В этом заложен потенциал для эффективного применения компьютеров. Они не только снижают количество нестыковок в системе, но и могут отделять простое от сложного и обеспечивать обработку задачи с нормальной скоростью. Как только новую систему внедрили, отдел расчетов с кредиторами Ford уменьшился на 75 %, а весь процесс значительно ускорился и стал гораздо точнее.
Не всегда реинжиниринг нацелен на сокращение персонала, даже если (к сожалению) многие думают об этом в первую очередь
[97]. В широком применении он может повысить качество услуг. Есть еще пример крупной компании по страхованию жизни Mutual Benefit Life, которая обнаружила, что девятнадцать человек в пяти отделах выполняют тридцать отдельных этапов обработки заявок. Теоретически стандартная заявка должна была проходить эту запутанную схему за день, но на практике это занимало от пяти до двадцати дней. Почему? Из-за отсрочек при переходе от одного сотрудника к другому. И чем медленнее продвигалась заявка, тем больше проволочек с ней возникало. Единая база данных, обеспеченная централизованной компьютерной системой, улучшила процесс принятия решений, уменьшила отсрочки и значительно повысила продуктивность работы в целом.
В итоге каждую заявку принимал один человек, а обработка занимала от четырех часов до нескольких дней.
Как инструмент классических вычислений ИИ представляет собой универсальную технологию. Он обладает потенциалом влияния на все решения, потому что их ключевой элемент – прогноз. Впредь ни один менеджер не добьется повышения продуктивности простым внедрением ИИ в проблему или существующий процесс. Эта технология требует переосмысления всех процессов, как это описали Хаммер и Чампи.
Компании уже занимаются анализом, разбивая рабочий процесс на отдельные задачи. Финансовый директор Goldman Sachs Р. Мартин Чавез отметил, что большая часть из 146 задач по первичному публичному размещению «напрашивается на автоматизацию»
[98]. Многие из этих задач основаны на решениях, которые инструменты ИИ заметно улучшат. В истории о трансформации Goldman Sachs (а ее напишут через десяток лет) расскажут о том, какую значительную роль в ней сыграл прогресс ИИ.
Практическое внедрение ИИ осуществляется посредством разработки инструментов. Единицей ИИ в них является не «работа», «обязанности» или «стратегия», а «задача». Задачи состоят из решений (как представленные на
рис. 5.1 (глава 5) и описанные в части II). Решения основываются на прогнозе и суждении и принимаются исходя из данных. У решений внутри одной задачи эти элементы часто совпадают. И различаются только последующими действиями (рис. 10.1).
Рис. 10.1. Анализ полного изменения и автоматизации процессов
Некоторые решения внутри задачи иногда возможно автоматизировать, а сегодня, сообразно повышению точности прогнозов, можно автоматизировать последнее оставшееся решение. Распространение прогностических машин заставляет задуматься, как переиначить и автоматизировать рабочие процессы полностью, эффективно отстранив людей от таких задач вообще. Но чтобы сами по себе улучшенные и дешевые прогнозы привели к полной автоматизации, использование прогностических машин должно также повысить отдачу от их применения в других аспектах задач. Иначе при наличии прогностических машин решения будут принимать люди.
Влияние инструментов ИИ на рабочие процессы
В ЛСР мы наблюдали развитие более чем 150 наукоемких компаний. И каждая была сосредоточена на разработке инструмента ИИ, предназначенного для конкретной задачи в конкретном рабочем процессе. Один стартап прогнозирует важные части документа и выделяет их. Другой прогнозирует производственные дефекты и отмечает их. Третий прогнозирует подходящие ответы на обращения в службу поддержки и выдает их. Список можно продолжить. Крупные компании внедряют сотни, если не тысячи различных ИИ для выполнения различных задач своего рабочего процесса. Google разрабатывает более тысячи инструментов ИИ для самых разных задач, от отправки электронных писем до языкового перевода и управления автомобилем
[99].
Прогностические машины будут влиять на большинство компаний, но постепенно и по большей части незаметно – сравнимо с тем, как ИИ улучшает приложения для фотографии в смартфоне. Он добавляет удобную сортировку, а принципиально способ использования не меняется.
Но вы читаете эту книгу, скорее всего, потому, что заинтересованы в радикальных изменениях своего бизнеса посредством ИИ. Инструменты ИИ могут менять рабочий процесс двумя способами. Первый – признание задач устаревшими и их устранение. Второй – добавление новых задач, своих для каждой компании и каждого рабочего процесса.
Рассмотрим задачу набора студентов в программу МБА – хорошо знакомый нам процесс. Возможно, вы тоже участвовали в чем-либо подобном – набирали персонал или регистрировали клиентов. Рабочий процесс набора в МБА начинается с привлечения большого количества абитуриентов и сбора их заявлений и заканчивается зачислением в программу тех, кто прошел отбор и принял приглашение. Процедура набора делится на три части: воронка продаж
[100], состоящая из ряда этапов, на каждом из которых производится отсев; отбор кандидатов и рассылка приглашений; дальнейшие шаги, мотивирующие абитуриентов принять приглашения. Каждая стадия требует специального распределения ресурсов.
Цель процесса набора очевидна – набрать курс лучших студентов. Однако что значит «лучший»? Это сложный вопрос, имеющий отношение к стратегическим целям учебного заведения. Мы не будем пока учитывать, как разные определения слова «лучший» влияют на дизайн инструментов ИИ (а они действительно влияют) и задачи внутри рабочих процессов, а просто предположим, что данная организация сформулировала свое определение и теперь может отнести некоторых абитуриентов к категории лучших. На практике вторая стадия – отбор лучших и рассылка приглашений – включает в себя важные решения, касающиеся времени рассылки (в начале или в конце процесса) и предложения материального поощрения или помощи. Эти решения выходят за рамки простого определения лучших, но также прогнозируют самые эффективные методы привлечения многообещающих абитуриентов (что будет происходить позднее).
