Для внедрения генеративного ИИ на предприятии требуется дорожная карта, ориентированная на данные. Руководители могут использовать четко определенную операционную модель для успешного масштабирования технологии.
Источник McKinsey & Company
После почти двух лет увлечения генеративным ИИ (gen AI) компании переходят к фазе медового месяца1 заниматься работой, которая важнее всего: создавать ценность с помощью этой заманчивой технологии. Ожидания высоки. Недавний глобальный опрос McKinsey показал, что 65 процентов компаний разного размера, географии и отрасли в настоящее время регулярно используют gen AI, что в два раза больше, чем в прошлом году.2 Инвестиции в gen AI продолжают расти на фоне уверенности в том, что первые успехи, достигнутые высокоэффективными сотрудниками, являются предвестником снижения затрат и будущей прибыли. Но большинство компаний пока не ощутили существенного влияния gen AI.Боковая панель
Чтобы не отставать от конкурентных темпов инноваций, руководители по обработке данных в большинстве организаций разработали стратегии ИИ нового поколения. Не все компании прошли стадию пилотного проекта, но большинство предприняли шаги по интеграции ИИ в свои технологические стеки на том или ином уровне. Тем не менее, модель технической интеграции – это лишь часть того, что необходимо для создания долговременной ценности от ИИ нового поколения. Компании также должны создавать операционные модели ИИ нового поколения, чтобы гарантировать, что внедрение их технологий дает измеримые бизнес-результаты.
Операционная модель – это знакомая структура большинства крупных организаций. Операционная модель компании – это план, в котором описывается, как будут задействованы люди, процессы и технологии для обеспечения ценности для клиентов и заинтересованных сторон. Оно может включать финансовые структуры, партнерские отношения и продуктовые “дорожные карты” для достижения долгосрочных целей компании. Применительно конкретно к gen AI операционная модель включает в себя каждое решение — от кадрового обеспечения и организационных структур до разработки технологий и соответствия требованиям, — которое определяет, как gen AI используется и измеряется во всей компании.
Четко определенная операционная модель gen AI может помочь руководителям успешно и надежно масштабировать gen AI в своих организациях. Данные являются основой успешного внедрения ИИ нового поколения, поэтому руководители подразделений по обработке данных (CDO) часто руководят созданием этих моделей, объединяя технологии, людей и процессы для превращения потенциала ИИ нового поколения в реальное воздействие. Однако при создании операционных моделей gen AI лидеры в области обработки данных обычно попадают в две ловушки:
- Технология ради технологии: Этот подход предполагает выделение значительных ресурсов на развитие искусственного интеллекта нового поколения без четкой бизнес-цели, что приводит к созданию решений, оторванных от реального воздействия. Это может привести к перерасходу средств на инструменты искусственного интеллекта нового поколения, которые редко используются в повседневных рабочих процессах, и создать небольшую ценность для бизнеса.
- Методом проб и ошибок: Этот подход предполагает экспериментирование с разрозненными проектами gen AI, но без координации. Это представляет особый риск в таких секторах, как технологии, розничная торговля и банковское дело, где gen AI обладает потенциалом быстрого повышения производительности. Компаниям в отраслях, где для существенного влияния gen AI на производительность может потребоваться больше времени, таких как сельское хозяйство и обрабатывающая промышленность, потенциально можно позволить себе подождать с внедрением технологии.
Многие бизнес-лидеры ощущают необходимость срочного внедрения ИИ нового поколения. Это дает руководителям, занимающимся обработкой данных, возможность получить одобрение операционных моделей с ИИ нового поколения, которые ставят данные в центр организации.
Когда CDO и их сторонники из числа руководителей будут готовы определить операционную модель искусственного интеллекта нового поколения, каковы первые шаги для начала? И какие меры должны предпринять компании, чтобы гарантировать соответствие этих операционных моделей рискам, управлению, безопасности и соблюдению нормативных требований? Мы представляем практическое руководство, которое руководители отдела обработки данных могут использовать для создания операционной модели gen AI, включая то, как структурировать команды специалистов, организовать ресурсы данных и определить, является ли централизованная разработка или разработка, ориентированная на предметную область, наилучшим подходом.
Разработайте операционную модель gen AI с учетом компонентов
Инновации в области ИИ нового поколения развиваются чрезвычайно быстрыми темпами, поэтому имеет смысл разработать операционную модель, использующую компоненты. При таком подходе компания составляет план по регулярному добавлению новых компонентов ИИ нового поколения в архитектуру предприятия способами, соответствующими бизнес-целям. Операционная модель позволяет вносить изменения в компоненты gen AI без необходимости перестройки технологического стека.
С одной стороны, добавление функциональности gen AI к зрелым элементам, которые требуют меньшего количества регулярных обновлений, таким как облачный хостинг и разделение данных на блоки, требует более высокого уровня инвестиций и сложности внедрения. С другой стороны, быстроразвивающиеся элементы с более коротким жизненным циклом, такие как агенты и хостинг с большой языковой моделью (LLM), должны быть быстрыми в реализации и простыми в изменении.
В этой области организации могут проявлять гибкость, сначала внедряя минимально необходимые компоненты для критических вариантов использования ИИ нового поколения, а затем добавляя и удаляя компоненты по мере развития потребностей. Например, ведущий европейский банк внедрил 14 ключевых компонентов gen AI в архитектуру своего предприятия. Такой подход позволил банку реализовать 80 процентов своих основных вариантов использования gen AI всего за три месяца (рис. 1). Определив компоненты gen AI с наибольшим потенциальным воздействием на ранней стадии, банк сосредоточил свои ресурсы разработчиков на создании функций gen AI, соответствующих четким среднесрочным и долгосрочным целям. Однако, хотя компонентный подход к внедрению ИИ нового поколения является решающим фактором успеха при масштабировании ИИ нового поколения, только 31 процент высокопроизводительных ИИ нового поколения и 11 процентов других компаний приняли эту модель.3
Выставка 1

Чтобы добиться успеха с помощью компонентной модели разработки gen AI, компании могут создать целевую группу для анализа, обновления и совершенствования дорожной карты. Целевая группа также определяет планы выполнения, обеспечивая, чтобы ИТ-отделы, специалисты по данным, ИИ и бизнес-команды несли соответствующую ответственность за конкретные развертывания. Для этого требуется четкая коммуникация между различными заинтересованными сторонами, включая инженеров по ИИ, разработчиков программного обеспечения, специалистов по обработке данных, менеджеров по продуктам и корпоративных архитекторов, а также регулярная отчетность перед руководителями бизнеса. Координация необходима для обеспечения того, чтобы внедрение компонентов было систематизировано и соответствовало целям организации, а не представлялось в виде серии разрозненных пилотных проектов.
Выберите расширенную или отдельную команду gen AI
При построении операционной модели gen AI решающее значение имеет определение основной команды. Есть два основных варианта: расширить существующую команду по обработке данных или ИТ, оснастив их новыми навыками gen AI, или создать отдельную команду gen AI. Последнего можно достичь, выбрав людей из существующей команды по обработке данных или ИТ или наняв новых специалистов. У каждого из них есть свои преимущества и ограничения.
Может показаться, что проще всего назначить существующую команду по обработке данных ответственной за gen AI, хотя маятник может сместиться по мере развития gen AI. Например, ведущая логистическая организация расширила свою ИТ-организацию, в которую вошли команды обработки данных, для запуска нескольких инициатив в области ИИ нового поколения. Компания включила gen AI в свою дорожную карту данных и аналитики, поощряя существующие команды повышать квалификацию в области возможностей gen AI. Хотя компании удалось внедрить пилотный проект gen AI, его масштабы были ограничены. И будущие внедрения проходили медленнее, чем ожидалось, поскольку продукты gen AI были интегрированы в общую технологическую платформу компании, что требовало времени и ресурсов для обеспечения соответствия существующим системам.
Отделение команды gen AI от ИТ-подразделения или организации, занимающейся данными, имеет ряд преимуществ. Такой подход позволяет организации создать новую высококвалифицированную команду gen AI с нуля. Обладая прочным фундаментом в области архитектуры данных и искусственного интеллекта, новая команда может быстро внедрять компоненты gen AI за пределами более крупных ИТ-функций.ПоделитьсяБоковая панель
Несколько ведущих европейских банков создали такие целевые группы по gen AI, предполагая, что они потенциально могут перерасти в полноценные центры передового опыта (CoE). В отраслях с высокой степенью регулирования, таких как здравоохранение и финансовые услуги, создание новых централизованных команд gen AI также представляется наилучшей практикой. Используя этот подход, эти компании запустили несколько проектов gen AI в течение нескольких недель, а не месяцев.
Любая модель может быть успешной, но в обеих есть подводные камни, которых компаниям следует избегать. Если команда gen AI отделена от ИТ, ее дорожная карта все равно должна согласовываться с более широкой ИТ-организацией, чтобы избежать дублирования усилий или создания разрозненных компонентов gen AI в нескольких местах. Карта возможностей и права собственности на каждый компонент должны быть четко определены и распределены по всей организации. Например, целевая группа по ИИ нового поколения могла бы осуществлять надзор за оперативным проектированием и ограждениями, операциями LLM и оркестровкой, а также улучшением модели, но не за приемом, управлением и хранением данных.
Однако, если команда gen AI расширится за счет существующих ИТ-функций и функций обработки данных, команде потребуется успешно управлять двумя совершенно разными технологическими жизненными циклами. Конкретные компоненты gen AI, такие как хостинг LLM и модельные хабы, необходимо будет разрабатывать и внедрять в производство быстрее, чем традиционные ИТ-компоненты и компоненты данных, такие как хостинг и контейнеры.
Независимо от того, выбирает ли компания расширенную или отдельную команду gen AI, для центральной ИТ-команды важно определить общую базовую технологическую инфраструктуру, которая связывает все инструменты gen AI воедино. Невыполнение этого шага может привести к проблемам с соответствием требованиям или технической задолженности — дополнительной работе, необходимой для исправления глючащих продуктов, которые изначально создавались с расчетом на скорость, а не на качество.
Уделите приоритетное внимание управлению данными в стратегических областях бизнеса
Как известно каждому руководителю отдела обработки данных, эффективное управление данными является ключевым фактором при внедрении gen AI. Без функциональной организации данных приложения gen AI не смогут извлекать и обрабатывать необходимую им информацию. Тем не менее, большинство предприятий сообщают о значительных препятствиях в использовании данных, включая проблемы с возможностью повторного использования модели, доступностью, масштабируемостью и качеством. Вот почему стратегия управления данными должна быть частью любой операционной модели для ИИ нового поколения. Управление включает в себя управление поиском документов, их подготовкой, кураторством и маркировкой, а также обеспечение качества данных и соответствия требованиям как для структурированных, так и для неструктурированных данных.
Управление огромными объемами неструктурированных данных, которые составляют более 80% всех данных компаний, может показаться сложной задачей.4 Действительно, 60% высокопроизводительных ИИ нового поколения и 80% других компаний изо всех сил пытаются определить комплексную стратегию организации своих неструктурированных данных.5 Для решения этой задачи организации могут расставлять приоритеты в определенных доменах и поддоменах неструктурированных данных на основе бизнес-приоритетов. Например, одна компания может установить приоритет в области данных, которая группирует все разрабатываемые продукты gen AI в одно бизнес-подразделение, в то время как другая может установить приоритет в области, в которой группируются все данные, относящиеся к определенной функции, такой как финансы или управление персоналом. Идеальные домены и поддомены должны быть достаточно маленькими, чтобы их можно было использовать, и в то же время достаточно большими, чтобы обеспечить значительный, измеримый результат.
Поскольку работа с неструктурированными данными может быть незнакомой многим специалистам по обработке данных, процесс должен быть запущен экспертами централизованно. Эти эксперты, как правило, являются инженерами по обработке данных, обученными работать с неструктурированными данными, а также инженерами по обработке естественного языка, объединенными в CoE. Они устанавливают и внедряют процессы управления неструктурированными данными, чтобы они были доступны для систем gen AI. Они гарантируют, что политики в операционной модели gen AI компании обеспечивают представление о том, когда и где используются данные. Они также обеспечивают неизменные стандарты качества данных, управления рисками и соответствия требованиям.
Однако, как только CoE предоставит дорожную карту внедрения, эксперты в предметной области, осуществляющие бизнес-надзор, должны взять на себя процесс управления данными. Они лучше подготовлены для извлечения знаний из конкретных записей в своей области, чем только специалисты по обработке данных. По мере того, как бизнес-подразделения начинают предоставлять больше данных более высокого качества для более широкого спектра вариантов использования, централизованные группы обработки данных, как правило, перегружены спросом, и им не хватает опыта для проверки качества, достоверности и маркировки документов, относящихся к конкретной предметной области.
План децентрализованного подхода к разработке gen AI
По мере того, как доменные команды становятся более опытными в управлении данными, компании могут принять решение о постепенном расширении участия этих команд в разработке gen AI — переходе от централизованной модели к федеративной и, наконец, к децентрализованной (рис. 2). Дальновидные руководители, занимающиеся обработкой данных, могут захотеть убедиться, что их дорожные карты работы с gen AI включают будущие сценарии децентрализованного развития. Следует рассмотреть три подхода.
Выставка 2

Централизованный искусственный интеллект нового поколения
Некоторые компании предпочитают централизовать gen AI в своих собственных областях. Это позволяет организациям быстро наращивать возможности и контролировать затраты. Ведущая мировая телекоммуникационная компания использовала эту модель, превратив gen AI в узел своих бизнес-подразделений, работающих под руководством главного специалиста по данным и ИИ. Компания смогла быстро создать компетентную команду gen AI, объединив существующих сотрудников в центральное подразделение. Такой подход позволил снизить затраты на разработку и снизил риск создания схожих проектов несколькими командами.
Объединенный gen AI
По мере того, как компании наращивают опыт в области gen AI, они часто выбирают федеративную модель, при которой бизнес-единицы несут не только ответственность за использование данных, относящихся к их доменам, но и берут на себя обработку данных и хранилища. Эта модель позволяет доменам глубже интегрировать gen AI в свои повседневные рабочие процессы для повышения эффективности бизнеса.
Крупный североамериканский инвестиционный банк выбрал федеративную модель для разработки вариантов использования ИИ нового поколения в рамках бизнес-подразделения. Варианты использования ИИ нового поколения оказались настолько успешными, что позже компания выделила финансирование для масштабирования аналогичных инструментов ИИ нового поколения по всей организации. Эта модель проекта lighthouse, при которой инновационный проект разрабатывается внутри бизнес-подразделения, а затем распространяется по всей организации, может стать успешным способом ускорить внедрение gen AI без дублирования проектов.
Децентрализованный gen AI
Некоторые инновационные организации продвигают децентрализацию еще дальше, перенося все возможности gen AI в домены. В этой модели каждая область создает свою собственную команду gen AI, состоящую из бизнесменов, специалистов по данным и технических специалистов, объединенных общей целью разработки соответствующих приложений gen AI. Децентрализованная модель разработки gen AI позволяет доменам создавать агентов gen AI, адаптированных специально к их потребностям, которые они затем могут предлагать другим доменам. Например, маркетинговая область, которая создает агентов для создания контента в социальных сетях и управления публикациями, может затем использовать этих агентов во многих других областях, таких как развитие бизнеса, продажи и успех у клиентов. При таком подходе для централизованной ИТ-команды важно сохранять видимость разрабатываемых инструментов, чтобы избежать “слепых зон” и гарантировать, что никакие две команды не разрабатывают похожие инструменты gen AI.
Объединяйте федеративные команды с помощью общей инфраструктуры
Хотя бизнес-подразделения знают, какие повседневные проблемы им необходимо решать с помощью gen AI, и, таким образом, имеют все возможности для создания конкретных вариантов использования в своих областях, этот децентрализованный процесс разработки никогда не должен ставить под угрозу общую безопасность или отказоустойчивость компании. Вместо этого компаниям следует обеспечить, чтобы ИТ-команды создавали базовую общую инфраструктуру и управляли ею, поверх которой разрабатываются и внедряются все инструменты gen AI. ИТ-команда также должна отвечать за создание воспроизводимых платформ, которые могут использоваться всеми бизнес-подразделениями, таких как библиотека подсказок, репозиторий кода Python, стандартные агенты и систематизированное облачное хранилище. Этот тип централизованного управления ИТ позволяет бизнес-подразделениям создавать новые инструменты gen AI, обеспечивая при этом соответствие всех разрабатываемых ими вариантов использования высокозащищенной и унифицированной технологической платформе.
Особое внимание уделяется управлению рисками и соблюдению нормативных требований
ИИ нового поколения сопряжен с повышенными рисками, включая потенциальные галлюцинации, дезинформацию и утечки данных. Вот почему каждая операционная модель ИИ нового поколения должна включать четкие положения о управлении рисками и соблюдением требований. Компании могут начать с определения уровней риска, которые они готовы терпеть при использовании gen AI, и с того, какие области бизнеса требуют дополнительных мер предосторожности. В этой первоначальной оценке рисков оцениваются различные способы воздействия приложения gen AI на компанию, клиентов и партнеров. По завершении оценки рисков компании могут составить план управления и мониторинга, в котором также должны быть определены любые новые количественные и качественные тесты, которые необходимо провести. Снижая риски, компании могут продвигаться вперед по внедрению ИИ нового поколения вместо выжидательной позиции, которая может снизить конкурентоспособность.
С практической точки зрения, создание плана управления рисками gen AI включает в себя шестиэтапный процесс, который руководители отдела обработки данных должны постоянно отслеживать и обновлять по мере возникновения новых потенциальных рисков и внедрения новых инструментов.
- Определите новые риски: Попросите разработчиков и пользователей технологий определить потенциальные угрозы, связанные с ИИ, для включения в общий план компании по борьбе с рисками.
- Классифицируйте инструменты ИИ нового поколения: Поощряйте команды по обработке данных к сотрудничеству с функцией управления рисками, чтобы в первую очередь осуществлять надзор за наиболее важными инструментами ИИ нового поколения.
- Внедряйте многоуровневый подход: Регулируйте глубину и частоту использования методов высмеивания для каждого инструмента искусственного интеллекта нового поколения на основе постоянной оценки рисков.
- Сделайте отслеживание рисков привычным делом: Начните надзор на этапе разработки, продолжая измерять риски на протяжении всего внедрения и производства.
- Подготовьте команды по управлению рисками для достижения успеха: Создайте CoE с разработчиками и руководителями по управлению рисками, чтобы гарантировать, что команда по управлению рисками идет в ногу с развивающимися тенденциями gen AI.
- Вовлеките в работу всех: убедитесь, что конечные пользователи, разработчики, менеджеры и руководители понимают политику компании по безопасному использованию gen AI.
Следуя приведенным выше рекомендациям, руководители отдела обработки данных могут создать структуру рисков, которая уравновешивает надзор со способностью поддерживать быстрое принятие решений и гибкое внедрение ИИ нового поколения. Надежный план управления ИИ также помогает компаниям идти в ногу с постоянно меняющимися правилами в области ИИ. Например, Закон ЕС об искусственном интеллекте подчеркивает необходимость прозрачности, требуя от организаций уведомлять пользователей о рисках ИИ, обеспечивать качество выходных данных модели и проводить регулярные оценки соответствия. Законодательство многих стран требует от компаний соблюдения стандартов конфиденциальности, которые могут повлиять на то, как инструментам gen AI разрешается использовать данные. Любая модель управления gen AI должна быть достаточно гибкой, чтобы учитывать соответствующие нормативные акты и обновления.
По мере того, как gen AI переходит от экспериментов к внедрению, компании должны создавать как операционные, так и технические модели для успешного руководства развертыванием в своих организациях. Данные находятся в центре этих моделей. Компании должны организовать все свои данные таким образом, чтобы приложения gen AI могли безопасно получать к ним доступ при масштабировании. С операционной точки зрения руководители отдела обработки данных должны координировать внедрение ИИ нового поколения как настоящие цифровые преобразования, применяя лучшие практики для обеспечения четкого управления, целей и ключевых результатов, а также мониторинга прогресса.
С таким скоординированным планом компании могут быстро запускать сценарии использования ИИ нового поколения из централизованного центра сертификации. Они также могут подготовиться к долгосрочному переходу к децентрализованному подходу к разработке, поддерживаемому общей технологической инфраструктурой, которая может обеспечить гибкое внедрение ИИ нового поколения, необходимое компаниям для конкуренции в современной быстро развивающейся экономике ИИ.
ОБ АВТОРЕ (АВТОРАХ)
Алекс Сингла является старшим партнером чикагского офиса McKinsey; Асин Таваколи является партнером офиса в Дюссельдорфе, где Хольгер Харрайс является старшим партнером; Кайваун Роушанкиш является старшим партнером офиса в Нью-Йорке; Клеменс Хьяртар является старшим партнером офиса в Копенгагене; а Гаспар Фуйян и Оливье Фурнье являются консультантами офиса в Париже.
Авторы хотели бы поблагодарить Жана-Батиста Дюбуа, Джона Бурстейна и Педро Дж. Сильву за их вклад в эту статью.
Эту статью отредактировала Кристи Эссик, исполнительный редактор офиса Bay Area.