Почему каждому бизнесу необходимо запустить цифровое твиннинг в 2026 году

---

• Под цифровым двойником понимаются цифровые двойники людей, включая клиентов, заинтересованные стороны и пользователей.
• Эти человеческие цифровые двойники выполняют совсем другую функцию. – улавливая логику и модели поведения отдельных людей, а не механических систем.
• Цифровые двойники создаются на основе необработанной информации о существующих клиентах. – стенограммы интервью, результаты опросов и поведенческие данные. Вместо того, чтобы просто суммировать данные, они создают представление о том, как склонен думать конкретный человек. Их роль не в том, чтобы точно имитировать чьи-то слова, а в том, чтобы отразить основную логику, предпочтения, мотивацию и «слепые зоны».
• Человеческие цифровые двойники все еще являются экспериментальным вариантом использования, но они уже доказывают свою полезность в те моменты, когда в противном случае команды полагались бы только на инстинкты.

---

Лидеры вложили значительные средства в понимание своих клиентов, однако большая часть этой информации хранится в папках, которые редко извлекаются. Правда заключается в том, что ценные данные о клиентах пылятся, поскольку отчеты сохраняются на жестких дисках, стенограммы хранятся в целях соблюдения требований, а живой опыт клиентов в конечном итоге разбрасывается по папкам и разрозненным командам.

Ирония заключается в том, что, хотя компании инвестируют в то, чтобы узнать о своих клиентах больше, чем когда-либо прежде, решения по-прежнему принимаются на основе догадок или интуиции, а также смутных идей прошлых исследований. Разрыв между тем, что знают организации, и тем, что они используют для стимулирования роста, становится все более значительным, особенно в то время, когда скорость и ясность важны как никогда.

Итак, как максимально эффективно использовать тот массив данных, который в настоящее время скрыт в компаниях? Одним из наиболее эффективных решений является внедрение цифровых двойников в машину анализа.

Термин «цифровой двойник» первоначально описывал детерминированное моделирование физических систем в таких отраслях, как аэрокосмическая и производственная, где инженерам необходимо было моделировать строго контролируемые процессы, прежде чем вносить реальные изменения.

С появлением генеративного искусственного интеллекта этот термин приобрел дополнительное значение: цифровые двойники людей, включая клиентов, заинтересованные стороны и пользователей. Эти человеческие цифровые двойники выполняют совсем другую функцию. – улавливая логику и модели поведения отдельных людей, а не механических систем.

И ранние исследования в этой области уже дали обнадеживающие результаты.

Больше, чем модное словечко этого года

Не случайно такие модные словечки, как «синтетические пользователи», «ИИ-персонажи» и «цифровые двойники», начинают засорять презентации, пилотные проекты и демонстрации продуктов. Для компаний, которые ищут быстрые и простые способы проверки идей, пересмотра прошлых исследований, изучения крайних случаев и уменьшения бремени повторного набора персонала, это привлекательные предложения, даже если они не совсем уверены в том, что на самом деле делают эти модели или насколько они надежны.

Цифровые двойники начали выделяться, потому что они не являются обычными аналогами искусственного интеллекта; в лучшем случае это структурированные поведенческие модели, основанные на реальных данных о клиентах. Они предлагают надежный способ поддерживать актуальность, согласованность и доступность аналитических данных по требованию. Именно в этом заключается их истинная стратегическая ценность.

Если говорить более детально, то наиболее эффективные цифровые двойники основаны на необработанной информации о существующих клиентах. – стенограммы интервью, результаты опросов и поведенческие данные. Но вместо того, чтобы просто обобщать данные, они создают представление о том, как склонен думать конкретный человек. Их роль не в том, чтобы точно имитировать чьи-то слова, а в том, чтобы отразить основную логику, предпочтения, мотивацию и «слепые зоны».

Результатом является модель, в которой команды могут конструктивно вернуться к предыдущим исследованиям. Команды могут задать два дополнительных вопроса через несколько месяцев после проведения первоначальных собеседований, чтобы выяснить, как кто-то может отреагировать на новую структуру ценообразования, пересмотренную функцию или гипотетический сценарий. Важно отметить, что близнец может делать это таким образом, чтобы оставаться верным границам того, что раскрыл первоначальный участник.

Это превращает исследование из статического результата в непрерывный активный диалог, поэтому команды могут продолжать взаимодействовать с клиентами, о которых у них уже есть данные.

Анализ горнодобывающей деятельности в различных хранилищах

Исследования, как правило, носят эпизодический характер. Команды будут собирать точки зрения, выбирать темы, писать отчеты и затем двигаться дальше. А затем начинается новый проект, и цикл начинается снова.

Цифровые двойники разрывают цепочку, позволяя организациям сохранять глубину прошлых исследований и постоянно извлекать из них пользу. Продуктовые команды, стратеги, исследователи и новаторы всего бизнеса могут работать с одними и теми же моделями клиентов, создавая общую точку отсчета для всех функций.

Эти общие знания становятся неоценимыми при преодолении неопределенности. Вместо того, чтобы спрашивать, что думают клиенты, команды могут прямо сейчас изучить, как думает конкретная модель клиента, используя реальные данные.

Сила цифровых двойников действительно проявляется в организациях, где хорошие идеи часто застревают. Вы знаете эту закономерность: кто-то предлагает что-то действительно многообещающее, а затем, обычно на поздних стадиях процесса, вопросы о осуществимости, соблюдении требований, качестве или опыте работы с клиентами срывают импульс.

Цифровые двойники меняют порядок вещей. Они позволяют командам исследовать, тестировать и проверять идеи до того, как кто-либо выделит время или бюджет. Вы можете увидеть, как могут отреагировать клиенты, где находятся точки разногласий и что необходимо исправить, задолго до того, как эти проблемы коснутся реального мира.

Почему 2026 год — время действовать

Нельзя отрицать тот факт, что у организаций был год больших обещаний и разочаровывающих пилотных проектов в области ИИ, в результате чего компании гораздо более избирательно подходят к тому, что действительно движет иглой.

В течение многих лет цифровые двойники использовались для моделирования сложных систем в машиностроении, аэрокосмической отрасли и производстве, где сбой обходится дорого, и прежде чем что-либо станет реальным, необходимо провести итерацию. С появлением генеративного искусственного интеллекта идея цифрового двойника расширилась.

После года спешных пилотных проектов ИИ и разочаровывающей рентабельности инвестиций лидеры ищут подходы, которые действительно соответствуют тому, как работает бизнес. Цифровые двойники делают именно это: они основаны на знакомых исследовательских практиках, работают внутри существующих рабочих процессов и позволяют командам безопасно исследовать идеи, прежде чем приступать к их реализации. Вместо того, чтобы замедлять темпы, это помогает организациям принимать более обоснованные решения в то время, когда цена ошибки продолжает расти.

Цифровые двойники человека по-прежнему являются экспериментальным вариантом использования, отчасти потому, что они связаны как с человеческой непредсказуемостью, так и с новым поведением больших языковых моделей. Тем не менее, они уже оказываются полезными в те моменты, когда в противном случае команды полагались бы только на инстинкты.

Для организаций, приближающихся к 2026 году, такое сочетание новых возможностей и практического удобства использования делает цифровых двойников привлекательным предложением.

Даниэль Джаффит — соучредитель Кварц Лаборатории.

Читать далее

Сокращайте, используйте повторно, экономьте на искусственном интеллекте и данных – Кирсти Биддискомб из NetApp объясняет преимущества экономного обращения с данными и то, как это поможет вашей организации работать более эффективно.

Сверхсжатые и более эффективные модели искусственного интеллекта для промышленности – Вот почему сжатые модели ИИ могут предложить новые возможности для вашей организации и почему они более устойчивы в долгосрочной перспективе.