Изображение: Shutterstock / metamorworks
В сфере корпоративных технологий наблюдается интересный феномен. Компании активно инвестируют в генеративный искусственный интеллект, ожидая революционных изменений в бизнес-процессах и роста доходов. Однако реальность оказывается сложнее предварительных прогнозов.
Согласно детальному исследованию Массачусетского технологического института, подавляющее большинство пилотных проектов в области искусственного интеллекта не достигают заявленных целей. Примерно 95% из них, не оказывают значимого влияния на финансовые показатели компаний.
Результаты исследований показывают чёткое разделение на успешные и неудачные проекты. При этом основная проблема заключается не в качестве алгоритмов или мощности моделей, а в способах интеграции технологий в рабочие процессы предприятий.
Как использовать базы знаний в ИИ-сценариях?
Интересно, что наиболее успешными оказываются либо молодые стартапы, сосредоточенные на решении одной конкретной задачи, либо крупные компании, выбирающие путь стратегического партнёрства со специализированными поставщиками решений. Покупка готовых инструментов и создание партнёрских отношений приносят успех примерно в 67% случаев, тогда как самостоятельная разработка систем показывает значительно более низкие результаты.
Замечено, что наибольшую отдачу компании получают от автоматизации внутренних процессов. Оптимизация бэк-офиса, сокращение затрат на аутсорсинг и упрощение операционной деятельности показывают хорошую рентабельность инвестиций. Кроме того, компании, которые доверяют работу с ИИ-продуктами обычному «среднему звену» управленцев, а не только высшему руководству, показывают более высокие результаты.
Российский опыт внедрения ИИ-систем
У нас, в России внедрение систем искусственного интеллекта немного отличается от американской практики. ИИ-продукты имеют ярко выраженный отраслевой характер, где успех напрямую зависит от конкретной бизнес-задачи и качества исходных данных. В большинстве случаев российские компании демонстрируют прагматичный подход, фокусируясь на узких, но высокоэффективных способах применения ИИ.
Внедрение ИИ в финтехе
В финансовом секторе наблюдается, пожалуй, наиболее зрелое и массовое использование интеллектуальных систем. Крупнейшие банки, такие как Сбер и ВТБ, активно внедряют ИИ для скоринга, управления рисками и обнаружения мошенничества. Алгоритмы в режиме реального времени анализируют паттерны транзакций, выявляя аномалии и предотвращая финансовые потери. Это наглядный пример успешной реализации, когда технология решает четко очерченную проблему с измеримым экономическим эффектом, что полностью соответствует глобальным выводам о важности фокусировки на одной болевой точке.
Кредитный скоринг — это метод анализа, который банки и другие финансовые организации используют для оценки рисков при выдаче кредитов.
Сфера ритейла и электронной коммерции также активно внедряет искусственный интеллект. Такие компании, как «Яндекс.Лавка» или Ozon, используют алгоритмы для прогнозирования спроса, оптимизации логистических маршрутов и управления складскими запасами. Системы предсказывают, какие товары будут пользоваться популярностью в конкретном районе, что позволяет минимизировать издержки и повысить удовлетворенность клиентов. Это прямо перекликается с исследованием MIT, выявившим, что главная ценность ИИ зачастую скрыта не в маркетинговых кампаниях, а в автоматизации рутинных операционных процессов.
Стройка стала умнее
Не остается в стороне и промышленность. Газпром нефть и другие добывающие компании применяют ИИ для предиктивного анализа оборудования на месторождениях. Датчики собирают вибрации, температурные и звуковые данные, а алгоритмы предсказывают вероятность выхода техники из строя, позволяя перейти от планового ремонта к ремонту по фактическому состоянию. Это снижает простои и существенно экономит ресурсы. Финансовая экономия в таких случаях зависит не от универсального чат-бота, а от глубоко встроенного в производственные решения, обученного на специфических данных ИИ.
Даже в государственном управлении и городской среде можно найти показательные примеры. В Москве система распознавания изображений на основе компьютерного зрения используется для анализа потока транспорта и оптимизации работы светофоров. Это сложный проект, требующий не только точных алгоритмов, но и их слаженного взаимодействия с городской инфраструктурой, что опять же указывает на критическую важность интеграции, а не просто качества модели. Как мы превратили 1С из головной боли в стратегический актив холдинга Как подготовить и защитить проект по оптимизации Искусственный интеллект и «общество зомби». Почему технологии, созданные для развития, делают нас слабее
Однако на пути внедрения ИИ в России существуют и проблемы. Наш рынок сталкивается с дефицитом квалифицированных кадров, способных не только создавать алгоритмы, но и внедрять их в существующие бизнес-процессы. Кроме того, сохраняется проблема качества и доступности данных, которые часто хранятся в изолированных друг от друга системах.
В общем-то российский опыта внедрения ИИ совпадает с общемировой тенденцией. Он показывает, что наиболее успешные проекты сконцентрированы на решении конкретной задачи, глубоко интегрированы в существующие процессы и опираются на высококачественные отраслевые данные. Проекты же, нацеленные на скорый и громкий результат, часто пополняют собой печальную статистику неудачников, подтверждая, что законы бизнеса и технологии едины для всех рынков.
Источник: Fortune