Integrating Generative AI Into Business Strategy: Dr. George Westerman

ТОДД ГЛИКМАН: Но сейчас я очень рад представить доктора Джорджа Вестермана, ведущего научного сотрудника Школы менеджмента MIT Sloan. Доктор Вестерман является всемирно признанным лидером мнений в области управления трансформацией и конкурентным преимуществом через технологические инновации. Он работает на действительно захватывающем пересечении руководства высшего звена и цифровых инноваций, предоставляя непрерывные, ценные идеи лидерам во всех отраслях. Джордж, добро пожаловать.

ДЖОРДЖ ВЕСТЕРМАН: Спасибо, Тодд. Очень рад быть здесь. И особенно рад, потому что дома у нас вчера выпало 5 дюймов снега. А здесь снега на земле не было. Так что это хорошо. Итак, да, я преподаю в школе менеджмента. И то, на чем я фокусируюсь — он упомянул технологии, инновации и лидерство. Я стараюсь брать технологии и делать их — демистифицировать их, помогать лидерам понимать, что там происходит, и действительно думать о том, как вы проектируете свою организацию и как вы управляете трансформацией? Так что я провел некоторые из первых исследований цифровой трансформации 15 лет назад. Чтобы вы понимали, как давно это было, тогда никто не использовал слово «цифровая трансформация». И я написал об этом книгу. До этого я работал с ИТ-организациями. Я работал над навыками и карьерой. И теперь, конечно, ИИ, все эти вещи сходятся. ИИ влияет на все это. И поэтому сегодня я хочу немного поговорить с вами о том, как вы думаете о генеративном ИИ и как вы включаете его в свою стратегию? Эрик занимается ИИ почти столько же, сколько я живу. И я хочу попытаться рассказать вам об ИИ с точки зрения менеджмента. И это означает, что я постараюсь сделать это предельно ясно для вас при принятии решений в вашей организации. Но это также означает, что если мы с Эриком не согласимся, он будет прав. Так что вот куда мы хотим идти. Моя задача — быть максимально ясным, помочь вам разобраться в вопросах, которые вы можете задать, инстинктах, которые нужно развить, когда вы принимаете решения, потому что все вы, вероятно, вынуждены принимать решения с помощью ИИ. Как ИИ может помочь вам лучше это понять? Или, если я могу сказать это по-другому, как я могу сделать это немного менее пугающим и заставить вас чувствовать себя более уверенно в работе с этим? Итак, вы готовы? Здесь три части — номер один: что такое ИИ? Эрик уже говорил о том, что такое ИИ. Я дам вам свою версию. И подумайте об этих элементах различных видов ИИ и о том, как к этому относиться. Номер два — GenAI, потому что именно на этом мы сейчас тратим много времени, много внимания на ChatGPT, Gemini, Midjourney, и все эти, Sora, и все эти другие. Как вы думаете, как это внедрить в вашей организации? Потому что это чрезвычайно мощно, но также очень рискованно. И как вы об этом думаете? И затем последнее — что это значит? Как компании сейчас внедряют инновации с помощью этого? Итак, во-первых, что такое ИИ? И, как я уже сказал, это немного пугает, после того как я следил за профессором ИИ. Но, как я уже сказал, в основном это правильно и, надеюсь, очень ясно, когда мы об этом говорим. Что такое ИИ? Ну, в отношении того, что такое ИИ, это действительно сложно. Определения, которые дал Эрик, были из 2003 года. Сейчас Google не отслеживает Google Trends с 2003 года. Они начинают с 2004 года. И посмотрите на генеративный ИИ. Никто не говорил об этом, потому что тогда этого не существовало. Но затем глубокое обучение, он говорил об этом, и вы можете увидеть, как это появилось 10 лет назад или около того. Это было действительно круто. У нас была инициатива «Работа будущего». И вопрос там был: учитывая то, что делает глубокое обучение, какие рабочие места останутся после того, как роботы съедят рабочие места? И мы обнаружили, что на самом деле они не съедают рабочие места. Они съедают части рабочих мест. И также требуется много дополнительных усилий. Это не просто технология. Но это был самый пугающий, самый интересный ИИ. И теперь, как мы это называем? Мы называем это традиционным ИИ. Вот как быстро движутся эти вещи. Вернемся немного дальше, это машинное обучение. И вы можете видеть, почему оно больше? Ну, на самом деле это надмножество этих двух других, а затем и искусственного интеллекта. И интересно то, что вы видите, искусственный интеллект был более распространен. А теперь он менее распространен, потому что искусственный интеллект тогда был другого рода, чем сейчас, как говорил Эрик. Итак, с этими элементами, как разобраться в этом хаосе, когда он так быстро движется? Я действительно сначала дам вам мой важный закон, который, если вы ничего больше не запомните, запомните это. Вы знаете закон Мура, закон Мура и экспоненту. Эти вещи продолжают расти в экспоненциальной степени. Это закон Вестермана. Закон Вестермана отличается. Технологии меняются быстро. Организации меняются гораздо медленнее. Я знаю, что это правда. Мне не нужно говорить, что это правда. Но я знаю, что это правда. И вы знаете, что это правда. Но наши технические специалисты часто забывают об этом. И ваши поставщики технологий часто забывают об этом. Трудность не в принятии технологии. Трудность в изменении вашего бизнеса. Это не цифра. Это трансформация — это трудность. И что это значит? Технология — не проблема. Трансформация — проблема. Так что это не совсем техническая проблема. Это также в значительной степени проблема лидерства. Нам нужно учесть оба этих аспекта. И, например, говоря об ИИ, мы говорили с двумя — мы говорили со многими руководителями. Но вот два, которые мы можем процитировать. Мэтью Эванс, который работал над ИИ для производственного процесса в Airbus, говорит: «Строго говоря, мы не инвестируем в ИИ, обработку естественного языка или изображения. Мы всегда инвестируем в бизнес-проблему». Или, если мы перейдем к Home Depot, Фахим Сиддики — еще одно, что я делаю, это ежегодно провожу премию MIT Sloan CIO Leadership Award. И Фахим был одним из наших финалистов в прошлом году. А Home Depot — это магазин товаров для дома. Если вам нужны инструменты, пилы, дерево или что-либо еще, вы идете в Home Depot. Я сейчас ремонтирую дом, поэтому много времени провожу в Home Depot. И Фахим и его команда создали действительно хороший опыт для действительно, действительно сложного магазина. Он говорит: «Мы всегда должны искать исключительный опыт. Мы хотим приносить радость пользователю. Мы хотим восторгаться. Технология — это второстепенно». И снова, мы постоянно забываем об этом. Но мы не можем забыть об этом, потому что технология не приносит никакой пользы вашей компании. То, что вы делаете с технологией, создает эту ценность, как вы меняете свой бизнес или свои продукты, чтобы они работали лучше. Итак, что первое с точки зрения менеджмента? Что первое вам нужно знать об ИИ? Искусственный интеллект не является разумным. И Эрик упомянул это, и мы должны продолжать это. По сути, это программа, которая выполняется, но у нее нет контекстных знаний. И мы должны помнить об этом. По сути, она выполняет формулу. И эта формула — это то, что вы запрограммировали, то, чему она научилась. Но это может быть не то, что нужно. Оде Олива, которая создала ИИ, способный читать ваши мысли по снимкам мозга, один из самых умных людей, которых я знаю, говорит: «Искусственный интеллект должен быть искусственным идиотом». Это один из способов думать об этом. Он не разумный. Но дело в том, что он может действовать очень разумно. И это очень полезно, пока мы осторожны, пока мы делаем это правильно. Итак, исследования цифровой трансформации — это обновление. Мы начали это в 2010 году. Это обновление от 2021 года. Где вы можете искать возможности не только от ИИ, но и от мобильных устройств, Интернета вещей и других технологий, с которыми вы сталкиваетесь? Четыре хорошие области, где вы можете искать — это создание эмоционально привлекательного, целевого, персонализированного клиентского опыта, номер один. Номер два — операции, не просто автоматизация, а способность адаптироваться и корректироваться по мере развития событий. Это Индустрия 4.0. Бизнес-модели — не просто быть Alibaba или Amazon в вашей отрасли, но что вы можете сделать с информацией, чтобы получить больше легких побед, превратить ваши продукты в услуги, такого рода вещи. И то, что мы вновь открыли — мы должны были отметить раньше — опыт сотрудников. Опыт сотрудников — это критическая часть. Мы знаем, что довольные сотрудники ведут к довольным клиентам. Мы также знаем, что если у вас плохой опыт работы с сотрудниками, это очень хороший показатель того, что ваши системы и процессы работают не так, как должны, или ваши стимулы. Итак, когда вы ищете, что делать с ИИ, это то же самое, как мы думаем о любой другой работе по цифровой трансформации. Вы можете искать в этих областях, и не только в этих областях, но и возможности выйти за их пределы, как это сделал Home Depot, как это сделал Airbus. Вы также увидите, что это опирается на ваши системы, ваши данные, ваши системы. И если это хаос, это трудно сделать. ИИ на самом деле немного помогает с этими беспорядочными данными. Но чем лучше ваши данные, чем чище ваши процессы, тем лучше вы будете. Поэтому я действительно думаю об ИИ как о следующем этапе цифровой трансформации. Применяются те же принципы. Но есть больше того, что вы можете сделать. И есть более мощные возможности. И поэтому нам все еще нужно руководить этим, но нам нужно все больше и больше думать о том, что мы можем сделать. Итак, вот некоторые вещи, которые мы могли бы сделать с помощью генеративного ИИ. Я разрабатывал курсы со временем. Мы сейчас проводим один на Филиппинах, серию курсов. И вместо того, чтобы я вставал, надевал костюм и выходил перед камерой, теперь мы просто набираем слова, и она скажет их вместо меня. И если вам не нравится, как она выглядит, кто-то другой, кто выглядит иначе, сделает это. И они могут сделать это на другом языке. И, честно говоря, я могу сделать это с помощью дипфейка очень легко. Мне больше не нужно идти в студию. Кроме того, любая корпоративная литература может быть на любом языке, который вы хотите, мгновенно, одним нажатием кнопки. Здесь, конечно, программирование — многие люди сейчас занимаются программированием. Сколько из вас — ваши программисты? Используют ли они Copilots и подобные вещи? Ну, если нет, то пора начать. Это действительно помогает. Теперь есть вопросы, лучше ли это для старших или младших сотрудников, но есть процесс обучения. И это лучше. Это не только лучше для программирования, но и для обеспечения стандартов и создания документации. Люди ненавидят делать это. Компьютер может им помочь. Что еще есть? Ну, Cresta. Cresta — это инструмент для колл-центров, особенно для продаж. И вы слышали о действительно хороших стартапах. В рандомизированном исследовании в MIT они обнаружили, что все, кто использовал этот инструмент, стали лучше. Самые старшие сотрудники улучшились на 14%. Самые младшие сотрудники улучшились на 34%. Если у вас есть старшие и младшие сотрудники, они поднимают планку для всех, и она движется вверх. Что это делает? Он слушает, как вы говорите, и дает вам подсказки во время разговора. Этот человек сбит с толку. Объясните продукт лучше. Этот человек злится. Попробуйте это, чтобы успокоить его. А затем в конце он возвращается и говорит: «Судя по тому, что вы делали, вы не закрываете сделку достаточно быстро». Постарайтесь быстрее перейти к продаже, такого рода вещи. Это становится тем, чем был бы хороший руководитель. Но это с вами все время. И я работаю над проектом с медиа-лабораторией, где мы создаем персонализированного репетитора для класса программирования, первого класса Python, для меньшинств, учебных заведений меньшинств. Идея в том, что если мы сможем провести людей через этот первый класс с индивидуальным репетитором, они будут на пути к карьере, которая никогда не была бы для них возможна. Но люди бросают этот первый класс, потому что у них нет репетитора. Так что мы разрабатываем это прямо сейчас. И последнее, но не менее важное: те из вас, кто использует любые продукты, будь то SAP, Workday или Adobe, это интегрируется во все ваши продукты. Так что это происходит повсюду. Но опять же, это не технология, это то, что вы делаете с технологией, что делает ее лучше. Другое, что здесь действительно важно, это то, что мы говорим о решениях на основе генеративного ИИ. Но большинство лучших решений — это комбинация генеративного ИИ, традиционного ИИ, скучного старого ИТ, а также людей и процессов. Так, Lemonade, у них очень специфическая ниша на страховом рынке. Они оформляют 98% своих полисов, 98% уведомлений о первых претензиях и автоматически обрабатывают 50% претензий. Благодаря этой комбинации различных ИИ, а также традиционных систем, что насчет этих 50%? Ну, легкие вещи, компьютер делает это. А сложные вещи они передают человеку, чтобы разобраться, что делать. Вот как работает их модель. И это Sysco. Это не технологическая компания Cisco. Это Sysco, поставщик продуктов питания. У них один из крупнейших парков грузовиков в мире. Рестораны по всему миру снабжаются ими. И вот все различные способы, которыми Sysco применяет ИИ в своей деятельности. Это не высокотехнологичная компания. Они доставляют консервы в рестораны. Но вы можете видеть все различные вещи, которые у них есть со стороны клиентского опыта, а также в бэк-офисе. И когда я разговаривал с Томом Пеком о том, что он делает, все эти маленькие мозги, это возможности, где генеративный ИИ может помочь. Мы думаем о генеративном ИИ, который помогает продавцу планировать свои звонки. Но как насчет генеративного ИИ, который помогает вам маршрутизировать вещи по складу или — у нас нет этой вещи, которую они хотят. У нас нет такого гриба. Но такой гриб подойдет, так что есть всевозможные возможности. Итак, если вы спросите трех экспертов по ИИ, каковы категории ИИ, вы получите пять разных ответов. Никто не может по-настоящему согласиться. Так что я дам вам мои четыре категории. И я не скажу вам, что это правильно. Я скажу вам, что это мое, если это поможет, так что четыре категории. И это должно выглядеть знакомо, потому что Эрик говорил о многом из этого. И я хочу провести вас через них, просто чтобы дать вам немного больше интуиции о том, что делать с этими вещами. Итак, номер один, основанные на правилах системы — Эрик назвал их экспертными системами. Соберите много утверждений «если/то». В 1984 году, когда я впервые начал программировать, одной из моих первых работ было создание движка для системы, основанной на правилах. И, как сказал Эрик, эти вещи не работают за пределами простейших проблем. Но теперь движки правил лучше, и если вы используете их в правильной среде, для предписаний, выдачи кредитов и подобных вещей. В пределах, в которых они хороши, они полезны. Но не пытайтесь выйти за рамки этого контекста. Затем есть эконометрика, которая является статистикой. Большинство из нас учились в школе глубокому обучению, генеративному ИИ. Давайте пройдемся по этим вещам. Итак, экспертные системы, мы говорили об этом. Как их программировать? Вы говорите с экспертом. И эксперт пытается разобраться. Но есть приятный парадокс: мы знаем больше, чем можем сказать. Или, как сказал Эрик, ваш двухлетний ребенок понимает физику, но не может сказать вам, как это работает. И у нас постоянно такая проблема. Но вам нужно поговорить с экспертом. Вам не нужны никакие данные, только эксперт. Хорошая новость в том, что они дадут вам точный ответ и всегда дадут один и тот же ответ. Но они не адаптируются. Вы добавляете правило, все становится немного сложнее. Так что это одно. Эконометрика, это следующее. Это статистика. Многие из вас, вероятно, изучали статистику. Вы, вероятно, многое забыли. Но мы все еще используем это все время. Если у вас есть структурированные данные, то есть данные, которые вы можете поместить в электронную таблицу, обычно числовые данные, эти вещи работают. И они работают очень хорошо. Их довольно дешево программировать, особенно те, что требуют двух кликов. Как создать формулу для этих двух измерений, которая поможет нам понять, это синяя вещь или зеленая вещь? И они, как правило, — есть ложные срабатывания. Есть ложные пропуски. Но они, как правило, довольно хороши. Другое — это взгляд на линию тренда, взгляд на регрессию. Эти вещи на самом деле удивительно хорошо работают с числовыми данными, а также с тем, что можно превратить в числовые данные, например, купит ли он мой продукт на основе того, что я с ним делаю? Вы также можете использовать несколько измерений. Найти эту линию тренда с двумя измерениями легко. Попробуйте с 100 измерениями. У меня сейчас команда, которая просматривает 100 миллионов резюме, отслеживая карьеры людей по этим 100 миллионам резюме, чтобы попытаться выяснить, какой путь более или менее продуктивен. Вы не сможете сделать это, просто глядя на два измерения. И затем, конечно, вам не обязательно смотреть только на линии. Но у вас должно быть представление о том, какую функциональную форму вы рассматриваете. Так что это часто числовое. Есть некоторые вещи, но вы можете это сделать. Это относительно дешево. Это работает очень хорошо. Вы получаете точные ответы. Вы получаете один и тот же ответ каждый раз. Но это должны быть числовые данные. Затем у вас есть глубокое обучение. И Эрик много говорил о глубоком обучении. Это была самая крутая вещь 15 лет назад. И она все еще довольно крутая. Теперь, дело в том, что Эрик также показал вам, что существует 50 различных версий этого. Так что я дам вам только один архетип. Эта картинка — вы знаете, что это за картинка? Это нейронная сеть. Но что это за картинка в основном? Это то, что люди используют, чтобы напугать вас. Это сложная на вид вещь. И в ней есть немного магии. Итак, Эрик объяснил это, но позвольте мне объяснить это немного подробнее. Вы принимаете входные данные. Вы пропускаете их через набор взвешенных средних и получаете прогноз множества различных состояний на выходе. И это звучит очень просто, но очень быстро выходит за рамки человеческих возможностей. Вы обучаете ее на размеченных данных. Вам нужно знать правду. Вот почему каждый раз, когда вы входите в систему, она говорит: «Докажите, что вы человек». Скажите нам, где машина. Скажите нам, где велосипед. Вы размечаете данные, чтобы обучить эти вещи. Каждый раз, когда вы заходите в социальные сети и они делают челлендж «омоложение» — покажите нам себя и покажите нам себя 20 лет назад — вы создаете размеченные данные старых и молодых людей. Вам нужны эти данные. А затем вы делаете — выходные данные повторяемы. Но они никоим образом не объяснимы. Наши самые умные люди только начинают понимать, как сделать это объяснимым. И это займет некоторое время. Но я приведу вам пример сейчас. В MIT — я собираюсь немного усложнить для вас, но обещаю, не слишком сложно. Хорошая новость в том, что я постараюсь взять эту пугающую картинку и сделать ее немного более реальной. Эрик начал. Я попробую. И после нас двоих, надеюсь, это будет иметь смысл. Что это? Кто-нибудь? Это цифры. Теперь попробуйте сказать мне, если бы мы сказали «признаки», «петли» и «линии» и подобные вещи, скажите мне формулу, чтобы посмотреть на число 2. Как бы вы создали правила, чтобы решить, что это число 2? Ну, у него есть небольшая петля наверху. И у него есть петля внизу. А затем число идет вниз. Так выглядит двойка, кроме петли там нет. И там линия идет поперек, а не вниз. Если бы вы попытались запрограммировать это с помощью набора признаков, вы, вероятно, далеко бы не продвинулись. Но 35 строк кода, 25-35 строк кода могут сделать это без проблем, делая это. Что вы делаете? Ну, во-первых, вы берете эти двумерные объекты и превращаете их в одномерный набор чисел. Так, изображение 28 на 28 становится 784 пикселями. Теперь вы сделали следующее: вы отбросили все отношения между тем, что находится друг над другом. Вы отбросили это. И алгоритму все равно. А затем вы помещаете числа в левую руку, и здесь у вас случайные числа. И он выдает 10 оценок, от 0 до 9, насколько вероятно, что это это число. И вот вы приходите, и получаете это. Ну, мы думаем, может быть, это 2, 1. Мы думаем, может быть, это 2. Может быть, это 7, с некоторыми более сильными или менее сильными оценками. А затем вы возвращаетесь и говорите: «Эй, на самом деле это 9». И вы идете обратно, и поворачиваете все ручки, чтобы сделать это немного лучше. Ну, если это вас беспокоит, сколько вы поворачиваете каждую ручку, это должно вас беспокоить, потому что никто не знает, сколько вы поворачиваете каждую ручку. Но мы знаем, что если вы сделаете это 10 000 раз, ручки окажутся в правильном положении. Так что, если это звучит для вас как магия, это магия. Это магия больших чисел и хороших алгоритмов. И поэтому, если вы чувствуете себя крайне некомфортно, то вы такой же, как и мы. Мы все чувствуем себя крайне некомфортно с этим. Но это работает. Так что вы делаете это 10 000 раз, и это получается. Теперь, что это значит? Ну, это значит, что у вас должны быть размеченные данные. Вам нужно знать, что это число на самом деле такое. Вам нужно повторять подкрепление снова и снова. И вам нужно откатываться назад, чтобы настроить эти числа. Если ваши данные предвзяты — скажем, у нас есть данные только о мужчинах, но не о женщинах. Ну, что происходит, когда приходит женщина? Amazon узнал об этом. Они просматривали резюме, чтобы выяснить, как выглядят резюме их лучших инженеров. И они регулярно отклоняли женщин. Почему? Ни один из их инженеров не был женщиной. И женщины говорят иначе. Кстати, если бы вы были капитаном женской сборной по плаванию, вы бы никогда не получили работу. Ни один из мужчин, на которых они обучались, никогда не был капитаном женской сборной по плаванию, а также использовал разные вещи. Так что им пришлось исправить эту предвзятость, то же самое, если вы обучаетесь на мужчинах против женщин, детей против взрослых, разных частях мира. Так что вам нужно избавиться от этого. Вам нужно протестировать эту предвзятость. Вам также нужно убедиться, что у вас действительно есть какая-то точность в ваших данных. Так что вот и все, больше о нейронных сетях. Вы понимаете эту картинку? Я мог бы вас протестировать, и вы бы знали, как это сказать сейчас? Ну, по крайней мере, никто больше не сможет вас напугать. Затем генеративный ИИ продолжается. И, как сказал Эрик, что они делают сейчас, они не только используют многие из этих похожих алгоритмов, но и изобретают. И они говорят: «Учитывая то, что вы мне сказали, и все, что я знаю, какое следующее лучшее слово или пара слов сказать?» А затем он говорит: «После того, как я это получу, учитывая все, что вы мне сказали, и все, что я знаю, плюс все, что я только что изобрел, какое следующее лучшее слово? Какое следующее лучшее слово?» И он может очень точно угадывать, как вы видели. Он также может очень ошибаться. Я впервые сделал свое био с помощью ChatGPT. И био было действительно хорошим: эксперт по цифровой трансформации и инновационной стратегии, автор четырех отмеченных наградами книг, бла-бла-бла. Мне понравилось. Я написал только три книги. Я не знаю, что это за четвертая книга. И он мне не сказал. Так что вы хотите быть осторожными. Но интересно то, что — ну, я вернусь к этому через минуту. Он случайным образом генерирует следующее. Так почему вы получаете разные ответы каждый раз? Потому что это случайность. Это сделано специально. И вы можете использовать это. Он создает новые вещи. Он не просто классифицирует. Он создает новое. Его можно использовать как во благо, так и во зло. Вы можете получить скучные вещи. Вы также можете получить творческие вещи. Но вы также получаете это, галлюцинации. Мой любимый пример: этот юрист подготовил все свои судебные документы с помощью ChatGPT. И, к сожалению, некоторые из дел, которые он цитировал в качестве прецедента для того, что он делал, были нереальными. Это очень разозлило судью. Так что он не только попал в неприятности с судьей, но и оказался во всех деловых изданиях как посмешище. Не делайте этого. Но вот в чем дело. Мы так беспокоимся об этих галлюцинациях. Но сколько из нас знает идеального сотрудника? Люди тоже ошибаются. И поэтому идея не в том, чтобы ожидать идеального ответа, возможно, кроме случаев, когда ваша машина едет. Но идея в том, чтобы заставить эти вещи работать хорошо и установить правильные средства контроля, на случай, если они окажутся неверными, то же самое, что мы делаем с людьми. Так почему мы ожидаем, что компьютеры будут лучше людей в каждом случае? Почему бы нам просто не установить правильные процессы, чтобы учесть тот факт, что они иногда неверны? Другие вещи, конечно, огромные обучающие данные, которые нужны этой штуке, и огромное количество энергии. И поэтому это другие темы, о которых мы можем поговорить со временем. Так что проблема в том, что вам нужно начать с проблемы и определить правильную технику. Итак, один из способов думать об этом — это вопросы, которые вы можете задать. Насколько точным я должен быть? И какова цена ошибки? Попасть в автомобильную аварию или принять неверное медицинское решение — это большая цена. Отправить кому-то неверное маркетинговое сообщение — никакой цены. Вам нужен объяснимый ответ? Потому что если да, то первые два, вероятно, полезны. Последние два не объяснимы. Как это сделать? Вам нужны одинаковые ответы каждый раз? Вы не получите этого с генеративным ИИ. И конфиденциальность — и конфиденциальность сейчас меньше проблема. Вы можете получить эти генеративные вещи, которые будут держать вас, или, по крайней мере, поставщики обещают, что они будут держать вас в безопасности. Но это вещи, о которых стоит подумать, верно? Затем с другой стороны — данные. Есть ли у вас источник правды, и насколько правдивы эти данные? И номер два, они обобщаемы? Или вы отвергнете всех женщин, которые подают заявление в вашу компанию? Итак, когда вы думаете о том, как это сделать, это вопросы, которые вы можете задать о проблеме, которую я пытаюсь решить прямо сейчас. И вопросы, либо вы можете принять решение, либо вы можете задать эти вопросы своим техническим специалистам. И во-первых, они теперь будут немного бояться вас. Но во-вторых, у вас будет лучший разговор, потому что вы задаете эти вопросы. Итак, первая часть: что такое ИИ? Четыре вещи. Вот как о них думать. Здесь, если вам нравятся светофоры, вот приятная маленькая диаграмма, которую вы можете использовать, чтобы думать об этих вещах. Где они хороши и плохи? Но это только часть проблемы. Это часть, которая говорит: «У меня есть конкретная проблема, которую я хочу решить. Как мне подумать о правильной технике?» Настоящая проблема — как сделать так, чтобы это работало в моей организации? Так что у меня есть еще вопросы для вас, возможно, некоторые ответы. Вы готовы? Как сделать так, чтобы это работало в организации? Помните, вернитесь к тому, что технология — не проблема. Трансформация — проблема. Как мы можем внедрить процессы, политики и возможности для правильного выполнения этого? Потому что сделать это один раз — сложно. Но вам нужно делать это снова и снова, и вам нужно интегрировать это с остальными вещами, которые вы делаете. Вот три проблемы, о которых стоит подумать, когда вы пытаетесь заставить эти вещи работать в вашей организации. И я хотел бы сказать, что это только GenAI, но это, по сути, все. Как мы это внедрим? Но с генеративным ИИ, как мы расставим приоритеты, что делать, а что нет? Что мы сделаем первым? Что мы сделаем вторым? И чего мы никогда не сделаем? Номер два, управление рисками. Что, если мы ошиблись? Что, если у нас возникнет проблема с конфиденциальностью? Такого рода вещи. И последнее — это возможности, так что четыре набора вопросов, которые вы можете задать по этому поводу. И затем после этого у меня будет еще один небольшой раздел для вас. Как вы обеспечиваете безопасность и ценность того, что вы делаете? И один из больших других вопросов — обучение. Как вы не только учитесь об этих инновациях, но и учитесь на разных инновациях, чтобы вы могли выбрать лучший способ делать вещи, и вы не будете делать одно и то же 10 раз? Один из главных вопросов, о котором стоит подумать здесь, — как выглядит ваш процесс управления? И то, что мы видели в генеративном ИИ, это множественные подходы, но они, как правило, делятся на «сверху вниз» — это очень рискованная, очень дорогая вещь. Давайте все контролировать. И хорошая новость в том, что мы не совершим ошибок. Мы не будем тратить деньги впустую. Мы, вероятно, не убьем много людей. Но мы также не будем очень хорошо внедрять инновации, потому что центральная часть крупных организаций не всегда знает лучшие возможности. Другая сторона — децентрализованный путь. Эй, идите и внедряйте инновации. Делайте все, что хотите. Теперь есть некоторые правила. Не крадите деньги. Не будьте плохими к людям. Но есть некоторые правила. Внедряйте инновации в рамках этих правил и рассказывайте нам о том, что вы делаете. Это чрезвычайно хороший способ открыть действительно интересные идеи на периферии. Но это также отличный способ потратить деньги впустую. И также, в зависимости от того, насколько они осторожны, вы также можете нарушить некоторые законы, делая это, потому что там, где центральный орган может попытаться быть очень осторожным, периферия может этого не делать. И поэтому то, что мы видели в генеративном ИИ, это очень «сверху вниз», безопасно, но медленно, или очень децентрализованно, очень быстро, но более рискованно и дороже. Мы видели, как оба этих подхода появлялись. Так, в Societe Generale, одном из крупных французских банков, они сделали это очень централизованно. Но они попросили всех сказать: «Если вы хотите это сделать, что бы вы сделали?» И они получили 700 вариантов использования. И они решили, что сделали несколько из них сразу. Но остальные они сказали: «Подождите, потому что во всех этих случаях важен интеллектуальный агент. Важен чат-бот для общения с людьми. Важно программирование. Давайте сделаем это правильно, и мы построим все поверх этого». Так что они сделали несколько вещей быстро. Они сказали другим вещам подождать, пока они не установят эти другие возможности. Они попытались объединить централизованный и децентрализованный подходы. Sysco, о котором я вам говорил, сделал это по-другому. Они сказали: «Знаете что? Это просто еще одна технология. У нас есть способ, которым мы думаем об этом. И первое, о чем мы думаем, это: можем ли мы купить это вместо того, чтобы строить?» И если можем, мы сделаем это. Второе, что они говорят: «Если мы думаем, что это нужно запрограммировать, можем ли мы сделать это дешевле и проще с помощью экспертных систем и статистики?» Или мы делаем модные, сложные вещи? И только когда это отвечает на все эти вопросы, они делают передовые, генеративные ИИ. Так что вы видите, эти правила управления вписываются сюда. Вам нужно выяснить, что подходит вашей компании, и как это соответствует профилю риска, о котором вы думаете? Другие вопросы, которые вы хотите задать, также не менее важны. Готова ли наша культура к этому? Что произойдет, когда компьютер будет таким же умным, как наш эксперт? 15 лет назад это начало происходить в банках, когда компьютеры были так же хороши в оценке высококачественного или низкокачественного кредита, как и люди — или страхование. Компьютеры были так же хороши в андеррайтинге некоторых вещей, как и люди. Люди чувствовали себя очень угрожающе. И был целый процесс. Это происходит во всех видах профессий. Теперь, если вы видели фильм «Человек, который изменил всё», вы видели — я не знаю, видели ли вы — в Америке бейсбол — это большое дело. Я не знаю, здесь ли. Но есть большой вопрос. Как мне определить, кто является хорошим потенциальным новым сотрудником для этой компании? Возможно, компьютер лучше, и людям это не нравится. Так есть ли у нас смирение, чтобы работать с этим? Или мы будем бороться против этого? Есть ли у нас этика, чтобы делать правильные вещи, а не неправильные? А также в культуре, насколько мы хороши в экспериментах, попытках и быстром провале, вместо того, чтобы пытаться получить первый ответ, правильный ответ, прежде чем мы начнем? Культура должна быть готова к этим вещам. И вы должны управлять этим. Вы не просто говорите: «Подключите модель». Вы должны помочь людям привыкнуть, с инновационными подразделениями, другими вещами. И еще одно, также с людьми, которые привыкают, есть ли у нас навыки? Но что это значит для карьеры? Мой друг, Дэниел Рок, исследовал GPT и рассчитал очень строгим методом, что 46% всех рабочих мест, вероятно, будут иметь 50% своих задач, замененных ИИ со временем. Некоторые рабочие места будут заменены на 100%. Это просто — 46% рабочих мест будут иметь половину своих задач выполненными. Что, если вы занимаетесь этой работой? Как вы себя чувствуете по этому поводу? И я собираюсь — я собираюсь согласиться с этим? Или я собираюсь отвергнуть это, потому что думаю, что это повредит моей работе? Так что вы делаете по этому поводу? Конечно, я кое-что писал об этом. И, конечно, после обеда вы увидите действительно интересные вещи по этому поводу. Но ИИ не обязательно должен вас заменять. Как он может облегчить вашу работу, снизить вашу когнитивную нагрузку? Как он может делать — одна из вещей, которые я делаю все время, я довольно хорошо пишу. Но я не делаю эти сексуальные, творческие заголовки. Так что я позволяю ИИ делать это сейчас. Дайте мне пять потенциальных заголовков для этого. Или я могу дать ему свой текст и сказать: «Сделайте это более захватывающим». И другое, чего мы не ожидали, — это способность учиться с помощью ИИ. ИИ — это отличный инструмент для обучения. И я обнаруживаю, что постоянно учусь, просто благодаря тому, что он помогает мне думать, задает вопросы о том, что я делаю. И, конечно, я говорил об этом репетиторе, который мы делаем. И многие места делают этих репетиторов, в том числе в Cresta и в одном из стартапов, о которых мы говорили. Так что он не обязательно должен нас заменять. Ведете ли вы этот разговор со своими людьми о том, как это — вы не просто говорите: «Мы вас не обидим», потому что никто этому не верит. Но можете ли вы поговорить о том, как мы можем помочь вам представить это? Например, Dentsu Creative, рекламное агентство, это агентство, которое, как вы могли бы подумать, должно быть немного нервным по поводу этих вещей. И то, что они обнаруживают, это то, что эти творческие люди любят это. Но они очень систематичны в компании в том, как они это представили. Во-первых, они говорят: «Все скучные вещи. Ваше планирование, ваши предложения, такого рода вещи, он сделает это для вас, возьмет несколько слов и превратит их в предложение». Это здорово. Чего они не ожидали и что им сейчас очень нравится, это: «Давайте нарисуем картинку». И вместо того, чтобы говорить: «Идите прочь, и через неделю у нас будет дизайн для вас», теперь они говорят: «Идите выпейте кофе, и через пять минут у нас будет дизайн для вас». И теперь мы можем итерировать это и итерировать это. Вы можете делать это с клиентом. Это лучше для обоих. Они этого не ожидали. Другое, что они делают, это не говорят: «Вы используете это. Вы используете это». Они говорят: «Все используют это. Мы поможем вам. И давайте соберемся и поделимся своими идеями. Что работает для вас? Что не работает для вас?» Эти часы приема, где люди делятся своими трюками. Так люди коллективно инвестируют в то, чтобы стать лучше. И вы видите, что происходит. Это освобождает время, которое нужно творческим людям, чтобы быть творческими. Все то, что они ненавидят, им не нужно делать. Они не могут представить себе возвращение к старому способу. Так что они сделали, они были очень осторожны, помогая людям понять, как это может быть хорошо для них, а не только плохо для них. Они вовлекли их в этот процесс. И именно так они избежали отказа и стали лучше с этим. В программировании, в ваших маркетинговых отделах, во многих местах, в обслуживании клиентов, у вас будет происходить эта вещь, много страха. Мы провели мероприятие под названием Global Opportunity Forum, где мы собираем компании, говорим с компаниями о карьерных вопросах. Как вы развиваете своих людей? Какие навыки вам нужны? Какой лучший способ помочь вашим людям расти вместе с вами, вместо того, чтобы бояться, когда вы растете? И поэтому, если вы заинтересованы, свяжитесь со мной о том, как мы собираем компании, чтобы обдумать эту проблему. Так что это все. Вы готовы к последней части этого выступления? Мы сначала говорили о типах ИИ, четырех типах. И если у вас есть конкретная проблема, как решить, какой тип выбрать? И я дал вам вопросы, которые вы можете задать. Затем мы говорили о том, как ваша компания может использовать это хорошо для трансформации лучшим образом, и вопросы, которые вы можете задать о культуре и подготовке ваших людей. Итак, мы только что завершили исследование — оно выходит завтра в Sloan Management Review — о том, как наша компания смотрит на трансформацию с помощью генеративного ИИ. И мы искали эти гигантские трансформации. Давайте изменим весь процесс андеррайтинга в фирме. Или давайте передадим все наши продажи и обслуживание клиентов компьютеру. Мы этого не нашли. Но мы нашли много мелких трансформаций, которые происходят, и люди начинают получать большую ценность от этого и готовятся к более крупным трансформациям со временем. Итак, то, что мы делаем, если вы думаете о больших трансформациях как о трансформации с большой буквы «Т», то, что мы обнаружили, это то, что компании делают много трансформаций с маленькой буквы «т», меньших трансформаций. Но они делают это систематически, что помогает им подготовиться. И это выглядит так. Уровень 1: большинство компаний уже думают об индивидуальной производительности. Вот версия LLM, которую безопасно использовать. Или вот наша собственная частная версия. McKinsey, например, теперь имеет LLM, который просматривает все их слайды. И это не идеально. Но если вам нужно узнать об энергетике в Юго-Восточной Азии, McKinsey, вероятно, делала это раньше. И это может помочь ответить на некоторые вопросы. Так что не только общедоступные вещи, но и частные вещи, которые они начинают делать с точки зрения индивидуальной производительности, очень низкий риск. Они просто информируют людей. Это хороший способ начать. Номер два — специализированные роли и задачи. Давайте начнем трансформировать это. Так что мы видим это в колл-центрах много. Мы видим это в программировании. Мы видим это в некоторых других вещах. Обычно человек все еще остается в цикле. Но иногда для низкорисковых вещей они позволяют компьютеру взять на себя управление, как в Lemonade. Lemonade обрабатывает 50% вещей автоматически, 50%. Более рискованные вещи они берут на себя. И так это начинает происходить. И тогда то, чего мы не видим так много, кроме как в технологических компаниях, это фактически прямое воздействие на клиента. Так как же нам об этом подумать? На первом уровне, индивидуальная производительность, суммируйте эти документы. Многие банки, которые я знаю, в ту же минуту, когда компания публикует свою финансовую отчетность, через пять минут все электронные таблицы обновляются. Раньше для этого требовалось много стажеров. Теперь это просто происходит. Такие вещи могут происходить. Суммируйте — ну, извините. Это следующий шаг. Но суммирование документов, эй, что только что произошло на моей встрече? И в LLM, специфичных для компании, возможности в задачах такие же. Можем ли мы разобраться в последнем квартальном отчете по финансам? Можем ли мы подумать о поддержке клиентов? Это человек в цикле. Они, как правило, имеют более низкий риск. И вы держите человека в цикле, чтобы помочь еще больше снизить этот риск. И последнее, но не менее важное: мы видим это дальше, прямое взаимодействие. И мы видим это сейчас онлайн. Люди, которые делают вещи Coach и Kate Spade, такие маленькие вещи, но они стоят больших денег, они персонализируют очень разговорный подход, чтобы помочь вам. Так же, как если бы вы зашли в магазин, и этот человек заставил бы вас купить ту сумочку, за которую вы заплатили слишком много денег, теперь онлайн они могут начать делать то же самое. Относительно низкий риск, такие вещи начинают происходить, а также идея выполнения первого или второго уровня обслуживания клиентов. И это происходит. Компании-производители уже делают это, потому что они должны. То, чего мы видим меньше, это нижняя часть — трансформация больших процессов. Что произойдет, судя по тому, что мы слышим, это то, что GenAI не заменит все. Но комбинации сделают это. GenAI будет играть роль. Так что многие компании, у нас уже есть формы, которые вы предоставляете. Генеративный ИИ переведет это в данные, которые остальные процессы могут использовать. А затем он переведет это обратно в разговорный формат позже. Вы увидите, как эти комбинации будут происходить все чаще и чаще. Так что вы хотите подумать о рисках и возможностях. То, что происходит здесь, мы называем «склоном риска», как по мере вашего роста вы развиваете свою способность управлять рисками, но вы также развиваете свою способность делать все больше и больше больших вещей со временем. Вот почему это так важно. Доказательства концепции, их легко сделать. Но заставить это работать на большой группе пользователей или клиентов, перейти от лаборатории к реальности очень сложно. И на самом деле, в крупном банке она сказала: «Чем больше вы делаете, тем больше вы находите, что делать». Она не имела в виду больше функций, которые мы можем построить. Она имела в виду больше ошибок, которые нам нужно исправить. И один из способов думать об этом — это H&M, модная компания: «Это почти как поставить шину на машину». Сколько из вас меняли шину на своей машине? Не так много людей. Ну, если вы когда-нибудь меняли шину, вы знаете, что вы не затягиваете один болт очень сильно, а затем другой, потому что вы согнете шину. Вы согнете обод. Затяните немного, немного, немного, немного. Вот как вы должны думать о своей способности ИИ в ваших компаниях. Сделайте это здесь. Учитесь оттуда для следующей вещи, следующей вещи. Итак, каков вывод? Я только что дал вам много информации. Но это нормально. Это MIT. Вы умные люди. ИИ может казаться разумным, но будьте разумны в том, как вы его используете. Но помните, то, что он не идеален, не означает, что он плох. Ваши люди тоже совершают ошибки. Давайте установим правильные процессы, правильные средства контроля, чтобы справиться с тем фактом, что люди иногда ошибаются. Номер два, начните с проблемы, а не с технологии. И во многих случаях ответом будут комбинации, а не только одна из них. Вы смотрите на задачу, которую нужно выполнить. Номер три, начните сейчас, потому что если вы собираетесь поставить эту шину на свою машину понемногу, вы поднимаетесь по склону роста, склону риска. И каждый раз, когда вы что-то делаете, вы узнаете больше, чтобы стать лучше в этом. Вам нужно помочь своим людям быть готовыми, потому что если они не готовы, они будут бороться с вами. И они будут бороться с вами либо очень активно, либо, скорее всего, они просто скажут: «О, это сложно. Я не знаю, что делать». Те из вас, у кого есть подростки, знают, что они делают и то, и другое. И последнее, но не менее важное: постоянно совершенствуйтесь. Что вы можете сделать с мелкими трансформациями, которые помогут большим трансформациям позже? Итак, у меня осталось ровно десять секунд. Так что я попрошу задать вопросы, хотя мне это не разрешено. Так что давайте зададим несколько вопросов. Но я не выйду слишком далеко за рамки. Можем ли мы задать вопросы? Кстати, много хороших материалов для чтения, если хотите, включая новую статью, так что большое спасибо. Что нам делать с вопросами? Они здесь. Я не выбираю вопрос. Это страшно. Наше агентство подталкивает всех к использованию ИИ, даже рабочих синих воротничков. Это правильный ход? Нужно ли это всем? Интересный вопрос, который вы упомянули: они подталкивают всех. Как вы можете поощрить всех? Вы видите разницу? Если я скажу: «Вы должны это сделать», половина людей скажет: «Вы не можете мне указывать». Если вы скажете: «Эй, это интересный набор инструментов, давайте попробуем помочь вам разобраться», они могут быть немного более заинтересованы. Так что я предлагаю: поощряйте всех делать это, и вы можете чему-то научиться. И если вы поощряете всех делать это, они могут предложить некоторые инновации и бороться с этим немного больше. Какой еще вопрос? Вот он. Многие наши работы вращаются вокруг достижения эффективности и оптимизации. Когда ИИ может делать это лучше, на чем будет сосредоточена работа человека? Конечно, у нас была инициатива «Работа будущего». Бен будет говорить об этом больше после обеда, некоторые действительно увлекательные вещи. Но я убежден, что для людей будет много работы. И в идеальном мире вы берете всю скучную работу, позволяете компьютерам делать это, а людям позволяете делать более интересные вещи. Теперь, это идеальный мир. Но можем ли мы приблизиться? Если вы подумаете о том, как автоматизация работала на протяжении всего времени, она всегда брала на себя рутинную работу. Но для людей все еще оставалась роль. И когда вы смотрите на то, как работает передовое производство, там все еще есть люди. Они просто больше не делают действительно скучную работу. Так что я думаю, что для людей будет роль. И сложная часть — это попытаться выяснить, как внедрить правильные вещи правильным образом и вовлечь ваших людей в этот процесс. Global Opportunity Forum, о котором мы говорим, — это еще одна возможность. Следующий вопрос: как сбалансировать творчество с ИИ и без него? Каковы преимущества, недостатки гибкости идей? Я не вижу никаких недостатков. На самом деле, я вижу недостаток. Я делаю это все время. Какие есть творческие способы подумать об этом? Вы всегда можете игнорировать это. Но что бы я делал без компьютера? Я бы пошел к паре друзей. Какой творческий способ подумать об этом? Так что я не вижу проблемы в том, чтобы помочь компьютеру быть более полезным. Единственная проблема в том, что иногда вы начинаете по одному пути и застреваете на этом пути. Так же, как если вы разговариваете с людьми, когда вы разговариваете с компьютером, будьте готовы выйти из этого пути и попробовать что-то другое. Вы можете стать некреативным, потому что застряли на определенном пути, но абсолютно, гибко используйте идеи насколько можете. Вам не обязательно принимать эти идеи. Как мы можем подготовить молодых людей к работе через 15 лет, которая может не существовать из-за ИИ? Надеюсь, если вы обучаете — о, извините. Позвольте мне сказать иначе. Вы обучаете определенных людей для выполнения работы. У нас есть профессиональное обучение повсюду. Вы обучаете их для этой работы, потому что никто не должен ожидать, что вы начнете работу сейчас, и она будет той же работой через 15 лет. Теперь есть некоторые — моя мама была школьным учителем. Через 15 лет она все еще была школьным учителем. Но она преподавала по-другому. Мой дядя был пожарным. Через 15 лет он все еще был пожарным, но у него были новые инструменты, которые он должен был научиться использовать. Так что вы обучаете людей для работы, если вы обучаете их для работы. Но они также должны получить возможность учиться. Они должны обрести комфорт, установку на рост, чтобы получать вещи. И вы всегда должны обучать этому. Что касается обучения людей тому, что будет хорошим, — креативность, работа с людьми, критическое мышление. Эти вещи, похоже, не выходят из моды. Этот генеративный ИИ — эти вещи, похоже, не выходят из моды какое-то время. На самом деле, написание этих электронных писем, возможно. Но знание того, как настроить эти электронные письма для правильного взаимодействия с людьми, ИИ поможет, но эти вещи будут происходить. Так что то, что я называю этими человеческими навыками — и у нас есть структура, которую мы называем MIT — когда я был в Open Learning, структура человеческих навыков. В этой структуре мы думаем о том, как я думаю, как я работаю с другими, как я управляю собой, как я веду других. Эти навыки, вероятно, не исчезнут. И поэтому, как вы можете получить их в колледже? Как вы можете получить их в старшей школе? Командная работа, письмо и общение, руководство, даже когда вам 12 лет. Думаю, на этом мое время подошло к концу. Так что я хочу поблагодарить вас. И я буду рядом на обеде, если вы захотите поговорить. Пока. [АПЛОДИСМЕНТЫ] [МУЗЫКА ИГРАЕТ]