ИИ в масштабе: почему настоящая задача — управлять ценностью, а не сокращать расходы

ИИ меняет экономику технологий

Традиционные корпоративные технологии, как правило, приобретались на достаточно предсказуемых условиях: лицензии, подписки, обязательства по инфраструктуре и проекты внедрения. Затраты обычно можно было оценить исходя из численности сотрудников, мощности систем или согласованного объёма работ.

ИИ плохо вписывается в такую модель.

Его стоимость определяется фактическим потреблением. Она может меняться в зависимости от используемой модели, объёма обрабатываемой информации, длины ответа, устройства рабочего процесса и того, сколько раз автоматизированный агент обращается к другим системам или моделям.

Две внешне схожие задачи поэтому могут стоить совершенно по-разному.

Это особенно важно, когда ИИ встроен в бизнес-процессы. Одно взаимодействие может запустить цепочку поисковых запросов, обращений к моделям, проверок и повторных попыток. То, что выглядит как один простой запрос пользователя, за кулисами может превратиться в на удивление ресурсоёмкий рабочий процесс.

При этом доступ к ИИ больше не контролируется исключительно ИТ-отделом. Сотрудники могут оформлять подписки на новые инструменты, создавать собственных ассистентов и автоматизированные процессы, обладая сравнительно небольшими техническими знаниями. Такая доступность — мощный источник инноваций, но она же может приводить к разрозненным закупкам, дублированию возможностей и потреблению, которое никто не видит целиком.

Именно поэтому традиционного годового бюджетирования недостаточно. ИИ требует активного управления спросом.

Начните с того, чтобы сделать потребление видимым

Организация не сможет эффективно управлять ИИ, если не знает, где он используется.

Первоочередная задача — создать единое представление о потреблении ИИ по подразделениям, приложениям, поставщикам и облачным платформам. Это представление должно выходить за рамки счетов. Руководители должны видеть, какой бизнес-процесс использует ИИ, кто за него отвечает, сколько он стоит и какой результат даёт.

Технические показатели, такие как количество обращений к моделям или объёмы обработки, полезны инженерам, но недостаточны для бизнес-решений. Более содержательными, вероятно, будут следующие показатели:

• Стоимость одного решённого обращения клиента
• Стоимость одного проверенного документа
• Стоимость одной квалифицированной возможности продажи
• Стоимость одного релиза программного обеспечения
• Стоимость одной обработанной претензии, дела или транзакции
• Выручка, высвобожденные мощности или снижение рисков, достигнутые благодаря рабочему процессу на базе ИИ

Это меняет разговор. Вместо вопроса о том, не использует ли организация слишком много ИИ, руководители могут спрашивать, приносит ли конкретное применение ИИ достаточную ценность.

Прозрачность также создаёт подотчётность. Когда потребление связано с конкретным продуктом, процессом или бизнес-подразделением, ИИ перестаёт выглядеть как необъяснимые центральные ИТ-расходы. Он становится бизнес-инвестицией, у которой есть владелец и ожидаемая отдача.

Используйте подходящий уровень интеллекта для задачи

Организации не привлекают своих самых высококвалифицированных сотрудников к каждой задаче. Не следует и использовать самую мощную — и, как правило, самую дорогую — модель ИИ для каждого запроса.

Многие рутинные задачи, включая классификацию, извлечение данных, базовое резюмирование и структурированную подготовку черновиков, могут эффективно выполняться более компактными или менее дорогими моделями. Более мощные модели тогда можно приберечь для работы, которая действительно требует более глубокого анализа, большей точности или специализированных возможностей.

Цель не в том, чтобы в любой ситуации выбирать самую дешёвую модель. Она в том, чтобы выбирать самый экономичный вариант, который надёжно соответствует требуемому стандарту.

При таком решении нужно учитывать не только цену. Важны качество, скорость, конфиденциальность, устойчивость и риски. В одних случаях премиальная модель будет полностью оправдана. В других более уместной может оказаться небольшая размещённая модель, модель, эксплуатируемая внутри компании, или даже модель, работающая локально на устройстве.

Ключевая способность — гибкость: возможность направлять разные рабочие нагрузки на разные модели и пересматривать эти решения по мере изменения технологий, цен и требований.

Улучшайте рабочий процесс, прежде чем оптимизировать модель

Выбору модели уделяется много внимания, но неэффективная организация рабочего процесса может быть более значительным источником потерь.

Системы ИИ могут многократно обрабатывать ненужную им информацию, хранить излишне длинную историю диалога или выдавать ответы, намного более подробные, чем требует задача. Автоматизированные агенты могут попадать в непродуктивные циклы, повторять неудачные действия или обращаться к дорогим сервисам, когда было бы достаточно простого правила.

Эти проблемы редко решаются одними лишь закупками. Они требуют продуманного инженерного подхода и проектирования процессов.

Организациям стоит проверить, могут ли они:

• Передавать только информацию, относящуюся к задаче
• Повторно использовать уже полученные результаты
• Определять чёткие форматы ответов и разумные ограничения по длине
• Ограничивать автоматические повторные попытки и использование инструментов
• Направлять простые запросы через более простые модели
• Передавать на более высокий уровень только действительно сложные случаи
• Переработать неудачный процесс, прежде чем добавлять в него ИИ

Этот последний пункт важен. Автоматизация неэффективного процесса не обязательно делает его эффективным. Она может просто позволить неэффективности работать быстрее и в большем масштабе.

Встраивайте управление в пользовательский опыт

Политики и обучение останутся важными, но они не могут нести на себе весь груз управления корпоративным ИИ.

От большинства сотрудников нельзя разумно ожидать понимания экономики каждой модели, запроса или автоматизированного рабочего процесса. И им не должно приходиться заглядывать в документ с политикой каждый раз, когда они пользуются сервисом ИИ.

Поэтому хорошее управление должно быть встроено в саму технологию.

Среда ИИ в организации должна уметь применять утверждённые правила доступа, выявлять необычное потребление, устанавливать разумные лимиты и направлять запросы к наиболее подходящему сервису. Там, где дополнительные затраты или риск оправданны, должен существовать понятный путь согласования или эскалации.

Благодаря этому ответственное потребление становится для пользователя естественным путём. Это также позволяет осуществлять управление в момент действия, когда оно может повлиять на результат, а не спустя недели, когда приходит счёт.

Тот же принцип относится и к рекомендациям. Контекстная подсказка, полученная в момент создания рабочего процесса на базе ИИ, скорее всего, будет полезнее, чем разовый учебный курс, пройденный несколькими месяцами ранее.

Относитесь к экономике ИИ как к постоянной компетенции

Управление спросом на ИИ не должно превращаться во временную кампанию по сокращению расходов, которую ведёт одна лишь технологическая команда.

Оно требует постоянного сотрудничества технологических, финансовых, закупочных подразделений, службы управления рисками и бизнес-руководства. Вместе эти функции должны прогнозировать спрос, отслеживать потребление, оценивать поставщиков и связывать расходы с измеримыми результатами.

Эта компетенция должна также учитывать, что рынок будет продолжать меняться. Лучшая сегодня модель завтра может не давать наилучшего соотношения цены и ценности. Новые поставщики, коммерческие условия и варианты развёртывания будут продолжать появляться.

Долгосрочная зависимость от одной модели или одного поставщика поэтому может создавать как финансовые, так и операционные риски. Организациям следует сохранять возможность переносить рабочие нагрузки, пересматривать решения о выборе источников и сочетать приобретённые, разработанные внутри компании и размещённые решения.

Старый вопрос о том, покупать или создавать самим, становится слишком узким. Лучше спрашивать, как собрать — и постоянно корректировать — подходящий набор сервисов, моделей и операционных подходов для каждой рабочей нагрузки.

Контроль затрат должен поддерживать амбиции

Существует опасность того, что рост расходов на ИИ сделает организации чрезмерно осторожными именно тогда, когда технология начинает давать значимые результаты.

Это было бы ошибкой.

Сильное финансовое управление — не враг инноваций. Оно делает возможными устойчивые инновации. Когда организация умеет выявлять потери, она может перенаправить ресурсы на рабочие процессы с наибольшим потенциалом. Когда она понимает стоимость результата, она может принимать обоснованные решения о том, где масштабировать. Когда управление встроено в среду, сотрудники могут внедрять инновации в чётких и практичных границах.

Организации, которые добьются успеха с ИИ, — это не обязательно те, кто тратит больше всех, и не те, кто сокращает расходы жёстче всех. Это будут те, кто понимает, где ИИ создаёт уникальную ценность, и может соответственно направлять своё потребление.

Следующий этап развития корпоративного ИИ поэтому будет определяться не столько доступом к моделям, сколько дисциплиной управления.

Вопрос уже не просто в том: «Сколько ИИ мы используем?» Он в том: «Чего мы с его помощью добиваемся — и стоит ли этот результат вложенных средств?»