• GlaxoSmithKline использует платформу Watson Ads от IBM для создания интерактивной онлайн-рекламы. Пользователь, который увидел рекламу, может задавать ей вопросы голосом или через систему распознавания текста
[84].
• Google использует искусственный интеллект для анализа миллионов сигналов с целью определить оптимальную стоимость рекламы на AdWords и DoubleClick Search, максимально используя свои маркетинговые инструменты
[85].
Другие варианты применения искусственного интеллекта в продажах и маркетинге могут показаться не столь впечатляющими, однако их эффект не менее значим. Например, компания-производитель супов Campbell совместно с Ditto Labs задействовала искусственный интеллект для извлечения данных из общения пользователей в социальных сетях. Приложение перебирает и анализирует колоссальные объемы визуальных данных. Пока компания успела испытать эту технологию на своем бренде V8 и, по словам Умана Шаха, глобального директора Campbell по цифровому маркетингу и инновациям, анализ спонтанных и достоверных данных позволил сделать ряд ценных выводов о клиентах
[86]. Искусственный интеллект показывает отличные результаты на любом этапе реализации — продажа конечному покупателю, бизнес, реклама, ценообразование, маркетинг. Подробнее об этом см. врезку «Искусственный интеллект в продажах и маркетинге».
Рабочие места будущего
В этой главе мы говорили о компаниях, которые первыми переосмыслили принципы работы фронт-офиса и взаимодействия с клиентом. Coca-Cola запустила пилотный проект, который может трансформировать весь процесс поставок безалкогольных напитков — установив по всему миру 16 миллионов «умных» холодильников, оснащенных искусственным интеллектом. Это относится к элементу мышление модели MELDS. Компания Ralph Lauren разработала «умное» зеркало, помогающее покупателю с выбором одежды. Зеркало не просто советует другой цвет или размер, оно собирает информацию о клиентах. Здесь мы видим на практике работу с данными (согласно структуре MELDS), поскольку Ralph Lauren может анализировать собранную информацию и извлекать ценные сведения — например, выявлять такие изделия, которые часто примеряют, но редко покупают. Однако использование умных зеркал, а также «подслушивающих» манекенов и других подобных устройств создает моральную дилемму и нарушает конфиденциальность — с этими проблемами бизнесу еще предстоит разобраться. Вот почему нельзя пренебрегать элементом L — лидерством. По мере развития таких ИИ-систем, как умные зеркала, им потребуется более высокий уровень обучения. И Siri, и Alexa уже достаточно долго учатся у людей, чтобы проявлять сочувствие к клиенту, когда он расстроен, разозлен или нервничает. Вот почему руководители должны уделять внимание элементу S, то есть навыкам, и гарантировать, что в компании найдутся специалисты, способные организовать подобное обучение. Организациям также следует выделять достаточно ресурсов на экспериментирование (еще один элемент MELDS), чтобы, например, находить оптимальный баланс эмоций для таких ботов, как Siri и Alexa.
В этой главе мы предположили, какие новые специальности могли бы возникнуть во фронт-офисе. По мере того как боты становятся ключевыми звеньями в инфраструктуре обслуживания клиентов, им требуется виртуальная личность, обновляемая и контролируемая. Руководство этими переменами ляжет на плечи необычных специалистов — экспертов по человеческим коммуникациям, диалогу, юмору, поэзии и эмпатии. В новом мире дополненного и автоматизированного труда разработчики пользовательских интерфейсов станут архиважными сотрудниками, потому что именно от цифрового взаимодействия между людьми (будь то сотрудники или клиенты компании) будет зависеть, сможет ли продукт или услуга на основе искусственного интеллекта занять свое место на рынке и обрести популярность либо его ждет крах. Во второй части этой книги (и особенно в главе 5) мы обсудим инновационный функционал и значение таких специалистов для компаний будущего.
Часть II. «Недостающая середина»
Переосмысление бизнес-процессов с помощью искусственного интеллекта
Введение
* * *
В предыдущих главах мы говорили о том, как искусственный интеллект применяется в бизнесе. Компании в самых разных отраслях используют преимущества эффективных команд, состоящих из людей и машин. Сильные стороны людей, такие как креативность, находчивость, ловкость, рассудительность, социальные навыки и лидерские качества, по-прежнему актуальны и значимы. То же самое можно сказать и о сильных сторонах машин, таких как быстродействие, точность, прозрачная масштабируемость, способность выполнять повторяющиеся операции и строить прогнозы. Осознание относительных преимуществ людей и машин позволит компаниям повысить эффективность работы и усилить мотивацию сотрудников, существенно увеличив при этом доход и чистую прибыль.
Но что будет завтра? Вторая часть книги — это и есть наш прогноз. В следующих главах мы проанализируем динамику взаимодействия человека и машины, а также попытаемся выяснить, что можно сделать для переосмысления бизнес-процессов с учетом этой динамики.
По всей вероятности, некоторые профессии всегда будут оставаться исключительной прерогативой либо человека, либо машины. Однако наши исследования показывают, что формирование команд из людей и машин трансформирует многие старые профессии и способствует появлению новых. Новые профессии, возникающие из партнерского взаимодействия людей и машин, появляются в области, которую мы называем недостающей серединой. Речь идет о новых подходах к труду, которые практически не упоминаются в современных экономических исследованиях и докладах о положении дел в сфере занятости. Традиционно людей и машин считали соперниками, отнимающими друг у друга работу. Однако такая бинарная точка зрения носит слишком упрощенный характер и исключает пути эффективного взаимодействия, которые и формируют «недостающую середину».
Простая истина: максимальной эффективности компании достигают, когда люди и машины действуют как союзники (а не как противники), пользуясь преимуществами друг друга. То, что мы выполняем играючи (сложить полотенце, например), может оказаться весьма сложным для машины. А нам чрезвычайно трудно делать то, что легко дается машинам (в частности, обнаруживать скрытые закономерности в больших объемах данных). В действительности люди могут добиваться успеха, когда в их распоряжении почти нет данных, тогда как машинам нет равных при больших объемах данных. Бизнес нуждается в обеих возможностях — и эти возможности находятся в той самой «недостающей середине», где и происходит командная работа. Кроме того, машинное обучение и другие технологии искусственного интеллекта во многих случаях функционируют подобно «черным ящикам», что может привести к принятию решений, не имеющих объяснения. Для систем определенных типов это приемлемо, однако другие области применения (такие как медицина и право) обычно требуют участия людей.
