Производители не могут трансформироваться с той же скоростью, что и ИИ. Что им тогда делать?
Я работаю в промышленности или с промышленными компаниями более тридцати лет. Суть: у промышленных компаний проблема скорости.
Годами производители подходили к технологическим изменениям осознанно. Крупные технологические инвестиции оцениваются, тестируются, включаются в бюджет, внедряются, интегрируются и в конечном счёте масштабируются. Заводы не могут менять операционные системы каждые шесть месяцев. Оборудование может эксплуатироваться 20 или 30 лет. Внедрение ERP-систем занимает годы. Сотрудников нужно обучать. Процессы должны быть стабильны. Безопасность, качество, кибербезопасность и надёжность не могут быть поставлены под угрозу. Это стабильная и контролируемая среда инвестиций.
Существуют веские причины, по которым промышленные компании движутся медленно.
ИИ работает по совершенно другим часам. Модели улучшаются быстро, иногда еженедельно. Новые возможности тоже возникают каждую неделю. Стоимости снижаются. Агенты на базе ИИ становятся более способными. Софтверные компании постоянно добавляют функциональность на базе ИИ. Появляются новые конкуренты, в то время как другие исчезают. Компания может потратить шесть месяцев на оценку ИИ-технологий, только чтобы обнаружить, что рынок кардинально изменился до завершения оценки.
Добро пожаловать в парадокс скорости ИИ. Промышленные компании не могут трансформироваться с той же скоростью, что и ИИ. Но они также не могут позволить себе игнорировать эту скорость.
Мы наблюдаем столкновение двух принципиально разных «часов».
Промышленный ритм построен вокруг стабильности, надёжности, дисциплины капитала и управления рисками. Ритм ИИ основан на экспериментах, итерациях, экспоненциальном улучшении и всё более коротких циклах инноваций.
Пытаться заставить производственные компании работать полностью в соответствии с ритмом ИИ было бы безответственно. Но навязывать ИИ традиционные трёхлетние циклы трансформации может быть столь же проблематично. Это создаёт то, что я называю разрывом адаптации к ИИ: растущее расстояние между скоростью, с которой развиваются возможности ИИ, и скоростью, с которой организации могут их усваивать, внедрять и извлекать из них ценность.
Ответ не в простом призыве к промышленным компаниям двигаться быстрее. Задача — изменить способ, которым организации усваивают изменения. Вот пять подходов к решению этой задачи.
1. Перестаньте думать проектами. Постройте систему адаптации к ИИ.
Промышленные компании любят проекты. Создаём команду, определяем требования, оцениваем поставщиков, выбираем и внедряем технологию, обучаем сотрудников и в конце объявляем победу. Эти команды называют скрамами, тигровыми командами, целевыми группами и т. п. Такая модель предполагает, что технология остаётся стабильной в процессе.
Компаниям нужна постоянная способность выявлять появляющиеся технологии, экспериментировать с ними, измерять их потенциал, масштабировать то, что работает, и быстро отказываться от того, что не работает. Рассматривайте это как систему адаптации к ИИ, а не как ещё одну программу трансформации ИИ. Разница важна. У проекта есть начало и конец. Адаптация — нет. И она также не линейна.
2. Разделите «быструю полосу» и промышленное ядро.
Не каждая часть промышленной организации должна двигаться с одинаковой скоростью. Системы управления производством, управления заводом, системы безопасности, ERP-платформы и критически важная инфраструктура требуют стабильности и строгого управления. Нельзя экспериментировать без оглядки с системами, которые могут остановить завод или поставить под угрозу безопасность.
Но те же правила не обязательно должны применяться ко всем приложениям ИИ. Инженерные копилоты, помощники по знаниям, коммерческие приложения, агенты обслуживания клиентов, аналитические инструменты, приложения для ценообразования и внутренней продуктивности часто можно тестировать гораздо быстрее.
Промышленным компаниям нужны две скорости. Защитите промышленное ядро и одновременно создайте контролируемую «быструю полосу», где эксперименты с ИИ могут происходить быстро. Цель не в выборе между скоростью и контролем. Цель — спроектировать организацию, способную к обоим.
3. Сократите расстояние между экспериментом и созданием ценности.
Одна из больших опасностей нынешней волны ИИ — размножение пилотов. Компании легко запускают десятки и сотни экспериментов. Все воодушевлены. Команды инноваций показывают впечатляющие демо. Руководители посещают демонстрации ИИ. Это не новое. Мы уже видели такой фильм с облаками, интернетом вещей и big data.
Затем экономический эффект мал. Вместо вопроса «Где мы можем применить ИИ?» начните с другого вопроса: «Где ИИ может существенно изменить экономически важное решение или рабочий процесс?» Посмотрите на простои, брак, выход продукции, обслуживание, инженерную производительность, потребление энергии, запасы, качество, подготовку котировок, ценообразование, производительность продаж и обслуживание клиентов. Сначала выявите пул ценностей и двигайтесь к ИИ от обратного.
Принятие ИИ должно тянуться ценностью, а не толкаться технологией. Скорость без ценности — просто более быстрые эксперименты.
4. Прощайте идею вечного выбора технологии — проектируйте с расчётом на замену.
Это, возможно, самая неудобная рекомендация для промышленных руководителей и инженеров, стремящихся к совершенству. Перестаньте предполагать, что выбор ИИ-технологии останется с вами надолго.
Традиционный выбор промышленной технологии делает упор на долговечность. Компании тратят огромное количество времени на выбор правильной платформы, потому что ожидают жить с этим решением много лет.
ИИ требует другой предпосылки. Модели будут меняться. Поставщики будут меняться. Экономика будет меняться. Возможности, которые сегодня кажутся дифференцированными, завтра могут стать товаром. Поэтому промышленные компании должны проектировать архитектуру ИИ с мыслями о замене. Держите данные переносимыми. Предпочитайте модульную архитектуру. Избегайте ненужной зависимости от отдельных моделей. Встраивайте гибкость в отношения с поставщиками и технологические дорожные карты.
Другими словами, сделайте то, чего промышленным компаниям редко удаётся сделать: проектируйте с расчётом на устаревание. Цель уже не в том, чтобы выбрать технологию, которую никогда не придётся менять. Цель — сделать замену менее болезненной, когда она неизбежна.
5. Измеряйте скорость обучения, а не только прогресс внедрения.
Традиционно программы промышленной трансформации измеряют вехи: системы внедрены. Пользователи обучены. Заводы переведены. Проекты завершены. Бюджеты соблюдены. А затем начинается следующий цикл.
ИИ требует другого показателя: скорость обучения. Как быстро ваша организация может выявить появляющуюся возможность, протестировать её, измерить её ценность и принять решение? Как быстро вы можете масштабировать то, что работает? И не менее важно, как быстро вы можете остановить то, что не работает?
Неудача сама по себе не обязательно проблема. Проблема — тратить 18 месяцев на то, чтобы выяснить, что что-то не работает. В среде, характеризующейся ускорением технологий, организационная скорость обучения становится соревновательной способностью.
Производители никогда не будут инновационными с той же скоростью, что и ИИ. И им не следует, несмотря на сильную привлекательность блестящего нового решения.
Физические активы, требования к безопасности, нормативные обязательства, клиенты, сотрудники и сложные операционные среды создают ограничения, с которыми софтверные компании просто не сталкиваются. Поэтому целью не должно быть заставить промышленный ритм работать с той же скоростью, что и ритм ИИ.
Лучший вопрос звучит так: как быстро мы можем усваивать то, что имеет значение, не дестабилизируя то, что уже работает?
Это принципиально иная задача. Победителями в эпоху ИИ в промышленности могут оказаться не те компании, которые развернули наибольшее количество моделей, агентов, копилотов или приложений ИИ. И не обязательно ими станут компании, потратившие больше всего денег на ИИ. Конкурентное преимущество может принадлежать промышленным компаниям, которые развили наибольшую скорость адаптации, особенно в своей операционной модели. Они быстрее научатся, что принимать, что масштабировать, что игнорировать и, что становится всё более важным, что отбрасывать.
ИИ ускоряется. Отрасли не нужно его преследовать. Отраслям нужно намного лучше усваивать изменения.