Искусственный интеллект для реальной жизни | Большие Идеи

・ Технологии
Статья, опубликованная в журнале «Гарвард Бизнес Ревью Россия»

Искусственный интеллект для
реальной жизни

Как подготовиться к эре искусственного интеллекта

Авторы: Дейвенпорт Томас , Ронанки Раджив

Искусственный интеллект для реальной жизни
Фото: James Wheaton, Andrew Nguyen

читайте также

Дизайнерское мышление

Тим Браун

Шесть советов для идеального выступления

Кармин Галло

Устали от своей работы? Перепридумайте ее

Дженнифер Мосс

Что делать, если ваши сотрудники больше не думают о клиентах

Лиза Эрл Маклеод ,  Элизабет Лотардо

В 2013 году в Онкологическом центре Андерсона запустили проект поистине космического масштаба: диагностика и составление планов лечения некоторых видов рака с помощью когнитивной системы Watson фирмы IBM. Однако в 2017 году, после того как на разработки потратили более $62 млн, проект заморозили, так и не начав испытывать систему на реальных пациентах.

ИДЕЯ КОРОТКО

Проблема
Для решения бизнес-задач все чаще используют когнитивные технологии. Правда, самые амбициозные проекты часто пробуксовывают или вовсе терпят крах.
Подход
Компании должны идти к ИИ постепенно, не предполагая полной трансформации. Акцент надо делать на расширение, а не на замену человеческих навыков и умений.
Процесс
Чтобы получить максимальную отдачу от ИИ, фирмы должны понять, какие технологии подойдут для их типов задач, создать портфель приоритетных проектов на основе потребностей бизнеса и разработать план развертывания ИИ по всей компании.

ИТ-отдел онкоцентра не прекратил экспериментировать с когнитивными технологиями, но проекты стали гораздо менее амбициозными. К примеру, искусственный интеллект (ИИ) легко справился с такими задачами, как подбор гостиниц и ресторанов для семей больных; выявление нуждающихся в финансовой поддержке пациентов; консультирование сотрудников центра по ИТ. Результаты этих проектов налицо: повысилась удовлетворенность пациентов, улучшились финансовые показатели, снизилось время, затрачиваемое на утомительный ввод данных. Первая неудачная попытка достичь главной цели: заставить когнитивные технологии работать в практике лечения онкобольных — не остановила Центр Андерсона: в настоящее время в его отделе когнитивных вычислений идут проработки нескольких новых проектов.

Понимать разницу между «журавлем в небе» и «синицей в руках» важно для любой организации, планирующей проекты с ИИ. Из 250 опрошенных нами руководителей, в компаниях которых есть такие инициативы, три четверти считают, что ИИ существенно изменит их бизнес в ближайшие три года. Наш анализ 152 проектов показывает, что у «прорывных» систем меньше шансов на реальное воплощение, чем у «лежащих на поверхности» улучшений бизнес-процессов. В этом нет ничего удивительного, ведь такое случалось с подавляющим большинством новых технологий, которые внедряли прежде. Но нынешний ажиотаж вокруг мощи ИИ был настолько мощным, что некоторые организации не смогли сопротивляться соблазну.

В этой статье мы рассмотрим различные категории ИИ и дадим общую схему, которая поможет компаниям наращивать свой «когнитивный» потенциал в ближайшие годы.

Три типа искусственного интеллекта

На ИИ полезнее смотреть сквозь призму бизнеса, а не возможностей самих технологий. В целом когнитивные системы могут поддерживать три типа задач: автоматизация бизнес-процессов, получение знаний на основе анализа данных и взаимодействие с клиентами и сотрудниками (см. врезку «Типы когнитивных проектов»).

Автоматизация процессов. Среди изученных нами проектов самыми распространенными оказались системы автоматизации — чаще всего административной и финансовой работы бэк-­офиса с помощью роботизированных технологий обработки (RPA). RPA — более продвинутая, чем прежние, среда для автоматизации бизнес-процессов. В этой среде робот (то есть программа на сервере), подобно человеку, обменивается информацией сразу с несколькими ИТ-системами, решая такие задачи, как:

перенос данных из электронной почты и сис­тем call-центра в базы данных — например, для отслеживания изменения адреса в файле клиента или сохранения запроса на дополнительные услуги;

замена утерянных кредитных и дебетовых карт с обработкой сообщений и последующим обновлением данных по клиенту в нескольких системах;

сверка отказов в оплате услуг через биллинговые системы с поиском информации в различных типах документов;

«чтение» юридической и контрактной документации для извлечения решений с помощью анализа естественного языка.

RPA — самый дешевый и простой в реализации тип когнитивных технологий. Как правило, он приносит быструю и высокую отдачу от инвестиций. Но он и наименее «умный» в том смысле, что эти приложения не запрограммированы, чтобы самообучаться и совершенствоваться, хотя разработчики постепенно добавляют им «интеллекта» и «способностей к обучению». Особенно хорошо роботам удаются проекты, связывающие несколько ИТ-систем.

NASA запустило четыре пилотных RPA-проекта — для расчетов дебиторской и кредиторской задолженности, расходов на ИТ и кад­рового учета. Ими управляет единый центр. Эти проекты показали себя хорошо (например, в программе найма 86% операций проходят без участия человека) и были распространены на всю организацию. А сейчас NASA внедряет еще больше RPA-ботов и некоторые из них имеют «повышенный уровень интеллекта». По словам руководителя проекта единого обслуживания Джима Уокера, «пока все идет гладко».

Кто-то подумает, что роботизация и автоматизация процессов приведут к тому, что множество людей станут терять работу. Но в 71 RPA-проекте, которые мы рассмотрели, замена административных сотрудников не была ни главной целью, ни высокочастотным результатом. Лишь несколько проектов привели к высвобождению персонала, а в большинстве роботам передали задачи, которые прежде решались аутсорсингом. В будущем проекты роботизации и автоматизации будут сопровождаться сокращениями в первую очередь в аутсорсинговых компаниях-офшорах. Вообще, если задачу можно отдать на аутсорсинг, скорее всего, ее можно и автоматизировать.

Когнитивные инсайты. Второй по распространенности тип проектов (38% от общего числа) использует алгоритмы для выявления и интерпретации закономерностей в огромных объемах данных. Можно назвать это «аналитикой на стероидах». Такие самообучающиеся сис­темы бизнес использует для:

предсказаний того, что определенный клиент, вероятно, купит в будущем;

выявления мошенничества с кредитными картами и страховками в режиме реального времени;

анализа данных гарантийного ремонта для выявления проблем с безопасностью и качеством автомобилей или других продуктов;

автоматизации персонализированного таргетинга диджитал-рекламы;

построения более точной и подробной актуарной модели для страховщиков.

Когнитивные решения на основе выявленных машиной закономерностей отличаются от традиционной аналитики в трех отношениях: (а) они гораздо более информационно емкие и детализированные; (б) они, как правило, обучаются на какой-то части данных; (в) со временем их способности использовать новые данные, делать прогнозы и разбивать объекты на категории улучшаются.

Некоторые виды машинного самообучения (в частности, глубинное обучение, которое пытается имитировать работу мозга с паттернами) способны на невероятные вещи, такие как распознавание изображений и «понимание» речи. Машина может и сама представить новые данные, улучшающие аналитику. Работа с данными всегда была трудоемкой, но теперь благодаря самообучающимся алгоритмам стало легче, например, находить информацию, которая скорее всего связана с одним и тем же человеком или компанией. Компания GE применила эту технологию для сличения данных о своих поставщиках и в первый же год сэкономила $80 млн за счет удаления дубликатов и пересмотра условий договоров разных отделов с одной и той же организацией. А в крупном банке эта технология использовалась для извлечения контрактной информации и сличения ее с реальными накладными. Оказалось, что десятки миллионов долларов были потрачены на продукты и услуги, которые не были получены. Компания Deloitte использует ИИ для извлечения условий из текстов контрактов. Это позволяет проводить аудит большей части документов (часто почти всех) без вычитывания аудитором-человеком.

Когнитивные решения обычно используют для улучшения работы, которую и так умеют делать только машины. Примером служит программируемый показ рекламных объявлений в сети, всегда требовавший скорости обработки данных за пределами человеческих возможностей. Подобные приложения вообще не несут угрозы для рабочих мест.

Системы взаимодействия. Это такие проекты, как: общение на естественном языке с применением чат-ботов, интеллектуальные агенты и машинное обучение. В нашей выборке этот тип составляет 16% от общего числа проектов. Вот примеры таких разработок:

интеллектуальные агенты, обслуживающие клиентов 24/7 и решающие широкий класс проблем: от запросов на восстановление пароля до технической поддержки, причем общение идет на естественном языке;

внутренние сайты для ответов на вопросы сотрудников, касающиеся ИТ, льгот для персонала или политик компании;

продукты и системы рекомендаций для ритейлеров, настроенные на улучшение персонализации предложения и общения с клиентом и повышение продаж — обычно с богатыми языковыми или визуальными средствами;

рекомендательные системы для врачей по ведению больных: помощь в разработке индивидуальных планов, учитывающих состояние здоровья и предыдущее лечение пациента.

В нашем исследовании чаще встречались когнитивные системы для взаимодействия с сотрудниками, а не с клиентами. Однако быстрый сдвиг весьма вероятен: фирмы стали проще относиться к передаче машине функций общения с клиентами. К примеру, компания Vanguard ведет пилотный проект интеллектуального агента, который помогает сотрудникам службы поддержки отвечать на часто задаваемые вопросы клиентов. Ожидается, что рано или поздно агент-робот полностью возьмет на себя общение с людьми. Шведский SEBank и медицинский производитель-гигант Becton Dickinson из США используют аватара Амелию для ИТ-поддержки своих сотрудников. SEBank недавно стала вводить Амелию и в клиентскую поддержку. Пока лишь для небольшой группы, чтобы проверить, как она работает и как на нее реагируют пользователи.

Осторожность в применении когнитивных технологий для общения с клиентами во многом объясняется их незрелостью. Например, в Facebook подсчитали, что 70% вопросов, задаваемых через мессенджер, требуют ответа человека. Как результат, Facebook и другие компании нашего списка ограничили применение ботов определенными темами и типами онлайн-бесед.

Наши исследования показывают, что когнитивные приложения для коммуникации в настоящее время не угрожают сотрудникам отделов продаж или сервиса. В большинстве проектов цель была не в сокращении штата, а в том, чтобы справиться с ростом интенсивности общения между компанией и клиентами без дополнительного найма. Некоторые организации планируют передать машинам рутинную коммуникацию, оставив службе поддержки более сложные задачи вроде клиентских проблем, требующих вмешательства руководства, ведения неструктурированных диалогов или предупреждения клиентов о риске — до того, как они сами позвонят и сообщат о неприятности.

По мере овладения когнитивными инструментами компании начинают экспериментировать с проектами, которые сочетают в себе элементы разных категорий. Итальянский страховщик, например, разработал «справочное бюро» по ИТ. В ходе взаимодействия с сотрудниками программа самообучается — выявляет часто задаваемые вопросы, ранее решенные проблемы и ссылки на документы, помогающие с ответом, (признаки принадлежности к категории когнитивных инсайтов). Смарт-маршрутизация, характерная для RPA, применяется для пересылки сложных проблем человеку, а интерфейс на естественном языке (итальянском) характерен для когнитивных технологий коммуникации.

Опыт работы с когнитивным инструментарием расширяется, но компании пока сталкиваются с серьезными препятствиями в реализации проектов. Мы разработали схему из четырех шагов. Она поможет правильно развернуть и интегрировать в работу компании когнитивные технологии любой степени амбициозности, от скромных до прорывных.

1. Понимание технологий

Прежде чем вступать в область искусственного интеллекта, надо понять, какие типы ИТ пригодны для ваших задач, разобраться в достоинствах и недостатках каждого класса ПО. Работа экспертных систем и программ автоматизации процессов понятна и прозрачна, но они не способны учиться и улучшаться. Глубинное обучение прекрасно подходит для иccледования больших объемов размеченных данных, но редко когда можно понять, по какой модели оно их анализирует. Функционирование в режиме «черного ящика» может стать серьезной проблемой в сильно зарегулированных отраслях, таких как финансовые услуги, ведь регулятор нередко хочет понимать, почему было принято то или иное решение.

В некоторых организациях неправильный выбор ПО уже привел к напрасным тратам времени и денег. Чтобы удовлетворять реальные потребности своего бизнеса, надо знать и правильных поставщиков ПО, и классы программных оболочек, и примерные сроки их внедрения. ИТ-отдел или инновационная группа должны быть готовы потратить немало сил на изучение и исследование рынка.

Кроме того, надо привлекать специалистов, владеющих статистикой и достаточно разбирающихся в больших данных, чтобы понять, как устроены когнитивные системы. Главный фактор успеха — желание сотрудников учиться. Одни будут в восторге от возможности узнать новое, а другие захотят остаться со своим привычным инструментарием. Постарайтесь, чтобы в вашей команде было больше первых.

Если у вас в штате нет специалистов по данным и аналитике, вам придется опереться на внешних поставщиков услуг. Но если вы планируете вести долгосрочные проекты с использованием ИИ, лучше привлечь экспертов в свою организацию. В любом случае оцените, есть ли у вас силы и средства, необходимые для продвижения в этой сфере.

Учитывая дефицит специалистов, большинству организаций лучше вести ИИ-проекты из единого центра (его можно подчинить отделу ИТ или стратегии) и привлекать экспертов из этого центра в разные проекты в соответствии с приоритетностью. По мере того, как потребность в системах ИИ будет расти, можно будет выделить группы для нужд подразделений, но даже тогда координирующие функции по управлению проектами и развитию сотрудников лучше будет сохранить за центром.

2. Создание портфеля проектов

Следующим шагом в запуске программы ИИ должна стать системная оценка потребностей и возможностей, а затем — приоритизация проектов. Обычно это делается в рамках воркшопов или небольших консалтинговых проектов. Мы рекомендуем компаниям проанализировать три аспекта.

Поиск выгод. Первым делом необходимо определить, в какой области бизнеса можно получить наибольший выигрыш от когнитивных разработок. Как правило, перспективны те виды деятельности, которые накапливают важные, полученные из анализа данных либо извлеченные из множества текстов знания, которые не удается использовать. Причины могут быть разными.

     Информационная «пробка». В некоторых случаях отсутствие значимых выводов вызвано пробкой в потоке информации; знания в организации есть, но нельзя сказать, где и какие. Например, в медицине знания часто замкнуты в пределах одной практики, одной кафедры или научного медицинского центра.

 Проблема масштаба. Бывает, что использование знаний сложно и дорого — например, когда для анализа приходится привлекать финансовых консультантов. Вот почему многие компании по инвестированию и управлению богатством сейчас предлагают «роботов-консультантов» на основе ИИ. По сути, это недорогие системы для решения рутинных финансовых вопросов.

В фармацевтической индустрии Pfizer с помощью Watson, разработанной IBM, ускоряется трудоемкий процесс поиска иммунопрепаратов в онкологии (это новый подход, который использует иммунную систему организма для борьбы с раковым заболеванием). Вывод на рынок одного иммунопрепарата может занять до 12 лет. Проанализировав имеющиеся публикации и накопленные в лабораториях Pfizer данные, Watson помогает выявить скрытые связи и закономерности. Благодаря этому ускоряется поиск возможных применений препарата, обнаруживаются перспективные комбинации лекарств, облегчается отбор пациентов.

     Недостаток мощностей. Наконец, компании могут столкнуться с потоком данных, проанализировать которые не под силу ни человеку, ни обычным ИТ. Возьмем поведение пользователей сети: данных море, но как их применить? Чтобы решить эту проблему, компании используют машинное самообучение, например, для таких задач, как персонализированная диджитал-реклама, или, как это сделали Cisco и IBM, создают десятки тысяч «моделей предрасположенности» (они определяют, какие товары человек скорее всего купит в будущем).

Определение сценариев применения. Вторая задача — разработать сценарии для оптимального использования когнитивных приложений. Задавайте вопросы вроде: какую роль в нашей стратегии сыграет решение этой проблемы? Насколько сложно будет реализовать предложенное решение с использованием ИИ — как технически, так и организационно? Превысит ли выгода от запуска приложения затраченные на него ресурсы? Разобрав все сценарии, их можно ранжировать по краткосрочной и долгосрочной ценности. Кроме того, надо учитывать, какие из них впоследствии могут быть интегрированы в более широкую платформу или стать частью когнитивных навыков организации, повышающих ее конкурентное преимущество.

Выбор технологии. Третья задача — понять, справятся ли предлагаемые инструменты ИИ с требуемой работой. Например, чат-боты и интеллектуальные агенты могут вас разочаровать, потому что пока большинство из них еще не могут сравниться с человеком в решении проблем, за исключением самых простых. Роботы справляются с несложными процедурами вроде выставления счетов, а более сложные могут, наоборот, замедлить. Самообучающиеся системы визуального распознавания в состоянии идентифицировать объект на фотографиях и видео, но требуют много размеченных данных и не всегда могут «понять» многоплановое изображение.

Рано или поздно когнитивные технологии изменят то, как компании ведут бизнес. Сегодня, однако, разумнее делать небольшие шаги и в то же время не забывать строить планы преобразования процессов в будущем. Возможно, со временем вам удастся переложить на ботов все взаимодействие с клиентами, но до поры до времени целесообразнее автоматизировать службу внутренней ИТ-поддержки. И это будет важным шагом к вашей конечной цели.

3. Запуск пилотных проектов

Бывает нелегко оценить размер разрыва между имеющимися у компании ресурсами и навыками в сфере ИИ и теми, что потребуют большие задачи. Поэтому перед тем, как пустить в ход когнитивные приложения по всему предприятию, стоит запустить пилотные проекты.

Пилоты, подтверждающие правильность подходов, особенно важны для инициатив с высоким потенциалом ценности для бизнеса и для тех, что позволяют организации тестировать сразу несколько технологий. Соблюдайте бдительность: иногда под влиянием поставщиков кто-то из руководителей затевает ненужный проект. Процесс запуска пилота должен быть строго регламентирован, ведь менеджмент и совет директоров сейчас испытывают прессинг: «надо внедрить что-нибудь когнитивное». Такие проекты часто проваливаются, что может существенно отсрочить программу ИИ в организации.

Если ваша фирма планирует запустить несколько пилотов, стоит задуматься о создании единого когнитивного центра. Так вы сделаете шаг к наращиванию ИИ-навыков внутри организации, и вам будет легче развить из небольших пилотных проектов более крупные, которые будут иметь бóльшее воздействие на бизнес. В Pfizer запустили более 60 когнитивных проектов; одни из них в стадии пилота, а другие уже запущены в промышленном масштабе.

Функция «глобальной автоматизации» в ИТ-отделе Becton Dickinson — компании, работающей в десятках стран, — курирует сразу несколько когнитивных пилотных проектов. Одни используют интеллектуальных цифровых агентов, другие — RPA (часть проектов выполняется в партнерстве с Глобальным центром обслуживания компании). Для управления внедрением и выявления перспективных объектов автоматизации используют технологические схемы, а направления, которые больше всего выиграют от ИИ, показаны на своеобразных «тепловых картах». Центр успешно внедрил интеллектуальных агентов в службу ИТ-поддержки, но пока не готов масштабировать систему — например, на полный цикл выполнения заказов.

Редизайн бизнес-процессов. С расширением когнитивных проектов рабочие процессы неизбежно будут меняться и потребуется точно определить, что делает робот, а что человек. В одних когнитивных системах 80% решений берут на себя машины, а 20% — люди; в других соотношение противоположное. Бизнес-процессы надо реорганизовывать так, чтобы люди и машины идеально дополняли друг друга.

Инвестиционная компания Vanguard, например, предлагает нового «Персонального консультанта» (PAS), сочетающего в себе автоматизированный и «человеческий» инвестиционный консалтинг. ИИ выполняет множество стандартных задач, в том числе собирает и перетряхивает портфели инвестиций, работает с налоговыми льготами и вычетами. Консультанты выступают в качестве инвестиционных тренеров, отвечают на вопросы, приучают инвесторов к «здоровому» финансовому поведению, поддерживая их, в том числе эмоционально. Компания нацеливает консультантов на понимание психологии финансовых решений. Использование PAS позволило привлечь под управление более $80 млрд активов, причем затраты оказались ниже, а удовлетворенность клиентов осталась высокой (см. врезку «Разделение труда: человек/машина»).

В отличие от Vanguard, многие компании не понимают, сколь важно переформатировать работу при внедрении когнитивной системы. Они просто автоматизируют готовые процессы, в частности методом RPA. И даже если им удается быстро реализовать проект и добиться окупаемости инвестиций, они упускают возможность воспользоваться всеми преимуществами ИИ и значительно улучшить свои процессы.

Переосмыслить работу с внедрением ИИ помогают принципы дизайнерского мышления, такие как понимание потребностей клиента или конечного пользователя; подключение к разработке сотрудников, деятельность которых будет реструктурирована; переход к проектированию с множеством черновых вариантов. Лучше одновременно с проектированием вести учет когнитивных технологий. Большинство когнитивных проектов также подходят для итеративного и адаптивного (agile) подхода к разработке.

4. Масштабирование

Многие организации успешно справились с когнитивным пилотом, но столкнулись с трудностями на этапе развертывания проекта. Для серьезного масштабирования нужен проработанный план, в создании которого должны участвовать как ИТ-специалисты, так и эксперты по тем бизнес-процессам, которые предстоит автоматизировать. Поскольку когнитивные технологии, как правило, решают отдельные задачи, но не берут на себя весь процесс, в ходе развертывания потребуется увязать работу автомата с действующими процессами. Наши респонденты отмечали, что именно интеграция модуля ИИ с уже работающими системами была самой большой проблемой внедрения.

Если система строится на редкой технологии, это может застопорить проект. Убедитесь, что руководитель, ответственный за бизнес-процесс, обсуждает план масштабирования с ИТ-отделом: работа «в обход» профессионалов вряд ли будет успешной даже для относительно простых технологий, таких как RPA.

Медицинский страховщик Anthem внедряет когнитивные технологии параллельно с масштабной модернизацией. Компания решила не строить ИИ-приложения на старой ИТ-инфраструктуре, а пересмотреть заодно и ее, чтобы максимизировать ценность ИИ и снизить стоимость разработки и интеграции. По словам ИТ-директора Тома Миллера, компания перестраивает бизнес-процессы, чтобы «когнитивные технологии вывели ее на новый уровень».

Сеть фэшн-ритейла США начала применять машинное самообучение в небольшой части магазинов: для товарных рекомендаций в онлайне, для расчета и оперативного пополнения запасов и — что самое сложное — для закупок товаров. И закупщики, которые всегда делали заказы «интуитивно», почувствовав угрозу со стороны ИИ, стали говорить: «Если вы доверяете роботу, зачем вам мы?». После запуска пилотного проекта они пришли к директору по закупкам и попросили прекратить программу. Однако директор отметил, что результаты обнадеживают, и дал добро на расширение проекта. Он заверил закупщиков, что освободит их от некоторых товароведческих задач, чтобы они могли взять на себя более важную работу, которую люди делают лучше машин: понять запросы молодежи или задать планы изготовителям одежды. В то же время он признал, что новым методам работы придется поучиться.

На этапе масштабирования в первую очередь надо думать о повышении продуктивности — например, о росте числа клиентов и сделок без привлечения дополнительного персонала. Компании, которые обосновывали свои инвестиции в ИИ сокращением штата, в идеале должны достигать этой цели за счет обычного оттока персонала или ликвидации аутсорсинга.

Будущее когнитивных компаний

Наши опросы показали, что менеджеры радужно смотрят на перспективы когнитивных технологий. Пока успехи довольно скромны, но мы верим, что ИИ суждено преобразовать работу. Компании, которые сейчас постепенно внедряют когнитивные технологии и одновременно строят амбициозные планы, окажутся в выигрыше как первопроходцы.

За счет применения искусственного интеллекта информационно емкие области: маркетинг, медицина, финансовые и юридические услуги, образование — могут стать и более ценными, и менее затратными для общества. Рутинные процессы и контроль за простыми операциями вроде ответов на типичные вопросы или извлечения данных из бесконечного потока документов можно будет отдать на откуп машинам. Когнитивные технологии послужат катализатором и для других ресурсоемких отраслей, в том числе беспилотных автомобилей, интернета вещей, мобильных и многоканальных приложений.

Один из главных нынешних страхов — в том, что когнитивные технологии оставят тысячи людей без работы. Действительно, ряд профессий, вероятно, уйдет в прошлое. Однако большинству работников сейчас бояться совершенно нечего. Когнитивные системы могут выполнять отдельные задачи, но не всю работу. Потери рабочих мест пока не превышают естественного оттока работников. В тех компаниях, которые мы наблюдали, просто не заменяли уволившихся либо автоматизировали процессы, прежде отдаваемые на аутсорсинг. Когнитивные системы берут на себя одну операцию из широкого арсенала специалиста, либо же делают нечто в принципе неподвластное человеку (например, анализ больших данных).

Многие управленцы привержены стратегии интеграции человека и машины, а вовсе не вытеснения человека. В ходе нашего опроса только 22% руководителей сочли сокращение персонала основным преимуществом ИИ.

Мы считаем, что каждая крупная компания должна исследовать когнитивные технологии. Этот путь не будет легким, и на нем не стоит игнорировать проблемы вытеснения рабочей силы и создание этики умных машин. Но при правильном планировании и развитии когнитивные технологии способны привести нас к золотому веку высокой производительности, удовлетворенности работой и процветания.

Об авторах

Томас Дейвенпорт (Thomas Davenport) — почетный профессор ИТ и менеджмента в Бэбсон-колледже, исследователь цифровой экономики Массачусетского технологического университета и старший советник Deloitte Analytics.

Раджив Ронанки (Rajeev Ronanki) — директор Deloitte Consulting; возглавляет направление когнитивных вычислений и инновационных практик в здравоохранении. Некоторые из компаний, упомянутых в этой статье, являются клиентами Deloitte.

* деятельность на территории РФ запрещена