Проект ИИ все еще прерван? 4 Ориентированность на анализ: ваша «организационная конституция» может не подходить для вашей стратегии ИИ.

Похожий опыт внедрения ИИ есть у многих компаний: пилотный проект всех удивляет, но как только он выходит на стадию массового производства и масштабирования, он застопоривается. Такие неудачи часто объясняют незрелостью моделей или недостатком данных, но Harvard Business Review докапывается до сути: проблема часто не в самом ИИ, а скорее в несоответствии между амбициями лидеров и реальными возможностями организации.

GM против Apple: один терпит неудачу в массовом производстве, другой устанавливает стандарты

В 2018 году General Motors (GM) и Apple попытались использовать искусственный интеллект, чтобы почти одновременно изменить процесс проектирования продуктов. GM использовала инструменты генеративного проектирования Autodesk, чтобы изменить структуру, казалось бы, незаметного, но важного кронштейна автомобильного сиденья. Внешний вид результатов, полученных с помощью искусственного интеллекта, похож на естественную решетчатую структуру, которая не только снижает вес на 40%, но и увеличивает прочность на 20%.

Однако в серийное производство эта «идеальная деталь» не пошла. Причина не в плохой конструкции, а в том, что существующая цепочка поставок и производственная система GM по-прежнему основаны на штампованной стали и не могут обрабатывать такие сложные геометрические конструкции. Полный пересмотр производственной системы будет слишком трудоемким и дорогостоящим, а инновации остановятся.

Напротив, Apple в тот же период инвестировала в исследования и разработку металлических линз (металинз), которые смогут заменить традиционные объективы для фотоаппаратов. Это также революционная технология, которая во многом зависит от интеграции искусственного интеллекта, материаловедения и процессов производства полупроводников. Разница в том, что Apple имеет исполняемую систему, всего за два года подала заявки на десятки сопутствующих патентов и готовится внедрить эту технологию в датчик Face ID сначала для iPad Pro, а затем распространить и на новое поколение iPhone.

Эти два случая раскрывают ключевой факт: когда проект ИИ терпит неудачу, это обычно происходит не потому, что ИИ не может этого сделать, а потому, что организация не может его предпринять.

62% предприятий застряли в несогласованном взаимодействии отделов, а ИИ является проблемой управления

По данным опроса Kearney, 62% компаний считают, что плохое межведомственное сотрудничество является основным препятствием на пути внедрения ИИ. Данные S&P Global Market Intelligence также показывают, что 42% компаний отказались от большинства проектов в области ИИ в 2025 году, что намного выше, чем 17% в 2024 году; почти половина POC списывается до поступления в производство.

Чтобы помочь предприятиям повысить отдачу от инвестиций в ИИ, Harvard Business Review предложил практическую основу, обобщив два ключевых аспекта, влияющих на успех ИИ: «контроль цепочки создания стоимости» и «широта технологий», и выделил четыре отдельные стратегии: фокус на дифференциации, вертикальную интеграцию, совместную экосистему и лидерство на платформах. Только когда стратегии, принятые предприятиями, соответствуют их реальности, потенциал ИИ может по-настоящему трансформироваться в производительность.

Как далеко может зайти ИИ, зависит от того, что вы можете контролировать и насколько вы можете интегрировать

Первое измерение — это «контроль цепочки создания стоимости», который относится к степени влияния компании на пути от идеи до рынка. Компании с высоким уровнем контроля над цепочкой создания стоимости могут быстро тестировать, повторять и масштабировать инновации, поскольку они владеют или оказывают сильное влияние на разработку продуктов, производство, распространение и взаимодействие с клиентами. Напротив, компании с низким уровнем контроля над цепочкой создания стоимости испытывают трудности с быстрым продвижением и имеют относительно ограниченное влияние, поскольку им приходится полагаться на других в вопросах проверки, внедрения или распространения инноваций.

Второе измерение — это «технологическая широта», которая относится к диапазону технологий и их взаимозависимостей, которые компания должна интегрировать, чтобы конкурировать. В таких обширных областях, как полупроводники, автономные транспортные средства и науки о жизни, ИИ редко работает в одиночку и должен переплетаться с быстро меняющимися технологиями, такими как датчики, робототехника, материаловедение, облачная архитектура и периферийные вычисления. В небольших отраслях, таких как пищевая промышленность, производство строительных материалов и базовая логистика, технологический стек обычно относительно стабилен. Компании могут использовать ИИ для получения огромных выгод, но обычно за счет оптимизации существующих процессов, а не переопределения всей отраслевой среды.

Эти два измерения переплетаются, образуя четыре различных пути стратегии ИИ, каждый из которых сопровождается различными рисками, предпосылками и потенциалом для прорывных инноваций.

Не каждая компания подходит на роль повелителя платформы искусственного интеллекта

Первая стратегия – «фокус на дифференциации».подходит для предприятий с ограниченным контролем цепочки создания стоимости и небольшим техническим потенциалом. Вместо того, чтобы пытаться разрушить систему, эти компании выбирают ключевые точки воздействия, используют ИИ для глубокой оптимизации и сосредотачиваются на точных, высокоэффективных сценариях использования, таких как более качественные этикетки, более умные датчики или более адаптивные рецептуры. Риск этой стратегии заключается в том, что если она станет слишком амбициозной, это может привести к чрезмерному расширению.

Одним из примеров является гигант продуктов питания и напитков PepsiCo. Они жестко контролируют цепочку поставок картофеля вверх по течению через программы выращивания, поэтому используют дроны и машинное обучение для оценки ранних показателей здоровья сельскохозяйственных культур, помогая фермерам оптимизировать орошение и внесение удобрений. Это приводит к снижению выбросов углекислого газа, повышению урожайности и устойчивости урожаев, что является ключевым преимуществом в сырьевом бизнесе. Новозеландский молочный гигант Fonterra не пытался оцифровать весь бизнес. Вместо этого компания столкнулась с узким местом: прогнозированием качества молока еще до того, как оно покинет ферму. Интегрируя данные датчиков фермы и исторические записи о сборе молока, он может мгновенно оптимизировать маршруты сбора молока и сократить количество отходов.

Второе – «вертикальная интеграция».максимизирует операционную эффективность за счет объединения внутренних данных и подходит для компаний, которые хорошо понимают цепочку создания стоимости, но ограничены в технических возможностях. Вместо того, чтобы гоняться за каждым передовым технологическим трендом, эти компании могут внедрить искусственный интеллект в уже существующие процессы и оказать огромное влияние, объединяя идеи из внутренних систем. Это стратегия «вертикальной интеграции», в которой ИИ может повысить эффективность работы, например прогнозное обслуживание, динамическое ценообразование и логистику, ориентированную на спрос. Поскольку масштаб усиливает влияние, чем больше масштаб операций, даже небольшое повышение эффективности может принести огромную совокупную выгоду.

Но даже если у него есть сильные оперативные возможности, он все равно потерпит неудачу, если его амбиции превысят возможности его реализации. GE когда-то пыталась стать Microsoft в области промышленного искусственного интеллекта с помощью платформы Predix, но из-за разрозненности данных, внутреннего сопротивления и отсутствия подключаемого программного обеспечения, а также смены руководства продвижение по службе было затруднено. Потратив более 4 миллиардов долларов, GE сократила свои амбиции в отношении платформы и выделила большую часть своего бизнеса GE Digital.

Третий тип — «экосистема сотрудничества».для компаний, которые являются частью технологически сложной экосистемы, но не имеют контроля над тем, как их решения попадают на рынок. Эта стратегия делает упор на совместное использование инновационных рисков, инфраструктуры и опыта. Эти компании часто работают в высокотехнологичных, быстро развивающихся отраслях и должны полагаться на регулирующих органов, исследователей или партнеров по платформам, чтобы связаться с конечными пользователями.

Примером может служить сотрудничество Novartis и Microsoft. Они создали инновационную лабораторию искусственного интеллекта для ускорения разработки лекарств, используя модели машинного обучения для прогнозирования молекулярного поведения, и успешно помогли Novartis определить новые комбинации биомаркеров для онкологических исследований, сократив время разработки исследований более чем на 30%. Такое сотрудничество может открыть фундаментальные открытия, но риск заключается в координации, и проекты могут легко потерпеть неудачу, если управление будет неясным или столкнутся культуры.

Четвертая стратегия – «платформенное лидерство».— это путь с самым высоким порогом и наибольшим риском. Компании, находящиеся на вершине своего технологического развития и контроля над цепочкой создания стоимости, не просто адаптируются к изменениям, но и формируют их, например, устанавливают стандарты, открывают API и разрабатывают системы, на основе которых другие хотят строить. Но риск заключается в том, что чем больше влияние платформы, тем выше требования к доверию и управлению.

Например, Microsoft стала основой корпоративного генеративного искусственного интеллекта благодаря GitHub Copilot, Microsoft 365 Copilot и Azure OpenAI Service, переосмыслив способ выполнения работы. Siemens Healthineers добилась аналогичного статуса в области медицинской визуализации. Его пакет AI-Rad Companion напрямую интегрируется в больничные системы для автоматического анализа изображений, таких как рентгеновские снимки и МРТ. Он был одобрен FDA более чем в 60 странах, что повышает точность диагностики и упрощает клинический рабочий процесс.

Самое сложное в ИИ — не разместить его в Интернете, а заставить людей захотеть его использовать.

Независимо от того, какая стратегия будет принята, последним препятствием на пути к успеху или провалу ИИ часто становятся не технологии, а люди. Harvard Business Review цитирует опрос, в котором говорится, что 31% сотрудников будут активно сопротивляться планам компании в области искусственного интеллекта, а некоторые даже намеренно снижают качество продукции, чтобы выразить свое беспокойство. Успешные компании часто предпочитают делать сотрудников участниками, а не заменителями, и могут даже охватывать четыре квадранта одновременно.

В журнале Harvard Business Review говорится, что в ближайшие 10 лет ключ к успеху компаний будет зависеть не от того, сколько пилотных проектов в области ИИ они запустят, а от того, как внедрить ИИ и развивать его в больших масштабах. Разница между GM и Apple заключается не только в технологии, но и в системах, связанных с этой технологией. Только компании, создающие правильные системы, в которых амбиции встречаются с исполнением, могут прекратить пилотирование и начать лидировать.

＊Статья открыта для перепечатки партнерами, источник данных:《ХБР》、Кирни、S&P GlobalИсточник первого изображения: создано с помощью инструмента искусственного интеллекта.