IDC: как CIO в регионе EMEA могут ускорить развёртывание AI
Чтобы сдвинуть с мёртвой точки застопорившиеся корпоративные развёртывания AI в регионе EMEA, CIO придётся жёстко провести аудит своих систем.
За последние 18 месяцев внедрения AI по всей Европе далеко вышли за рамки начального тестирования. Компании вложили капитал в large language models и machine learning, рассчитывая на серьёзные операционные улучшения. Исследование IDC показывает, что советы директоров теперь замедляют, сокращают или переориентируют эти инициативы.
Сжатие связано не с потерей технического интереса, а с проблемами исполнения и подтверждения финансового эффекта. Конкурирующие ИТ-задачи и макроэкономическое давление заставляют руководителей требовать убедительных доказательств финансовой отдачи до одобрения более широкого развёртывания.
Только 9% организаций в регионе смогли добиться измеримых бизнес-результатов от большинства своих AI-проектов за последние два года. Остальные 91% остаются в ловушке. Проекты редко терпят катастрофический технический провал; они просто теряют импульс и остаются застрявшими в пилотной фазе без более широкого организационного эффекта.
Выход за рамки традиционных метрик закупок
Традиционные закупки опираются на сопоставление затрат на лицензирование ПО с прямым сокращением численности персонала. Однако ценность generative models и интеллектуальных систем маршрутизации проявляется по косвенным каналам: через появление новых потоков выручки, ускорение производительности сотрудников и снижение корпоративных рисков.
Например, инструмент predictive maintenance на производственном предприятии может не сократить инженерную команду. Вместо этого он предотвращает крупный сбой на сборочной линии. Финансовая выгода от предотвращённой аварии не отражается в стандартной ведомости подразделения.
Поскольку у организаций нет стандартизированного подхода к измерению этой косвенной ценности, закупочные подразделения оценивают отдельные сценарии по узким метрикам. Без чёткой финансовой рамки перспективные пилоты теряют финансирование до выхода в production. Руководителям технологий приходится заново переписывать расчёты ROI, чтобы учитывать эти более широкие эффекты и напрямую связывать их с прибылью компании.
Переход от пилота к постоянной корпоративной функции требует значительного и устойчивого капитала. Бюджетов на инновации обычно хватает на первые вызовы API и тестовые облачные среды. Но вывод той же модели в живую среду требует постоянных вложений в тяжёлую инфраструктуру, активные потоки данных и ежедневное обслуживание. Переход из sandbox в AWS или Azure к полномасштабному корпоративному развёртыванию выявляет серьёзные архитектурные пробелы.
Инженерные подразделения сталкиваются с трудностями, пытаясь совместить современные vector databases с устаревшими on-premise серверами Oracle или SAP. Для архитектуры Retrieval-Augmented Generation нужны чистые и структурированные данные. Попытка запускать large language models на неупорядоченном хранилище приводит к низкому качеству ответов и высоким показателям hallucination.
Устранение этого структурного разрыва требует масштабной и дорогой перестройки данных ещё до того, как ПО начнёт работать корректно. Постоянные вычислительные расходы, связанные с inference generation и настройкой моделей, быстро растут, заставляя руководителей технологий объяснять счета hyperscaler всё более скептически настроенным финансовым командам.
Региональные законы о защите данных и кибербезопасности определяют параметры развёртывания по всей Европе. Защита внутренних сетей от prompt injection-атак и документирование decision trees модели повышают базовые операционные расходы. Многие команды внедрения воспринимают эти юридические требования как жёсткие ограничения.
Но успешное меньшинство занимает иную позицию. Оно использует требования compliance, чтобы ещё на раннем этапе разработки выстроить более качественную архитектуру системы. Создание governance-структур с первого дня фактически ускоряет масштабирование.
Компании отмечают, что такая строгая работа с compliance даёт более высокую корпоративную устойчивость, лучшую ESG-результативность и более глубокое доверие со стороны клиентов. Законодательство становится ускорителем trusted deployment, заставляя инженерные команды выстраивать именно те механизмы контроля данных, которые им всё равно пришлось бы создавать без государственных предписаний.
Проектирование AI-развёртываний под реальные рабочие процессы
Самое сильное сопротивление часто возникает на уровне рабочих мест. Руководители технологий нередко проектируют решения, которыми сотрудники отказываются пользоваться. Algorithmic adaptation — это организационный барьер, а не только технический. Чтобы преодолеть сопротивление изменениям процессов, нужно напрямую увязать технологию с уже существующими возможностями сотрудников и корпоративной культурой.
Инженерным директорам приходится финансировать программы reskilling и активное управление изменениями, чтобы обеспечить доверие к процессам, управляемым машинами. Если человеческий фактор не учтён, это практически гарантирует более медленное внедрение и ограниченный операционный охват. Интеграции ПО успешны тогда, когда они убирают трение из повседневной рутины сотрудника.
Компании, которые извлекают долгосрочную ценность, намеренно проектируют свои внедрения вокруг человеческих рабочих процессов, чтобы конечный пользователь действительно выигрывал от новых инструментов. Например, автоматизированная система проверки контрактов должна позволять корпоративным юристам сосредоточиться на переговорах с высокой добавленной стоимостью, а не на базовой проверке compliance.
AI теперь находится в центре корпоративных операций, и современные цифровые лидеры должны активно запускать рост и выстраивать системы, которые дают положительную отдачу. По данным IDC, 42% руководителей уровня C-Suite в EMEA ожидают, что CIO возьмёт на себя лидерство в цифровой и AI-трансформации с акцентом на создание новых потоков выручки.
Такое давление требует максимально коммерческого мышления. Времена, когда технологический лидер был лишь закупщиком и хранителем сети, прошли. CIO должны напрямую связывать экспериментальные инициативы с измеримыми бизнес-результатами, добиваясь абсолютной согласованности действий между всеми подразделениями.
Успех на текущем рынке сильно зависит от исполнения. Организации, которые выходят из пилотной фазы, связывают инженерную работу с коммерческими целями, внедряют governance на раннем этапе и подстраивают ПО под человеческую адаптацию.
По мере изменения рынка именно то, как компании будут измерять финансовую отдачу и строить рамки масштабирования enterprise, определит, кто сможет извлечь реальную ценность. Технологическим лидерам нужно ответить, как они изменят свои operating models, чтобы поддержать эти системы.
См. также: IBM запускает AI-платформу Bob для контроля затрат SDLC
Хотите узнать больше об AI и big data от лидеров отрасли? Посмотрите AI & Big Data Expo, который проходит в Амстердаме, Калифорнии и Лондоне. Это масштабное мероприятие входит в TechEx и проводится совместно с другими ведущими технологическими событиями, включая Cyber Security & Cloud Expo. Нажмите здесь для получения дополнительной информации.
AI News работает на базе TechForge Media. Узнайте о других предстоящих мероприятиях и вебинарах по корпоративным технологиям здесь.
Материал — перевод статьи с английского.