Будущее цифровой работы определяется не столько возможностями искусственного интеллекта, сколько способностью руководства выстроить эффективное партнерство между сотрудниками и ИИ-системами. В последние годы компании активно внедряют технологии для автоматизации задач, оптимизации рабочих процессов и упрощения принятия решений. От создания контента до автоматизации обслуживания клиентов, эти инновации меняют методы работы, нацеливаясь на повышение эффективности.
Хотя способность ИИ повышать производительность широко признана, связанные с ним риски часто недооцениваются или игнорируются. Компании могут поспешно внедрять ИИ, не замечая «слепых зон», таких как алгоритмическая предвзятость, неточности данных или недетерминированный характер ИИ-моделей, способный приводить к непредсказуемым результатам.
Майское исследование Gartner показывает, что почти половине руководителей, отвечающих за ИИ, трудно доказать рентабельность инвестиций в эту технологию. Среди других проблем они называют нехватку навыков и недостаток уверенности в ИИ-технологиях. Несмотря на повсеместное внедрение ИИ (95% ИТ-руководителей сообщают, что ИИ используется хотя бы в одном бизнес-процессе), многие организации не видят ожидаемой отдачи. Вероятно, это связано с отсутствием должного человеческого контроля, необходимого для реальной оптимизации и развития возможностей ИИ.
Организации стремятся использовать генеративный ИИ для создания новой ценности, однако эти решения не являются готовыми к немедленному применению «под ключ». Сохранение человека в центре стратегии ИИ является ключом к минимизации основных рисков, присущих его использованию. Одной из главных проблем является предвзятость ИИ. Модели обучаются на исторических данных, и если эти данные содержат системные предубеждения, ИИ может их воспроизводить и усиливать. Однако путем тщательного отбора данных, выбора репрезентативных наборов и постоянного мониторинга результатов работы ИИ организации могут снизить вероятность предвзятых исходов. Например, в процессе найма это помогает избежать усиления существующего неравенства и способствует справедливости при принятии решений.
Другой проблемой являются «галлюцинации» ИИ, когда модели генерируют правдоподобную, но неверную информацию. Здесь решающую роль играет участие человека. Устанавливая ограничения, выбирая подходящие модели и решая, как и когда интегрировать большие языковые модели в рабочие процессы, команды могут предотвратить ошибки, которые в противном случае могли бы привести к неверным бизнес-решениям, особенно в таких критически важных областях, как финансы или продажи.
Наконец, хотя ИИ-моделям, особенно большим языковым моделям, иногда не хватает прозрачности, компании могут повысить доверие к ним, вовлекая людей в проверку и объяснение выводов, сделанных ИИ. Такой контроль гарантирует, что ИИ используется не как «черный ящик», а как инструмент, который сотрудники могут понять и которому могут доверять. Это способствует более широкому внедрению и снижает сопротивление внутри организации. Например, исследование компании Anthropic с моделью Claude 3 Sonnet было направлено на картирование внутренних механизмов модели, чтобы понять, как нейроноподобные структуры влияют на результаты. Такая прозрачность имеет решающее значение для снижения рисков и обеспечения того, чтобы ИИ-модели вели себя предсказуемо.
Компаниям необходимо применять сбалансированный подход, при котором ИИ усиливает человеческие возможности в рамках четко определенной системы управления, где человеческий опыт остается центральным элементом при принятии критически важных решений, связанных с ИИ. Для эффективной интеграции ИИ в операционную деятельность организациям следует определить надежного «ИИ-советника». Эту роль может выполнять технический или ИТ-директор компании, либо внешний консультант или эксперт по генеративному ИИ. Такой специалист поможет выбрать подходящую технологию, обеспечит успешную интеграцию и будет контролировать обслуживание и обновления. Именно на последнем этапе многие организации терпят неудачу, ожидая немедленных результатов без внедрения четкой стратегии управления изменениями для обеспечения долгосрочной поддержки.
Повседневным пользователям ИИ не обязательно быть специалистами по данным или инженерами ИИ, но они должны уметь эффективно использовать технологию для достижения результатов в своих конкретных областях и заставлять ИИ работать на себя. Например, менеджер по маркетингу, курирующий кампанию с использованием ИИ, должен уметь распознавать ошибочные выводы, не доверяя слепо результатам модели. Такое взаимодействие создает мощную петлю обратной связи: ИИ генерирует первоначальные результаты, а люди уточняют и улучшают их, выходя далеко за рамки простой проверки фактов. Этот процесс добавляет критически важный контекст и суждения, которых не хватает ИИ. Хотя ИИ-модели превосходно обрабатывают исторические данные, они часто с трудом адаптируются к рыночным изменениям в реальном времени, нормативным обновлениям или нюансам человеческого поведения. Поддерживая человеческий контроль, организации могут гарантировать, что решения, основанные на ИИ, соответствуют реальности и согласуются с общими бизнес-целями.
Многие компании стремятся интегрировать ИИ в свои бизнес-процессы, но не знают, с чего начать. Исследование Guidehouse показывает, что 76% респондентов считают, что их организация не полностью готова к использованию генеративного ИИ. Важно признать, что у разных отраслей и компаний есть свои уникальные проблемы, и им потребуется индивидуальное программное обеспечение для продвижения процессов. Хотя универсального решения в технологиях не существует, есть несколько проверенных методов для старта. Рекомендуется не пытаться охватить слишком многое сразу: начинать следует с небольших, но значимых сценариев использования, где ИИ может быстро продемонстрировать свою ценность. Эти успехи помогут создать импульс и стимулировать дальнейшее внедрение.
Важно обеспечить прозрачность систем ИИ, чтобы они могли предоставлять сотрудникам четкие объяснения того, как принимаются решения, и позволять им вмешиваться при необходимости. Это может включать требование к технологии генерировать ссылки на источники данных и предоставлять журнал аудита процесса принятия решений. Надежный ИИ требует сильной инженерной практики, поэтому процессы тестирования с человеческим контролем следует интегрировать в жизненный цикл разработки программного обеспечения на ранних этапах и проводить их регулярно. Необходимо также создать защитные механизмы для обеспечения безопасности и соответствия требованиям, включая обучение сотрудников работе с ИИ-системами и внедрение строгой политики безопасности с контролем доступа и авторизацией при передаче критически важных данных.
Истинная сила ИИ заключается не только в самой технологии, но и в том, как руководители обеспечивают ее дополнение и усиление сильных сторон своих сотрудников. Начинать нужно с малого, добиваться первых успехов и развивать их. ИИ можно сравнить с растением: чтобы оно процветало, его нужно поливать, подкармливать и иногда подрезать. При правильном подходе можно создать нечто ценное. В противном случае получится лишь дорогое, засохшее комнатное растение.