Искусственный интеллект на службе бизнеса

«Если полнота и точность информации составляет более 80 %, это уже хорошо. Не всякое предположение должно быть идеальным, хотя пользователь наверняка проигнорирует плохие прогнозы. Гораздо больше препятствий – в отношении услуг. Сервис, допускающий 20 % ошибок (например, при бронировании отеля), да хотя бы и 2 %, никому не нужен. Поэтому ассистент должен действовать намного точнее, а следовательно, быть умнее и осведомленнее. Вот это мы и называем ориентацией на ИИ»[132].

Хороший ответ для IT-специалиста: в нем подчеркнута техническая эффективность и, в частности, точность, но подразумевается кое-что еще. Если ИИ оказывается на первом месте (максимизации прогностической точности), то что на втором?

Экономисту очевидно, что в любом утверждении вроде «мы направим свое внимание на Х» подразумевается компромисс. Что-то придется принести в жертву. Чем чревато возведение прогностической точности во главу угла? Ответ подскажет ключевая экономическая структура: ориентация на ИИ означает выделение ресурсов на сбор данных и обучение (долгосрочная цель) в ущерб важным краткосрочным вопросам, таким как мгновенный опыт пользователя, прибыль и количество пользователей.

Подрывные веяния

Освоение стратегии ориентирования на ИИ заключается в приоритизации качества прогнозов и поддержке машинного обучения даже в ущерб краткосрочным факторам, таким как удовлетворение потребителей и операционные показатели. Сбор данных означает использование ИИ, качество которого пока ниже оптимального уровня. Основная стратегическая дилемма заключается в выборе следующих действий: приоритизировать обучение или защищать другие аспекты от потерь производительности, которые повлечет за собой применение ИИ.

Все компании подойдут к этой дилемме по-своему и сделают разный выбор. Но почему Google, Microsoft и другие технологические компании выносят ИИ в приоритет? Не стоит ли остальным последовать их примеру? Или у них есть что-то особенное?

Отличительная черта этих компаний состоит в том, что они уже собирают и генерируют огромный объем цифровых данных и работают в неопределенной среде. Прогностические машины, вероятно, обеспечат их инструментами, которые они будут активно использовать в своих продуктах. Инструменты, включающие точный и дешевый прогноз, пользуются спросом и наряду с этим предоставляют преимущества со стороны предложения. В данных компаниях уже есть технические сотрудники для разработки и применения машинного обучения.

Если соотнести крупные технологические компании с примером гибридной кукурузы, они подобны фермерам Айовы. Но технологии ИИ обладают еще одной важной характеристикой. Учитывая, что для обучения требуется время, а оно часто приводит к снижению производительности (особенно для потребителя), у него есть общие черты с «подрывными технологиями» (как их назвал Клэй Кристенсен): давно функционирующим компаниям будет сложнее освоить их быстро[133].

Рассмотрим новую ИИ-версию существующего продукта. Для разработки продукта нужны пользователи. И у первого будет не самый лучший пользовательский опыт, потому что ИИ необходимо учиться. Компания с большой базой клиентов может привлечь их к использованию продукта для получения обучающих данных. Однако клиенты вполне довольны тем, что имеют, и могут не пожелать переходить на новый, пока не совершенный ИИ-продукт.

Это классическая «дилемма инноватора» – давно существующие компании не хотят портить сложившиеся отношения с клиентами даже ради улучшений в долгосрочной перспективе. Дилемма возникает, когда изначально инновации недостаточно хороши для удовлетворения клиентских запросов, но вполне годятся для новых стартапов, чтобы создать продукт для небольшого количества потребителей в ограниченной нише. Со временем стартап набирается опыта и в конце концов обретает способность разработать качественный продукт и переманить клиентов у более крупного конкурента (он на этот момент уже безнадежно отстал, и стартап берет над ним верх). ИИ требуется обучение, и вкладываться в него в большей степени склонны стартапы, а не состоявшиеся компании.