Российский рынок промышленного ИИ: почему побеждают не технологии, а эффективные стратегии внедрения

Рынок искусственного интеллекта является частью новой промышленной инфраструктуры бизнеса, при этом технологические возможности начинают опережать организационную и экономическую готовность его игроков. Российские компании рассматривают внедрение искусственного интеллекта как инструмент повышения эффективности бизнеса и ускорения процессов цифровизации, однако в центре внимания сегодня находятся преимущественно финансово-организационные вопросы: сколько стоит внедрение, когда инвестиции начнут окупаться, какие бизнес-процессы действительно целесообразно трансформировать с помощью AI и какие компетенции необходимы компаниям для получения измеримого экономического эффекта. Поэтому главное ограничение развития рынка промышленного ИИ в России заключается не в наборе доступных инструментов, а в экономике их внедрения.

Технологий достаточно. Готов ли к ним бизнес?

В последние два года российский рынок искусственного интеллекта развивался настолько стремительно, что внимание большинства экспертов было сосредоточено преимущественно на технологической составляющей. Компании сравнивали возможности больших языковых моделей, оценивали перспективы агентного ИИ, изучали новые корпоративные платформы и возможности автоматизации отдельных процессов. Из-за этого может сложиться впечатление, что главным фактором развития рынка до сих пор остается доступность современных ИИ-решений.

Однако это не так. Набор базовых инструментов для промышленного внедрения искусственного интеллекта уже во многом сформировался, и для крупных компаний выбор технологий для внедрения проблемы не составляет. Российский рынок предлагает бизнесу:

• зрелые отечественные ИИ-решения для корпоративного сегмента;
• генеративные модели и агентные системы для решения прикладных бизнес-задач;
• облачную инфраструктуру для обучения, эксплуатации и масштабирования моделей;
• корпоративные платформы для интеграции AI-инструментов с существующими информационными системами предприятий;
• широкий набор инструментов для анализа данных и автоматизации производственных и управленческих процессов.

Наличие технологий само по себе не гарантирует их успешной интеграции в работу действующего предприятия. Дело в том, что искусственный интеллект приносит ощутимый результат далеко не в каждом бизнес-процессе — более того, в некоторых случаях отказ от его внедрения оказывается более рациональным решением, чем попытка использовать AI исключительно потому, что это соответствует актуальным технологическим трендам. И многие компании начитают понимать это только после того, как реализуют свои первые пилотные проекты.

Промышленное внедрение ИИ-решений оказывается значительно сложнее, чем покупка или разработка очередного цифрового продукта для бизнеса. Довольно быстро выясняется, что компании недостаточно выбрать подходящую технологию или найти поставщика AI-системы. Параллельно возникают вопросы качества корпоративных данных, возможностей существующей IT-инфраструктуры, готовности сотрудников работать с новыми инструментами и экономической целесообразности автоматизации будущего проекта. Поэтому во многих случаях внедрение искусственного интеллекта в промышленности начинается вовсе не с выбора модели или платформы. Сначала бизнесу приходится отвечать на вопросы, связанные с глубоким анализом своей операционной деятельности и экономикой предполагаемого проекта внедрения:

• какие процессы действительно нуждаются в автоматизации;
• где можно получить максимальный экономический эффект;
• какие данные уже доступны компании и пригодны для использования;
• сколько будет стоить внедрение решения и его дальнейшее развитие;
• какими компетенциями организация располагает сегодня и каких специалистов придется привлекать дополнительно.

И только после этого начинается этап выбора конкретных технологий и продуктовых решений.

Почему подготовка предприятия к внедрению искусственного интеллекта очень часто обходится дороже самого ИИ-решения

Еще несколько лет назад многие проекты запускались исключительно из-за высокого интереса к новым технологиям, однако сегодня руководители компаний уделяют основное внимание анализу сроков окупаемости инвестиций и масштабов изменений, которые потребуются для внедрения новых решений.

Расходы компаний далеко не ограничиваются покупкой программного обеспечения или оплатой услуг интегратора. Во многих случаях бюджет внедрения включает:

• модернизацию существующей IT-инфраструктуры;
• создание единого контура корпоративных данных;
• интеграцию ИИ-инструментов с информационными системами предприятия;
• обучение сотрудников;
• развитие внутренних компетенций в области искусственного интеллекта;
• обеспечение информационной безопасности;
• сопровождение и последующее развитие внедренных решений.

Особенно явно это заметно в промышленном секторе. Крупные предприятия зачастую располагают огромными массивами данных, однако их практическое использование оказывается значительно сложнее, чем может показаться на первый взгляд. Часто бывает так, что информация хранится в разных системах, иногда в разных и сложно совместимых друг с другом форматах, собирается с различной периодичностью и не всегда соответствует требованиям, необходимым для обучения моделей и построения интеллектуальных сервисов.

В результате перед внедрением искусственного интеллекта компаниям приходится решать целый ряд дополнительных задач:

• проводить аудит имеющихся данных;
• пересматривать архитектуру корпоративных информационных систем;
• формировать единые стандарты управления информацией;
• создавать процессы постоянного контроля качества данных.

Во многих проектах эти работы занимают большую часть времени и требуют существенных инвестиций. Затраты на них в значительной степени определяют и сроки, и экономическую эффективность внедрения решений на рынке промышленного ИИ. И здесь важно понимать, что стоимость ошибки при выборе сценария внедрения часто превышает стоимость самих технологий, а для крупного предприятия потери от неудачно выбранного направления внедрения могут оказаться значительно выше расходов на приобретение программного обеспечения или вычислительных ресурсов.

Самым дорогим решением может оказаться неправильный сценарий внедрения

После того как компания понимает реальную стоимость внедрения искусственного интеллекта и оценивает масштаб предстоящих организационных изменений, она оказывается перед необходимостью решения следующей, не менее сложной задачи: поиска процессов, для которых использование ИИ будет экономически оправданным. На этом этапе одни проекты довольно быстро переходят от пилотных решений к промышленной эксплуатации, а другие годами остаются на стадии экспериментов — и обычно совсем не из-за качества или функциональности используемых технологий.

Российский рынок промышленного ИИ накапливает опыт внедрения решений в различных отраслях экономики, и этот опыт показывает, что максимальный эффект получают компании, которые изначально рассматривают искусственный интеллект как инструмент решения конкретной бизнес-задачи. Список таких задач довольно широк:

• прогнозирование отказов оборудования и снижение затрат на его обслуживание;
• повышение точности производственного планирования;
• сокращение времени выполнения отдельных технологических операций;
• интеллектуальное управление складскими запасами;
• анализ больших массивов технической и коммерческой информации;
• оптимизация маршрутов перевозок и логистических процессов;
• контроль качества продукции;
• повышение производительности отдельных подразделений предприятия;
• автоматизация аналитической работы специалистов;
• передача максимально возможного количества рутинных операций искусственному интеллекту для более эффективного использования рабочего времени ключевых сотрудников.

Интересно, что в процессе такого планирования многие компании приходят к пониманию того, что далеко не каждый бизнес-процесс нуждается во внедрении искусственного интеллекта. В ряде случаев более высокий экономический эффект обеспечивает обычная автоматизация или доработка существующих информационных систем. Это довольно важное наблюдение для российского рынка, поскольку еще совсем недавно искусственный интеллект рассматривался как универсальный инструмент решения практически любых задач промышленного предприятия.

По сути, для топ-менеджмента компании главный критерий качества внедрения заключается не в конкретных характеристиках технологии и даже не в метриках, характеризующих изменение бизнес-процессов после перехода на новый инструментарий. На уровне руководства вопрос звучит четко и прагматично: сколько денег компания сможет заработать или сэкономить после внедрения нового решения. Интерес к технологиям никуда не исчезает, но они на начальной стадии проекта отходят на второй план, уступая пальму первенства экономическому эффекту от его реализации.

Можно привести довольно простой пример. Если предприятие хорошо проработало бизнес-задачу и методологию ее решения и за счет этого смогло сократить внеплановые простои оборудования на несколько процентов, экономический эффект может измеряться десятками миллионов рублей в год, а искусственный интеллект будет реально способствовать повышению рентабельности бизнеса. Если же задача формулируется как «нам необходимо внедрить AI, потому что это делают конкуренты», вероятность получить измеримый результат оказывается существенно ниже.

Пожалуй, это изменение подхода является одной из наиболее важных современных тенденций российского рынка промышленного искусственного интеллекта, которая заметно влияет на его развитие.

На рынке начинают конкурировать управленческие решения

Еще одна особенность цифровизации промышленности России, которая проявляется по мере взросления этого рынка, заключается в том, что конкурируют на нем не только и не столько разработчики AI-продуктов. Многие корпоративные проекты используют схожие технологии, набор доступных решений для бизнеса с каждым годом расширяется и стандартизируется, так что системы промышленного искусственного интеллекта по функциональности становятся похожими — удивить рынок какими-то прорывными идеями или решениями становится все сложнее. Поэтому конкурентные преимущества компаний определяются не тем, какое программное обеспечение они приобрели, а тем, насколько эффективно смогли встроить новые инструменты в существующие процессы.

Для крупных предприятий промышленное внедрение искусственного интеллекта представляет собой комплексную управленческую задачу. Компаниям приходится одновременно работать сразу по нескольким направлениям:

• выстраивать систему управления корпоративными данными;
• определять принципы оценки экономической эффективности AI-проектов;
• формировать внутренние компетенции в области искусственного интеллекта;
• создавать механизмы масштабирования успешных решений;
• развивать вычислительную инфраструктуру;
• решать вопросы информационной безопасности;
• адаптировать существующие бизнес-процессы к использованию новых инструментов.

Большие проекты затрагивают практически все уровни управления компанией: производство меняет требования к качеству собираемых данных, финансовые службы оценивают эффективность инвестиций, коммерческие подразделения получают дополнительные инструменты прогнозирования спроса и анализа поведения клиентов, а руководство в значительной степени пересматривает подходы к принятию управленческих решений.

Таким образом, успешное внедрение искусственного интеллекта в промышленности зависит не только от качества и зрелости существующих технологий. Не менее важным, и зачастую определяющим, фактором оказывается способность компаний находить процессы, которые должны измениться после внедрения новых инструментов, и последовательно управлять этими изменениями внутри своей организационной структуры.

С высокой вероятностью этот фактор будет определять расстановку сил на российском рынке промышленного ИИ в ближайшие годы. Компании, которые научатся быстро находить экономически эффективные сценарии использования искусственного интеллекта и масштабировать их внутри бизнеса, получат устойчивые конкурентные преимущества перед организациями, рассматривающими AI лишь как очередной элемент «модной» корпоративной цифровизации.