Высокий процент неудачных проектов в области искусственного интеллекта заставляет компании пересматривать свои подходы к инвестициям в эту технологию. Хотя много внимания уделяется техническим аспектам, таким как точность моделей и качество данных, главные возможности для улучшения часто лежат в организационной и культурной плоскостях.
Проблемные внутренние инициативы имеют общие черты. Например, инженерные команды создают модели, которыми менеджеры по продукту не умеют пользоваться. Data-учёные разрабатывают прототипы, которые операционные команды не могут поддерживать. А приложения на базе ИИ простаивают, потому что конечные пользователи не участвовали в определении того, что для них действительно «полезно».
Организации, которые извлекают реальную ценность из ИИ, научились создавать правильное взаимодействие между отделами и устанавливать общую ответственность за результат. Технологии важны, но не менее важна готовность самой организации.
Расширяйте границы понимания ИИ за пределы инженерии
Когда только инженеры понимают, как работает система ИИ и на что она способна, сотрудничество рушится. Менеджеры по продукту не могут оценить компромиссы, которых не понимают. Дизайнеры не могут создавать интерфейсы для возможностей, которые не могут описать. Аналитики не могут проверять результаты, которые не могут интерпретировать.
Решение не в том, чтобы сделать всех дата-сайентистами. Нужно помочь каждой роли понять, как ИИ применяется к их конкретной работе. Менеджерам по продукту важно понимать, какой сгенерированный контент, прогнозы или рекомендации реалистичны с учётом доступных данных. Дизайнерам — что ИИ может делать на самом деле, чтобы проектировать полезные для пользователей функции. Аналитикам — какие результаты ИИ требуют проверки человеком, а каким можно доверять.
Установите чёткие правила автономности ИИ
Вторая задача — определить, где ИИ может действовать самостоятельно, а где требуется одобрение человека. Многие организации выбирают крайности: либо создают узкое место, пропуская каждое решение ИИ через человеческий контроль, либо позволяют системам работать без ограничений.
Необходима чёткая структура, определяющая, где и как ИИ может действовать автономно. Это означает установление правил заранее: может ли ИИ утверждать рутинные изменения конфигурации? Может ли рекомендовать обновления схем, но не внедрять их? Может ли развернуть код в промежуточных средах, но не в рабочей?
Эти правила должны включать три элемента: проверяемость (можно ли отследить, как ИИ принял решение?), воспроизводимость (можно ли воссоздать путь решения?) и наблюдаемость (могут ли команды отслеживать поведение ИИ в реальном времени?). Без этой структуры вы либо замедляетесь настолько, что ИИ не даёт преимуществ, либо создаёте системы, принимающие решения, которые никто не может объяснить или контролировать.
Создавайте кросс-функциональные плейбуки
Третий шаг — документирование того, как разные команды фактически работают с системами ИИ. Когда каждый отдел разрабатывает свой собственный подход, вы получаете нестабильные результаты и дублируете усилия.
Кросс-функциональные плейбуки работают лучше всего, когда команды разрабатывают их совместно, а не получают сверху. Эти плейбуки дают ответы на конкретные вопросы: Как мы тестируем рекомендации ИИ перед внедрением в производство? Каков наш запасной план, когда автоматизированное развёртывание даёт сбой — передаётся ли задача людям или сначала пробуется другой подход? Кто должен быть вовлечён, когда мы отменяем решение ИИ? Как мы собираем обратную связь для улучшения системы?
Цель — не добавить бюрократии, а убедиться, что все понимают, как ИИ встраивается в их текущую работу и что делать, когда результаты не соответствуют ожиданиям.
Техническое совершенство в ИИ остаётся важным, но компании, которые чрезмерно сосредотачиваются на производительности модели, игнорируя организационные факторы, создают себе дополнительные трудности. Успешные внедрения ИИ относятся к культурным преобразованиям и рабочим процессам так же серьёзно, как и к технической реализации.
Вопрос не в том, достаточно ли сложна ваша технология ИИ. Вопрос в том, готова ли ваша организация с ней работать.
