По итогам опроса Института статистических исследований и экономики знаний (ИСИЭЗ) НИУ ВШЭ, почти две трети крупных и средних российских компаний применяют ИИ в экспериментальном режиме, изучая и оценивая возможности новых решений для бизнеса. Причем динамика внедрений решений на базе ИИ будет только нарастать, и компаниям уже сейчас необходимо задуматься не просто о точечных кейсах, а о системной трансформации всей организации.
Для того чтобы решения на базе ИИ приносили реальный эффект и не превращались в «модный аксессуар», компаниям необходимо перестроить не только IT-ландшафт, но и свою операционную модель и корпоративную культуру. Хорошо известно, что в ходе внедрения решений многие российские компании часто сталкиваются с барьерами, которые не позволяют им полностью реализовать потенциал технологии ИИ или обеспечить достаточную приживаемость решений.
Компания «Рексофт Консалтинг», подразделение трансформационного и стратегического консалтинга группы «Рексофт», провела глубинные интервью с экспертами, разрабатывающими и внедряющими цифровые решения на базе ИИ в различных отраслях экономики, чтобы понять, с какими проблемами сталкиваются сегодня data-специалисты российских компаний (исследование есть в распоряжении «РБК Трендов»).
Пять сложностей внедрения ИИ
Исследователи выделили пять областей, в которых сосредоточены основные трудности, не позволяющие эффективно внедрять ИИ-решения в российских компаниях.
1. Взаимодействие data-специалистов с бизнесом:
- отсутствие заинтересованности или нереалистичные ожидания бизнеса, завышенный аппетит по отношению к экономическому эффекту;
- длительный этап согласования и обоснования необходимости старта проекта;
- нежелание бизнеса трансформироваться в связи с разработкой и внедрением ИИ-решений, неоптимальное распределение ответственности и КПЭ;
- корпоративная культура, не адаптированная к работе с неопределенностью и отрицательными результатами.
Трудности во взаимодействии с бизнесом упоминаются всеми экспертами, наиболее остро они проявляются в случае, если бизнес инвестирует в ИИ, но не достигает эффекта и испытывает затруднения с приживаемостью решений.
2. Данные:
- недостаточный уровень автоматизации бизнес-процессов и зрелости инфраструктуры данных;
- низкое качество исходных данных и слабо структурированные источники данных;
- длительный процесс получения данных;
- неадаптированные для ИИ-разработки процессы сбора и управления данными.
Трудности, связанные с данными, всегда охватывают не только ИИ-разработку, но и всю компанию из-за отсутствия единых требований и настроенных процессов. Проблематика в части данных характеризуется тезисом «новые проблемы, старые решения». Прежде чем приступать к Data Science, необходимо отладить и адаптировать процессы, связанные с управлением данными.
3. Управление разработкой и технологии:
- отсутствие общекорпоративного подхода и стандартов ИИ-разработки;
- отсутствие гибкого подхода при прототипировании ИИ-решений;
- отсутствие сформированного подхода к работе с внешними разработчиками ИИ-решений.
Технологический стек для разработки решений на базе ИИ постоянно меняется и развивается, что требует гибкости со стороны бизнеса и data-специалистов и специфичной инфраструктуры.
4. Передача в эксплуатацию и поддержка ИИ-решений:
- неадаптированные подходы и процессы информационной безопасности, мониторинга и поддержки при внедрении и эксплуатации ИИ-решений;
- недостаточность компетенций внутреннего персонала для поддержки и/или дообучения моделей цифровых продуктов;
- отсутствие мотивационного фонда для владельцев продуктов и рядовых специалистов, использующих разработку.
Для минимизации барьеров, с которыми сталкиваются компании при масштабировании пилотных ИИ-решений, необходимо заранее договариваться о критериях успеха и продумывать модель поддержки. Критически важно до старта проекта определить и согласовать подход к оценке экономического эффекта со всеми заинтересованными сторонами, а также выстроить долгосрочную систему мотивации вовлеченных сотрудников, чтобы избежать трудностей с приживаемостью решений. На практике же часто, особенно в компаниях, только начинающих внедрять ИИ, продакт-менеджеры мыслят MVP (MVP — минимально жизнеспособный продукт), чтобы быстро показать экономический эффект, и не задумываются о дальнейшем масштабировании и поддержке, поскольку средний срок их жизни в компании составляет около 1,5 года.
5. Кадровый вопрос:
- недостаток компетенций HR-специалистов для привлечения и удержания опытных data-специалистов;
- сложность подбора опытных специалистов и руководителей для развития цифровых решений на удаленных активах;
- сложность адаптации data-специалистов в непрофильных компаниях.
Существующие во многих российских компаниях HR-процессы поиска, найма, адаптации и удержания персонала не адаптированы для data-специалистов. Отсутствие Т-shape специалистов (тех, кто является экспертом как минимум в одной области и разбирается в смежных областях на базовом уровне) обостряет разрыв между бизнесом и Data Science. HR в сложившейся ситуации не понимает, как развивать последних и адаптировать первых. Организационные структуры и функционально-ролевые модели IT во многих российских компаниях не успели адаптироваться к системному внедрению решений на базе ИИ, что размывает распределение ответственности и роль data-специалистов.
Data-специалисты нуждаются в изменении старых HR-процессов и сфокусированных стратегий поиска и мотивации, а самим компаниям необходимо быть готовым к трансформации с учетом новых вызовов.
Как компаниям получить системный эффект от использования ИИ
- Переосмыслить операционную модель бизнеса: переосмыслить бизнес-процессы, роли, организационную структуру и, самое главное, набор ключевых управленческих решений и подход к их принятию.
- Создать технологическую основу для масштабирования цифровых решений: провести аудит и дооснащение источников данных, структурировать существующие данные, настроить процессы управления данными и разработкой, формализовать технологический стек.
- Запустить «цифровой конвейер»: выстроить полный цикл работы с инновациями от сбора потребности до реализации и масштабирования цифровых инициатив, выделить центр компетенций по цифровым технологиям и работе с данными, а также новые роли, выступающие, как связующее звено между бизнесом и Data Science.
- Управлять изменениями: выстроить долгосрочную систему мотивации вовлеченных сотрудников, чтобы избежать трудностей с приживаемостью решений и повысить вовлеченность персонала.
- Изменить корпоративную культуру: развить способность сотрудников бизнеса работать с неопределенностью и быть открытыми к инновациям на всех уровнях, повысить уровень цифровых компетенций, разработать многопрофильные образовательные треки и программы развития для сокращения разрыва между бизнесом и Data Science.
Чего стоит избегать
- Лоскутной цифровизации: необходимо фокусироваться на сквозном процессе и максимизировать общий экономический эффект для компании, а не для отдельных функций за счет других.
- Ярких упаковок: не следовать за «модными технологиями», а фокусироваться на потенциальных точках роста и выбирать соответствующие потребностям решения.
- Бесконечного прототипирования: целью внедрения цифровых решений должно быть получение бизнес-эффекта, а не пилотирование технологий.