«В 2019 году, всего через пять лет после запуска Ant Financial Services Group, количество потребителей, пользующихся её услугами, превысило отметку в один миллиард.

Выделившись из Alibaba, Ant Financial использует искусственный интеллект и данные Alipay – своей основной платформы мобильных платежей – для управления необычайным разнообразием предприятий, включая потребительское кредитование, фонды денежного рынка, управление благосостоянием, медицинское страхование, услуги кредитного рейтинга и даже онлайн-игру, которая поощряет людей сокращать свой углеродный след.

Компания обслуживает более чем в 10 раз больше клиентов, чем крупнейшие банки США, с числом сотрудников менее одной десятой.

На последнем раунде финансирования в 2018 году его оценка составила 150 миллиардов долларов, что почти вдвое меньше, чем у JPMorgan Chase – самой крупной в мире компании, предоставляющей финансовые услуги.

В отличие от традиционных банков, инвестиционных институтов и страховых компаний, Ant Financial построена на цифровом ядре. На его «критическом пути» операционной деятельности нет работников. ИИ руководит шоу. Нет менеджера, утверждающего кредиты, нет сотрудника, предоставляющего финансовые консультации, нет представителя, разрешающего потребительские медицинские расходы. И без операционных ограничений, которые ограничивают традиционные фирмы, Ant Financial может конкурировать беспрецедентными способами и достигать необузданного роста и воздействия в различных отраслях.

Эпоха ИИ начинается с появления этого нового вида фирмы.

В когорту Ant Financial входят такие гиганты, как Google, Facebook, Alibaba и Tencent, а также многие более мелкие, быстро растущие фирмы от Zebra Medical Vision и Wayfair до Indigo Ag и Ocado.

Каждый раз, когда мы пользуемся услугами одной из этих компаний, происходит одно и то же: вместо того, чтобы полагаться на традиционные бизнес-процессы, которыми управляют рабочие, менеджеры, инженеры-технологи, руководители или представители службы поддержки клиентов, ценность, которую мы получаем, обслуживается алгоритмами.

Генеральный директор Microsoft Сатья Наделла называет ИИ новым «рабочим циклом» фирмы. Действительно, менеджеры и инженеры разрабатывают ИИ и программное обеспечение, которое заставляет алгоритмы работать, но после этого система обеспечивает доход самостоятельно, за счёт цифровой автоматизации или «использования экосистемы» поставщиков за пределами фирмы.

ИИ устанавливает цены на Amazon, рекомендует песни на Spotify, «сводит» покупателей и продавцов на рынке Indigo и квалифицирует запрашивающих кредиты в Ant Financial.

Устранение традиционных ограничений меняет правила конкуренции.

По мере того, как цифровые сети и алгоритмы вплетаются в ткань фирм, отрасли начинают функционировать по‑другому и границы между ними размываются. Изменения выходят далеко за рамки родившихся цифровых фирм, поскольку более традиционные организации, столкнувшись с новыми конкурентами, также переходят к моделям на основе искусственного интеллекта.

Такие гиганты, как Walmart, Fidelity, Honeywell и Comcast, теперь широко используют данные, алгоритмы и цифровые сети, чтобы успешно конкурировать в эту новую эру.

Если вы руководите цифровым стартапом или работаете над обновлением традиционного предприятия, важно понимать революционное влияние ИИ на текущие операции, стратегию и конкуренцию.

Фабрика ИИ

В основе новой фирмы лежит фабрика решений – то, что чаще называют «фабрикой ИИ».

Её программное обеспечение проводит миллионы ежедневных рекламных аукционов в Google и Baidu. Её алгоритмы решают, какие автомобили предлагают поездки на Didi, Grab, Lyft, Yandex и Uber. Она устанавливает цены на наушники и рубашки поло на Amazon и управляет роботами, которые чистят полы в некоторых местах Walmart. Она позволяет ботам обслуживать клиентов в Fidelity и интерпретирует рентгеновские лучи в Zebra Medical.

В каждом случае фабрика ИИ рассматривает принятие решений как науку. Аналитика систематически преобразует внутренние и внешние данные в прогнозы, аналитические данные и варианты выбора, которые, в свою очередь, направляют и автоматизируют рабочие процессы.

Как ни странно, искусственный интеллект, который может привести к взрывному росту цифровой фирмы, часто даже не так сложен. Чтобы добиться драматических изменений, ИИ не должен быть материалом научной фантастики – неотличимым от человеческого поведения или имитирующим человеческие рассуждения, способность, которую иногда называют «сильным ИИ». Нужна только компьютерная система, чтобы иметь возможность выполнять задачи, традиционно решаемые людьми – то, что часто называют «слабым ИИ».

Уже при «слабом ИИ» так называемая «фабрика ИИ» может принимать ряд критически важных решений. В некоторых случаях она может управлять информационными компаниями (такими как Google и Facebook). В других случаях она будет определять, как компания строит, доставляет или эксплуатирует физические продукты (например, складские роботы Amazon или Waymo, автосервисы Google, Yandex).

Но во всех случаях фабрики ИИ обрабатывают некоторые из наиболее значимых процессов и принимают важные операционные решения. Программное обеспечение составляет ядро фирмы, в то время как люди перемещаются на периферию.

Четыре компонента необходимы для каждого производства. Первый – это конвейер данных, полуавтоматизированный процесс, который собирает, очищает, интегрирует и защищает данные систематическим, устойчивым и масштабируемым способом. Второй – алгоритмы, которые генерируют прогнозы о будущих состояниях или действиях бизнеса. Третья – это экспериментальная платформа, на которой проверяются гипотезы относительно новых алгоритмов, чтобы убедиться, что их предложения имеют предполагаемый эффект. Четвёртое – это инфраструктура, системы, которые встраивают этот процесс в программное обеспечение и подключают его к внутренним и внешним пользователям.

ИИ, который стимулирует взрывной рост, часто не так сложен

Возьмите поисковую систему вроде Google, Yandex или Bing. Как только кто‑то начинает вводить несколько букв в поле поиска, алгоритмы динамически предсказывают полный поисковый термин на основе терминов, которые многие пользователи вводили ранее, а также этот конкретный пользователь вводил при запросах в прошлом.

Эти прогнозы фиксируются в выпадающем меню («поле автозапуска»), которое помогает пользователю при поиске. Каждое нажатие клавиши и каждый щелчок фиксируются как точки данных, и каждая точка данных улучшает прогнозы для будущих поисков.

ИИ также генерирует результаты поиска, которые взяты из ранее собранного индекса Интернета и оптимизированы в соответствии с кликами, сгенерированными по результатам предыдущих поисков.

Ввод термина также запускает автоматизированный аукцион для объявлений, наиболее релевантных для поиска пользователя, результаты которого формируются дополнительными экспериментами и циклами обучения. Любой щелчок на странице запроса или результатов поиска предоставляет полезные данные. Чем больше поисков, тем лучше прогнозы, и чем лучше прогнозы, тем больше используется поисковая система.

Снятие ограничений на масштаб, объём и обучение

Концепция масштаба занимает центральное место в бизнесе, по крайней мере, со времён промышленной революции.

Великий Альфред Чэндлер описал, как современные ему промышленные фирмы могут достичь беспрецедентного уровня производства при гораздо более низких удельных затратах, что даёт крупным фирмам важное преимущество перед более мелкими конкурентами. Он также подчеркнул преимущества, которые компании могут извлечь из способности достичь большего объёма производства или разнообразия продуктов.

Стремление к совершенствованию и инновациям добавило фирмам третье требование: обучение. Масштаб, сфера охвата и обучение стали рассматриваться как основные факторы операционной эффективности фирмы. И в течение длительного времени они были обеспечены тщательно определёнными бизнес-процессами, которые полагаются на труд и управление для доставки продуктов и услуг клиентам и которые подкреплены традиционными ИТ-системами.

После сотен лет постепенных улучшений промышленной модели цифровая фирма теперь радикально меняет масштаб, разнообразие и парадигму обучения. Процессы, основанные на ИИ, могут быть масштабированы гораздо быстрее, чем традиционные процессы, позволяют значительно увеличить разнообразие, потому что они могут быть легко связаны с другими оцифрованными предприятиями, и создают невероятно мощные возможности для обучения и совершенствования, например способность производить всё более точные и сложные модели поведения клиентов, а затем соответствующим образом адаптировать услуги.

В традиционных операционных моделях масштаб неизбежно достигает точки, в которой он приносит уменьшающуюся прибыль. Но мы необязательно видим это с моделями, управляемыми ИИ, в которых отдача от масштаба может продолжать подниматься до ранее неслыханных уровней. Теперь представьте, что происходит, когда фирма, управляемая ИИ, конкурирует с традиционной фирмой, обслуживая тех же клиентов с аналогичным (или лучшим) ценностным предложением и гораздо более масштабируемой операционной моделью.

21307-зн---ИИ---помощник-или-конкурент-img.jpg

Компании, управляемые ИИ, могут опередить традиционные фирмы

Значение, которое даёт масштаб, в конечном итоге уменьшается в традиционных операционных моделях, но в цифровых операционных моделях оно может подняться намного выше.

Такого рода конфронтацию обычно называют «столкновением». Поскольку как обучающие, так и сетевые эффекты усиливают влияние объёма на создание стоимости, фирмы, построенные на цифровом ядре, могут сокрушить традиционные организации.

Рассмотрим исход, когда Amazon сталкивается с традиционными ритейлерами, Ant Financial – с традиционными банками, а Didi, Yandex и Uber – с традиционными сервисами такси.

Как Клейтон Кристенсен, Майкл Рейнор и Рори Макдональд объясняли в статье «Что такое подрывные инновации?» (HBR, декабрь 2015), такие конкурентные «столкновения» не соответствуют модели разрушения. Коллизии не вызваны конкретными инновациями в технологии или бизнес-модели. Это результаты появления совершенно другой фирмы. И они могут коренным образом изменить отрасли и изменить природу конкурентного преимущества.

Обратите внимание, что операционным моделям, управляемым ИИ, может потребоваться довольно много времени для создания экономической выгоды в той ситуации, в которой традиционные операционные модели генерируют значительную прибыль. Сетевые эффекты приносят мало пользы, прежде чем они достигнут критической массы, и большинство вновь применяемых алгоритмов страдают от «холодного старта», прежде чем получить адекватную прибыль.

Ant Financial быстро росла, но её основному платёжному сервису Alipay, который был запущен Alibaba в 2004 году, потребовались годы, чтобы достичь своего текущего объёма. Это объясняет, почему руководителям, заключённым в традиционной модели, сначала трудно поверить, что цифровая модель когда‑либо их догонит. Но, как только цифровая операционная модель начинает работать, она может принести гораздо большую пользу и быстро обогнать традиционные фирмы.

Столкновения между компаниями, управляемыми искусственным интеллектом и традиционными фирмами, происходят в самых разных отраслях: программное обеспечение, финансовые услуги, розничная торговля, телекоммуникации, средства массовой информации, здравоохранение, автомобили и даже агробизнес.

Трудно представить современный бизнес, который не сталкивался бы с насущной необходимостью оцифровать свою операционную модель и лучше реагировать на новые угрозы.

Перестройка традиционных предприятий

Для лидеров традиционных фирм конкуренция с цифровыми конкурентами включает в себя нечто большее, чем развёртывание корпоративного программного обеспечения или даже создание конвейеров данных, понимание алгоритмов и эксперименты.

Это требует реорганизации организационной и операционной модели фирмы. В течение очень долгого времени компании оптимизировали свой масштаб, сферу охвата и обучение за счёт большей сосредоточенности и специализации, что привело к разрозненным структурам, которые сегодня имеют подавляющее большинство предприятий.

Поколения информационных технологий не изменили эту модель. На протяжении десятилетий ИТ использовались для повышения эффективности работы конкретных функций и организационных подразделений. Традиционные корпоративные системы часто даже усиливают это разделение функций и продуктов.

Такое разделение, однако, является врагом роста на основе искусственного интеллекта. Действительно, такие компании, как Google Ads и Ant Financial’s MyBank, намеренно отказываются от него и нацелены на использование интегрированного ядра данных и единой, последовательной базы кода.

Когда каждое направление в фирме имеет свои собственные данные и код, внутренняя разработка фрагментирована, и почти невозможно построить связи через такие барьеры и связи с внешними бизнес-сетями или экосистемами. Также почти невозможно развить целостное понимание клиента, когда различные его запросы привлекают разные подразделения. Поэтому, когда фирмы создают новое цифровое ядро, им следует избегать создания в нём глубоких организационных разделений (по материалам статьи Марко Янсити и Карима Р. Лахани, Magazine, январь-февраль 2020).

ИИ в высшей школе

Все, кто учился в высших учебных заведениях, даже гуманитарного профиля, хорошо помнят, как много времени в течение первых двух лет обучения тратилось на такие разделы математики, как теория пределов, дифференциальное и интегральное исчисление. При этом большинство решаемых задач носили исключительно вычислительный характер, когда на основе знания базовых таблиц производных и первообразных, заучиваемых наизусть (как таблица умножения), требовалось путём искусного манипулирования небольшим набором основных правил преобразования сложных функций к одному из основных (базовых) видов вычислять от этих сложных функций производные или неопределённые интегралы.

Такие «развлечения» и сейчас весьма популярны в Интернете, например, сайт www.blackpenredpen.com – это одно из известнейших мест, на котором преподаватели Массачусетского технологического института (США) с большим удовольствием демонстрируют своё выдающееся умение вычислять пределы, производные и интегралы без справочников, по памяти, и даже без перерывов в течение нескольких часов.

Однако даже такие «слабые проявления ИИ», какими являются современные математические вычислительные пакеты программ, позволяют по запросу практически мгновенно получать готовые ответы на все подобные вычислительные задачи. И это делает все многолетние «отлаженные» методики преподавания этих разделов высшей математики абсолютно бесполезными: обычному студенту очень трудно устоять перед соблазном вместо напряжённых попыток самому решить подобного рода задачи, просто получить из Интернета готовые решения.

Поэтому в данном случае даже начальные проявления «слабого ИИ», которыми являются вычислительные пакеты программ, представляются весьма жёсткими конкурентами для массы преподавателей математики.

Одновременно с этим популярные пакеты ChatGPT и другие уже сегодня вполне успешно справляются с такой задачей, как написание текстов выпускных квалификационных работ для аспирантов и специалистов, не говоря уже о студентах бакалавриата и магистратуры. Поэтому и здесь научным руководителям студентов и аспирантов, а также уважаемым членам ГЭКов есть над чем серьёзно задуматься.

Для того, чтобы искусственный интеллект стал реальным помощником для преподавателей высшей школы, а не их злейшим врагом и конкурентом, требуются глубокие и безотлагательные изменения в самой философии и методике высшего образования. Хотя весь многолетний опыт преподавания говорит, что одного только искусственного интеллекта со всей его «безошибочностью и рациональностью» явно недостаточно для эффективного обучения студентов сколь‑нибудь действительно сложным вещам.

Требуется ещё что‑то, что передаётся эффективнее именно в процессе непосредственного человеческого общения. Например, тривиальное, казалось бы, переписывание за лектором с доски формул и выкладок позволяет гораздо лучше усваивать изучаемый материал, чем изучение его по слайдам презентаций и фотографиям той же классной доски. Поэтому у хороших преподавателей есть хороший шанс сделать из искусственного интеллекта весьма эффективного помощника, а не конкурента.

ИИ в медицине

Давно уже признано, что такого количества различных факторов, которые могут в разной степени влиять на установление реального диагноза болезни, которое может учитывать ИИ (причём с учётом реальной степени влияния каждого из этих факторов, установленной статистически), не может и близко помнить, и строго научно оценивать никакой, даже самый опытный и квалифицированный врач.

Но это отнюдь не значит, что завтра все пациенты клиник будут стоять в очереди к терминалу ИИ для сдачи анализов и установления диагноза. Человек – существо общественное, и общение с хорошим врачом ещё долго будет предпочтительнее общения с «киоском ИИ».

На наш взгляд, это означает, что уже в ближайшее время весьма средний врач с ИИ-помощником будет способен ставить диагнозы и назначать лечение на уровне врача высокой квалификации и с большим опытом. Это будет похоже на то, что даже «никакой» шахматист с компьютерным помощником уже сейчас может легко обыграть чемпиона мира по шахматам среди людей.

Поэтому в области медицины ИИ выглядит исключительно как помощник и союзник врача, но не его конкурент.

ИИ в программировании

Большинство работ по созданию программ по известным и формализованным алгоритмам носят характер скорее рутинных действий, чем творческих усилий. Поэтому они вполне могут быть перепоручены ИИ, и не потребуется такого количества «писателей кода», которое требуется сегодня. Они, конечно, менее механически делают свою работу, чем ранее существовавшие машинистки, но это отличие не принципиально. Особенно это касается таких процессов, как тестирование и отладка программ.

Другое дело – разработка новых алгоритмов решения той или иной формализованной задачи, а тем более постановка корректной алгоритмической задачи на основе реальной новой прикладной задачи. Эти процессы вообще трудно формализуемы, и потому ИИ для их реализации может быть полезен в качестве огромного справочного средства, которое может подсказывать о наличии некоторых аналогий в решениях похожих задач из других областей человеческой деятельности, о которых человек может даже и не догадывается.

Это чем‑то похоже на программу Лендлендса в математике, когда, исходя из концепции единой математики, в различных её разделах пытаются отыскивать аналоги известных теорем из других разделов и их доказывать. Иногда при этом получаются выдающиеся результаты. Будут ли подобные результаты в разработке алгоритмов, покажет время и развитие ИИ.

ИИ в юриспруденции

Казалось бы, юриспруденция, как одна из наиболее формализованных областей человеческой жизни должна быть наиболее разумной сферой применения ИИ.

Особенно это кажется подходящей областью применения для ИИ в рамках англо-саксонской прецедентной юридической системы, в которой точное знание всех прецедентов, похожих или близких к конкретному кейсу, значит очень много при решении по конкретному делу.

Но по факту это совсем не так. Наиболее важные дела рассматриваются коллегией присяжных, которые принимают решение зачастую по мотивам весьма далёким от формальных, являющихся основой для решений ИИ. Поэтому ожидать тут широкого использования ИИ в серьёзных случаях пока не приходится, а в качестве справочного подспорья для юристов – вполне.

ИИ в государственном и муниципальном управлении

Во всём, что касается управления значительными массами людей, а следовательно, и значительными объёмами средств, с этих людей собираемых, слишком много прямо противоположных интересов различных групп, чтобы хоть в сколько‑нибудь существенной части это могло быть переложено на плечи абсолютно формализованного и нейтрального искусственного интеллекта.

Поэтому может случиться так, что находящаяся у власти группа будет использовать искусственный интеллект лишь как средство более жёсткого и полезного для себя управления всем обществом, а это признать полезным для позитивного развития всего общества никак нельзя.

Примерно так и происходит в рамках крупного глобального бизнеса, о чём говорилось в начальных разделах статьи.

Заключение

То, что сейчас называется искусственным интеллектом, – это прямое следствие прогресса в области электронной техники и средств связи, который сделал возможным, во‑первых, практически мгновенно обмениваться информацией между двумя точками в любых частях земного шара, а во‑вторых, возможностью накапливать и обрабатывать такие объёмы информации, о возможности обработки которых ещё 20‑30 лет назад не приходилось и думать.

На этой основе стало возможно строить формализованные алгоритмы действия устройств и программ, базирующихся на статистическом анализе очень больших массивов данных. Именно так работают современные программы-переводчики, программы управления трафиком, программы установления медицинских диагнозов и т. п., а теперь уже и программы управления крупным бизнесом, торговли ценными бумагами, программы управления финансовыми услугами и др.

Эти новые технологии являются конкурентами прежде всего для тех, кто выполняет рутинные формализуемые действия, которые вполне могут быть переложены на электромеханические или электронные устройства.

Анатолий Лебедев