К 2030 году компании будут тратить 42 миллиарда долларов в год на проекты с генеративным искусственным интеллектом (genAI), такие как чат-боты, инструменты для исследований, написания текстов и обобщения. И хотя технология была провозглашена как благо для повышения производительности, добиться возврата инвестиций (ROI) в genAI может оказаться труднодостижимой задачей.
“Получение и точное измерение результатов повышения производительности было сложной задачей для многих наших клиентов”, - сказала Рита Саллам, выдающийся вице-президент-аналитик Gartner. “Для [genAI] мы не говорим, что определить рентабельность инвестиций может быть сложно, но выразить рентабельность инвестиций было сложно, потому что многие преимущества, такие как производительность ... оказывают косвенное или нефинансовое воздействие, которое создает финансовые результаты в будущем ".
Например, использование genAI для автоматизации генерации кода может повысить продуктивность разработчика программного обеспечения, предоставив ему дополнительное время для повышения производительности и расширения инноваций. В конечном итоге это может означать более быстрое время вывода на рынок новых функций — и более счастливых клиентов.
Но как вы определяете стоимость этих нематериальных активов?
“В конечном счете, вы сможете использовать менее квалифицированных разработчиков, поэтому затраты могут снизиться, и вы сможете выполнять больше работы с тем же количеством разработчиков”, - сказал Саллам. “Эти преимущества в конечном итоге могут привести к более раннему получению дохода и, возможно, к меньшему оттоку клиентов и разработчиков и увеличению расходов клиентов.
"Но прямой путь к снижению затрат (без сокращения численности персонала) не является прямым”.
Прошлый год считался годом внедрения корпоративного ИИ: 55% организаций экспериментировали с genAI в рабочих процессах, согласно августовскому отчету консалтинговой фирмы McKinsey & Co. Однако в то время менее трети опрошенных предприятий заявили, что используют ИИ более чем для одной функции, “предполагая, что масштабы использования ИИ остаются ограниченными”.
Однако ожидается, что в этом году количество внедрений ИИ быстро увеличится по мере того, как проекты достигнут “критической массы опыта и квалификации”.
Во-первых, несколько плохих новостей
Тем не менее, по данным Gartner, к 2025 году 90% корпоративных развертываний genAI замедлятся, поскольку затраты превысят ценность, и 30% этих проектов будут свернуты после проверки концепции (POC) из-за низкого качества данных, неадекватного контроля рисков, растущих затрат или неясной ценности для бизнеса.
По данным Gartner research, к 2028 году более 50% предприятий, создавших с нуля большие языковые модели (LLM), откажутся от своих усилий из-за затрат, сложности и технической задолженности при внедрении.
“Измерить рентабельность инвестиций сложно”, - говорит Брет Гринштейн, руководитель отдела данных и ИИ в компании по оказанию профессиональных услуг PricewaterhouseCoopers (PwC). Но, адаптируя LLM для выполнения функции или процесса, легче сравнивать его производительность — стоимость, точность и скорость — с более ранними процессами.
Проще говоря, рентабельность инвестиций - это финансовое соотношение прибыли или убытка от инвестиций по отношению к их стоимости; поэтому, когда компания инвестирует в genAI, выгоды от этих расходов должны перевешивать затраты.
“Как только вы заставите [genAI] стабильно достигать этого нового уровня производительности, вы внедряете его в производство с надлежащим управлением и операционными процессами и отслеживаете его использование”, - сказал Гринштейн. “Когда у вас есть вариант использования, который экономит два часа при шестичасовом процессе, и вы отслеживаете его использование, вы можете суммировать экономию".
А теперь хорошие новости
Согласно опросу Gartner Generative AI 2024 Planning survey, в котором приняли участие 822 бизнес-лидера, подавляющее большинство руководителей компаний, внедряющих или планирующих внедрение инструментов genAI, ожидают или осознали выгоды от своих решений. В среднем респонденты опроса сообщают:
- Увеличение выручки на 15,8%
- Экономия затрат на 15,2%, на 4,6% за счет сокращения численности персонала
- Повышение производительности на 22,6%
Также было показано, что ChatGPT повышает производительность труда работников на 37%.
- Помощники GenAI по программированию могут повысить производительность труда сотрудников на 7-55%
- Разговорные помощники GenAI (чат-боты) могут улучшить обслуживание клиентов и производительность агентов службы поддержки. (Исследования показывают диапазон улучшений от 14% до 35%.)
Семьдесят три процента компаний США уже внедрили искусственный интеллект в некоторых областях своего бизнеса, согласно исследованию новых технологий, проведенному PwC в 2023 году, при этом genAI лидирует. По данным исследовательской фирмы IDC, к 2027 году расходы, как ожидается, достигнут 151,1 миллиарда долларов, что соответствует совокупному годовому темпу роста в 85,9% за период 2023-27 годов.
Влияние genAI на производительность труда практически не обсуждается, поскольку, по данным консалтинговой компании McKinsey & Co, которая проанализировала 63 варианта использования genAI, ежегодный прирост может составить от 2,6 трлн до 4,4 трлн долларов по всему миру.
Около 75% стоимости приходится на четыре области:
- Операции с клиентами;
- Маркетинг и продажи;
- Разработка программного обеспечения;
- Исследования и разработки.
В рамках 16 бизнес-функций McKinsey использовала примеры, в которых инструменты genAI могут решать конкретные бизнес-задачи способами, приводящими к одному или нескольким измеримым результатам. Примеры включают его способность поддерживать взаимодействие с клиентами (чат-боты), генерировать креативный контент для маркетинга и продаж и разрабатывать компьютерный код на основе подсказок на естественном языке.
Банковское дело, высокие технологии и науки о жизни входят в число отраслей, которые, по данным McKinsey, могут увидеть наибольшее влияние genAI в процентах от своих доходов.
Например, в банковской отрасли технология могла бы приносить добавленную стоимость на сумму от 200 до 340 миллиардов долларов в год, если бы варианты использования были полностью реализованы. Потенциальная стоимость розничных и потребительских упакованных товаров может составлять от 400 до 660 миллиардов долларов в год.
По мнению McKinsey, GenAI также может быть полезен в более широком плане для усилий по цифровому преобразованию. Его способность осмысливать неструктурированные данные, например, в сочетании с облачными технологиями, может ускорить практически любую инициативу по преобразованию данных. Он также может помочь компаниям преодолеть несколько этапов.
Например, ИТ-отделы часто могут решать сложные задачи, которые ранее были недоступны финансовым, налоговым, юридическим и ИТ-комплаенс-подразделениям и другим подразделениям. ИТ может, например, помочь компании более эффективно выполнять новые требования к налоговой отчетности по компоненту II. В более общем плане, это может вскоре избавить от необходимости обновлять обычные корпоративные приложения. Вместо этого приложения можно было бы перенести в облако, где индивидуальные модули genAI помогали бы им постоянно развиваться в соответствии с меняющимися потребностями бизнеса.
По словам Саллама из Gartner's, подавляющее большинство улучшений будет связано с ведущими показателями будущей финансовой ценности или косвенной ценности, такими как производительность, время цикла, опыт работы с клиентами, бренд, качество и более быстрое повышение квалификации менее опытных работников.
“Если эти выгоды не приведут к немедленному сокращению численности персонала и другим сокращениям затрат, финансовые выгоды будут нарастать со временем, в зависимости от того, как используется полученная ценность”, - сказала она.
Другими словами, genAI должен позволить организациям делать больше с меньшими затратами — даже при росте спроса; использовать меньше сотрудников старшего звена; снизить потребность в поставщиках услуг; и повысить ценность клиентов и сотрудников, что может привести к более высокому удержанию.
“Итак, измеряйте и оценивайте время, сэкономленное как для этих конкретных задач, так и для совокупности задач, связанных с конкретными процессами, — в течение определенных периодов времени”, - сказал Саллам. “Само по себе повышение производительности может со временем стать уменьшающимся источником дифференциации, но интеграция этих возможностей в другие бизнес-процессы может помочь предприятиям сохранить конкурентное преимущество.
По данным Gartner, повышение производительности - это самые большие первоначальные преимущества, о которых сообщают первые пользователи. Но поскольку со временем эти сиюминутные выгоды уменьшаются, компаниям нужно будет набраться терпения, поскольку более эффективные бизнес-процессы экономят деньги в долгосрочной перспективе.
Быстрые победы и низко висящие плоды
Согласно Gartner, для расчета стоимости новых инвестиций в genAI организации необходимо сначала создать бизнес-обоснование путем моделирования потенциальных затрат и ценности по целому ряду направлений деятельности. Это означает стремление к сочетанию:
- Быстрые победы
- Различные варианты использования
- Трансформационные инициативы
Быстрые победы GenAI сосредоточены на потенциальном повышении производительности, которое сегодня обычно обеспечивается такими помощниками, как Microsoft 365 Copilot и Google Workspace. Эти виды деятельности легко начать, опробовать и купить, но они обычно зависят от конкретной задачи. Время на осознание ценности обычно составляет менее года.
Дифференцированные варианты использования genAI в корпоративных, предметных и отраслевых приложениях или пользовательских приложениях могут дать организациям конкурентное преимущество за счет улучшения конкретных бизнес-процессов. Эти варианты использования также позволяют уникальным образом использовать корпоративные данные для получения конкурентных преимуществ, но, по мнению Gartner, они сопряжены с более высокими и непредсказуемыми затратами и рисками в масштабе.
Трансформационные варианты использования - это новые продукты и услуги, которые могут создать совершенно новые категории рынка и разрушить существующие. Они также служат для удержания клиентов, добавляя эти возможности в существующие продукты (по сути, создавая новые приложения genAI для конкретной предметной области и отрасли).
Например, страховая компания могла бы точно настроить большую языковую модель со своими собственными документами по полису, чтобы повысить производительность в конкретных случаях использования. Или организация, предоставляющая финансовые услуги, могла бы создать LLM, обученную работе с финансовыми данными, которые затем можно было бы использовать для многих вариантов использования финансовых услуг.
В целом, компаниям необходимо определять показатели, отражающие как финансовые выгоды, так и стратегические результаты — такие как улучшение пользовательского опыта, более широкий доступ к возможностям, ранее требовавшим более высокой квалификации, и удовлетворенность сотрудников и клиентов. Тогда компании смогут реалистично оценить их влияние.
Парам Вир Сингх, профессор бизнес-технологий в Школе бизнеса Теппера Университета Карнеги-Меллон, сказал, что организациям не следует ориентироваться исключительно на финансовую отдачу в качестве показателя рентабельности инвестиций — по крайней мере, на данный момент.
“Через несколько лет ... организации будут иметь лучшее представление о финансовой отдаче", - сказал Сингх. "Сегодня удовлетворенность клиентов - очень актуальная область. В прошлом это было связано с прибыльностью. Но сейчас вам нужно выяснить, насколько genAI повышает удовлетворенность клиентов, и исходя из этого, вы сможете рассчитать прибыльность.”
Еще одна ошибка, которую допускают некоторые организации, - это просмотр рентабельности инвестиций из genAI по всем корпоративным инициативам вместо рассмотрения каждого отдельного проекта; последний может выделить, какие инициативы работают, а какие нет.
“Когда ИИ развертывается в определенном месте — скажем, когда сотрудники получают доступ ко второму пилоту для выполнения определенной деятельности, — тогда легче измерить прирост производительности”, - сказал Сингх.
Одним из обязательных условий обеспечения как рентабельности инвестиций, так и преобразующей ценности ИИ является обучение сотрудников этому. Работникам нужны навыки, ограждения и стимулы для ответственного и эффективного использования ИИ. Если они не понимают ценности инструментов genAI, у них меньше шансов ими воспользоваться.
Уроки с GitHub
Кайл Дейгл, главный операционный директор GitHub, запустил GitHub Copilot около двух с половиной лет назад - задолго до того, как Copilot стал публичным - и что это повышает производительность разработчиков на 55%.
Изначально GitHub думал, что будет использовать Copilot для документирования кода. Но со временем компания обнаружила, что its действительно может автоматизировать создание значительного процента кода, облегчая рутинные задачи.
“У нас более миллиона пользователей, использующих Copilot каждый день”, - сказал Дайгл. “Наша статистика показывает, что это повышает их производительность примерно на 55%. На это уходит около 60% кода. Мы ожидаем, что со временем она вырастет до 80%. Я думаю, что самое главное ... это позволяет разработчикам чувствовать себя более удовлетворенными и выполнять творческую работу, а не тяжелую ”.
В своих ранних экспериментах со вторым пилотом GitHub работал в основном над тем, чтобы помочь писать на Python, Java Script и Ruby. Со временем компания обнаружила, что технология genAI также может помочь в написании кода как на общедоступных языках, так и на проприетарных, сказал Дайгл.
"Итак, мы перешли от пары языков тестирования практически ко всем современным языкам программирования”, - сказал он.
В некоторых случаях второй пилот может просто завершить строку кода; в других он может завершить весь метод или файл, сказал он. А с помощью функции чата Copilot разработчики могут поговорить с ИИ, описать проблему, и он может сгенерировать целый файл, который затем можно доработать до тех пор, пока он не будет соответствовать потребностям разработчика.
По словам Дайгла, подавляющее большинство кода, генерируемого Copilot, хранится у разработчиков. После разработки кода процесс постоянных инноваций и отправки запроса на извлечение также становится проще, потому что код, как правило, более корректен сразу.
“Таким образом, когда вы можете использовать второго пилота как часть своего рабочего процесса, также возникает множество побочных эффектов”, - сказал он.
Рентабельность инвестиций, по словам Дайгла, заложена в разработку genAI code, потому что она сокращает время выхода на рынок, освобождает время разработчика и позволяет разработчикам больше сосредоточиться на творческих задачах, чем на черной рутинной работе.
Два вида вариантов использования genAI
По данным PwC, лучшие проекты в области ИИ, как правило, делятся на две категории: простые варианты использования, которые требуют небольших усилий для создания и широко используются, и масштабные работы, которые могут быть дорогостоящими, но масштабируемыми.
Простые варианты использования, как правило, включают обобщение информации или использование инструментов genAI для обработки данных и предоставления их доступа большому количеству пользователей. “Они появились благодаря доступности пользовательских [LLM], которые конечные пользователи могут использовать с небольшими наборами данных, к которым у них есть доступ”, - сказал Гринштейн. “Таким образом, политики, ведомственные наборы данных, личные знания - все это обычно становится доступным через пользовательские [LLM]".
Сценарии использования большого объема часто обрабатывают такие задачи, как входящие заявки, счета-фактуры, контракты, заказы на покупку и запросы в службу поддержки клиентов. “Если генеративный ИИ сначала обработает эти вопросы, отсортирует их, порекомендует ответы и отправит людям приоритетные обобщенные вопросы, это может привести к значительной экономии времени и затрат”, - сказал Гринштейн.
Например, genAI может помочь представителям отдела продаж и обслуживания клиентов получать доступ к данным, чтобы помогать клиентам быстрее и с отличной персонализацией; это экономит трудозатраты и время и может улучшить качество обслуживания клиентов.
А при разработке программного обеспечения и продуктов genAI может сыграть важную роль в экономии времени и затрат на разработку идей, требований, пользовательских историй, тестовых примеров, генерацию кода, тестирование и документацию.
Но инструменты genAI нельзя настроить на автопилот, предполагая, что за этим последует рентабельность инвестиций. Чон Танг, партнер-основатель Berkeley SkyDeck Fund, академического акселератора Калифорнийского университета в Беркли, описал инструменты genAI как более похожие на человеческие — ими нужно управлять.
“Подсказки должны быть тщательно изучены, рабочий процесс проверен, а конечный результат перепроверен. Итак, не ожидайте, что система автоматически выполнит задачи”, - сказал он. “Вместо этого генеративный ИИ в целом и LLM в частности следует рассматривать как очень недорогих членов вашей команды”.
"Генеративный ИИ обеспечивает уровень машинного интеллекта, которого мы никогда раньше не видели: он полностью заменит людей во многих задачах, и рентабельность инвестиций будет очевидной”, - сказал Тан. “Вопрос только в том, сколько людей и какого рода задачи.
"Сегодня генеративный ИИ остается нестабильным, в отличие от других технологий, которые ведут себя скорее как инструменты с очень четко определенным поведением. ...Мы бы не хотели использовать посудомоечную машину, которая не моет нашу посуду в 5% случаев ”.
