Почему большинство ИИ-стратегий проваливаются до старта
ИИ-стратегия — не технологическая дорожная карта. Это не список инструментов, которые вы планируете внедрить. Это не раздел годового отчёта, сигнализирующий о технологической зрелости инвесторам или стейкхолдерам. И уж точно не декларация намерений «исследовать возможности, предоставляемые искусственным интеллектом».
Тем не менее именно в таких формах ИИ-стратегии появляются на практике. Именно поэтому большинство из них проваливаются — не резким крахом, а медленным накоплением заблокированных пилотов, разочарований в бюджете и конечного отказа от амбиций.
У режима отказа есть последовательная первопричина: организации начинают ИИ-стратегию с неправильной отправной точки. Они начинают с технологии — «нам следует использовать ИИ» — и работают в обратном направлении, выбирая кейсы для обоснования заранее сделанного вывода.
Организации, создающие ИИ-программы, которые работают долгосрочно, начинают с другого вопроса: какие конкретные бизнес-проблемы мы пытаемся решить, и является ли ИИ правильным инструментом для их решения? Этот вопрос кажется очевидным. Именно с него работа по стратегии почти никогда реально не начинается.
Шесть компонентов надёжной ИИ-стратегии
1. Стратегическое видение: для чего ИИ в этой организации
Компонент видения отвечает на вопрос: какую роль играет ИИ в конкурентной позиции и операционной модели этой организации, и что было бы иным через три года, если стратегия успешна?
«Стать организацией, наделённой ИИ» — не видение; это фраза. «Снизить стоимость на один регуляторный отчёт на 40% за 24 месяца путём автоматизации этапов подготовки документов и проверки качества» — видение. Оно определяет, что меняется, насколько, к когда и через какой механизм.
Чётко определённое видение делает три вещи: фокусирует приоритизацию кейсов, устанавливает стандарт оценки и обеспечивает коммуникацию с советом директоров.
2. Портфель кейсов: где ИИ инвестирует и в какой последовательности
Портфель кейсов — не список желаний. Это приоритизированный набор конкретных бизнес-проблем, которые ИИ может решить, каждая с предварительным бизнес-кейсом, оценкой осуществимости, оценкой рисков и местом в последовательности реализации.
Кейсы должны поступать от бизнес-лидеров, понимающих свои операции, а не от ИИ-технологических команд, понимающих инструменты.
Последовательность — самая сложная часть построения портфеля. Правильная последовательность учитывает зависимости, управленческие возможности по управлению изменениями (слишком много одновременных изменений создаёт усталость от внедрения) и необходимость быстрых побед для укрепления доверия.
3. Инфраструктура данных: фундамент, от которого зависит всё
ИИ-системы потребляют данные. Если данные, которые им нужны, не существуют, недоступны, низкого качества или не структурированы для программного использования, никакие возможности модели или экспертиза внедрения не дадут надёжных результатов.
Серьёзная ИИ-стратегия включает честную оценку текущей среды данных, анализ пробелов относительно требований приоритетных кейсов, план исправления с временными рамками и затратами, и фреймворк управления для поддержания качества данных по мере масштабирования программы.
4. Управление: политики и контроли, делающие ИИ надёжным в масштабе
Управление ИИ — не бюрократические документы. Это инфраструктура, позволяющая ИИ-системам вызывать доверие — со стороны руководства, регуляторов, аудиторов и сотрудников и клиентов, чьи решения или опыт они затрагивают.
Оно включает: политическую базу, управление рисками модели, управление данными, ответственность и проектирование надзора человека.
5. Таланты и компетенции: организационная способность к исполнению
Требуемые категории компетенций для полной ИИ-программы:
- Стратегия и управление ИИ: способность проектировать программу и управлять ею, оценивать кейсы, устанавливать стандарты и отчитываться перед исполнительными и руководящими стейкхолдерами
- Инженерия данных: способность строить и поддерживать конвейеры данных и инфраструктуру
- ИИ/ML-инженерия: способность строить, дообучать, оценивать и поддерживать ИИ-системы
- Управление изменениями и обучение: способность помогать операционным командам принять рабочие процессы с помощью ИИ
- Экспертиза в предметной области: глубокое знание конкретных бизнес-доменов — сочетание экспертизы домена с возможностями ИИ часто является наиболее критическим и наиболее редким
6. Управление изменениями: разница между развёртыванием и принятием
ИИ-система, развёрнутая в рабочий процесс, спроектированный без неё, для команды, которая не была к ней подготовлена, без обучения и канала обратной связи, будет в лучшем случае недоиспользоваться, а в худшем — активно отвергаться.
Управление изменениями — не деятельность Фазы 3. Оно начинается на этапе проектирования кейса, когда команда, чья работа изменится, должна участвовать в проектировании. Оно продолжается через пилот, развёртывание и первые месяцы работы.
Шаблон дорожной карты на 30-60-90 дней
Дни 1–30: Оценка и согласование стейкхолдеров
- Провести структурированные интервью с 12–20 бизнес-лидерами из основных функций и бизнес-единиц, сосредоточенных на операционных болевых точках
- Оценить текущую среду данных и инвентаризировать существующие ИИ- и автоматизационные развёртывания
- Определить регуляторные и комплаенс-ограничения, применимые к ИИ в отрасли организации
- Согласовать исполнительную команду со стратегическим видением
Результат: отчёт об оценке с выводами, анализом пробелов и согласованием руководства по видению.
Дни 31–60: Разработка портфеля кейсов
- Разработать портфель конкретных ИИ-кейсов с предварительными бизнес-кейсами для 10–15 лучших кандидатов
- Оценить каждый кейс по последовательному фреймворку: бизнес-ценность, осуществимость, требования к данным, риск, регуляторные ограничения и стратегическое соответствие
- Распределить портфель на три уровня: немедленный (месяцы 1–6), краткосрочный (месяцы 7–18) и последующий (месяцы 18+)
- Разработать фреймворк управления программой
Результат: приоритизированный портфель кейсов с детальными бизнес-кейсами для Уровня 1, фреймворком управления и планом получения компетенций.
Дни 61–90: Финализация дорожной карты и презентация совету директоров
- Финализировать многолетнюю дорожную карту с вехами, требованиями к инвестициям и назначениями ответственности
- Разработать презентацию для совета директоров: стратегическое обоснование, портфель кейсов, инвестиционный кейс, подход к управлению, оценка рисков и фреймворк измерений
- Создать структуру управления программой и назначить владельцев
Результат: ИИ-стратегическая презентация для совета, структура управления программой, фреймворк измерений и инициирование кейса Уровня 1.
Как получить одобрение совета директоров
Начинайте с бизнес-проблемы, а не с технологии. Члены совета отвечают за бизнес-результаты. Разговор, который получает поддержку, начинается с «вот конкретная операционная или конкурентная проблема, которую мы решаем» — не с «вот что умеет ИИ».
Будьте конкретны в отношении инвестиций и отдачи. «ИИ трансформирует наши операции» не выдержит проверки совета. «Кейсы Уровня 1 в этом портфеле требуют X миллионов за 18 месяцев и прогнозируют возврат Y миллионов на второй год» — выдержит.
Честно раскрывайте риски. Советы, удивлённые рисками ИИ-программы, теряют доверие к руководству, представляющему стратегию. В регулируемых отраслях — государственный сектор Канады, банки, страховщики, медицинские организации — надзорные органы имеют фидуциарные обязательства понимать риски снижения перед одобрением инвестиций.
Связывайте с существующими приоритетами. ИИ-стратегия, которая демонстрируемо ускоряет прогресс по существующим стратегическим приоритетам — целям операционной эффективности, обязательствам по качеству обслуживания, регуляторным требованиям соответствия — это другой разговор.
Измерение исполнения стратегии
Измерение действует на трёх уровнях:
Метрики на уровне программы: совокупные инвестиции, количество кейсов на каждом этапе портфеля, общая прогнозируемая ценность портфеля и общая измеренная ценность, доставленная на сегодня. Это метрики уровня совета директоров.
Метрики на уровне кейса: для каждого развёрнутого ИИ-приложения — конкретные бизнес-метрики, которые оно было призвано улучшить, измеренные относительно базового уровня, установленного до развёртывания. Это операционные метрики, подкрепляющие заявления уровня программы.
Метрики управления и рисков: дрейф точности со временем, уровни эскалации исключений, комплаенс-предписания, частота осуществления надзора человеком и статус валидации моделей. Это метрики обеспечения, позволяющие руководящим органам оценить, ведётся ли программа безопасно.
Практика стратегии и управления Remolda
Практика стратегии и управления Remolda работает с корпоративными организациями и организациями государственного сектора для создания ИИ-стратегий, которые исполняются: укоренённых в реальных бизнес-приоритетах, разработанных для регуляторных сред, в которых они работают, и измеряемых относительно конкретных результатов.
Мы работаем с государственными органами, финансовыми институтами, системами здравоохранения и компаниями профессиональных услуг.
Свяжитесь с Remolda, чтобы обсудить вашу задачу ИИ-стратегии с командой нашей стратегической практики.