно, пока стартап владеет данными и прогностической машиной, ему нет нужды владеть диагнозом. Граница между стартапом и врачами пролегает там, где ИИ теряет стратегическое значение и становится просто ресурсом для процесса.

• Основной стратегический выбор заключается в определении границы компании, в том, где заканчивается ваш бизнес и начинается чужой (например, в партнерстве авиаперевозчиков и аутсорсинге производства автомобильных деталей). На этот выбор влияет неопределенность. Поскольку ее снижают прогностические машины, они воздействуют на границу между вашей и партнерскими организациями.

• Снижая неопределенность, прогностические машины расширяют возможности составления договоров и, следовательно, повышают стимул отдавать на аутсорсинг средства производства и проведение работ, направленных на данные, прогноз и действие. Одновременно прогностические машины снижают компаниям мотивацию на привлечение внешнего суждения. Его качество сложно описать в рамках договора и отслеживать. Если суждение поддается четкой формулировке, то его можно запрограммировать, для чего люди уже не понадобятся. Поскольку с распространением ИИ суждение, вероятно, сохранится за человеком, компании чаще будут нанимать сотрудников в штат и реже отдавать обязанности на аутсорсинг.

• ИИ повысит стимулы к владению данными. Тем не менее аутсорсинг данных бывает необходим, когда обеспечиваемые данными прогнозы для организации стратегически не важны. В таких случаях оптимально заказывать непосредственно прогнозы, а не данные для самостоятельного их составления.