კომპანიები AI-ში სულ უფრო მეტ ფულს დებენ, თანამშრომლები კი ხშირად ამბობენ, რომ ახალი ინსტრუმენტები დროს ზოგავს და პროდუქტიულობას ზრდის. თუმცა ფინანსურ შედეგებში ეს ეფექტი ყოველთვის არ ჩანს.
ერთ-ერთმა კვლევამ, რომელმაც AI-ის გამოყენების მონაცემები კომპანიების ხელფასებისა და სამუშაო საათების ჩანაწერებს შეადარა, მნიშვნელოვანი განსხვავება ვერ აღმოაჩინა. ორი წლის შემდეგ შემოსავლებსა და სამუშაო დროზე AI-ის გავლენა სტატისტიკურად თითქმის ნულის ტოლი იყო. ტექნოლოგია მუშაობდა, თანამშრომლებიც დროს ზოგავდნენ, მაგრამ მიღებული სარგებელი ბიზნესის შედეგებში არ გადადიოდა.
მიზეზი ხშირად საკმაოდ მარტივია: AI ერთ კონკრეტულ დავალებას აჩქარებს, შემდეგ კი ადამიანს უწევს მისი „შემოქმედების“ შემოწმება, სისტემაში ხელით გადატანა, გამონაკლისების დამუშავება და საბოლოო გადაწყვეტილების მიღება. დაზოგილი დრო ისევ იმავე პროცესში იკარგება.
სწორედ აქ ჩნდება სფერო, რომელსაც კომპანიები ხშირად ნაკლებ ყურადღებას აქცევენ: ბიზნესის შუა რგოლი.
ეს არის სამუშაოების ის ფენა, რომელიც მომხმარებელთან პირდაპირ ურთიერთობასა და ჩვეულებრივ ადმინისტრაციულ პროცესებს შორის მდებარეობს. აქ ხვდება კონტრაქტების შემოწმება, რისკების მართვა, ინვოისების დამუშავება და სხვა საქმეები, სადაც სტანდარტული წესები ყოველთვის საკმარისი არ არის.
ასეთი პროცესების მთავარი სირთულე გამონაკლისებია. ყველაფერი კარგად მუშაობს მანამ, სანამ AI ნაცნობ შემთხვევას ხვდება. როგორც კი ჩნდება სიტუაცია, რომლისთვისაც დაწერილი წესი არ არსებობს, საქმე ისევ გამოცდილ თანამშრომელთან ბრუნდება. Accenture-ისა და Google-ის ანალიზის მიხედვით, ბიზნესის შუა რგოლი 18 ინდუსტრიაში სამუშაო საათების 40%-ზე მეტს მოიცავს. მიუხედავად ამისა, AI-ის სტრატეგიები ხშირად ამ სფეროს გვერდს უვლის. კომპანიები ან უკვე კარგად ავტომატიზებულ back office-ს აუმჯობესებენ, ან პირდაპირ უფრო შთამბეჭდავ პროექტებზე გადადიან, მაგალითად AI-ზე დაფუძნებულ გაყიდვებზე ან მომხმარებელთან ავტომატურ მოლაპარაკებებზე.
კვლევის ავტორების აზრით, უფრო დიდი და სწრაფად მისაღები სარგებელი ხშირად სწორედ შუაშია.
პირველი ნაბიჯია იმის აღმოჩენა, თუ სად არის ავტომატიზაცია ერთგვარი ბუტაფორია. თუ სისტემა მარტივ შემთხვევებს თავად ამუშავებს, რთულებს კი მუდმივად უფროს თანამშრომლებთან აგზავნის, პროცესი სრულად ავტომატიზებული არ არის. ამიტომ მხოლოდ ტრანზაქციების რაოდენობის დათვლა არაფერს გვეტყვის. უფრო მნიშვნელოვანია, რამდენად ხშირად ჩნდება გამონაკლისი და რამდენად ძვირი ჯდება მისი ადამიანთან გადამისამართება.
ანალიზის მიხედვით, ბიზნესის შუა რგოლის გადაწყვეტილებების თითქმის მეოთხედი ისეთ ლოგიკაზეა დამოკიდებული, რომელიც არცერთ ოფიციალურ დოკუმენტში ბოლომდე არ წერია. გამოცდილ თანამშრომელს შეიძლება ზუსტად ესმოდეს, რა უნდა გააკეთოს კონკრეტულ სიტუაციაში, მაგრამ AI-სთვის ეს ცოდნა უხილავია.
შემდეგი ამოცანაა ისეთი სისტემის შექმნა, რომელიც სწორედ ამ გამონაკლისებიდან სწავლობს.
ერთ-ერთი ექსპერიმენტისას AI-მ მიიღო ინვოისი, რომლის დამოუკიდებლად დამუშავებაც ვერ შეძლო. სისტემა უბრალოდ არ გაჩერდა და არც მთელი საქმე გადააბარა უფროს თანამშრომელს. მან კონკრეტული კითხვა დასვა, მიიღო პასუხი და ეს ახსნა ახალ წესად დაიმახსოვრა. შემდეგ იმავე ტიპის შემთხვევისას ადამიანთან დაბრუნება აღარ დასჭირდა.
ერთ მაგალითში ორი თითქმის იდენტური ინვოისი ერთსა და იმავე ფინანსურ საკითხს ეხებოდა. თანხები და პოზიციები ემთხვეოდა, თუმცა ერთ შემთხვევაში ავტორიზაცია სწორ კომპანიას ეხებოდა, მეორეში კი არასწორ იურიდიულ პირს. ჩვეულებრივ ავტომატიზაციას ეს განსხვავება მარტივად შეიძლებოდა გამორჩენოდა. ექსპერტის ერთი ახსნის შემდეგ სისტემამ მსგავსი შემთხვევების გარჩევა მომავალშიც შეძლო.
მსგავსი მიდგომა ფინანსურ დანაშაულთან ბრძოლაშიც გამოიყენეს. ერთმა დიდმა აზიურმა ბანკმა ფულის გათეთრების გამოვლენის ძველი, წინასწარ განსაზღვრულ წესებზე დაფუძნებული სისტემა ჩაანაცვლა ტექნოლოგიით, რომელიც საკუთარ მონაცემებზე სწავლობს. შედეგად, სისტემა რეალურ საეჭვო შემთხვევებს ორიდან ოთხჯერ უფრო ხშირად პოულობს, ცრუ განგაშების რაოდენობა კი დაახლოებით 60%-ით შემცირდა.
ამ პროცესში ექსპერტის როლიც იცვლება. მას აღარ უწევს ათასობით თითქმის ერთნაირი შემთხვევის სათითაოდ შემოწმება. საკმარისია, ერთხელ აუხსნას სისტემას, როგორ უნდა მოიქცეს რთულ სიტუაციაში, შემდეგ კი ეს ცოდნა სხვა მსგავს შემთხვევებზეც გამოიყენება.
თუმცა ავტომატიზაციის წარმატება მხოლოდ იმით არ უნდა გაიზომოს, რამდენ საქმეს ასრულებს ხელოვნური ინტელექტი. კომპანიები ხშირად აკვირდებიან, სამუშაოს რა ნაწილი სრულდება ავტომატურად, თუმცა უფრო მნიშვნელოვანი სხვა მაჩვენებლებია: რამდენ რთულ შემთხვევას აგვარებს სისტემა დამოუკიდებლად, რამდენად შემცირდა თანამშრომლის ჩარევის საჭიროება და რამდენი სამუშაო საათი გამოუთავისუფლდათ გამოცდილ სპეციალისტებს.
ინვოისების დამუშავების მაგალითი ამ განსხვავებას კარგად აჩვენებს. 200-ზე მეტი შესაბამისი მიმართულების ხელმძღვანელის კვლევის მიხედვით, საშუალო კომპანიას ერთი ინვოისის დასამტკიცებლად 17.4 დღე და 12.88 დოლარი სჭირდება. ხელოვნური ინტელექტის ეფექტიანად გამოყენების შემთხვევაში იგივე პროცესი საშუალოდ 3.1 დღემდე და 2.78 დოლარამდე მცირდება. ამავდროულად, დამატებით დამუშავებას საჭირო შემთხვევების წილი 22%-დან 9%-მდე ჩამოვიდა. აქ მხოლოდ სიჩქარე არ უმჯობესდება. პროცესი უფრო ზუსტიც ხდება და შეცდომების ალბათობაც მცირდება.
შემდეგი მნიშვნელოვანი საკითხია, რა ემართება იმ დროს, რომელსაც ხელოვნური ინტელექტი თანამშრომლებს უთავისუფლებს.
თუ გამოცდილ სპეციალისტს კვირაში რამდენიმე საათი დაუზოგე, მაგრამ ეს დრო ახალი შეხვედრებით, წერილებითა და სხვა ადმინისტრაციული საქმეებით შეივსო, ბიზნესმა მიღებული სარგებლის დიდი ნაწილი მაინც დაკარგა.
ერთ მსხვილ იპოთეკურ კომპანიაში ხელოვნური ინტელექტის პლატფორმა თვეში 1.5 მილიონზე მეტ დოკუმენტს ამუშავებს. სისტემა მათგან თითქმის 70%-ს ავტომატურად ცნობს და საჭირო მონაცემებსაც იღებს. შედეგად, თანამშრომლებმა ერთ თვეში მხოლოდ დოკუმენტების დამუშავებაზე 5000 საათზე მეტი დაზოგეს, მონაცემების ხელით შეყვანაზე კი კიდევ დაახლოებით 4000 საათი.
ყველაზე მნიშვნელოვანი ცვლილება ის იყო, თუ რაში გამოიყენეს ეს დრო.
სპეციალისტებს აღარ უწევთ შემოსავლის დამადასტურებელი დოკუმენტების დახარისხებასა და საბანკო ამონაწერებიდან მონაცემების ხელით გადატანაზე საათების დახარჯვა. ამის ნაცვლად, ისინი რთულ შემთხვევებზე მუშაობენ: აფასებენ თვითდასაქმებული ადამიანის არათანაბარ შემოსავალს, უჩვეულო საკრედიტო ისტორიას ან ისეთ სიტუაციებს, სადაც წინასწარ შედგენილი წესები საკმარისი აღარ არის.
მსგავსი შედეგი მიიღო ერთმა ევროპულმა ენერგოკომპანიამაც. იურისტებსა და შესაბამისობის კონტროლის სპეციალისტებს კონტრაქტების ძებნა და რუტინული დოკუმენტების პირველი ვერსიების მომზადება აღარ უწევდათ. გათავისუფლებული დრო მათ მოლაპარაკებების დაგეგმვასა და რთული რისკების შეფასებას დაუთმეს, სადაც პროფესიული გამოცდილება განსაკუთრებით მნიშვნელოვანია.
ამ მიდგომის მთავარი აზრიც სწორედ აქ ჩანს.
ხელოვნური ინტელექტისგან რეალური სარგებელი მაშინ ჩნდება, როდესაც ის ცალკე ინსტრუმენტად არ რჩება და სამუშაო პროცესის ბუნებრივ ნაწილად იქცევა. სისტემა რთული შემთხვევებიდან უნდა სწავლობდეს, მიღებული შედეგები სწორად უნდა იზომებოდეს, დაზოგილი დრო კი უფრო მნიშვნელოვან სამუშაოზე უნდა გადანაწილდეს.
კომპანიისთვის ყველაზე ღირებული AI პროექტი ყოველთვის ყველაზე ხმაურიანი და ფუტურისტული არ არის. ხშირად გაცილებით მეტი პოტენციალი აქვს იმ ყოველდღიურ, რთულ და გამონაკლისებით სავსე პროცესებს, რომლებსაც გამოცდილი თანამშრომლების დიდი დრო მიაქვს.
სწორედ აქ ჩანს განსხვავება ხელოვნური ინტელექტის უბრალოდ გამოყენებასა და მისგან რეალური ბიზნესსარგებლის მიღებას შორის.
წყარო: HBR
