Большая часть enterprise AI работает на периферии бизнеса, а не в его операционном центре. Пока компании не применяют ИИ в core-системах, значительная часть обещанной ценности останется недоступной.
Одно из самых опасных предположений на текущем рынке AI состоит в том, что широкое внедрение означает значимое внедрение. Это не так. То, что компании называют AI-трансформацией, во многом представляет собой AI-эксперименты на краю бизнеса — в системах и процессах, которые помогают сотрудникам, но не являются центральными для того, как предприятие реально работает. Сюда относятся календарное планирование, расписания, сводки встреч, внутренние коммуникации, сообщения клиентам, генерация документов, внутренние ассистенты и другие сценарии, ориентированные на повышение производительности.
Такие приложения могут быть полезными, но они не относятся к core-приложениям, которые напрямую управляют бизнесом и определяют, будет компания работать хорошо или плохо. Управление запасами, ввод заказов, исполнение логистики, планирование цепочки поставок, закупки, управление складом, производственные операции и обработка финансовых транзакций относятся именно к этой категории. Если эти системы дают сбой, бизнес сразу ощущает последствия через задержки заказов, потерю выручки, рост затрат, ухудшение обслуживания клиентов и ослабление операционного контроля.
McKinsey сообщает, что AI чаще всего используют в IT, маркетинге и продажах, а также в управлении знаниями; среди типичных сценариев — поддержка контента, разговорные интерфейсы и автоматизация клиентского сервиса. При этом большинство организаций все еще находятся на стадии экспериментов или пилотов, а о влиянии на прибыль на уровне всего предприятия сообщает лишь 39%. Это подтверждает: внедрение широко распространено, но глубокая трансформация core-бизнеса пока ограничена.
Это различие принципиально, потому что оно показывает: большая часть enterprise AI внедряется не в системы, определяющие операционную эффективность. Его помещают в те системы, которые проще автоматизировать, проще запустить в пилоте и проще показать на презентации для совета директоров. Рынок наводнен улучшениями производительности, которые создают движение вокруг бизнеса, почти не затрагивая сам бизнес.
Проблема в том, что доказать ценность AI в действительно бизнес-значимых терминах часто гораздо сложнее. Когда AI применяют к менее стратегическим и не центральным для бизнеса приложениям, выгоды оказываются косвенными, размытыми и трудными для привязки к важным результатам. Экономия времени на написании писем, подведении итогов встреч или упрощении внутреннего взаимодействия может звучать позитивно, но такие эффекты часто остаются анекдотическими. Они редко превращаются в измеримое улучшение маржи, длительности цикла, уровня сервиса или генерации выручки. Иными словами, чем дальше от операционного ядра, тем менее убедительным становится бизнес-кейс.
Почему компании обходят core-системы
Если именно в core-приложениях сосредоточена основная ценность, почему компании не делают их центром AI-стратегии? Ответ прост: на кону стоит больше, затраты быстро растут, а уверенности по-прежнему мало.
Применение AI к периферийным сценариям обычно несет ограниченный риск. Если сводка встречи неполная или внутренний документ нужно доработать, бизнес продолжает работать. Человек вмешивается, исправляет и идет дальше. Ошибки управляемы. Именно поэтому shadow AI так быстро распространился: сотрудники могут экспериментировать с относительно небольшим организационным риском, потому что зона поражения обычно мала.
С core-системами все иначе. Если AI принимает неверные решения в распределении запасов, обработке заказов, маршрутизации логистики или прогнозировании цепочки поставок, последствия наступают немедленно и стоят дорого. Это может означать дефицит товаров, избыточные запасы, пропущенные отгрузки, плохое обслуживание клиентов, нарушение координации с поставщиками и измеримый финансовый ущерб. Такие системы не терпят слабо управляемых экспериментов. Плохой результат здесь — не мелкое неудобство.
Компании это понимают. Многие не настолько уверены в своей способности проектировать, управлять и поддерживать AI-системы, которые могут безопасно работать в бизнес-критичных процессах. И, честно говоря, такая осторожность оправданна. Слишком многие AI-проекты по-прежнему строятся на общих стратегиях, шаблонных подходах и слабой интеграции данных. Их спешат запустить, чтобы показать нечто эффектное, а не действительно полезное для операций. В результате появляется парад пилотов, proof of concept и точечных успехов, которые так и не доходят до самых важных систем.
Ситуацию усложняет и текущий рынок AI-платформ. Компании получают мощные технологические компоненты, но часто без внятного пути к операционной ценности. Во многих случаях им по-прежнему приходится самостоятельно собирать модели, рабочие процессы, контуры управления, уровни данных и точки интеграции. Это инженерное бремя уже велико на периферии. В core, где системы старше, сильнее кастомизированы и теснее связаны с бизнес-процессами, оно становится еще сложнее. Неудивительно, что компании часто выбирают более безопасный путь и автоматизируют процессы вокруг бизнеса, прежде чем пытаться автоматизировать внутри него.
Периферийные сценарии привлекательны еще и потому, что они заметны и политически проще для поддержки. Руководители могут рапортовать о прогрессе, потому что сотрудники пользуются AI-инструментами. Вендоры могут ссылаться на показатели внедрения и метрики использования. Консультанты — демонстрировать быстрые победы. Но видимость не равна воздействию. Более того, акцент на видимых, но низкорисковых сценариях может откладывать более сложную работу, необходимую для получения реальной ценности для enterprise.
Как найти реальную ценность AI
Компании вряд ли найдут настоящую трансформацию, пока AI не начнет улучшать системы, определяющие работу предприятия. Более точное прогнозирование спроса. Более умное размещение запасов. Более быстрая и точная обработка заказов. Улучшенная координация логистики. Более адаптивные решения в цепочке поставок. Лучший момент для закупок. Более высокая устойчивость операций по исполнению заказов. Это не косметические улучшения. Они влияют на результаты, которые действительно важны для руководителей, советов директоров и инвесторов.
Именно здесь ценность становится легче измерить. В периферийных приложениях выгоды обычно описываются мягким языком удобства, эффективности или экономии времени. В core-приложениях метрики осязаемы. Увеличилась ли точность заказов? Сократился ли цикл? Уменьшился ли дефицит товаров? Снизились ли транспортные затраты? Вырос ли уровень обслуживания клиентов? Поскольку core-приложения ближе к экономике бизнеса, у AI, внедренного здесь, гораздо больше шансов доказать свою эффективность.
Все это не означает, что компаниям следует полностью игнорировать периферийные сценарии. Снижение низкоуровневой ручной работы и предоставление сотрудникам более удобных инструментов по-прежнему имеет практическую ценность. Но такие усилия нужно рассматривать как поддерживающие сценарии, а не как центр стратегии.
Компании должны перестать путать простую автоматизацию со стратегической трансформацией. Приоритетом сейчас должно стать меньшее число AI-инициатив, направленных прямо на бизнес-критичные системы, поддержанных более качественными данными, более жестким управлением, внутренней экспертизой и реалистичной операционной архитектурой. Пока этого не произойдет, большая часть enterprise AI останется тем, чем является сегодня: интересной технологией, которая кружит по краям бизнеса, в то время как настоящая возможность остается нетронутой в центре, потому что успех здесь сложнее, а риск выше.
Материал — перевод статьи с английского.