Число сложных приложений искусственного интеллекта (ИИ) велико, но извлечение прибыли из всего этого множества возможностей — оказалось для бизнеса сложной задачей. Особенно проблематично извлекать прибыль из этих разработок, когда создание ценности основано на росте валовой выручки за счёт развития нового бизнеса, а не на улучшении итоговой прибыли за счёт повышения эффективности. Объяснение этого можно найти в природе соответствующих взаимодополняющих факторов.
Перспективы этой технологии грандиозны. Наблюдается всплеск сообщений о том, как использовать ИИ для преобразования бизнеса, создания новых ценностных предложений и усиления конкурентных преимуществ. Часть возможностей была продемонстрирована широкой аудитории благодаря появлению генеративного ИИ с удобными для пользователя интерфейсами, такими как ChatGPT. Общественные дебаты в основном сосредоточены на том, какую пользу это может принести обществу и, возможно, бросить ему вызов, а также на рисках чрезмерного использования «электронного разума» и его влиянии на будущее, если он заменит целые категории работников. Однако многие компании сосредоточились именно на том, как превратить обещания различных типов ИИ в реальный успех для бизнеса. Однако во многих случаях окупаемость инвестиций в ИИ материализовалась медленно, что подчёркивает ключевую проблему для разработчиков.
Режимы присвоения, дополнительные активы и сроки играют ключевую роль в определении стратегии, распределении прибыли от инноваций между новаторами, имитаторами и комплементариями. А также на то, как эти факторы влияют на жизнеспособность различных бизнес-моделей. Однако новые виды технологической взаимодополняемости в цифровой экономике затрудняют получение стоимости для новаторов, даже для крупных действующих компаний с сильными позициями в сфере интеллектуальной собственности, производственных и дистрибьюторских возможностей, а также других взаимодополняющих активов.
Один из самых важных вопросов для руководителей бизнеса – как извлечь прибыль из инноваций, а также какие механизмы и факторы при этом могут быть задействованы. Первоначальная концепция в первую очередь сосредоточена на дискретных инновациях с узкими сферами применения, то есть на тех, которые относительно независимы от других подобных. Со временем всё большее внимание обращается к сложным системным технологиям, где взаимодополняемость инноваций имеет решающее значение или где такой взаимной дополняемостью необходимо управлять. Например, рассмотрим телекоммуникационную отрасль, где существует тысячи взаимозависимых процессов, разрабатываемых различными организациями в экосистеме. Они, для корректной работы, должны быть чётко скоординированы.
В таких условиях стратегии в области интеллектуальной собственности, лицензирование и процессы стандартизации играют центральную роль, как для интегрированных, так и для дезинтегрированных бизнес-моделей. Более того, конкуренция за прибыль включает не только разработчиков и владельцев дополнительных активов, но и конкурирующие экосистемы, такие как альтернативные стандарты.
Другой тип, требующий более широкого и тонкого понимания проблем получения прибыли — это обеспечивающие технологии, которые характеризуются множественными, широкими областями применения, в которых они актуальны, будучи адаптируемыми и модернизируемыми для соответствия различным условиям. Такие сопутствующие сервисы обладают потенциалом для создания значительной ценности во многих областях. Но сами новаторы сталкиваются с трудностями в получении справедливой доли этой ценности. Приходится соглашаться на компромиссы между затратами на разработку, с одной стороны, а также между ценностью и применимостью, с другой. Короче говоря, технология может быть разработана с более широкой применимостью, но такая разработка, вероятно, повлечёт за собой дополнительные затраты для разработчика. Аналогичным образом, хотя более широкая применимость создаёт востребованность во многих областях, она может генерировать меньшую ценность в отдельных узких сегментах применения, поскольку менее точно настроена на конкретные условия.
Сам по себе искусственный интеллект сейчас становится критически важен для успеха многих компаний. Например, крупные цифровые консорциумы используют ИИ для формирования рекомендаций по продуктам, таргетированной рекламы, ценообразования и прогнозирования спроса. Руководители устоявшихся нецифровых отраслей также начинают осознавать, что ИИ может способствовать созданию ценности для бизнеса, внедряя его в продукты и услуги, а также в свою деятельность на ранних этапах. Крупные игроки в различных отраслях инвестируют последнее время огромные деньги для развития этой технологии, как в собственные НИОКР, так и в приобретение компаний, занимающихся разработкой.
Несколько примеров показывают, как ИИ используется для улучшения предложений и операционной деятельности компаний. Например, автомобильная компания BMW использует такие инновационные инструменты в своей продукции и внутренних бизнес-процессах, для снижения количества ошибок и повышения эффективности работы. Энергетическая компания Chevron использует приложения для повышения производительности и прогнозирования технического обслуживания оборудования. Промышленный конгломерат Siemens использует цифровые двойники для снижения затрат на техническое обслуживание поездов. По мере того, как перспективы ИИ становятся всё более очевидными, количество научных и консалтинговых концепций использования его в бизнесе резко возросло. Однако немногие эксперты объясняют реальные трудности, с которыми сталкиваются руководители предприятий, пытаясь получить прибыль от этой деятельности. Уже не первый год наблюдается рост числа неудачных инвестиций в эту отрасль, в отличие от вложений в строительство центров обработки данных (дата-центры), где вложения многократно окупаются уже через несколько лет.
Технологии искусственного интеллекта в сочетании с передовой аналитикой способны автоматизировать решение проблем и процессы в рамках ИТ-операций, а также способствовать проектированию и оптимизации телекоммуникационных сетей, за счёт использования интеллектуального инструментария для замены и дополнения человеческого фактора в управлении всей сетевой инфраструктурой. Сети становятся более стабильными и производительными. ИИ также может минимизировать помехи между антеннами сотовых станций и ретрансляторов/усилителей сигнала. Всё это повышает скорость работы и сокращает энергопотребление. Применение и внедрение технологий искусственного интеллекта постоянно совершенствуются по мере развития новейшего ПО. Например, решающую роль играют автоматизированные системы обработки данных, использующие алгоритмы машинного обучения для систематического обнаружения и классификации сетевых проблем. Уже реализована предиктивная аналитика для прогнозирования сетевых сбоев до их возникновения, что позволяет принимать упреждающие меры для повышения надёжности и качества обслуживания конечных пользователей.
Современная система использует методы глубокого обучения для сложного распознавания образов в обширных наборах данных, что критически важно для выявления аномалий, которые могут быть не замечены традиционными методами. Кроме того, используются стратегии обучения с подкреплением, при которых модели искусственного интеллекта совершенствуются методом проб и ошибок, адаптируя свои алгоритмы на основе обратной связи, полученной от показателей производительности. Эта функция, особенно важная для динамических условий работы сети, и позволяет системе постоянно совершенствовать процессы принятия решений. Примечательно, что генеративные модели искусственного интеллекта, которые в последнее время стали популярны среди обывателей, не стали основными типами для эффективного использования в бизнес-структурах.
Например, как и у многих зрелых компаний, стремящихся к развитию, бизнес-стратегия окупаемости вложений в разработку собственных моделей ИИ у известного бренда Ericsson изначально нечётко разграничивала возможности того, что следовало бы делать. Столь же неясно было и понимание того, как извлечь выгоду из этих инвестиций. Отсутствие внятной правильной стратегии привело сначала к охвату всех возможных направлений, учитывая, что Ericsson разработала ИИ с широким спектром применения. Поначалу компания пыталась повысить внутреннюю эффективность, но затем быстро переключилась на использование ИИ для повышения эффективности работы клиентов и увеличения их доходов. Сотни вариантов применения для клиентов были реализованы через приложения ИИ, требующие дополнительной разработки (и затрат) для определённых условий. В итоге, сейчас компания пытается получить прибыль от ИИ четырьмя косвенными способами: снижая собственные операционные расходы, повышая эффективность работы клиентов, улучшая качество обслуживания и генерируя больше доходов для всей своей клиентской базы.
Компания предоставляет сервисно-ориентированные предложения, продавая различные типы пакетов (от базовых до специализированных с добавленной стоимостью). В базовых пакетах стандартные модели используются для повышения эффективности работы в мобильных сетях, включая оптимизацию сетевых услуг, эксплуатацию ИТ-услуг, а также разработку облачных приложений. Преимущество для клиентов (в основном мобильных операторов сотовой связи) заключается в том, что сложная сеть от нескольких поставщиков может управляться с относительно низкими затратами. Новые и сложные телекоммуникационные сети, такие как 5G и 6G, могут, если их не спланировать должным образом, более чем вдвое увеличить эксплуатационные расходы операторов, по сравнению с традиционными мобильными сетями (3G и 4G). Это подчёркивает потенциальные преимущества использования интеллектуального управления — клиенты, которые используют базовые пакеты, обычно достигают 95% автоматизации фронт-офиса (первой линии поддержки), значительного сокращения недоступности своих IT-сервисов (до 50%) и практически сводят к ничтожному количеству жалобы потребителей на техподдержку и качество обслуживания.
Базовые пакеты используются так же для прогнозирования производительности сети и предиктивного обнаружения возможного возникновения инцидентов, а также обеспечивают проактивное управление сетью, например, до того, как качество обслуживания конечного пользователя станет низким. Повышается энергоэффективность, позволяя планировать, проектировать и настраивать мобильную сеть в высоконагруженном кластере 4G. Система учитывает всю площадь обслуживания оператора, которая содержит активное и пассивное оборудование (компоненты мобильной сети, дизельные генераторы, аккумуляторы и датчики от разных производителей). Традиционно операторам, разворачивающим новые сети, приходилось выполнять значительный объём ручной работы по измерению помех и производительности всех компонентов. Благодаря инновационным разработкам, готовые данные краудсорсинга по разному типу устройств, теперь используются для быстрого и точного проведения виртуальных драйв-тестов полностью удалённо. Скорость развертывания увеличивается за счёт ускорения процесса принятия всего проекта. Кроме того, это улучшает качество связи и обслуживания потребителей услуг сотового оператора.
Несмотря на то, что компания выявила и разработала несколько приложений ИИ для крупных мобильных операторов по всему миру, оказалось сложно извлечь прибыль из этих проектов. Вначале телекоммуникационный гигант был слишком сосредоточен на убеждении, что ИИ — это преобразующий потенциал для всего возможного спектра собственных услуг. Но затем компания свернула на технологический путь создания моделей и нейросетей, не имея чёткого представления о том, как будет получена и монетизирована эта ценность. Пойдя по этому пути, они поняли, что эти ожидания оказались несколько завышенными, а прибыльность была более неуловимой, чем предполагалось ранее. В итоге многие подразделения компании потратили много времени на создание моделей ИИ, которые не принесли ощутимой выгоды. Рост валовой выручки за счёт использования решений на базе инноваций был затруднён рядом проблем, включая сложности с определением ценности решений, их масштабированием, экономической эффективностью на различных уровнях и ценообразованием.
Но самая значительная часть проблем была связана с узкоспециализированными дополнительными активами, так как было сложно сформулировать ценность своих пакетов услуг на базе ИИ и убедить клиентов в необходимости их приобретения. Эта ценность оказалась весьма специфична для каждого клиента — например, зависела от размера и сложности мобильной сети, количества абонентов и многих других факторов. Её невозможно было определить без учёта взаимодополняемости с активами клиента – а на изучение этой информации нужны были новые средства и очень квалифицированный персонал. Более того, коммерциализировать пакеты услуг, направленные на улучшение качества обслуживания сетевой инфраструктуры или увеличение дохода клиента, было ещё сложнее, поскольку эту ценность было трудно оценить и сформулировать. Ведь каждый клиент сильно отличается от других по своим стратегиям, принципам работы и алгоритмам управления инфраструктурой.
Развитие компетенций особенно сложно, когда речь идёт о росте валовой выручки, поскольку повышение квалификации и переподготовка требуются для большей части функций компании. Кроме того, развитие компетенций часто должно сочетаться с развитием возможностей со стороны клиента. Стратегия роста валовой выручки обязательно требует серьёзных изменений в существующей бизнес-модели. Разработка стратегии, проектирование бизнес-модели и динамические возможности тесно связаны, и эта взаимозависимость значительно затрудняет все процессы. Это резко контрастирует с возможностями, необходимыми для стратегии роста валовой выручки за счёт создания новых направлений бизнеса, где компетенции в области ИИ требуются повсеместно, от разработки до продаж и поддержки клиентов. Легко попасть в ловушку, разрабатывая привлекательный инструмент, забывая о том, как он решает проблемы клиентов. Для успеха необходимо выявить и оценить болевые точки будущих потребителей продукта. Однако даже от ИИ, создающего ценность для клиентов, иногда может быть сложно получить прибыль, как показывает пример шведского концерна.
