Для того чтобы стать организацией, ориентированной на данные и ИИ, необязательно быть технологической компанией из Кремниевой долины. Еще до появления Covid-19 мы видели примеры компаний, от Comcast до Fidelity Investments, которые трансформировались для оцифровки своих операционных моделей и мер реагирования на угрозы со стороны конкурентов. Септики все еще сомневались в необходимости и жизнеспособности преобразований для старых компаний. Covid-19 положил конец всем этим спорам.
Мы также узнали, насколько планирование и подготовка улучшают качество и эффективность действий по внедрению полноценных преобразований. То, что удалось сделать в период кризиса таким организациям, как MGH, Novartis и Moderna, стало возможным, потому что они предварительно начали применять новый подход в качестве эксперимента и выстраивать его основу. Даже в Гарвардской школе бизнеса предшествующий опыт онлайн-обучения оказался очень ценным для трансформации работы всего учебного заведения. Теперь задача состоит в том, чтобы поддерживать преобразования и формировать их на основе продуманного и взвешенного подхода.
Эти новые наблюдения подтверждают многие из центральных идей данной книги, главная из которых – операционная структура действительно имеет большое значение. Ориентированная на работу с ИИ компания определяется не сложностью отдельных разрабатываемых ею алгоритмов, а структурой и рабочими процессами, позволяющими оперативно внедрять множество ИИ-решений, каждое из которых направлено на реальную бизнес-проблему. Безусловно, в компании Moderna было предпринято все, чтобы данные, аналитика и ИИ блестяще функционировали. Однако даже на примере MGH, IKEA и Novartis мы видим, что кризис стимулирует компании опираться на те же самые комплексные данные и организационную структуру, чтобы оперативно разрабатывать и внедрять инновационную и точную аналитику. В конечном итоге структура – это то, что обеспечивает оперативные, гибкие, масштабируемые и адаптируемые меры реагирования, которые способны поспеть за экспоненциально растущей угрозой вроде Covid-19, и позволяют осуществлять оперативную ответную реакцию как на вызовы, так и при появлении новых возможностей.
Примеры этих компаний подтверждают также, что при масштабном развертывании простой ИИ (или так называемый «слабый ИИ») может возыметь огромное влияние. Для того чтобы изменить ситуацию к лучшему, ИИ не нужно считать научно-фантастической сказкой. Ведь даже простые алгоритмы, основанные на достоверных данных, могут дать чрезвычайно важные результаты. Так, обыкновенные чат-боты и базовое машинное обучение имеют очень большое значение в том случае, если они устраняют серьезные проблемы в операционной работе или позволяют делать важные прогнозы. Это еще одна ключевая тема данной книги, поскольку она подчеркивает важность слабого ИИ для трансформации экономики и изменения методов работы компаний. Например, большая часть ИИ-технологий, которые внедрялись в больницах для борьбы с Covid-19, включали в себя простые алгоритмы машинного обучения, основанные на достоверных данных. Они помогали с критически важными прогнозами, например относительно поставок респираторов в MGH. Опять же, речь идет о внедрении простой инфраструктуры на основе ИИ в максимально возможном количестве бизнес-процессов.