О том, как AI меняет модель управления компаниями, почему классические ERP-системы не исчезнут и какие новые проблемы создает автоматизация интеллектуального труда, мы поговорили с Андреем Трещуком – предпринимателем и инвестором, более 20 лет работающим в сфере корпоративных технологий. Сегодня он развивает международную Impace Group, работающую с корпоративными системами и искусственным интеллектом в Европе, Центральной Азии и на Ближнем Востоке.
– Сегодня термин "AI-трансформация" звучит повсюду. Если убрать модные слова, что это на самом деле означает для промышленной компании?
– Я бы сначала отделил AI-трансформацию от обычной цифровизации.
Предыдущий этап цифровизации в основном был связан с автоматизацией операций. Система помогала быстрее провести транзакцию, посчитать, проконтролировать, зафиксировать. Но логика процесса и принятие решений оставались у человека.
Сейчас начинается другой этап. Технология постепенно становится участником интеллектуальной работы: она может анализировать контекст, видеть отклонения, формировать варианты действий, а в некоторых случаях – самостоятельно выполнять следующий шаг.
Мне нравится аналогия с человеческим организмом. Мы не думаем о том, как у нас работает обмен веществ или передаются сигналы по нервной системе. Огромное количество процессов происходит автоматически, а сознание занимается задачами более высокого уровня.
В компаниях до сих пор было иначе. Значительная часть времени менеджмента уходила на поддержание своего рода "корпоративного метаболизма": проверить выполнение поручений, найти отклонение, выяснить причину, согласовать действие, проконтролировать результат.
AI позволяет значительную часть этого уровня управления сделать автоматической.
И вот это, на мой взгляд, и есть настоящая AI-трансформация. Не внедрение еще одного IT-инструмента, а изменение самого разделения труда между человеком и технологией. Люди должны все меньше заниматься обслуживанием внутренних процессов компании и все больше – решениями, действительно определяющими ее развитие.
– Какие примеры этого изменения наиболее наглядны?
– Они очень разные в зависимости от отрасли.
Возьмем финансовое планирование. Раньше для анализа сложной ситуации нужно было собрать данные, привлечь несколько специалистов, построить сценарии, обсудить их с финансистами и юристами. Это могло занимать дни или недели.
Сегодня значительную часть аналитической работы можно провести в диалоге с AI: построить несколько сценариев, проверить предположения, найти противоречия, посмотреть последствия разных решений.
Важно понимать: AI здесь не обязательно принимает окончательное решение. Его роль в другом – радикально сократить стоимость и время интеллектуальной работы.
В промышленности есть другие примеры.
Видеоаналитика раньше в основном фиксировала происходящее. Сегодня система может интерпретировать ситуацию: увидеть нарушение техники безопасности, неправильную последовательность операций или появление человека в опасной зоне.
Следующий уровень – когда система не только сообщает о проблеме, но и инициирует действие.
То же самое происходит с контролем качества. Недостаточно обнаружить дефект готового продукта. Более интересная задача – понять, какие параметры производственного процесса привели к этому отклонению и что нужно изменить, чтобы оно не повторилось.
Именно здесь проходит важная граница между традиционной автоматизацией и AI: технология начинает не просто фиксировать мир, а интерпретировать его и воздействовать на него.
– Но готовы ли компании доверять системе такие решения? Что происходит, если AI ошибается?
– Я бы вообще не ставил вопрос как "можно ли доверять AI".
Правильнее спрашивать: какое решение мы готовы ему делегировать, какова цена ошибки и какой механизм контроля должен существовать.
Люди тоже ошибаются. Поэтому сравнивать нужно не абстрактного идеального человека с несовершенной машиной, а реальные процессы принятия решений.
Есть ситуации, где ошибка практически недопустима и последнее слово должно оставаться за человеком. Но также есть и огромное количество других решений, где цена отдельной ошибки ограничена, а скорость, последовательность и способность системы анализировать большое количество факторов дают серьезное преимущество.
При этом у машин есть важное свойство: обнаруженную системную ошибку можно исправить сразу для всего процесса. У людей обучение устроено сложнее: например, один сотрудник уже получил опыт и не сделает конкретную ошибку, а другой – без опыта – может запросто повторить ту же оплошность.
Разумеется, это вовсе не аргумент за бесконтрольную автономность. Чем больше решений передается технологии, тем важнее становятся архитектура контроля, качество данных и четкое понимание того, где остается человеческая ответственность.
– Есть мнение, что классические системы вроде SAP слишком тяжелы для эпохи AI и постепенно потеряют значение.
– Мне кажется, здесь часто путают интерфейс системы и ее фундаментальную функцию.
AI действительно радикально изменит то, как человек взаимодействует с корпоративными системами. Значение традиционных пользовательских интерфейсов, скорее всего, будет снижаться. Человеку все меньше нужно будет знать, в каком меню находится нужная функция или какую транзакцию открыть. Он сможет просто сформулировать задачу.
Но под этим интерфейсом все равно должны находиться надежные данные, бизнес-правила, права доступа, финансовая логика, нормативные требования.
И здесь значение ERP никуда не исчезает. Более того, оно может возрасти.
AI не исправляет плохие данные магическим образом. Если исходные данные противоречивы, неполны или неправильно структурированы, интеллектуальный слой сверху лишь быстрее произведет неправильный результат.
Поэтому я бы сказал так: ERP постепенно перестает быть прежде всего пользовательской системой и становится системой доверия к корпоративным данным. Интерфейс может поменяться полностью. Этот фундамент останется.
– Тогда что произойдет с ролью IT-директора?
– Исторически существовала достаточно понятная модель: бизнес формулирует требование, а IT его реализует. Между возникновением идеи и работающим решением существовал довольно длинный технологический цикл.
AI сокращает эту дистанцию. Бизнес-пользователь получает возможность намного непосредственнее работать с технологией: анализировать данные, создавать прототипы решений, менять процессы.
Поэтому роль IT-директора не исчезает, а становится более архитектурной.
Все меньше ценности будет в том, чтобы просто исполнять поток запросов бизнеса. Важнее станет создавать среду, в которой бизнес может безопасно и эффективно использовать технологию.
Это архитектура, интеграции, кибербезопасность, качество данных, управление моделями, стандарты и контроль.
То есть CIO постепенно превращается из руководителя технологической функции в одного из архитекторов самой модели управления компанией.
– Почему при этом AI заметно быстрее развивается в банках, ретейле и интернет-компаниях, чем в промышленности?
– Потому что промышленность значительно менее стандартизирована.
В банке огромное количество операций повторяется. Есть структурированные данные, достаточно четкие правила, значительная история наблюдений. Это очень благоприятная среда для машинного обучения.
В промышленности практически каждый объект в чем-то уникален. Другое оборудование, другой режим эксплуатации, другие климатические условия, другой состав сырья, другие технологические параметры.
Предиктивное обслуживание – хороший пример.
Если у нас есть большое количество однотипного оборудования и хорошая история его эксплуатации, можно достаточно эффективно искать признаки будущих отказов по температуре, вибрации, давлению и другим параметрам.
Но стоит изменить тип оборудования или условия эксплуатации – и качество модели может резко измениться.
Поэтому главный барьер промышленного AI часто заключается не в возможностях самого AI. Проблема в качестве, количестве и сопоставимости данных.
И это делает промышленную AI-трансформацию значительно более сложной инженерной задачей, чем может показаться со стороны.
– Получается, рынок пока вообще не нашел оптимальной модели AI-трансформации крупного предприятия?
– Мне кажется, пока нет. И это одна из самых интересных проблем сегодняшнего рынка.
С одной стороны, появилось новое поколение AI-компаний. Они очень хорошо понимают возможности современных моделей и то, какие принципиально новые решения на их основе можно создавать. Но многие из них пока только начинают разбираться в специфике крупного бизнеса.
Компании enterprise-сегмента — это совершенно особая среда. Там есть десятки существующих систем, сложная архитектура, требования к безопасности и надежности, производственные процессы, регуляторика, ответственность за непрерывность бизнеса. А главное — огромное количество специфики, накопленной за десятилетия.
С другой стороны, есть традиционные производители корпоративного ПО. Они прекрасно знают enterprise, но у них возникает другая проблема. Их бизнес десятилетиями строился вокруг продажи лицензий, модулей и больших программ внедрения. Поэтому вполне естественно, что AI они пытаются встроить в существующую продуктовую модель: добавить интеллектуального помощника к одному модулю, AI-функцию к другому, новый компонент к третьему.
С точки зрения производителя это логично. Но с точки зрения клиента такой подход далеко не всегда оптимален. Клиенту в конечном итоге нужен не AI внутри каждого существующего модуля, а максимальный эффект от применения технологии.
Мы в Impace пришли к несколько другому подходу.
С одной стороны, он архитектурный. Благодаря глубокому пониманию различных отраслей и устройства крупных предприятий мы смотрим на компанию целиком: на ее архитектуру, процессы, данные, производственные и корпоративные системы, на то, как между ними распределены функции и как принимаются решения.
Но архитектурный подход совершенно не означает, что для получения результата нужно сначала перестроить всю эту среду.
Здесь как раз работает принцип Парето. За годы работы с крупными предприятиями мы хорошо понимаем целые архитектурные, функциональные и процессные блоки, в которых применение AI уже сегодня позволяет при относительно небольших изменениях получить значимый результат.
Это могут быть большие классы задач, связанные с инженерной информацией, закупками, техническим обслуживанием, управлением документами, контролем процессов или поддержкой управленческих решений. Для каждого предприятия конкретная конфигурация будет своей, но сама логика этих зон хорошо понятна.
Поэтому наш подход состоит в сочетании двух вещей: видеть целевую архитектуру предприятия в целом и одновременно понимать, где внутри этой архитектуры AI уже сегодня способен дать существенный эффект без многолетней трансформационной программы и перестройки всего IT-ландшафта.
На мой взгляд, именно этого баланса сейчас часто не хватает рынку: с одной стороны — системного понимания enterprise-среды, с другой — прагматизма в применении новой технологии.
– Не является ли AI угрозой для консалтинговых компаний и системных интеграторов?
– Безусловно является. Просто эта угроза не обязательно в форме "консультанты исчезнут".
Большая часть классического консалтингового процесса исторически была построена на достаточно дорогой интеллектуальной обработке информации: прочитать документы, провести интервью, описать процессы, сравнить варианты, найти противоречия, подготовить выводы.
AI радикально снижает стоимость этой работы.
Это означает, что традиционная модель, в которой большое количество младших специалистов неделями перерабатывает информацию, будет испытывать серьезное давление.
Но самая дорогая часть консалтинга в конечном итоге заключается не в анализе документов.
Нужно принять решение, спроектировать новое состояние компании, изменить процессы, интегрировать системы, убедить людей работать по-новому и в конце концов отвечать за результат.
AI очень хорошо масштабирует анализ. Ответственность он пока не масштабирует.
Поэтому консалтинг никуда не денетеся, но его экономика и структура команд будут меняться довольно сильно.
– А если смотреть шире бизнеса? Где еще этот эффект может быть особенно заметен?
– Идеальная среда для применения AI – это государственные системы, которые работают с огромным объемом информации, большим количеством правил и множеством взаимосвязанных процессов. При этом человеку очень трудно увидеть всю систему целиком.
Возьмем такой показательный пример, как госзакупки. AI способен анализировать огромное количество контрактов и находить необычные паттерны, ценовые аномалии, взаимосвязи между участниками, отклонения от типичного поведения.
В здравоохранении задача может заключаться не только в диагностике. Есть управление загрузкой больниц, потоками пациентов, оборудованием, закупками, лекарствами.
То же относится к налоговому администрированию, инфраструктуре, социальной поддержке.
Поэтому AI потенциально влияет не только на производительность отдельных компаний, но и на качество государственного управления.
И в определенном смысле возникает конкуренция уже между странами: кто быстрее научится применять эти технологии не в виде отдельных красивых пилотов, а на уровне системных процессов.
– И последний вопрос. Что произойдет с подготовкой специалистов, если AI начнет выполнять значительную часть работы начального уровня?
– На мой взгляд, это один из наиболее серьезных и пока недооцененных вопросов.
Традиционно профессиональная карьера строилась как лестница.
Молодой специалист начинал с относительно простых задач. Потом сталкивался с исключениями, ошибался, видел последствия собственных решений, постепенно получал более сложную работу – и через годы становился экспертом.
Но именно нижние ступени этой лестницы AI сейчас автоматизирует быстрее всего.
Возникает парадокс.
Компаниям будет нужно меньше начинающих специалистов, потому что простые задачи дешевле выполнять с помощью AI. Но через десять лет этим же компаниям будут нужны очень сильные специалисты, которые должны откуда-то взяться.
Можно создавать учебные программы, симуляторы, лаборатории. Но профессиональное мышление формируется не только знаниями. Оно появляется из опыта принятия решений в реальной ситуации, где существуют ограничения и последствия.
Поэтому AI создает не только проблему замещения рабочих мест. Он может нарушить сам механизм воспроизводства экспертизы.
И я пока не вижу, чтобы бизнес всерьез обсуждал эту проблему.
Мы много говорим о том, какие профессии исчезнут. Возможно, гораздо важнее другой вопрос: откуда через десять лет возьмутся люди, способные выполнять ту работу, которую AI заменить не сможет?
В этом и заключается главный парадокс AI-трансформации.
Чем больше интеллектуальной работы мы передаем машине, тем выше становится ценность того, что остается исключительно человеческим: способности сделать выбор в неопределенной ситуации и взять на себя ответственность за последствия.