Технологические тренды 2026

Введение

• Хаотичная середина прорывных перемен Автор: Скотт Д. Энтони

В своем классическом труде 1620 года «Новый органон» сэр Фрэнсис Бэкон выделил три технологии — печатный станок, компас и порох, — которые «изменили облик и состояние всего мира». Каждое из этих изобретений провело черту между «до» и «после».

Аддитивное производство. Искусственный интеллект. Автономные транспортные средства. Чистые технологии. Криптовалюты. Дроны. Культивируемое мясо. Смешанная реальность. Робототехника. Умное здравоохранение. В будущем мы, скорее всего, будем оглядываться назад и различать «до» и «после» каждой из этих продолжающихся трансформаций. Однако прямо сейчас ситуация кажется крайне хаотичной.

И в этом нет ничего необычного. В моей книге «Epic Disruptions» исследуются 11 исторических переломов. Одна из глав посвящена автомобилю Model T. Видение Генри Форда заключалось в создании автомобиля для «широких масс», настолько доступного, что, по словам Форда, «ни один человек, получающий хорошее жалованье, не окажется не в состоянии владеть им». Форд сдержал обещание. Он следовал классической модели того, что мы теперь называем прорывной инновацией. Он сделал дорогой и сложный продукт доступным и простым в использовании. Он сыграл решающую роль в создании индустрии, которая помогла сформировать современный мир.

На момент дебюта в 1908 году Model T стоила 850 долларов. В сегодняшних ценах это примерно 30 000 долларов. К 1924 году развитие и совершенствование сборочной линии позволило снизить цену до 260 долларов (около 5000 долларов в современных деньгах). Однако простого снижения стоимости автомобиля было недостаточно для наступления автомобильной эры. Успех также требовал победы в битве за «душу» улиц крупных городов. Ведь города проектировались для пешеходов, лошадей и общественного транспорта. В них не было светофоров и норм о том, как и где пешеходы должны переходить дорогу.

Резкий рост числа автомобилей породил хаос и привел к многочисленным жертвам. На газетных карикатурах 1920-х годов Смерть часто изображали за рулем автомобиля. На одном из рисунков в St. Louis Star был показан коленопреклоненный человек, протягивающий блюдо с детьми автомобилю с безумной антропоморфной ухмылкой. В 1922 году мэр Балтимора открыл восьмиметровый обелиск из дерева и гипса как памятник 130 детям, погибшим в автокатастрофах за тот год.

Развернулась яростная пиар-кампания. Автомобилисты придумали термин для пешеходов, которые переходили дорогу в неположенных местах или неправильно. Слово «jay» (сойка) в то время означало необразованного деревенского жителя, который чувствовал себя не в своей тарелке в городе. Так появилось ругательство «jaywalker» (неосмотрительный пешеход). Любители автомобилей привлекали бойскаутов для раздачи карточек против «джейуокинга».

Пешеходы давали отпор. Они пытались клеймить безрассудных водителей словом «flivverboobs» (фливвербубы). «Flivver» было сленговым названием автомобиля, обычно дешевого или низкокачественного. А «boob» (болван) — ну, это понятие вне времени. К 1924 году судья судов по дорожным делам Нью-Йорка приписывал от 70% до 90% несчастных случаев «джейуокингу». Сегодня, если вы введете слово «flivverboob» в Microsoft Word, характерная красная волнистая линия покажет, что оно больше не используется. На самом деле оно практически исчезло всего через несколько лет.

Это была не просто маркетинговая победа Форда и других автопроизводителей. Это был ключевой шаг в трансформации транспорта. Спустя более чем столетие после триумфа автомобилистов мир снова оказался в «хаотичной середине» ряда текущих прорывных перемен. Книга «Технологические тренды 2026» — это незаменимое руководство, позволяющее отсечь лишний шум и принять взвешенные решения в условиях значительной неопределенности. Сборник начинается, разумеется, с ИИ, но охватывает и другие важные технологические истории, завершаясь практическими рекомендациями о том, как предсказывать и строить будущее вашей компании.

Говорят, что история не повторяется, но часто рифмуется. В книге «Технологические тренды 2026» четко прослеживаются четыре паттерна, объединяющие исторические потрясения:

1. Инновации — это задача не для немногих; это ответственность многих.

Миф об одиноком изобретателе — это лишь миф. Даже в историях инноваций с четким главным героем, таких как печатный станок Иоганна Гутенберга, задействован широкий круг персонажей. У Гутенберга были деловые партнеры, финансовый покровитель (который позже подал на него в суд), клиенты и так далее. Да, должен быть визионер, который видит то, чего не видят другие. Но помимо этого требуется гораздо больше. Инновация — это коллективный индивидуалистический акт.

Эта тема отчетливо проходит через весь сборник. Такие трансформации, как ИИ и автономные транспортные средства, продвинутся вперед только при наличии параллельных усилий по созданию системных драйверов и разработке соответствующей обеспечивающей инфраструктуры. Ни один одиночный игрок не в силах решить столь сложные проблемы. «Именно сочетание труда, капитала и ИИ — если что и создаст — обеспечит ту ценность, которую сейчас прогнозируют», — отмечают Хосе Парра-Мойяно и Амит Джоши в своем материале о важности дан...

ных кооперативов. Технологии — важнейшая составляющая дизруптивных изменений, но лишь одна из многих. Как отмечают Скотт Зольди и Джордан Т. Левин в своем обзоре внедрения блокчейна в FICO для укрепления доверия, «запуск этой системы был, прежде всего, проблемой не технологий, а организации и людей».

2. Инновации предсказуемо непредсказуемы

Существуют четкие закономерности, проходящие сквозь все исторические периоды технологических прорывов. Успех McDonald’s, например, зеркально отражает усилия Ford по созданию комплексной системы производства и поддержки доступных автомобилей. McDonald’s не был первым рестораном, где подавали гамбургеры. Он не был первой компанией, внедрившей франчайзинговую модель и меню. Он даже не был первым, кто достиг определенного масштаба. Но он стал первым, кто соединил все элементы в собственную сквозную систему.

Хотя общие паттерны предсказуемы, каждый путь полон уникальных сюрпризов и трудностей. В 1950-е годы, например, корпорация McDonald’s заработала в совокупности менее 200 000 долларов прибыли, даже когда ее франшизы процветали. Предположение о том, что финансовый успех придет от продажи большего количества гамбургеров, оказалось неверным — или, по крайней мере, неполным. Рост ускорился, когда компания нашла верную формулу фиксации прибыли через сублизинг недвижимости владельцам франшиз. То, что McDonald’s будет неустанно искать способ прибыльного масштабирования, было предсказуемо. Конкретный ответ, который компания нашла, оказался неожиданным.

Всякий раз, когда развивается широкая дизруптивная тенденция, инноваторы ищут убедительную стратегию успеха. По некоторым подсчетам, в первые два десятилетия XX века (с 1900 по 1920 год) существовало более 2000 производителей автомобилей. Неудивительно, что сегодня мы наблюдаем почти постоянные шокирующие события в переполненных и «разогретых» сферах, таких как ИИ (например, запуск DeepSeek в начале 2025 года, подробно описанный в статье Тоби Э. Стюарта). Это одна из причин, почему вопросы «что, если?», которые Эми Уэбб предлагает в своей статье о «живом интеллекте», настолько важны. Попытайтесь представить то, что кажется невообразимым, потому что это может стать реальностью раньше, чем вы думаете. Когда речь идет о переменах, нужно ожидать неожиданного.

3. Инновации требуют терпеливой настойчивости

Сегодня много говорят об ускоряющемся темпе перемен; о том, как, например, ChatGPT стал самой быстрой инновацией в истории, набравшей сто миллионов пользователей. Да, это конкретное применение ИИ было внедрено быстро. Однако ChatGPT был запущен, по сути, на 66-м году существования ИИ, если вести отсчет от конференции 1956 года в Дартмутском колледже. То, что кажется стремительным внедрением за короткий период, часто является лишь финальной стадией медленных и устойчивых фоновых разработок.

Например, также в 1956 году компания Procter & Gamble поручила группе специалистов изучить рынок одноразовых подгузников. Затем компания создала продукт, который провалился на первом тестовом рынке из-за низкого качества, плохо показал себя на втором из-за завышенной цены и добился лишь скромного успеха на третьем. P&G проявила настойчивость, и к 1970 году заняла 92% рынка одноразовых подгузников, который к тому времени вырос и вдвое превысил объем индустрии обслуживания тканевых подгузников. Дизруптивные инновации требуют терпения в моменты крутых поворотов, фальстартов и неудач.

Автономные транспортные средства следуют той же модели. Такер Дж. Мэрион, Дэвид Дидс и Джон Х. Фрайар красноречиво прослеживают их историю, показывая, как та же Ford Motor Company впервые продемонстрировала версию этой технологии еще в 1925 году. Трансформация, отмечают авторы, происходит не от одной технологии, а от их комбинации. Темой нескольких статей сборника является необходимость фокусироваться, экспериментировать, пробовать и учиться. В увлекательном обзоре того, как 570 экспертов расходятся во взглядах на будущее сферы труда, Ники Дрис, Йост Люйкс и Филип Рожье отмечают, что «принятие неопределенности и конкурирующих сценариев на самом деле необходимо для долгосрочного стратегического планирования».

4. Подрывные инновации отбрасывают тень

Сегодня инновации рассматриваются как безусловное благо. Так было не всегда. В 1548 году король Эдуард VI (или его советники; в конце концов, ему было всего 10 лет) издал «Прокламацию против тех, кто вносит новшества». В то время инновация была не героическим поступком, а актом ереси против религиозных норм.

Изменения по своей природе бросают вызов статус-кво, что может быть полезно для мира, но не слишком приятно для тех, кто стремится этот статус-кво сохранить. Внедрение прорывных технологий может быть болезненным. Дизрупция меняет динамику в организациях, отраслях и обществе. Это хорошо для одних и плохо для других. Если игнорировать тень, которую отбрасывают перемены, она может вас поглотить.

Сегодняшние тесно связанные технологии отбрасывают собственную тень. Рафаэль Яхалом анализирует уроки сбоя CrowdStrike — казалось бы, простого обновления контента, которое пошло не так и нанесло ущерб в миллиарды долларов. Кристина Шим напоминает нам, что ИИ, при всей его увлекательности, оставляет тяжелый экологический след. Решение подобных вопросов будет критически важным для максимизации положительного эффекта от текущих перемен и смягчения неизбежной негативной реакции.

Около 1600 лет отделяют старейшую из технологий «троицы Бэкона» (компас) от новейшей (печатный станок). Сегодня кажется, что мы находимся на пороге очередного эпохального прорыва каждые 1600 минут. Пока эти истории пишутся, помните об этих четырех исторических уроках. Они помогут вам разобраться в сегодняшней турбулентности и превратить нынешнюю неопределенность в возможности завтрашнего дня.

Что ждет ИИ в будущем?

1. Что такое агентный ИИ и как он изменит работу?

Марк Пурди

То, как люди взаимодействуют и сотрудничают с ИИ, совершает резкий скачок вперед благодаря агентному ИИ. Представьте: ИИ-агенты, которые могут спланировать вашу следующую поездку за границу и организовать все перемещения; человекоподобные боты, выступающие в роли виртуальных опекунов для пожилых людей; или специалисты по цепочкам поставок на базе ИИ, способные на лету оптимизировать запасы в ответ на колебания спроса в реальном времени. Это лишь некоторые из возможностей, открывающихся в грядущую эру агентного ИИ.

В то время как предыдущие ИИ-помощники работали на основе правил и имели ограниченную способность действовать независимо, агентный ИИ получит полномочия делать гораздо больше от нашего имени. Но что же это такое на самом деле?

«Определить агентный ИИ можно одним словом: проактивность», — сказал в интервью Энвер Четин, эксперт по ИИ в международной компании Ciklum, занимающейся проектированием клиентского опыта. «Это относится к системам и моделям ИИ, которые могут действовать автономно для достижения целей без необходимости постоянного руководства со стороны человека. Агентная система ИИ понимает цель или видение пользователя, а также контекст проблемы, которую он пытается решить».

Чтобы достичь такого уровня автономного принятия решений и действий, агентный ИИ опирается на сложный ансамбль различных технологий машинного обучения, обработки естественного языка и автоматизации. Хотя агентные системы ИИ используют творческие способности генеративных моделей, таких как ChatGPT, они отличаются по нескольким параметрам. Во-первых, они сосредоточены на принятии решений, а не на создании контента. Во-вторых, они не полагаются на подсказки (промпты) человека, а настраиваются на оптимизацию конкретных целей или задач, таких как максимизация продаж, показателей удовлетворенности клиентов или эффективности процессов в цепочке поставок. И в-третьих, в отличие от генеративного ИИ, они могут выполнять сложные последовательности действий, самостоятельно осуществляя поиск в базах данных или запуская рабочие процессы (воркфлоу) для завершения задач.

Преимущества работы с агентным ИИ

Благодаря своим расширенным возможностям рассуждения и исполнения, агентные системы ИИ обещают трансформировать многие аспекты сотрудничества человека и машины, особенно в тех сферах деятельности, которые ранее были защищены от автоматизации. Это включает проактивное управление сложными ИТ-системами для предотвращения сбоев, динамическую перенастройку цепочек поставок в ответ на геополитические или погодные катаклизмы, а также реалистичное взаимодействие с пациентами или клиентами для решения их проблем. Тремя основными преимуществами станут рост специализации персонала, повышение доверия к информации и ускорение инноваций.

Рост специализации

Важность специализации рабочей силы — «разделения труда» — осознавалась еще со времен знаменитого визита Адама Смита на булавочную фабрику, описанного в первых абзацах «Богатства народов». Смит наблюдал, как один рабочий «тянет проволоку, другой выпрямляет ее, третий обрезает, четвертый затачивает...» таким образом, что «важное дело изготовления булав разделено примерно на восемнадцать различных операций».

Специализация приносит большую эффективность, обучение в процессе работы и инновации, но ее бывает трудно реализовать, когда бизнес сталкивается с нехваткой кадров и несоответствием между должностными ролями и доступными человеческими навыками. Поскольку агентные модели явно...

модели явно спроектированы для выполнения узкоспециализированных задач, они обеспечивают гораздо более глубокую специализацию ролей по сравнению с прежними системами автоматизации «широкого профиля». Более того, можно оперативно создавать множество агентных ролей. В сфере интеллектуального труда, например, можно задействовать агентов для поиска информации, анализа, формирования рабочих процессов и поддержки сотрудников — и все они будут работать в связке. Некоторые ИИ-агенты также будут действовать «за кулисами», координируя работу других агентов, подобно тому как менеджеры-люди руководят своими командами.

Инновации

Благодаря развитой способности к суждению и исполнению, агентные системы ИИ идеально подходят для экспериментов и инноваций. Например, ChemCrow, агент в области химии на базе ИИ, использовался для планирования и синтеза нового репеллента от насекомых, а также для создания инновационных органических соединений. Мультиагентные модели ИИ также могут сканировать и анализировать огромные исследовательские пространства — такие как научные статьи и базы данных — за долю времени, которое потребовалось бы группам ученых. SciAgent — мультиагентная модель, разработанная исследователями из MIT, — включает не только «роботов-ученых» для разработки планов исследований, но и «Агента-критика» для их проверки и предложения улучшений. Работая вместе, команда ИИ-агентов смогла идентифицировать новый биоматериал, сочетающий шелк и пигменты на основе одуванчика, который обладал лучшими механическими и оптическими свойствами, чем аналогичные материалы, и к тому же требовал меньше энергии для производства.

Повышение доверия

Более высокий уровень когнитивного мышления агентных систем ИИ означает, что они менее склонны к так называемым «галлюцинациям» (вымышленной информации), характерным для генеративных систем ИИ. Агентные системы также обладают значительно более высокой способностью отсеивать и дифференцировать источники информации по качеству и надежности, что повышает степень доверия к их решениям. Например, в то время как информация о клиентах часто рассредоточена в различных форматах по разным подразделениям бизнеса — электронные письма, базы данных, электронные таблицы и тому подобное — агентная система ИИ может быстро определить, что наиболее надежная и актуальная информация, скорее всего, находится в системах управления взаимоотношениями с клиентами (CRM). Агентные системы также спроектированы так, чтобы быстро усваивать человеческие и брендовые ценности компании, гарантируя их соответствие принимаемым решениям и действиям.

Потенциальные сценарии использования

Хотя многие приложения агентного ИИ все еще носят экспериментальный характер или находятся на стадии пилотных проектов, общие контуры потенциальных сценариев использования уже начинают прорисовываться в различных отраслях и функциях. Вот некоторые примеры:

Клиентское обслуживание

В отличие от традиционных автоматизированных чат-ботов, которые были предварительно запрограммированы на ограниченный набор ответов и действий, агентные представители службы поддержки могут быстро улавливать намерения и эмоции клиентов и предпринимать самостоятельные шаги для решения запросов и проблем. Например, такой агент может превентивно оценить вероятность задержки доставки, проинформировать об этом клиента и проактивно предложить скидку, чтобы сгладить разочарование. Ema, ИИ-стартап из Калифорнии, предлагает агентных чат-ботов, которые могут динамически просматривать тысячи различных баз данных и приложений для решения жалоб, обучаясь на каждом взаимодействии и предлагая рекомендации для операторов-людей. Ema также проверяет свой контент на точность и соответствие нормативным требованиям, одновременно давая рекомендации по улучшению базы знаний клиентов.

Производство

От управления потоками производственных линий до кастомизации продуктов и внесения предложений по улучшению дизайна — агентный ИИ, вероятно, найдет множество применений в «умном» производстве. Данные от датчиков, установленных на станках, компонентах и других физических активах заводов и транспорта, могут анализироваться агентной системой ИИ для прогнозирования износа и перебоев в производстве, что позволит избежать внеплановых простоев и связанных с ними затрат. Немецкий ИИ-стартап Juna.ai внедряет ИИ-агентов для управления виртуальными фабриками с целью максимизации производительности и качества при одновременном снижении энергопотребления и выбросов углекислого газа. Компания даже предлагает агентов, адаптированных под конкретные цели, таких как «агенты по производству» и «агенты по качеству».

Поддержка продаж

Для торговых представителей критически важная цель поиска и развития лидов (продаж) часто тонет в массе электронных писем, документов и других рутинных, но необходимых административных задач. Агентные системы ИИ могли бы радикально освободить отделы продаж от этой трудоемкой деятельности. Гигант в сфере CRM-технологий Salesforce, например, недавно представил своего агента-представителя по развитию сервиса (Agent Force Service Development Rep) для помощи человеческим командам продаж. Работая на базе больших языковых моделей (LLM), агент может интерпретировать сообщения клиентов, рекомендовать последующие действия, назначать встречи, отвечать на вопросы и генерировать ответы, соответствующие стилистике бренда компании. Эти действия дополняет агент-коуч (Agent Force Sales Coach), предоставляющий персональную обратную связь сотрудникам и возможности для обучения через виртуальные ролевые игры.

Здравоохранение и социальная помощь

Способность адаптироваться к различным условиям, интерпретировать человеческие эмоции и проявлять эмпатию делает агентные системы ИИ идеальными для нерутинной работы, требующей «мягких навыков» (soft skills), в таких областях, как здравоохранение и уход. Hippocratic AI, калифорнийская компания в сфере агентного ИИ для здравоохранения, создала целую фалангу агентов, адаптированных к различным областям медицины и социальной поддержки. В их рядах числится Сара — ИИ-агент, который «излучает теплоту и понимание», помогая людям в домах престарелых. Сара может спрашивать пациентов о том, как прошел их день, составлять меню, организовывать транспорт и регулярно напоминать о приеме лекарств. Джуди, другой агент на базе ИИ, помогает пациентам с предоперационными процедурами: например, напоминает о времени и месте прибытия или консультирует по вопросам предоперационного голодания или прекращения приема лекарств.

Предстоящие вызовы

Несмотря на значительный потенциал для трансформации взаимодействия человека и машины, а также для повышения эффективности и роста бизнеса, агентные системы ИИ все еще находятся на относительно ранней стадии развития. Более того, вопреки их расширенным возможностям рассуждения и исполнения, они не избавляют от традиционных проблем управления персоналом; вместо этого они их трансформируют. Как и в случае с обычным человеческим коллективом, менеджеры по-прежнему должны уделять внимание вопросам состава команды и распределения ролей, а также ставить правильные общие цели, чтобы агентные или гибридные команды могли добиться успеха. Они также должны тщательно калибровать условия, при которых агентным системам ИИ можно доверить принятие решений, и обстоятельства, требующие вмешательства человека.

Условия успеха

Чтобы извлечь выгоду из возможностей агентного ИИ и при этом минимизировать риски, руководителям следует учитывать следующие императивы:

Ставьте SMART-цели

Подобно тому как эффективность человеческих команд может быть подорвана плохо определенными или нечетко сформулированными целями, агентные системы ИИ могут сбиться с курса, если задачи поставлены неясно. На самом деле, постановка целей становится еще более важной для агентного ИИ, поскольку изначально этим системам не хватает контекстной информации — такой как организационный и рыночный контекст, ценности компании и так далее, — которая часто понимается сотрудниками-людьми по умолчанию. Эрол Четин из Ciklum подчеркивает важность комплексного целеполагания: «Для успеха агентного ИИ модели должны иметь SMART-цели (конкретные, измеримые, достижимые, релевантные, ограниченные по времени) и подцели, а также знать, как их измерять. Они должны обладать правильной контекстной информацией — почему эти цели важны для компании, как они влияют на выручку и т. д. Наконец, нам как менеджерам необходимо наладить обратную связь для настройки моделей по мере того, как мы узнаем больше об их эффективности».

Уделяйте внимание подбору команды

По сравнению с генеративным ИИ, который во многом основан на вводе промптов в LLM с единичными вопросами, агентный ИИ — это в гораздо большей степени командная работа. Он задействует множество ИИ-агентов, каждый из которых играет свою роль в достижении глобальной цели, будь то максимизация клиентского опыта или разработка более экономичного бизнес-процесса. Как и в человеческих коллективах, здесь неизбежно возникнут проблемы координации, конфликтов и управления ресурсами. Менеджерам, использующим агентные системы ИИ, нужно будет внимательно следить за подбором команд, обеспечивая правильное сочетание агентных ролей, эффективно выполняющих нужные задачи. Кроме того, им придется тщательно продумывать, как агентные команды взаимодействуют с людьми для достижения доверия и эффективности.

Структурируйте пространство принятия решений

Хотя агентные модели ИИ специально разработаны для оценки вариантов и выполнения сложных последовательностей действий, они не застрахованы от ошибок и могут ошибаться так же, как и люди. Наука об обучении подчеркивает важность «скаффолдинга» (создания поддерживающих структур) в процессе познания...

...на основе таких факторов, как критичность решения, последствия ошибок, степень уверенности в данных, использованных для обучения моделей, уровень человеческого контроля и опыт сотрудников, работающих с этими системами.

Со времен первых механических автоматов и до современных чат-ботов ученые и инженеры мечтали о будущем, в котором системы ИИ смогут работать и действовать разумно и независимо. Последние достижения в области агентного ИИ делают это автономное будущее на шаг ближе к реальности.

Потенциальная выгода от агентного ИИ огромна: он обещает рост производительности, приток инноваций и ценных инсайтов для человечества. Однако велики и риски: предвзятость, ошибки и ненадлежащее использование. Своевременные действия лидеров бизнеса и правительств помогут направить развитие агентного ИИ в нужное русло, обеспечив безопасность и справедливость его преимуществ.

Ключевые выводы

• Агентный ИИ кардинально меняет принципы взаимодействия и сотрудничества человека с ИИ. В отличие от прежних ИИ-ассистентов, которые работали на основе жестких правил и имели ограниченную самостоятельность, агентный ИИ проактивен: он действует автономно для достижения целей без постоянного руководства со стороны человека.
• Глубокая специализация. Эти системы позволяют более детально разделять задачи, повышая эффективность и стимулируя инновации.
• Инновации. Агентный ИИ идеален для экспериментирования: он способен быстро анализировать огромные массивы исследовательских данных и предлагать новые решения.
• Надежность. Благодаря продвинутым когнитивным способностям агентные системы менее склонны к ошибкам, чем ранние формы генеративного ИИ, и лучше различают источники информации.
• Потенциальные сценарии использования. Сферы применения включают обслуживание клиентов, производство, поддержку продаж и здравоохранение.
• Вызовы. Менеджеры должны четко определять условия работы ИИ и подбирать правильные команды для разработки и обучения моделей.

Адаптировано по материалам HBR.org, 12 декабря 2024 г. (репринт #H08ISM).

2. Использование блокчейна для укрепления доверия клиентов к ИИ

Авторы: Скотт Золди и Джордан Т. Левайн

За поразительно короткий срок организации из самых разных отраслей внедрили искусственный интеллект (ИИ) для принятия решений, влияющих на повседневную жизнь людей. Поскольку ИИ можно охарактеризовать как «зеркало, отражающее наши предубеждения и моральные недостатки», иногда это приводит к досадным и даже трагическим ошибкам. Предвзятость — лишь одна из множества причин, по которым ИИ считают «черным ящиком» с проблемой доверия. В прошлом году опрос Pew Research показал, что 52% американцев больше обеспокоены, чем воодушевлены присутствием ИИ в повседневной жизни, и лишь 10% испытывают обратные чувства.

Очевидно, что ИИ должен доказать свою надежность. Для этого компании, использующие ИИ, обязаны обеспечить интерпретируемость, проверяемость (аудируемость) и исполнимость (правоприменяемость) решений, принимаемых аналитическими моделями. Интерпретируемость позволяет понять технологию. Проверяемость обеспечивает подотчетность. Наконец, исполнимость развеивает сомнения, создавая фундамент для доверия. Если организации хотят получить реальную выгоду от инвестиций в ИИ, клиенты должны ему доверять. Системное общественное недоверие к ИИ можно преодолеть только тогда, когда клиенты, регуляторы и другие заинтересованные стороны получат ответы на вопросы о принципах работы этой технологии.

Использование подотчетности на базе блокчейна предлагает достижимый операционный путь к прозрачности и ответственности. В компании FICO мы используем технологию блокчейн для укрепления доверия потребителей и финансовой отрасли в целом к ИИ. Блокчейн создает неизменяемую запись каждого аспекта разработки модели ИИ и гарантирует, что каждое действие соответствует корпоративным требованиям и стандартам ответственного ИИ. Система управления моделями ИИ на базе блокчейна не является признаком недоверия к дата-сайентистам; напротив, она демонстрирует, что доверие — это не вопрос личных качеств. В конце концов, важные вещи в жизни не зря закрепляются контрактами.

Блокчейн служит не для поиска виноватых, а для того, чтобы все участники процесса работали честно, эффективно, безопасно и в соответствии со стандартами. При наличии надлежащих структур управления и подотчетности у инноваций в области ИИ появляется безопасное и открытое пространство для развития.

В этой статье представлен кейс о том, как компания FICO пришла к управлению разработкой ИИ-моделей на основе блокчейна, какую выгоду это принесло бизнесу и как другие организации могут внедрить этот подход.

Когда блокчейн встретился с ИИ

В 2021 году команда FICO по исследованию данных (data science), отвечающая за инновации в области ИИ и аналитики, начала использовать блокчейн для управления разработкой моделей. Этот шаг принес ощутимые результаты. Команда разрабатывает базовые технологии для программных платформ FICO, включая системы обнаружения мошенничества и решения для управления кредитными картами (она работает отдельно от подразделения, создающего алгоритмы для расчета кредитного скоринга FICO). Выяснилось, что такой подход не только ускорил вывод инноваций на рынок, но и помог поддерживать стабильную работу новых моделей: блокчейн сократил количество проблем с поддержкой и отзывов моделей более чем на 90%. Это стало возможным благодаря автоматизации процесса отслеживания стремительно растущего числа деталей разработки.

Основы этого подхода закладывались более десяти лет. Команда стремилась документировать и управлять множеством промежуточных решений, из которых складывается сложный процесс создания модели: переменные, архитектура, алгоритмы, данные для обучения и тестирования, скрытые признаки, тесты на этичность и стабильность. Этот процесс также включает огромный человеческий фактор: ученых, которые создают различные наборы переменных, участвуют в создании модели и проводят испытания. Каждое крошечное изменение может повлиять на производительность модели, ответственность ее использования и результаты принимаемых решений.

Первым решением команды стало использование аналитического документа отслеживания (ATD) для руководства процессом разработки. Изначально это был многостраничный документ Word, в котором детально прописывался каждый аспект требований, разработки и тестирования модели.

ATD лег в основу набора специфических требований, связанных со стандартом разработки ИИ-моделей в FICO. Как только все элементы структуры были согласованы, документ становился эталоном для всего процесса разработки. Использование ATD изменило правила игры, но управление сотнями объемных документов и проведение десятков совещаний для подтверждения соответствия каждой модели стандарту создавало слишком большую административную нагрузку. Поэтому в 2021 году FICO перевела весь процесс ATD на частный блокчейн, обеспечив простой способ создания неизменяемого следа принятия решений для каждой модели. Блокчейн исключает любую путаницу в требованиях, используемых алгоритмах и критериях успеха, так как все они фиксируются в цепи до начала разработки. Он также навсегда связывает модель с активами, подтверждающими соблюдение стандартов, выявляет скрытые признаки и определяет, не вносят ли они предвзятость. Система фиксирует, кто работал над признаками, какие тесты проводились, кто из менеджеров одобрил этап и финальный результат. Важно, что блокчейн формирует не просто контрольный список положительных итогов; он также включает ошибки, исправления и улучшения, сделанные в процессе.

Почему блокчейн работает

Аналитический документ отслеживания (ATD) прошел долгий путь от громоздких файлов Word. Подход FICO на базе блокчейна преобразует каждую задачу в удобный интерфейс, интегрированный в повседневную работу специалистов по анализу данных. «Свободный художник», не желающий следовать этому методу, просто не сможет работать иначе: фиксация каждого решения в блокчейне — это обязательное условие рабочего процесса и требование для выпуска моделей.

FICO обнаружила, что ценность неизменяемых записей блокчейна для бизнеса огромна. Мы достигаем согласованности в крупной глобальной организации; процесс разработки сотен аналитических активов ежегодно становится единообразным, что минимизирует путаницу и потери ресурсов. Сокращение потерь критически важно, учитывая колоссальные альтернативные издержки из-за упущенных инноваций и вполне реальные затраты на таланты в сфере ИИ и вычислительные ресурсы. В секторе финансовых услуг ни для кого не секрет, что лишь малая часть разработанных внутри компаний моделей ИИ доходит до эксплуатации, потому что никто до конца не уверен, что внутри этих моделей и как они себя поведут. Опрос McKinsey & Co., проведенный в 2019 году в финансовом секторе, показал, что лишь от 25% до 36% респондентов внедрили ИИ...

...в различных сценариях использования внутри своих компаний. По неофициальным данным, мы видим, что эти показатели улучшаются, но в масштабах всей отрасли неиспользуемые активы ИИ по-прежнему оборачиваются сотнями миллионов долларов напрасно потраченных усилий.

В конечном счете, FICO понимает, почему блокчейн работает, благодаря тому, чего не происходит. Модели не задерживаются на этапе внедрения из-за неопределенности в отношении рисков или отсутствия артефактов, подтверждающих соблюдение корпоративных стандартов Ответственного ИИ. Специалисты не используют случайно производственные модели для исследовательских проектов и, что еще хуже, не выпускают экспериментальные разработки «в дикую природу». А что касается того самого «своевольного» специалиста по данным? Время больше не тратится на отклонение работы, которая идет вразрез с правилами, намеренно или нет; блокчейн объединяет команды, обеспечивает соблюдение стандартов и требований, эффективно создавая модели, соответствующие критериям качества и безопасности FICO. Помимо того, что количество проблем с поддержкой моделей снизилось почти до нуля, мы добились абсолютного соблюдения и принудительного исполнения стандартов разработки моделей ИИ даже на высокой скорости. Все это является операционным ключом к укреплению доверия к ИИ. Это помогает FICO создавать результаты, которые на 100% соответствуют нашим стандартам и подкреплены твердыми активами в качестве доказательства проделанной работы. Это означает, что опыт потребителей при использовании этих инструментов полностью соответствует нашим собственным стандартам Ответственного ИИ.

Как FICO заставила блокчейн работать на ИИ

Запуск этой системы был не только и не столько технологической проблемой. Это была проблема организации и людей. За ее решением, конечно, последовало преодоление конструкторских и технологических барьеров, но первая часть была самой трудной. Вот чему мы научились в ходе этого процесса.

Сначала стандарты, потом технологии

Без стандарта разработки моделей ИИ, которого необходимо придерживаться, использование блокчейна для записи каждой детали разработки бесполезно. К сожалению, этот первый шаг может оказаться самым сложным этапом пути: для установления корпоративных стандартов в области ответственного ИИ потребуется принять непростые решения о том, что будет и что не будет сделано, включая утверждение алгоритмов, которые можно и нельзя использовать, интерпретируемость моделей, методологии тестирования этичного ИИ и соблюдение нормативных требований. В FICO это потребовало определенной «миссионерской» работы для обеспечения согласованных аналитических результатов для всех клиентов независимо от индивидуального мастерства отдельных специалистов по данным, а также назначения комитета, который определил бы стандарты разработки и обучил бы всю команду соответствующим методам.

Удобство для пользователя не обсуждается

В FICO убедить специалистов по данным использовать систему было не так уж сложно. Большинство из них оценили предлагаемую структуру, автоматическое приведение их работы в соответствие со стандартами разработки моделей ИИ и формализованные подходы к ответственному ИИ — всё это защищает и их самих, и результаты их труда. Сложность заключалась в разработке пользовательского интерфейса (UI) между специалистами по данным и блокчейном. Разработка UI заключалась не только в том, чтобы понять, на какие поля и кнопки пользователь будет нажимать и когда; она должна была помочь специалистам по данным совершить ментальный переход от индивидуально-центричной линейной «водопадной» разработки к командному мышлению, при котором несколько разработчиков и тестировщиков могут выполнять свою работу и проверять чужую эффективным и автоматизированным способом. В конечном итоге мы инвестировали значительное время и ресурсы, чтобы ученым было легко использовать систему таким образом, который делает акцент на интеллектуальном вовлечении, а не на громоздком надзоре, интегрировав стильный UI в сам процесс работы. Чтобы достичь такого конечного состояния, организации должны быть готовы пройти формальный процесс с подготовкой документов по бизнес-требованиям и требованиям к продукту (BRD и PRD). Это позволяет согласовать мысли и мнения разработчиков программного обеспечения относительно того, как пользователи будут взаимодействовать с системой и как будет функционировать процесс. Было важно убедиться, что каждый был услышан, и разработка не начиналась до тех пор, пока ожидания по форме, функциональности и эксплуатации не были согласованы. Что наиболее критично для внедрения — любое трение было неприемлемым результатом, что с самого начала требовало творческого подхода к разработке ПО. Например, нам нужно было найти баланс: специалисты по данным не нуждались и не хотели вникать в технологию блокчейн, но при этом были обязаны использовать инструмент на ее основе. Аналогичным образом нам требовалась мгновенная отчетность о состоянии всех задач по разработке и тестированию моделей без необходимости для специалистов по данным самостоятельно создавать отчеты.

Итерации на основе быстрых побед

Затем подготовьтесь к созданию прототипов ранних концепций, чтобы запустить рабочую версию системы в кратчайшие сроки, и начните прорабатывать сценарии использования, такие как установление требований, обновления разработки, обновления тестирования, обновления валидации, отклонение/утверждение и способы сброса состояния требований при отклонении модели. Основное внимание следует уделить тому, как измеряется полнота, поскольку ни одна модель не выпускается до тех пор, пока все требования не будут выполнены разработчиком, тестировщиком и валидатором — как это будет извлекаться из блокчейна и представляться заинтересованным сторонам?

Храните всё вместе и вечно

Ни одно аналитическое приложение никогда не бывает полностью завершенным; оно постоянно развивается, и о процессах (особенно о зависимостях) нельзя забывать. Поэтому, в качестве ключевого технического момента, важно продумать репозитории, в которых будут храниться крупные активы ИИ во внешних хранилищах, с использованием хешей, контрольных сумм и других механизмов, подтверждающих, что актив, на который ссылается блокчейн, является корректным и неповрежденным. Любое внешнее хранилище должно активно контролироваться, а в случае обновлений или миграции на другие технологические стеки внутри организации должны выдаваться оповещения.

Обслуживание — это совсем другое дело

Наконец, общая реальность системы управления разработкой моделей ИИ на базе блокчейна заключается в том, что это программное обеспечение — ПО с требованиями к безопасности, управлению уязвимостями, обслуживанию и обновлениям. ИТ-команды ежедневно решают эти вопросы для корпоративных приложений, но в случае с приложениями для разработки ИИ разработчикам ПО необходимо нарабатывать новую экспертизу или сотрудничать с другими ресурсами для ее получения.

Доверие при работе с ИИ может быть неуловимым. Понятно, что эти новые мощные инструменты должны соответствовать высокой планке. Но системное недоверие к ИИ может быть развеяно только тогда, когда клиенты, регулирующие органы и другие заинтересованные стороны будут уверены в том, как работает технология, и в том, что они могут положиться на конкретные модели, работающие так, как задумано. Именно это может обеспечить подход на основе блокчейна: подотчетность, прозрачность и исполнимость. Поддерживая честность всех участников, он дает пользователям повод доверять этим мощным новым инструментам.

Основные выводы

Растущее влияние ИИ на повседневную жизнь привело к росту обеспоенности по поводу его прозрачности, справедливости и надежности. Технология блокчейн предлагает решение, создавая неизменяемую запись процесса разработки моделей ИИ, обеспечивая подотчетность и соблюдение этических стандартов. Компания FICO применила этот подход, и в данной статье представлены полученные ею уроки.

• Повышенная прозрачность ИИ. Блокчейн отслеживает каждый этап разработки моделей ИИ в FICO, снижая неопределенность и предвзятость.
• Улучшенная подотчетность. Неизменяемая запись предотвращает споры и обеспечивает соблюдение стандартов ответственного ИИ.
• Упрощенное управление. Автоматизация отслеживания моделей оптимизирует комплаенс и снижает административную нагрузку.
• Приоритет юзабилити. Создание таких систем — это вызов не только для технологий, но и для людей; хорошо продуманный пользовательский интерфейс способствует внедрению среди специалистов по данным, не создавая лишних препятствий.

Примечания

1. Алек Тайсон и Эмма Кикучи, «Growing Public Concern about the Role of Artificial Intelligence in Daily Life», Исследовательский центр Pew, 28 августа 2023 г., https://www.pewresearch.org/short-reads/2023/08/28/growing-public-concern-about-the-role-of-artificial-intelligence-in-daily-life/.
2. McKinsey & Company, «Global AI Survey: AI Proves Its Worth, but Few Scale Impact», 22 ноября 2019 г., https://www.mckinsey.com/featured-insights/artificial-intelligence/global-ai-survey-ai-proves-its-worth-but-few-scale-impact.

Адаптировано из HBR.org, 20 января 2025 г. (перепечатка № H08KST).

3. Почему здравоохранение не становится более персонализированным?

Авторы: Робби Хьюз, Дж. Марк Оверхадж и Джон Глейзер

Теперь, когда электронные медицинские карты (ЭМК) стали повсеместными, почему любая другая отрасль по-прежнему оставляет здравоохранение далеко позади, когда речь заходит о персонализации? Никто не знает о нас больше, чем наши поставщики медицинских услуг, но они редко используют эту электронную информацию, чтобы помочь своим пациентам или самим себе. Что потребуется, чтобы сделать здравоохранение хотя бы таким же персонализированным, как рекомендации товаров на Amazon?

ЭМК и улучшение взаимодействия между устройствами и системами, безусловно, помогли. Мы можем оплачивать визиты к врачу, продлевать рецепты и отслеживать показатели жизнедеятельности с помощью различных гаджетов, и системы все чаще могут обмениваться данными...

Мы можем регистрироваться на прием накануне вечером, а не приходить на 15 минут раньше, чтобы заполнить очередную бумажную форму. Врачи могут легко просмотреть результаты прошлого визита, а ЭМК может предложить возможные диагнозы, анализы для назначения или оптимальные методы лечения на основе результатов осмотра и нашего описания симптомов.

Но нам все еще предстоит пройти долгий путь. В то время как ритейлеры, туристические компании, банки и брокерские конторы используют нашу личную информацию для точной настройки предлагаемых продуктов и услуг (настолько точной, что это граничит с преследованием), наши поставщики медицинских услуг по-прежнему выдают нам страницу за страницей шаблонных инструкций после визита, которые почти не учитывают наши зачастую очень специфические потребности. Каждый пациент, идущий на плановую операцию, может столкнуться со стандартным списком предоперационных анализов в больнице, даже если он сдавал точно такие же анализы всего неделю или две назад, и их результаты все еще действительны и находятся прямо в его ЭМК, или даже если хирургам на самом деле не нужно, чтобы каждый пациент проходил каждое обследование.

В 2021–2022 годах команда Lumeon — компании, которую возглавлял один из нас (Робби), — проанализировала почти 20 000 случаев амбулаторных хирургических операций в одной из систем здравоохранения и обнаружила, что чуть менее 70% пациентов не нуждались в одном или нескольких «стандартных» предоперационных анализах — либо потому, что результаты уже имелись в системе, либо потому, что стандартные наборы назначений были излишне консервативными. Дополнительный анализ показал, что треть задержек и отмен операций происходит из-за того, что результаты лабораторных исследований не приходят вовремя или не проверяются. Если этот опыт характерен для всех поставщиков услуг (а исследования показывают, что ненужные анализы — обычное дело), то мы отменяем или переносим операции в огромных масштабах только для того, чтобы ждать услуг, которые ничего не добавляют к качеству нашего здоровья или ухода.

Более того, протоколы диагностики и лечения, встроенные в программное обеспечение ЭМК, не всегда могут адаптироваться к изменениям в состоянии здоровья или учитывать сопутствующие заболевания пациентов или их социальную ситуацию (например, есть ли у пациента транспорт, чтобы добраться до места приема, или доступ к продуктам, необходимым для соблюдения специальной диеты), даже если в его карте где-то содержится вся эта информация. Одно исследование путей лечения рака показало, что 65% онкологических больных лечились по одному из стандартных протоколов, а 35% — нет. (Путь лечения — это подробный, основанный на доказательствах протокол, который направляет оказание помощи пациентам с конкретным типом рака — от первоначального диагноза до паллиативной помощи. Он описывает конкретные лекарства, режим облучения и хирургические процедуры, которые следует использовать). Более того, процент пациентов, получающих лечение по такому протоколу, снизился с 74% (в 2018 году) до 60% (в 2021 году). Это похоже на путешествие, в котором вы не можете изменить маршрут в зависимости от погоды, необходимости заправиться или желания навестить кого-то по пути. Неудивительно, что клиницисты не в полной мере используют такие несовершенные «карты» и часто не доверяют им.

Решение

Необходима интеллектуальная автоматизация процессов, использующая инструменты искусственного интеллекта для поиска и использования каждой крупицы информации, применимой к конкретному сценарию, сочетая стандартизацию и персонализацию для создания наиболее эффективного и оперативного ухода.

Потребность в этом крайне остра — не только для пациентов, но и для поставщиков медицинских услуг. Системы здравоохранения находятся под давлением. Они сталкиваются с конкуренцией со стороны новых участников с отлаженными операционными процессами, таких как группы первичной медико-санитарной помощи, поддерживаемые частным капиталом, и хирурги, владеющие центрами амбулаторной хирургии. Пациенты, которые не чувствуют, что их система здравоохранения «знает» их, могут не видеть преимуществ в централизации своего лечения и будут выбирать поставщиков на какой-то другой основе, будь то цена, местоположение или положительные отзывы на Yelp. Плательщики продолжают переходить к возмещению на основе ценности, что вознаграждает тех поставщиков, которые улучшают здоровье своих пациентов, а не просто предоставляют определенный объем услуг. И каждая геномная загадка, которую мы разгадываем, создает новые потенциальные возможности — и новое давление — для персонализации ухода.

Как мог бы выглядеть более интеллектуальный процесс? Возьмем приведенный выше пример с плановой операцией. Зная процедуру и пациента, автоматизация процессов на базе ИИ могла бы определить, какие анализы и другие виды помощи уже были проведены, а какие необходимы, разместить заказы, подтвердить, что анализы назначены и завершены, и отследить результаты. Система могла бы объединить все эти результаты, чтобы подтвердить, что пациент допущен к операции, а затем предложить время процедуры в рамках окна, когда результаты все еще действительны. Если пациент пожелает, система может даже поставить его в список ожидания на более ранний слот и предложить изменение графика вовремя, чтобы пациент мог соблюсти предоперационные инструкции, такие как запрет на прием пищи после полуночи. Все эти рутинные процессы, основанные на уникальной информации о каждом пациенте и адаптирующиеся при поступлении новых данных, могут выполняться в фоновом режиме, освобождая врачей и офисный персонал для ответов на сложные вопросы, психологической поддержки и других функций, требующих человеческого участия.

Одна система здравоохранения работала с Lumeon над внедрением приведенного выше примера, и результаты были впечатляющими. Оказалось, что после использования интеллектуальной автоматизации для анализа специфических обстоятельств каждого пациента 89% из них могли быть надлежащим образом подготовлены к процедурам с помощью цифровой связи или, в виде исключения, переведены на короткий уточняющий телефонный звонок, и им не требовался очный визит или полный комплекс предоперационных анализов. Медицинская команда могла тратить свое время на действительно сложные случаи, что привело к повышению удовлетворенности пациентов и персонала, а также к улучшению качества лечения.

Предварительное одобрение страховой выплаты — бич бэк-офиса любого поставщика — также созрело для трансформации. Прогностические модели могли бы определять диагностические тесты, процедуры или лекарства, которые, вероятно, понадобятся пациенту, и автоматически запрашивать у плательщика одобрение еще до того, как врач оформит заказ. Например, если пациент с болью в пояснице прошел полный курс физиотерапии, и его состояние не улучшилось, МРТ поясничного отдела позвоночника может стать предсказуемым следующим шагом. Наличие одобрения плательщика в ожидании этого назначения стало бы облегчением как для врача, так и для пациента, страдающего от боли.

Составляющие элементы

Строительные блоки для такого рода инноваций уже существуют, включая:

Растущее изобилие данных

Как отмечалось ранее, широкое внедрение ЭМК, использование носимых устройств и сбор данных о социальных детерминантах здоровья (таких как доступ к еде и транспорту) — все это привело к значительному увеличению количества и качества данных, позволяющих персонализировать уход. Например, процесс планирования послеоперационного лечения пациента может учитывать тот факт, что пациент живет один, и запланировать его пребывание в специализированном учреждении по уходу с последующей помощью на дому.

Этот массив данных также может служить основой для выбора пациентов. Прискорбной особенностью сегодняшнего здравоохранения является отсутствие объективных доказательств для многих распространенных вмешательств, и даже когда доказательства существуют, они могут не попасть в поле зрения лечащего врача. В результате пациентам приходится полагаться на интуицию своего доктора, которая в некоторых случаях может быть не лучше их собственной. Инструменты интеллектуальной автоматизации могут собрать имеющиеся доказательства, наиболее актуальные для ситуации конкретного пациента, и позволить ему выбрать эффективные варианты лечения, которые также максимизируют качество жизни или повышают шансы на соблюдение пути лечения. И опыт каждого пациента может быть добавлен в базу доказательств для лечения, которое выбирает этот человек, что позволит делать более обоснованный выбор всем остальным.

Модульные процессы

Более ранние бумажные и компьютеризированные версии систем поддержки принятия клинических решений и путей лечения, описывающие лучший подход к лечению человека с конкретным заболеванием, использовали сложные логические модули с десятками, если не сотнями взаимосвязанных ветвей и вычислений. Например, путь лечения болезни мог иметь логическую ветвь для определения корректировок в уходе в зависимости от возраста, а другая ветвь могла выделять подходы к лечению, которые следует рассмотреть, если результат теста был крайне аномальным. Сочетание множества ветвей и расчетов часто было «жестко» связано в один очень большой путь или модуль ухода, который часто был непостижим в совокупности и требовал больших усилий для поддержания. Такая сложность была особенно характерна для ухода за людьми с онкологическими заболеваниями, а также с несколькими хроническими заболеваниями. Эти пути могли напоминать карты человеческого мозга, на которых показан каждый нейрон.

Недавние инновации в дизайне разбили эти сложные графы на более мелкие, управляемые модули, которые можно собирать заранее или динамически по мере продвижения лечения пациента. Этот подход, известный как модульность, действует как массовая персонализация, делая пути лечения более адаптируемыми к специфическим потребностям пациента.

...модуляризация действует как массовая персонализация, делая протоколы лечения более адаптируемыми к конкретным контекстам и значительно упрощая их поддержку и обновление. Например, клинические рекомендации могут включать новое предписание: пройти первую колоноскопию в возрасте 45 лет или раньше, если у пациента есть заболевания кишечника или семейный анамнез рака толстой кишки. Традиционно внедрение результатов новых исследований в такие рекомендации могло занимать более десятилетия, прежде чем они отражались в общих советах по лечению. Однако интеллектуальная автоматизация, использующая модульные процессы, способна учитывать новые факторы риска и обновлять рекомендации гораздо быстрее и проще.

Глубокое понимание дизайна процессов

Сегодня медицинские организации понимают гораздо лучше, чем когда-либо, как проектировать процессы для оптимизации ухода и влияния на выбор пациентов. Эти знания включают использование «наджей» (подталкиваний) для коррекции выбора человека, подходы к редизайну процессов, которые распределяют работу в соответствии с талантами и способностями медицинских работников и пациентов, а также варианты интеграции автоматизации процессов в рабочий поток медицинской команды.

Использование искусственного интеллекта

ИИ в целом обладает способностью учиться на опыте и направлять процессы на основе полученных знаний. Он может анализировать множество переменных, влияющих на результаты, и предлагать новые структуры процессов, которые персонализируют уход на основе этих переменных, расширяя логику процесса далеко за пределы того, что ранее считалось практически осуществимым.

Например, прогностический алгоритм может показать, что пациент с хорошо контролируемым диабетом, тем не менее, подвержен риску перехода к плохо управляемой форме заболевания из-за сложного взаимодействия переменных. Он может указать степень риска (высокую, среднюю или низкую) и факторы, которые привели к такой оценке. Такое выявление факторов поможет врачам и пациентам понять, где необходимы изменения в приеме лекарств и образе жизни, а оценка риска определит срочность вмешательства.

Мы ожидаем, что в скором времени, когда потребуется решение человека, генеративный ИИ сможет обобщать данные, необходимые лицу, принимающему решение. Он сможет составлять сообщения с нюансами, необходимыми для того, чтобы побудить врачей и пациентов эффективно реагировать на запросы системы. Например, генеративный ИИ может обобщить социальные обстоятельства пациента и включить ссылки на социальные службы, которые могут оказать помощь, и даже пойти дальше, проактивно координируя их действия как независимый автономный агент. Наконец, ИИ может самостоятельно решать, по какому пути двигаться дальше (в рамках определенных, четко оговоренных границ), оставляя людям ответственность за те области, где данных недостаточно или где стандартом медицинской помощи остается человеческое суждение.

С чего начать

С чего поставщикам медицинских услуг следует начать путь к интеллектуальной автоматизации процессов и лучшей персонализации ухода? Помимо обычного планирования, сопровождающего такие проекты (распределение ресурсов, установление метрик, получение поддержки персонала и так далее), мы рекомендуем две конкретные отправные точки:

1. Определите процессы, которые характеризуются как большим объемом, так и серьезными последствиями в случае сбоя.

Например, запись на прием — это частая «болевая точка» для пациентов; она может раздражать их вплоть до отказа от услуг текущего учреждения в пользу того, где процесс менее утомителен. Процессы, которые сейчас могут требовать часа и более ожидания на линии, с помощью интеллектуальной автоматизации могут быть сведены к нескольким кликам в личном кабинете пациента. Система интерпретирует намерения пациента, сопоставит их с информацией в электронной медицинской карте и направит к подходящему специалисту, который находится ближе всего к дому и имеет ближайшее свободное время. Улучшение лояльности и удержания пациентов может быть трудно подчитать количественно, но вряд ли кто-то захочет оказаться последним поставщиком на рынке, внедрившим такие изменения.

На уровне организации планирование выписки пациентов включает множество точек принятия решений, где незначительные отклонения могут оказать серьезное влияние на дорогостоящий процесс. Лабораторный тест или МРТ, проведенные на полчаса позже графика, могут привести к тому, что пациент останется в больнице на лишнюю ненужную ночь или освободит койку так поздно, что это вызовет затор в отделении неотложной помощи. Интеллектуальная автоматизация могла бы генерировать план ухода с момента поступления пациента и управлять им поминутно, интегрируя его с планами всех остальных пациентов, чтобы обеспечить максимально эффективную координацию как клинических, так и неклинических мероприятий.

2. Создайте надежный фундамент данных, собранных с помощью последовательных процессов.

Текущая практика оказания медицинской помощи изобилует примерами, когда врачи повторяют базовые действия по сбору данных, потому что не могут доверять существующей информации. Многие модели ИИ обучались на данных, собранных в течение многих лет в ходе непоследовательных процессов, и теперь пытаются делать прогнозы на основе сведений, которые заведомо ненадежны. Поэтому мы должны инвестировать в понимание того, как мы собираем данные, а затем использовать это понимание для устранения несогласованности и создания нового, «чистого» набора данных.

Важно понимать: этот путь будет долгим, а хайп вокруг искусственного интеллекта почти наверняка приведет к моментам острого разочарования, когда отрасль осознает, что этот маршрут намного сложнее, чем нас заставляли верить. Даже та относительно ограниченная трансформация, которую мы описали выше, не произойдет в одночасье и не будет выглядеть особенно эффектно. В лучшем случае она выведет наше здравоохранение на тот же уровень персонализации, которым мы пользуемся сегодня при покупках в интернете или в банковской сфере. Но учитывая, насколько радикально такая трансформация может улучшить здоровье каждого человека, мы считаем, что этого более чем достаточно.

Несмотря на широкое внедрение электронных медицинских карт (ЭМК), здравоохранение по-прежнему сильно отстает от других отраслей в вопросах персонализации. Интеллектуальная автоматизация процессов, использующая ИИ и модульные протоколы, может совершить революцию в медицине.

• Потенциал ЭМК используется не полностью. У медицинских организаций есть огромные массивы данных о пациентах, но они не могут эффективно их использовать для персонализации ухода.
• Ненужные тесты и задержки. Стандартизированное предоперационное обследование часто игнорирует уже имеющиеся действительные результаты, что приводит к неэффективности.
• Автоматизация на базе ИИ может помочь. ИИ способен оптимизировать назначение анализов, процессы согласования и планирование графиков пациентов, улучшая результаты.
• Модульные процессы повышают адаптивность. Разбиение сложных путей лечения на мелкие гибкие модули позволяет лучше персонализировать подход.
• Согласованность данных критически важна. Надежный сбор данных необходим для совершенствования медицинских решений на базе ИИ.
• С чего начать. Поставщикам следует сосредоточиться на высокозначимых и массовых процессах, таких как запись на прием и планирование выписки.

4. Почему «живой интеллект» — это следующий прорыв

Автор: Эми Уэбб

Недавно я сидела за столом переговоров с руководством глобальной компании, предоставляющей медицинские услуги, и по их позам чувствовала: что-то не так. Они пригласили меня проконсультировать их по стратегии в области ИИ, но вели себя настороженно. ИТ-директор — толковый парень, который явно изучил все новинки технологий, — пустился в подробные объяснения их новой большой языковой модели. Она впечатляла, без сомнения. Эта модель автоматизировала их безумно сложный процесс ввода данных — представьте себе горы рукописных форм пациентов и хаотичную смесь цифровых файлов — и консолидировала всё в единую связную запись. Они потратили больше года на разработку и тестирование и по праву гордились своим достижением.

Но пока он рассказывал о внедрении, мне стало очевидно, что они уже отстают. «Вы заложили невероятный фундамент, — сказала я, — но это лишь стартовая черта».

Атмосфера в комнате изменилась. Это была не та реакция, которой они ожидали. Перед ними была компания, которая вложила огромные средства в ИИ, построила сложную систему и успешно провела пилотный запуск. Как и многие другие команды руководителей, потратившие последний год на создание и внедрение инструментов ИИ, они думали, что работа завершена. На самом же деле их трансформация только началась. ИИ — это лишь одна грань масштабных технологических перемен, и компании, которые не признают важность других конвергирующих технологий, рискуют остаться позади.

Эра живого интеллекта

Во время встречи с руководством компании я признала, что, как и для многих лидеров, их недавняя гиперфокусировка на ИИ, хоть и запоздалая, была правильным шагом. Однако LLM — это лишь отправная точка. С учетом новых разработок в...

быстро меняющихся условий компании необходимо будет сформировать новый навык — способность к непрерывной трансформации. Это связано с тем, что ИИ — лишь одна из трех прорывных технологий, меняющих бизнес-ландшафт.

Две другие — современные сенсоры и биотехнологии — менее заметны, хотя и не менее важны, и они развивались в тени. Вскоре конвергенция этих трех технологий ляжет в основу новой реальности, которая будет определять будущие решения лидеров во всех отраслях. Я называю эту новую реальность «живым интеллектом» (living intelligence): это системы, способные чувствовать, обучаться, адаптироваться и развиваться. Их появление стало возможным благодаря сочетанию искусственного интеллекта, современных сенсоров и биотехнологий. Живой интеллект станет мощным драйвером экспоненциального цикла инноваций, трансформируя отрасли и создавая совершенно новые рынки. Руководители, которые фокусируются исключительно на ИИ, не понимая его пересечения с двумя другими технологиями, рискуют пропустить волну перемен, которая уже формируется.

Универсальному двигателю нужны ваши данные

Если ИИ — это «универсальный двигатель», то этому двигателю нужны данные. Скорее всего, большая часть этих данных будет поступать от современных сенсоров и сети взаимосвязанных устройств, которые обмениваются информацией, способствуя развитию ИИ. Именно поэтому сенсоры являются следующей технологией общего назначения — факт, который многие лидеры в настоящее время упускают из виду. Большинство людей не осознают, что сенсоры уже повсюду и используются во многих отраслях. Это понятное упущение: мы часто пользуемся технологиями, не задумываясь о них. Но стоит начать их искать, и вы обнаружите их везде. Например, в iPhone встроено около десятка сенсоров — от датчиков приближения для обнаружения объектов поблизости до датчиков Face ID для аутентификации пользователя. Все они собирают и уточняют ваши данные в течение всего дня.

Компания Xylem, работающая в сфере водных технологий, разработала новый тип счетчика воды, который использует современные сенсоры и ИИ для решения проблем распределения воды в густонаселенных районах. Эти счетчики постоянно измеряют поток воды и предоставляют детализированные данные о моделях потребления; они также могут выявлять аномалии, такие как падение давления или нерегулярное использование, которые обычно являются результатом утечки.

Между тем, появляется новый класс биологических сенсоров, которые можно носить на теле или принимать внутрь. Их цель — передавать и получать данные в режиме реального времени для диагностики и мониторинга заболеваний, обнаружения патогенов и ускорения процесса выздоровления. Одним из таких биосенсоров является подкласс крошечных машин, называемых наноботами, которые могут отслеживать состояние здоровья пациента в реальном времени после введения в кровоток. Действуя как внутренние системы наблюдения, наноботы могут обнаруживать изменения в окружающей среде и стимулах, обеспечивая непрерывный мониторинг и раннюю диагностику потенциальных проблем со здоровьем.

По мере того как нас окружает все больше сенсоров, они будут фиксировать и передавать не просто больше данных, но и больше их типов. Пока организации заняты созданием и использованием LLM, вскоре им потребуется создавать LAM: большие модели действий (large action models). Если LLM предсказывают, что сказать дальше, то LAM предсказывают, что нужно сделать дальше, разбивая сложные задачи на более мелкие составляющие. В отличие от LLM, которые в основном генерируют контент, LAM оптимизированы для выполнения задач, что позволяет им принимать решения в реальном времени на основе конкретных команд. Это будет чрезвычайно полезно для организаций любого размера и профиля.

Первыми примерами LAM являются Claude от Anthropic и ACT-1 от Adept.ai. Оба решения предназначены для прямого взаимодействия с кодом и цифровыми инструментами, а также для выполнения действий в программных приложениях, например, в веб-браузере. LAM похожи на LLM, но с большим объемом данных и мультимодальными требованиями. Они будут использовать поведенческие данные, которые мы генерируем при использовании телефонов или управлении автомобилями, наряду с целым созвездием сенсоров повсюду вокруг нас. Эти сенсоры собирают сразу несколько потоков данных с носимых устройств, устройств дополненной реальности, интернета вещей, систем «умного дома», умных автомобилей, офисов и квартир.

По мере того как LAM будут все глубже проникать в нашу среду, они будут работать бесшовно, часто без прямого участия пользователя. Многие организации не могут вообразить, как LAM эволюционируют в персональные большие модели действий (PLAM) и в конечном итоге начнут взаимодействовать с различными системами, обучаться на больших массивах данных и адаптироваться к меняющимся потребностям бизнеса. PLAM смогут улучшить наш цифровой, виртуальный и физический опыт, упрощая принятие решений, управляя задачами, ведя переговоры о сделках и предвосхищая наши потребности на основе поведенческих данных. Им не потребуется сознательный ввод данных от человека. Эти автономные агенты смогут персонализировать рекомендации, оптимизировать покупки и общаться с другими доверенными агентами, обеспечивая бесшовные транзакции — и все это при сохранении конфиденциальности и предпочтений пользователя, поскольку PLAM по определению имеют доступ ко всем пользовательским данным на персональных устройствах.

В ближайшем будущем такие компании, как Apple или Google, будут заинтересованы во встраивании еще большего количества умных сенсоров в устройства для непрерывного сбора и анализа персональных данных: показателей здоровья, геолокации и информации о повседневных привычках. Все эти данные будут использоваться для создания высокоиндивидуализированных профилей, связанных с персональными моделями языка и действий, адаптированными специально под нужды каждого пользователя. И если у людей будут PLAM, то у корпораций аналогично появится одна или несколько корпоративных больших моделей действий (CLAM), а у цифровых правительств — государственные большие модели действий (GLAM).

Искусственный интеллект встречается с органоидным интеллектом

Третья технология общего назначения в рамках живого интеллекта — это биоинженерия. Она предполагает использование инженерных методов для создания биологических систем и продуктов, таких как «дизайнерские» микробы, которые могут быть запрограммированы на выполнение определенных задач. Сейчас эту область легче всего сбросить со счетов, но в долгосрочной перспективе она может оказаться самой важной технологией общего назначения.

В сочетании с ИИ биоинженерия может породить «генеративную биологию» (genBio), которая использует данные, вычисления и ИИ для прогнозирования или создания новых биологических идей. Это позволяет генерировать новые биологические компоненты, такие как белки, гены или даже целые организмы, путем моделирования и прогнозирования того, как биологические элементы ведут себя и взаимодействуют.

Мы уже видим потенциал этой технологии. Компании вроде Ginkgo Bioworks используют genBio для проектирования и создания кастомных ферментов, которые могут применяться в промышленных процессах. Например, генеративные алгоритмы помогают создавать ферменты, расщепляющие сложные молекулы, такие как пластик или другие загрязняющие вещества. Google DeepMind создала AlphaProteo, которая проектирует совершенно новые белки со специфическими свойствами, что может найти применение в биоматериалах и разработке лекарств. Другой проект DeepMind — инструмент под названием GNoME (Graph Networks for Materials Exploration) — уже предсказал стабильность миллионов новых неорганических материалов. Представьте себе здание, построенное из материалов, которые могут автономно саморегулировать температуру, освещение и вентиляцию без участия компьютера (или человека).

В более отдаленной перспективе живой интеллект может привести к созданию живых машин. Органоидный интеллект (OI) дебютировал как новая научная область в 2024 году. OI использует выращенные в лаборатории ткани, такие как клетки мозга и стволовые клетки, для создания биологических компьютеров, имитирующих структуру и функции человеческого мозга. Органоид — это, по сути, крошечная копия ткани, функционирующая как орган тела. В 2021 году исследователи из Cortical Labs в Мельбурне (Австралия) создали миниатюрный органоид мозга, который работал как компьютер. Они назвали его DishBrain, подсоединили к электродам и научили играть в видеоигру Pong 1980-х годов.

DishBrain состоит примерно из 1 миллиона живых клеток мозга человека и мыши, выращенных на микроэлектрической матрице, способной принимать электрические сигналы. Сигналы сообщают нейронам, где находится шарик для Pong, и клетки реагируют. Чем больше система играет, тем лучше она это делает. Сейчас Cortical Labs разрабатывает новый вид программного обеспечения — операционную систему биологического интеллекта, которая позволит любому человеку с базовыми навыками программирования создавать свои собственные DishBrain.

Как подготовить вашу организацию к успеху

Хотя живой интеллект может показаться футуристической идеей, дальновидные генеральные директора и бизнес-лидеры не могут позволить себе ждать. Мы уже видим признаки конвергенции технологий живого интеллекта в нескольких передовых отраслях. Раннее внедрение наиболее интенсивно происходит в таких сферах, как фармацевтика, медицинские товары, здравоохранение, космос, строительство и инжиниринг, потребительские товары и сельское хозяйство. Но вскоре приложения появятся и в других отраслях, создавая новые рыночные ниши и возможности, например, в сфере финансовых услуг. По мере подключения дополнительных секторов инновации будут распространяться гораздо шире, запуская дополнительный «маховик» роста...

Мы будем наблюдать кумулятивный прогресс по мере совершенствования каждой технологии. Вот пять рекомендаций о том, как действовать осмотрительно и оперативно:

1. Развейте мифы о живом интеллекте для всей организации

Высшему руководству следует ознакомиться с понятием «живой интеллект» — тем, как пересекаются ИИ, данные современных датчиков и биоинженерия.

2. Разрабатывайте прагматичные сценарии трансформации и создания новой стоимости

Лидерам необходимо разработать краткосрочные и долгосрочные сценарии использования и масштабирования технологий, процессов и продуктов живого интеллекта. Компании должны использовать стратегическое прогнозирование, чтобы понять, как развивающаяся экосистема живого интеллекта может повлиять на их существующие продукты и процессы.

3. Определите два-три высокоэффективных сценария использования — и просто начните

Руководители должны точно определить конкретные варианты применения, где живой интеллект может принести наиболее значимый результат. Выбирая пилотные проекты с наибольшим потенциалом масштабируемости, лидеры могут ускорить внедрение живого интеллекта и начать интеграцию этих технологий в повседневные рабочие процессы.

4. Обязуйтесь развивать необходимые роли, навыки и компетенции

Живой интеллект требует смены мышления во всей организации. Приоритетное внимание следует уделить инициативам в области обучения и экспериментирования, чтобы подготовить сотрудников к эффективной работе с этими технологиями, а также разработать новые категории должностей и описания профессий для вашей рабочей силы будущего.

5. Следите за изменениями в законодательстве и будьте готовы к неопределенности в политике

Живой интеллект неизбежно вызовет волну инноваций и потребует от компаний беспрецедентной гибкости, особенно учитывая нынешний фрагментарный подход к регулированию. Лидеры должны расширять возможности своих организаций для экспериментов с новыми продуктами и процессами, гарантируя, что они сами формируют свое будущее, а не вынуждены адаптироваться к внешним инновациям или реагировать на законодательные сдвиги.

Возможно, самая ценная рекомендация, которую я могу предложить, — это просто задать вопрос: «Что, если?». На моей следующей встрече с представителями медицинской компании я попросил руководство рассмотреть сценарии того, как их бизнес может трансформироваться в ближайшее десятилетие по мере созревания живого интеллекта. Что, если появится пакет подписки на «обеспечение здоровья», включающий носимые датчики, диагностику на базе ИИ и персонализированную доставку лекарств? Что, если традиционные поставщики услуг будут полностью исключены из цепочки, а стартапы будут использовать ИИ и данные датчиков, чтобы предлагать персонализированные решения для здоровья напрямую потребителям? Что, если сегодняшняя ванная комната — это завтрашняя диагностическая лаборатория? Что, если данные в реальном времени приведут к отчетности о результатах лечения пациентов в реальном времени? Произойдет ли переход к ценообразованию на основе результата? То есть, будут ли поставщики получать оплату в зависимости от эффективности их лечения?

Все это представляет собой значительный сдвиг в создании стоимости. Не поддавайтесь искушению зацикливаться на ИИ в том виде, в котором он существует сегодня, сказал я команде. Взгляните более комплексно на уже происходящие перемены и подготовьте свою организацию к эре живого интеллекта.

• Искусственный интеллект — это лишь часть более масштабного технологического сдвига. Конвергенция ИИ, современных датчиков и биотехнологий создает «живой интеллект» — системы, которые чувствуют, обучаются, адаптируются и развиваются. Организации, ориентированные только на ИИ, рискуют отстать, поскольку две другие прорывные технологии переосмысливают отрасли.
• Датчики как двигатели данных. Продвинутые датчики будут снабжать ИИ данными в реальном времени, что приведет к созданию новых моделей принятия решений.
• От больших языковых моделей к моделям больших действий. ИИ эволюционирует от генерации текста к выполнению задач в реальном мире.
• Биоинженерия встречается с ИИ. Достижения в области биотехнологий создадут «генеративную биологию» и даже биологические компьютеры.
• Действуйте сейчас, чтобы подготовиться к прорыву. Лидеры должны обучать свои организации, выявлять сценарии использования и наращивать потенциал для этой трансформации.

Истории о технологиях с серьезным влиянием

5. Чему сбой CrowdStrike может научить нас в вопросах киберрисков

19 июля 2024 года единственное обновление контента от компании CrowdStrike, специализирующейся на программном обеспечении для кибербезопасности, привело к сбою более 8,5 миллионов систем, парализовав работу тысяч организаций по всему миру на несколько дней, включая сотни компаний из списка Fortune 1000. «Сбой» CrowdStrike, как его стали называть, привел к убыткам, оцениваемым более чем в 5 миллиардов долларов.

По оценкам, инцидент с CrowdStrike обошелся страховщикам примерно в 1,5 миллиарда долларов выплат по страховкам от перерыва в производстве, киберрисков и системных сбоев. Это один из крупнейших примеров негативного воздействия накопленного агрегированного киберриска. В октябре 2024 года Delta, одна из многих пострадавших в ходе инцидента компаний, подала иск против CrowdStrike, утверждая, что сбой был «катастрофическим». Авиакомпания заявила, что это стало результатом «принудительных непроверенных обновлений CrowdStrike для своих клиентов» и привело к срыву 7 000 рейсов и проблемам у 1,3 миллиона клиентов в течение пяти дней. Авиакомпания заявила об убытках в размере более 500 миллионов долларов. CrowdStrike в ответ, признав, что первопричиной была ошибка в обновлении программного обеспечения, заявила, что «претензии Delta основаны на опровергнутой дезинформации, демонстрируют непонимание того, как работает современная кибербезопасность, и отражают отчаянную попытку переложить вину за медленное восстановление со своего отказа модернизировать устаревшую ИТ-инфраструктуру».

В этой статье мы рассмотрим, чему менеджеры и руководители могут научиться на этом инциденте. Мы обсудим последствия сбоя для глобального управления киберрисками и подробно опишем, что организациям следует делать иначе, чтобы предотвратить подобные потрясения.

Компании не готовы

Общее количество киберинцидентов и масштаб их последствий продолжают расти и усугубляться, несмотря на развитие решений в области кибербезопасности и увеличение расходов организаций на эти цели. Согласно отчету IBM «Cost of Data Breach Report 2024», средняя стоимость утечки данных в 2024 году составила 4,88 миллиона долларов, что на 10% больше, чем в предыдущем году. Ежегодный отчет Verizon «Data Breach Report» за 2024 год проанализировал 30 458 инцидентов кибербезопасности, из которых 10 626 были подтвержденными утечками данных — рекордный показатель.

Недавнее исследование рынка киберрисков, проведенное компанией Milliman, выявило важные пробелы с серьезными рыночными последствиями:

• Высокофрагментированный рынок кибербезопасности: Множество направлений решений с ограниченными возможностями по их объединению для надежного комплексного управления киберрисками.
• Решения по кибербезопасности принимаются на основе разрозненных данных: Разнообразие кибер-рейтингов, локальных оценок и опросников при недостаточном сквозном понимании киберрисков.
• Неэффективная оценка концентрации киберрисков: Ограниченные возможности для фиксации киберзависимостей, необходимых для выявления системного киберриска и агрегации рисков.
• «Мягкий» рынок киберстрахования: Методы кибер-андеррайтинга трудно согласовать из-за нехватки исторических данных, быстро меняющихся угроз и слишком большой субъективности при проведении оценок.
• Ограниченная прозрачность киберрисков во всех организациях: Управление киберрисками в цепочке поставок является серьезной и растущей проблемой, а недостаточная видимость влияет на решения по управлению рисками.
• Новые вызовы кибербезопасности, связанные с новыми технологиями: ИИ, квантовые вычисления, облачные вычисления и другие инновации приводят к изменению нормативных требований и росту неопределенности в области киберрисков.

Инцидент с CrowdStrike является важной демонстрацией всех этих рыночных пробелов. Ниже мы используем событие CrowdStrike, чтобы представить четыре фундаментальных вопроса, которые должны стать частью ваших регулярных обзоров киберрисков. Эти вопросы не только не были должным образом проработаны CrowdStrike и другими пострадавшими сторонами, но и в самой отрасли отсутствуют надлежащие методы для корректного решения таких вопросов.

Четыре открытых вопроса о киберрисках

1. Каков уровень риска обновления контента CrowdStrike? (Снижает оно или увеличивает общий риск?)

Программное обеспечение Falcon от CrowdStrike является одним из ведущих решений по кибербезопасности на рынке. Обновления контента — это механизм CrowdStrike для быстрого обновления всех своих развертываний на конечных точках, чтобы отразить возникающие паттерны новых киберугроз. Они предназначены для улучшения общей защиты. Из-за быстрого появления новых киберугроз CrowdStrike может выпускать несколько таких обновлений контента в день. С момента выхода решения Falcon на рынок в июне 2013 года CrowdStrike выпустила многие тысячи обновлений контента для своих клиентов по всему миру, почти не имея сообщений о проблемах. Но риск, связанный с обновлением контента, никогда не бывает нулевым. Всегда существует некоторая вероятность того, что программные ошибки будут обнаружены и вызовут сбои или другие неблагоприятные последствия. Таким образом, риск, связанный с...

...внедрением обновления контента, необходимо оценивать относительно рисков, которые устраняются за счет улучшенной защиты, содержащейся в этом обновлении.

Эффективные подходы для проведения такого систематического и количественного анализа в настоящее время отсутствуют. В своем судебном иске против CrowdStrike, ссылаясь на обновление контента, компания Delta заявила следующее: «Установив свой эксплойт в системы Delta без разрешения или ведома Delta, CrowdStrike создала препятствия, прервала и вмешалась в использование компанией Delta своих компьютерных программ и сетей». И что в результате «Delta понесла более 500 миллионов долларов прямых убытков из-за дефектного обновления, в дополнение к репутационному ущербу и потере будущих доходов». При этом не было сделано никаких ссылок на тот факт, что тысячи подобных «эксплойтов» (изменений контента) были успешно установлены CrowdStrike в системах Delta с тех пор, как она стала клиентом в 2022 году. Также не было упомянуто об общей ценности для бизнеса, которую эти «эксплойты» обеспечивали Delta в течение этого периода в виде усиленной защиты от потенциальных кибератак.

2. Как минимизировать риск обновления CrowdStrike оптимальным образом? (Стоит ли применять его немедленно или отложить?)

Ответ зависит от характера обновления и специфики целевой системы (а также ее потенциального влияния на бизнес). Это требует тонкого, систематического и количественного баланса между риском неблагоприятных последствий для бизнеса из-за возможного дефектного обновления системы (риск снижается по мере увеличения задержки) и бизнес-риском, а также возможностями эскалации в случае кибератаки на систему без добавленной защиты (риск растет по мере увеличения задержки). В своем иске от октября 2024 года Delta утверждала:

Когда CrowdStrike развернула дефектное обновление, компания даже принудительно навязала его клиентам, у которых были отключены автоматические обновления, таким как Delta. Delta не включала настройку автоматического обновления, поскольку хотела сохранить надлежащий тип контроля управления изменениями в отношении того, как обновления могут повлиять на ее компьютерные системы и сети.

Действительно, CrowdStrike относилась к обновлениям своего контента как к событиям с нулевым риском. После инцидента 2024 года компания признала свою ошибку в управлении рисками и изменила процесс развертывания обновлений контента, чтобы отразить тот факт, что они сопряжены с определенным уровнем риска, которым необходимо надлежащим образом управлять. Такая повышенная прозрачность и контроль со стороны клиента явно необходимы. Однако отрасль все еще пытается определить, какая дополнительная информация должна предоставляться и как клиенты могут использовать ее для принятия обоснованных решений, соответствующих их бизнес-рискам.

3. Как обеспечить оптимальный уровень устойчивости бизнеса при дефектном обновлении контента?

Этот вопрос требует тщательного систематического анализа управления рисками, который учитывает все вовлеченные киберзависимости. В отрасли отсутствуют эффективные методы систематического обоснования, и большая часть текущих дискуссий носит расплывчатый и двусмысленный характер. Например, в своем иске Delta утверждает, что CrowdStrike знала, что ее действия могут нанести вред Delta, ее компьютерам, сетям и программам. Но даже самые высококачественные процессы разработки, тестирования и сертификации могут время от времени приводить к появлению дефектного результата. Delta не предоставила в своем иске никаких конкретных деталей о настройке отказоустойчивости своей инфраструктуры, ограничившись лишь очень общими заявлениями, такими как: «В рамках своего ИТ-планирования и инфраструктуры Delta инвестировала миллиарды долларов в лицензирование и создание одних из лучших технологических решений в авиационной отрасли» и «Delta известна своим клиентским сервисом, надежностью и операционной эффективностью».

С другой стороны, CrowdStrike и Microsoft сделали общие, спорные заявления, предполагающие, что у Delta могла быть менее эффективная система отказоустойчивости по сравнению с другими ведущими авиакомпаниями, что привело к более длительному времени восстановления после инцидента. Согласно иску CrowdStrike: «Наш предварительный обзор показывает, что Delta, в отличие от своих конкурентов, по всей видимости, не модернизировала свою ИТ-инфраструктуру ни в интересах своих клиентов, ни для своих пилотов и бортпроводников». Конкретных деталей не приводится, но подобный анализ и сравнение киберустойчивости должны проводиться систематически и строго, чтобы обеспечить достоверные выводы и сопоставление «яблок с яблоками».

Более того, и Microsoft, и CrowdStrike сделали ряд необычных заявлений, касающихся устойчивости, указав, что в ответ на инцидент их генеральные директора пытались связаться с главой Delta, чтобы предложить помощь в восстановлении. CrowdStrike заявила, что генеральный директор Джордж Курц обратился к генеральному директору Delta Эду Бастиану с предложением «помощи на месте, но не получил ответа». Аналогичным образом Microsoft заявила, что «немедленно предложила помощь Delta на безвозмездной основе и что ее генеральный директор Сатья Наделла написал Бастиану по электронной почте, но так и не получил ответа». Хотя это похвально, совершенно неясно, насколько ценны взаимодействия на уровне генеральных директоров после того, как должны были сработать автоматические процессы обеспечения устойчивости и восстановления (и вообще, имел ли генеральный директор Delta доступ к своей электронной почте в тот момент или она вышла из строя из-за дефектного обновления CrowdStrike).

4. Как обеспечить подотчетность за убытки?

CrowdStrike быстро взяла на себя ответственность за дефектное обновление и извинилась перед рынком. Что касается финансовой ответственности в конкретных спорах, таких как спор с Delta, CrowdStrike указала, что «ее контрактная ответственность ограничена однозначным числом миллионов долларов», подразумевая, что она не несет ответственности за большую часть финансовых потерь, возникших из-за неэффективных мер киберустойчивости со стороны клиентов. Хотя эти конкретные споры будут разрешены в ходе текущих судебных разбирательств, мы отмечаем, что границы потоков кибер-информации и последствия для подотчетности в целом определены плохо и часто двусмысленны.

Кроме того, существуют киберзависимости от множества третьих сторон, которые порождают дополнительные вопросы ответственности. Рассмотрим, например, роль Microsoft в споре между Delta и CrowdStrike. Какова точная связь между обязательством Microsoft тестировать и сертифицировать все программное обеспечение с доступом к ядру Windows и дефектным обновлением CrowdStrike? Delta указала, что у нее «есть основания полагать, что Microsoft не выполнила контрактные требования и иным образом действовала с грубой неосторожностью, фактически преднамеренно, в связи с дефектным обновлением». Microsoft же предположила, что неэффективное кибервосстановление Delta могло быть связано с ее зависимостью от поставщиков инфраструктуры, таких как IBM и Amazon. Очевидно, что для систематического и достоверного вывода об ответственности за киберриски между соответствующими сторонами требуются эффективные аналитические структуры, которых пока не существует.

Путь вперед: объяснимое управление киберрисками

Хотя инцидент с CrowdStrike не был настоящей кибератакой, существует много общих характеристик и важных уроков для всех организаций, связанных с подобными сценариями цифровых рисков — будь то случайных или преднамеренных. Организации должны развивать адекватные возможности для выполнения следующего:

• Определять потенциальное косвенное влияние киберсобытия на бизнес (прямое и эскалированное) по принципу «что, если» у любого партнера по цепочке поставок (компрометация кибербезопасности или ошибки). Delta и многие другие организации, возможно, не рассматривали априори такие важные сценарии потенциальных рисков, как дефектные обновления CrowdStrike и их возможные последствия.
• Устанавливать соответствующие бизнес-цели и процессы киберустойчивости для любого значимого киберсобытия у партнера по цепочке поставок. Большие различия во времени восстановления и бизнес-потерях в инциденте с CrowdStrike подразумевают, что многие организации не имели адекватных мер киберустойчивости для таких сценариев.
• Непрерывно оценивать уровни вероятности и взаимозависимость киберсобытий (внутренних и внешних) и своевременно вносить коррективы при необходимости. CrowdStrike, как утверждается, не оценила должным образом вероятность потенциальных сбоев в своих процессах обновления контента и, следовательно, не смогла вовремя предпринять необходимые корректирующие действия.
• Обеспечивать эффективную коммуникацию (внутреннюю и внешнюю) для обеспечения адекватной прозрачности как основы для принятия надлежащих решений по управлению киберрисками. Шаг CrowdStrike, предпринятый постфактум, — дать клиентам контроль над тем, когда применять обновления контента, — является движением в правильном направлении. Однако необходимо также делиться дополнительной информацией об атрибутах цифрового риска каждого обновления, чтобы позволить клиентам принимать оптимальные решения в каждом конкретном случае.
• Устанавливать четко определенные границы ответственности между соответствующими сторонами в отношении сценариев потенциальных киберрисков и их последствий для бизнеса. Инцидент с CrowdStrike высвечивает значительные двусмысленности и несоответствия между контрагентами в отношении соответствующих обязательств и ожиданий, связанных с киберрисками.

Большинство современных кибер-решений...

Обеспечить эффективную коммуникацию (как внутреннюю, так и внешнюю) для достижения прозрачности, необходимой для принятия надлежащих решений по управлению киберрисками. Шаг CrowdStrike, предпринятый постфактум, — дать клиентам контроль над тем, когда применять обновления контента, — является движением в правильном направлении. Однако необходимо также делиться дополнительной информацией об атрибутах цифрового риска каждого обновления, чтобы позволить клиентам принимать оптимальные решения в каждом конкретном случае.

Устанавливать четко определенные границы ответственности между соответствующими сторонами в отношении сценариев потенциальных киберрисков и их последствий для бизнеса. Инцидент с CrowdStrike высвечивает значительные двусмысленности и несоответствия между контрагентами в отношении соответствующих обязательств и ожиданий, связанных с киберрисками.

Большинство современных кибер-решений в организациях сосредоточены на конкретных локальных целях, но не обеспечивают комплексного понимания киберрисков на системной, заслуживающей доверия и обоснованной основе. Требуется новая парадигма объяснимого управления киберрисками. Она должна позволять получать аналитические данные о киберрисках на основе сквозных сценариев и выстраивать связи между киберсобытиями и бизнес-результатами. Например, в отношении таких инцидентов, как с CrowdStrike, новый подход позволил бы систематически оценивать сценарии бизнес-результатов потенциально ошибочных обновлений и соответствующим образом балансировать процессы минимизации последствий и восстановления системным и оптимизированным с точки зрения киберрисков образом. В целом, нам нужны более совершенные методы для формирования более высокого уровня доверия между пользователями и поставщиками услуг. Случайные непреднамеренные технологические сбои неизбежны. Масштаб, охват и влияние злонамеренных кибератак будут продолжать расти по мере увеличения глобальной зависимости от развивающихся цифровых технологий. Поэтому крайне необходимы гораздо более эффективные подходы к управлению киберрисками — и они должны быть прозрачными, структурированными, обоснованными и гибкими.

Утечки данных и системные сбои учащаются, что влечет за собой серьезные финансовые и операционные последствия. Сбой CrowdStrike в 2024 году, вызвавший более 8,5 миллионов системных сбоев и миллиарды долларов убытков, подчеркивает растущие проблемы в управлении киберрисками. Чтобы смягчить риски, компании должны принять более структурированные и прозрачные стратегии кибербезопасности.

• Фрагментированное управление рисками. Организациям не хватает единых подходов для эффективной оценки и снижения киберрисков.
• Обновления программного обеспечения несут риски. Даже проверенные обновления кибербезопасности могут приводить к сбоям, что требует лучшего контроля тестирования и развертывания.
• Различия в устойчивости. Компании с более сильной ИТ-инфраструктурой восстанавливаются быстрее, в то время как другие страдают от длительных простоев.
• Неясность ответственности. Обязанности по киберрискам между поставщиками и клиентами остаются юридически и операционно двусмысленными.
• Управление киберрисками должно быть объяснимым. Организации должны внедрить сценарный анализ рисков, чтобы предвидеть и минимизировать будущие киберсбои.

1. Brian Fung, “We Finally Know What Caused the Global Tech Outage—and How Much It Cost,” CNN.com, July 24, 2024, https://www.cnn.com/2024/07/24/tech/crowdstrike-outage-cost-cause/index.html.
2. David Shepardson, “CrowdStrike, Delta Sue Each Other over Flight Disruptions,” Reuters, October 28, 2024, https://www.reuters.com/legal/crowdstrike-delta-sue-each-other-over-flight-disruptions-2024-10-28/.
3. Ashley Belanger, “TSA Silent on CrowdStrike’s Claim Delta Skipped Required Security Update,” ArsTechnica, October 29, 2024, https://arstechnica.com/tech-policy/2024/10/crowdstrike-accuses-delta-of-blaming-its-own-it-failures-on-global-outage/.
4. “Cost of a Data Breach Report 2024,” IBM.com, https://www.ibm.com/reports/data-breach.
5. Verizon Business, “2024 Data Breach Investigations Report,” https://www.verizon.com/business/resources/Te3/reports/2024-dbir-data-breach-investigations-report.pdf.
6. Kimberly Guerriero, Téa Bourdeau, and Sam Raphael, “Is Cyber Insurance Still Relevant for the Captive Market?” white paper, Milliman, October 10, 2023, https://www.milliman.com/en/insight/is-cyber-insurance-still-relevant-for-captive-market.

Адаптировано из статьи «Чему нас может научить сбой CrowdStrike 2024 года в вопросах киберрисков», HBR.org, 10 января 2025 г. (оттиск #H08KUZ).

6. Кооперативы данных — новый рубеж трудовых отношений

Авторы: Хосе Парра-Мойяно и Амит Джоши

Влияние ИИ, и в частности генеративного ИИ, ощущается во всех отраслях. Но в то время как руководители воодушевлены потенциалом этой технологии, «белые воротнички» часто с опаской относятся к тому, что это может значить для них самих, их рабочих мест и их будущего. Эти различия в восприятии создают новую напряженность и ставят новые задачи перед обеими группами.

Работники уже предпринимают действия, чтобы повлиять на повестку дня, которая определит, что организации будут (или не будут) делать с ИИ. Наиболее примечательным примером является 148-дневная забастовка, организованная в 2023 году Гильдией сценаристов Америки (WGA) — профсоюзом, представляющим 11 500 сценаристов. Забастовка на месяцы парализовала индустрию развлечений и завершилась соглашением о том, что ИИ не может писать или переписывать литературный материал, что материалы, созданные ИИ, не будут считаться исходным материалом (это означает, что ИИ-контент не может быть использован для подрыва авторства сценариста или его исключительных прав), что использование материалов сценаристов для обучения ИИ запрещено, и что сценаристы могут по своему выбору использовать ИИ при выполнении работ, но компания не может требовать от них использования программного обеспечения на базе ИИ.

Этот результат был объявлен победой WGA, но он также иллюстрирует трудности подобных переговоров. Во-первых, срок действия соглашения истекает через три года, а это значит, что сценаристы будут вынуждены вернуться к переговорам очень скоро. Во-вторых, неясно, как будет обеспечиваться соблюдение соглашения, поскольку не существует гарантированного способа проверить, были ли данные поглощены большой языковой моделью (LLM). В-третьих, в соглашении ничего не говорится о новых игроках, входящих в индустрию. OpenAI начала кампанию по продвижению Sora — своего инструмента генерации видео на базе ИИ — среди кинематографистов и студий в Голливуде. В принципе, ничто не мешает студиям и режиссерам начать создавать сценарии и видео с помощью инструмента OpenAI, что значительно уменьшит влияние и власть не только сценаристов, но и актеров.

Хотя забастовка WGA является самым масштабным примером действий сотрудников, она не единственная. Работодателям пора начать готовиться к тому, что беспокойство по поводу ИИ подстегнет усилия по созданию профсоюзов среди «белых воротничков» и коллективные действия. Проект «Законопроект об ИИ» (AI Bill Project), запущенный Конгрессом профсоюзов (TUC) — федерацией, представляющей интересы как «синих», так и «белых воротничков» в Англии и Уэльсе, — свидетельствует о том, как быстро эволюционируют профсоюзы, стремясь усилить влияние работников на то, как технологии используются на рабочих местах.

Все вышеперечисленные проблемы прямо или косвенно коренятся в доступе к высококачественным контекстуальным данным. Данные — это входной ресурс, необходимый для работы алгоритмов машинного обучения, а ИИ состоит из таких алгоритмов. Следовательно, те, кто имеет доступ к высококачественным данным, могут обучать высококачественный ИИ. В настоящее время WGA не регулирует генерацию и использование данных, создаваемых персоналом, а последние нормативные акты по защите данных, такие как Закон ЕС об ИИ (EU AI Act), сосредоточены на предотвращении слежки за сотрудниками, но не на том, как контент, созданный ими, может быть использован для обучения моделей.

Следовательно, существует огромное поле для конфликтов. И пока работники и организации не смогут решить этот вопрос данных конструктивным и долгосрочным образом, конфликты будут продолжать разрешаться путем противостояний и частичных переговоров.

Кооперативы данных предлагают один из значимых путей вперед. Это организационная модель, которая позволяет отдельным лицам объединять свои данные с целью получения рычагов влияния на компании, анализирующие их данные. Кооперативы, такие как Swash, datum, MIDATA, Gener8, SAOS, GISC и Data Workers’ Union, предоставляют людям возможности для монетизации и управления своими данными, трансформируя их роль — и роль самих участников — в цифровой экономике.

Эти кооперативы делают упор на индивидуальный контроль, этичное использование и справедливое обращение, позволяя пользователям сохранять право собственности и субъектность в отношении своего цифрового следа. Кроме того, во многих случаях они предлагают коммерческую монетизацию данных членов кооператива, позволяя третьим лицам получать инсайты из этих данных (ответственным и обеспечивающим конфиденциальность способом). Таким образом, кооперативы данных могут удовлетворить спрос на аналитику на основе данных или обучение ИИ. Одновременно они обеспечивают организации регулярно обновляемыми высококачественными данными, которые чрезвычайно релевантны их контексту. Это означает, что участники контролируют свои данные и могут давать разрешение конкретным компаниям использовать их ответственно.

Данные как новый фактор производства

Влияние технологий на работников и их работодателей обычно анализируется как игра с нулевой суммой, в которой автоматизация увеличивает прибыль работодателей, сокращая при этом рабочие места для сотрудников. Однако зависимость ИИ от свежих данных переворачивает этот взгляд по трем причинам:

1. Способности генеративного ИИ к созданию контента могут затронуть такие функции, как реклама и маркетинг, разработка лекарств и инновации, а также проектирование и разработка продуктов и процессов. Влияние GenAI на вакансии программистов ощущается уже сейчас.
2. Поскольку модели ИИ чрезвычайно «прожорливы» до данных, их можно обучать не только на готовых продуктах, но и на данных, собранных в процессе создания. Любые такие сгенерированные данные обычно принадлежат организации, что еще больше упрощает обучение будущих внутренних моделей ИИ.
3. Большинство организаций уже обладают огромными массивами...

...прошлых данных, многие из которых можно успешно использовать для предварительного обучения или дообучения моделей ИИ.

Рассмотрим, например, команду инженеров, работающих над трансмиссией для новой модели автомобиля. Такая команда может состоять из нескольких десятков человек с самыми разными навыками и опытом. В то же время у всех автопроизводителей есть доступ к огромным массивам данных о создании предыдущих трансмиссий, включая их характеристики, стоимость и процессы проектирования. Поэтому вполне предсказуемо, что компании могут попытаться переложить большую часть первоначальной работы на ИИ, что затронет многие рабочие места офисных сотрудников в этой сфере.

Однако для обучения и повышения производительности ИИ требуются более новые, чистые и объемные наборы данных. Организации, полагающиеся на текущие возможности ИИ, рано или поздно могут обнаружить, что используемые ими алгоритмы начинают работать хуже, чем раньше, из-за «деградации модели» — снижения производительности ИИ с течением времени. Причина в том, что данные, на которых они обучались, больше не отражают реальность, в которой приходится ориентироваться ИИ. Наши предпочтения, контекст, чувство юмора, вкус и мода постоянно меняются. И именно мы, люди, нужны для того, чтобы проявлять свои предпочтения, смеяться и вовлекаться, когда мы находим что-то забавным, и носить то, что считаем модным. Самыми ценными данными будут данные о нас, людях, и именно наше взаимодействие с цифровыми системами порождает эти данные. Исключение человека означает исключение данных о человеке, для которого ИИ должен генерировать контент. Только мы можем определить, кажется ли нам эта шутка смешной, является ли это тонкое изменение цвета модным или нужно ли сейчас что-то новое, потому что простого воспроизведения того, что нам нравилось три месяца назад, уже недостаточно.

Этот самый факт, вытекающий исключительно из природы ИИ, а не из природы других технологий, которые в прошлом влияли на рынок труда, может неожиданным образом помочь согласовать потребности работодателей и работников, поскольку люди-сотрудники имеют фундаментальное значение для генерации новых данных, которые в конечном итоге станут драйверами развития ИИ.

Кооперативы данных — это новые рубежи трудовых отношений

Кооперативы данных для данных — то же самое, что профсоюзы для труда

В контексте работы именно практические знания сотрудников, их способности к решению проблем и развивающиеся наборы навыков меняются с каждым новым вызовом и инновацией. Таким образом, наиболее ценные данные для ИИ, способного взять на себя задачи работников, будут поступать непосредственно от задач, которые выполняют люди, поскольку их практическое взаимодействие с инструментами, системами и клиентами генерирует именно те точные данные, которые необходимы ИИ, чтобы оставаться актуальным и полезным.

Именно здесь кооперативы данных предлагают новый подход к управлению данными, позволяя работникам совместно владеть своими коллективными данными и управлять ими через более или менее децентрализованный процесс принятия решений. Это происходит потому, что члены кооператива данных могут объединять данные, которые в настоящее время изолированы в разных источниках, в один пакет. Агрегация данных, которые участники генерируют в различных ситуациях и из разных источников, может привести к разработке новых продуктов, услуг и бизнес-моделей, которые были бы недостижимы только за счет индивидуального вклада или использования данных из отдельных источников (например, одной компании, одной платформы, одного поставщика услуг и т. д.).

Более того, как только работники увидят монетизацию своих данных через кооперативы, они с гораздо большей вероятностью реорганизуют свои собственные процессы для облегчения сбора качественных данных, что, в свою очередь, может обеспечить лучшие результаты ИИ для организации и более высокие доходы от данных для самих работников. В отличие от профсоюзов, которые традиционно искали односторонний путь к улучшению условий труда, кооперативы данных работают как поставщики обучающих данных и следуют правилам рынка для удовлетворения неудовлетворенного спроса (спроса на обучение систем ИИ на актуальных данных). И это может быть реализовано методами, обеспечивающими конфиденциальность, так чтобы личные наработки членов кооператива оставались их тайной.

Такая модель организации расширяет возможности работников, позволяя им устанавливать общие правила использования данных, что потенциально повышает их переговорную силу в отношениях с работодателями. На практике это требует, чтобы кооперативы данных позволяли работникам индивидуально собирать свои данные из различных источников, решая в каждом конкретном случае, какая третья сторона (например, их работодатели) может обучать алгоритм на этих данных. Это позволяет работникам монетизировать свои данные и контролировать их под единым управлением. Существует ряд моделей того, как это сделать: некоторые используют блокчейн, другие — сторонние приложения, третьи хранят данные локально и просто дают пользователям больше контроля над тем, кто имеет к ним доступ и как они могут использоваться.

Поскольку данные все чаще используются как фактор производства (то есть как ресурс) в экономике, кажется естественным, что кооперативы данных возникают как решение. Это та же логика, которая привела к развитию профсоюзов в прошлом: фрагментация структуры собственности на фактор производства (будь то данные или труд) препятствует любой переговорной силе индивида в отношениях с работодателем. Данные и труд, являясь критически важными факторами производства, сталкиваются с проблемой фрагментации. Однако они различаются тем, что данные создают ценность в основном в больших объемах. Следовательно, для извлечения пользы через аналитические выводы требуется их агрегация. Именно из-за этой необходимости агрегации мы говорим о «больших данных». В контексте кооперативов данных модель коллективного владения не просто усиливает переговорную позицию; она способствует созданию ценности за счет использования объема и разнообразия данных своих членов. Это иллюстрирует, как распределенные структуры собственности могут приносить более широкие экономические и социальные выгоды, выходящие за рамки простого рычага в переговорах.

Что это значит для будущего отношений между работником и работодателем

Чтобы эта экономическая ценность была реализована — и чтобы и работодатели, и работники процветали в экономике данных, — всем участникам необходимо повысить уровень своей грамотности в вопросах данных. И работники, и работодатели должны понимать, как данные создают ценность: путем агрегирования и анализа для выявления идей и закономерностей, которые могут улучшить процесс принятия решений и обучить модели ИИ. Кроме того, работники должны понимать, какой вклад они вносят в создание этих данных и управление ими во время работы, и использовать коллективное влияние, которое дают им кооперативы, для ведения конструктивной дискуссии о будущем сферы труда.

Чтобы в полной мере воспользоваться преимуществами данных, производимых людьми, и при этом гарантировать работникам контроль над тем, какие данные они предоставляют, и справедливую компенсацию за них, работодатели и сотрудники должны предпринять следующие шаги для формирования будущего цифровой экономики и, следовательно, будущего работы:

1. Оцените внутренние ресурсы данных и потенциал организации

Работодателям и сотрудникам следует начать с проведения тщательного аудита данных, которые организация уже собирает и генерирует, сосредоточив внимание на выявлении информации, которая может быть ценной для обучения ИИ или аналитики. В ходе этой работы идентификация данных, генерируемых сотрудниками, может служить основой для количественной оценки вклада персонала в ценность, создаваемую организацией на основе данных. Проект «Workers’ Algorithm Observatory» («Обсерватория алгоритмов для работников») — это инициатива, родившаяся в Принстонском университете, которая позволяет сотрудникам собирать данные и исследовать алгоритмические системы, стоящие за платформами, определяющими оплату, график и многое другое в платформенной экономике и за ее пределами. Работодатели и работники могут использовать эту инициативу для вдохновения и поддержки.

2. Вовлекайте сотрудников в программы повышения грамотности в области данных

Организации могут внедрять программы обучения для повышения грамотности своих сотрудников в вопросах данных. Обучая их тому, как повседневная деятельность генерирует ценные данные, какова важность этих данных в разработке ИИ и как они могут участвовать в кооперативах данных, компания создает ценный капитал знаний. Эти знания позволяют сотрудникам создавать больше ценности с помощью данных организации и, в то же время, позволяют всем заинтересованным сторонам иметь общее понимание и язык в вопросах ценности кооперативов данных. От этого выигрывают все: сотрудники лучше понимают, как они создают ценность и получают за нее вознаграждение, а работодатели взамен получают данные более высокого качества. Фармацевтическая компания Roche является первопроходцем в этой области.

3. Включите пункты о кооперативах данных в трудовые договоры

Обновляя трудовые договоры и включая в них положения, признающие права сотрудников на их данные и определяющие, как эти данные могут использоваться совместно с кооперативами данных, организации могут позиционировать себя как лидеры в этой области. Это обеспечит прозрачность, создаст правовую базу для использования данных и поможет в привлечении новых талантов. Подобные типы положений уже обсуждаются в рамках таких инициатив, как Союз работников сферы данных (Data Workers Union)...

Компании могут черпать вдохновение в этих дискуссиях для разработки собственных политик и оставаться на шаг впереди в вопросе, который обещает стать серьезной проблемой в сфере труда, тем самым возглавляя и формируя дискуссию на эту тему. Проявляя инициативу сейчас, компании могут разработать взаимовыгодную систему и предотвратить будущие конфликты, в которых им, возможно, пришлось бы пойти на большие жертвы. Учитывая динамичную природу общества, ИИ (по крайней мере, в обозримом будущем) будут нужны человеческие данные и руководство для создания реальной ценности. Следовательно, работники будут играть фундаментальную роль в поддержании актуальности ИИ. Именно сочетание труда, капитала и ИИ — если уж на то пошло — создаст ту ценность, которую прогнозируют консалтинговые компании, такие как McKinsey. Поэтому работникам следует сосредоточиться на понимании взаимодействия между капиталом, трудом и данными и начать направлять дискуссию о будущем работы с правильным пониманием природы ИИ. Бизнес-лидеры должны в равной степени понимать зависимости между капиталом, трудом и данными, чтобы проактивно предлагать форматы сотрудничества, позволяющие организациям — а значит, и обществу — процветать в эпоху ИИ.

По мере того как ИИ продолжает трансформировать отрасли, напряженность между работодателями и «белыми воротничками» растет. Работники все активнее сопротивляются влиянию ИИ, при этом право собственности на данные и их использование становятся центральными темами в трудовых переговорах. Кооперативы данных предлагают многообещающее решение, позволяя работникам контролировать, монетизировать и использовать свои данные для усиления своих позиций в переговорах.

• Владение данными критически важно, а ИИ нужны свежие данные. Без непрерывного участия человека модели ИИ деградируют, что делает данные, генерируемые работниками, незаменимыми. Работники создают ценные данные, однако организации обычно владеют ими и используют их без выплаты вознаграждения.
• Роль кооперативов данных. Эти кооперативы могут дать работникам возможность контролировать и монетизировать свои данные, подобно тому, как это делали профсоюзы в прошлом.
• Сотрудничество работодателя и работника. Компаниям следует повышать прозрачность данных, внедрять программы грамотности в области данных и интегрировать права на данные в трудовые договоры.
• Новая трудовая парадигма. Согласование интересов ИИ, труда и капитала может создать устойчивую ценность как для бизнеса, так и для работников.

1. Mary Towers, “The AI Bill Project,” Trades Union Congress, April 18, 2024, https://www.tuc.org.uk/research-analysis/reports/ai-bill-project.
2. Daron Acemoglu and Pascual Restrepo, “The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment,” American Economic Review 2018, no. 108 (6): 1488–1542, https://ide.mit.edu/sites/default/files/publications/aer.20160696.pdf.
3. Stig Nyman et al., “From Algorithmic Management to Data-Driven Labour Organising,” Scandinavian Journal of Information Systems 36, no. 1 (July 2024): article 2, https://aisel.aisnet.org/cgi/viewcontent.cgi?article=2040&context=sjis.
4. “The State of AI: How Organizations Are Rewiring to Capture Value,” survey, McKinsey & Company, March 12, 2025, https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai.

Адаптировано на основе статьи «Кооперативы данных — это новый рубеж трудовых отношений», HBR.org, 27 сентября 2024 г. (репринт #H08DSH).

7. Что DeepSeek говорит о будущем ИИ

Запуск модели R1 от DeepSeek в конце января 2025 года спровоцировал резкое падение рыночных котировок по всей цепочке создания стоимости ИИ — от разработчиков моделей до поставщиков инфраструктуры. Инвесторы увидели в R1, мощном, но недорогом конкуренте признанных американских моделей ИИ, угрозу заоблачным прогнозам роста, которые оправдывали завышенные оценки. Однако для тех, кто внимательно следил за ситуацией, появление DeepSeek — или чего-то подобного — было неизбежным. Тем не менее, сейчас подходящий момент, чтобы поразмышлять о том, куда движется ИИ. Вместо того чтобы воспринимать R1 от DeepSeek как некий переломный момент, полезнее видеть в нем признак того, где мы находимся на самом деле, и предвестник грядущих перемен. Вот пять уроков, которые бизнес-лидеры должны извлечь из этой ситуации.

От распознавания шаблонов к решению задач

Большие языковые модели были в центре внимания в 2023 и 2024 годах, но в 2025 году мы будем восхищаться системами ИИ, которые способны рассуждать, планировать и работать автономно. Это связано с тем, что в этом году в ландшафте ИИ будут доминировать два взаимосвязанных драйвера: рост моделей рассуждения (reasoning models) и появление ИИ-агентов, готовых к полноценному использованию. Эти возможности в значительной степени опираются на обучение с подкреплением (RL) — метод обучения интеллектуального агента принятию последовательности правильных решений. Представьте это как обучение игре в видеоигру: когда вы попадаете в цель, перепрыгиваете через ров или угадываете слово, вы получаете очки. В процессе игры вы учитесь совершать действия, которые вознаграждаются.

Предыдущее поколение моделей, такое как GPT-4, было потрясающим инструментом сопоставления шаблонов — они проходили предварительное обучение на огромных объемах информации, контекстуализировали ее и поражали нас своими сверхъестественными предсказаниями следующего слова в ответ на наши запросы. DeepSeek R1 — это бесплатная для всех модель рассуждения, так же как и недавно выпущенные модели o3-mini от OpenAI и Copilot o1 от Microsoft. Эти модели представляют собой важнейший сдвиг от неопределенного предсказания следующего слова к методичному решению задач, которое в значительной степени опирается на RL. Рассуждение позволяет им выполнять определенные задачи гораздо лучше, чем предыдущим моделям, например, решать математические задачи. Подумайте о попытке умножить два больших числа. Большинство людей не могут просто посмотреть на них и угадать ответ — им нужно взять карандаш и бумагу, разбить задачу на шаги и проработать ее. Модели рассуждения все чаще могут делать то же самое. Благодаря способности разбивать и обдумывать проблемы, ИИ-агенты могут учиться динамически перемещаться в сложных рабочих процессах, адаптируясь к новой информации по мере ее появления в процессе выполнения задачи, вместо того чтобы ограничиваться жесткими, заранее определенными сценариями. Это именно то, что делают люди в своей работе: например, когда агенты службы поддержки отвечают на запросы, когда административные сотрудники составляют графики и планируют поездки, или когда аналитики данных собирают информацию, анализируют ее и пишут отчет.

Экономическая точка перегиба ИИ

Одним из главных заголовков вокруг DeepSeek R1 стала заявленная стоимость его разработки — 5,5 млн долларов. Эта цифра вводит в заблуждение. Вероятно, она отражает стоимость только одного цикла обучения, без учета затрат на инфраструктуру, проектирование и развертывание. Итоговая сумма, включающая эти расходы, была бы намного выше — хотя все равно значительно ниже оценок стоимости разработки OpenAI, Anthropic, Google и других моделей, с которыми конкурирует R1. Вместо того чтобы зацикливаться только на этих цифрах, нам следует уделять больше внимания затратам на инференс — расходам, связанным с фактическим использованием моделей после их обучения. Обучение требует значительных первоначальных инвестиций, но затраты на инференс имеют решающее значение для корпоративных приложений. DeepSeek R1 и другие недавние участники рынка, включая серию моделей Llama от Meta, демонстрируют значительное снижение этих расходов. Как правило, падающие цены стимулируют конкуренцию и способствуют внедрению технологий пользователями. Вспомните падение цен с поправкой на производительность на рынках всех электронных товаров — смартфонов, телевизоров, ноутбуков, — вызванное ростом эффективности производства полупроводников. Это закон Мура, стимулирующий снижение цен и повышение темпов внедрения слишком большого количества конечных продуктов, чтобы их перечислять. То же самое происходит и в ИИ.

Сосуществование открытого и проприетарного ИИ

Одна из причин, по которой следовало ожидать появления разработки, подобной DeepSeek R1, заключается в базовой экономике программного обеспечения с открытым исходным кодом. Исторически сложилось так, что проекты с открытым исходным кодом бросали вызов проприетарным решениям, значительно снижая затраты: например, Unix/Linux в корпоративных вычислениях, Android в мобильных ОС, MySQL в базах данных и, конечно же, Llama в ИИ. Ценовое преимущество программного обеспечения с открытым исходным кодом хорошо задокументировано. Предсказуемо, что ИИ пойдет по аналогичной траектории. В ИИ проприетарные модели от таких компаний, как OpenAI, Alphabet и Anthropic, остаются на переднем крае мультимодальных возможностей, безопасности (кажется, DeepSeek R1 легко «взломать» с помощью джейлбрейка) и других бенчмарков. Тем не менее, модели с открытыми весами, такие как DeepSeek R1, сократили разрыв в текстовых рассуждениях, и эта модель невероятно эффективна. Потенциал использования модели в корпоративных сценариях отражен в мгновенном решении Microsoft интегрировать DeepSeek R1 в Azure. Из-за более низкой стоимости и большей гибкости открытые модели, такие как DeepSeek R1, будут очень привлекательны для пользователей. Как и множество малых языковых моделей, таких как Phi-4 от Microsoft, которые продемонстрировали высокую производительность во многих сценариях использования. На данный момент похоже, что мы можем ожидать структуру рынка с широким кругом игроков, а не сценарий, в котором «победитель получает почти все».

Дефицит чипов стимулирует алгоритмические инновации

Еще одна составляющая реакции на DeepSeek R1 была сосредоточена на «удивительной» новости о том, что Китай, судя по всему, сократил отставание от США в области передовых моделей ИИ. Ограничения США на экспорт были призваны ограничить доступ Китая к самым современным полупроводникам и помочь сохранить лидерство американских компаний в исследованиях ИИ. (Некоторые утверждают, что это лишь подтверждает необходимость подобных мер контроля). Тот факт, что такой подход не увенчался полным успехом, не должен вызывать большого удивления. Помните старую поговорку: «нужда — мать изобретательности»? Дефицит чипов заставил китайских исследователей поставить алгоритмическую эффективность выше «сырой» вычислительной мощности — стратегия, которая может оказаться провидческой на фоне взрывного роста энергопотребления центров обработки данных. Но этот факт — как и элегантность алгоритмических исследований, проводимых в Китае — был очевиден уже некоторое время. Ландшафт больших языковых моделей (LLM) в Китае стремительно рос: в прошлом году для публичного использования было доступно 117 моделей. Несмотря на строгие ограничения в отношении обучающих данных и выдаваемого контента, довольно много китайских LLM конкурентоспособны в глобальных рейтингах, особенно в задачах на китайском языке. Пул талантов в сфере ИИ там исключителен; у самой DeepSeek чрезвычайно инновационная исследовательская группа, а глубина кадрового резерва в стране огромна.

DeepSeek R1 не изменила абсолютно всё

При всем вышесказанном, крупнейшие ИИ-лаборатории и гиперскейлеры Запада — включая Microsoft, Meta, Alphabet и Amazon — продолжат инвестировать на ошеломляющем уровне, гарантируя, что спрос на современные GPU и инфраструктуру ИИ останется высоким. Открытые модели не заменят проприетарные полностью, и мы, вероятно, увидим, как огромные вычислительные ресурсы поглощаются при обучении моделей и инференсе. В результате гонка за наиболее мощными системами ИИ продолжит подстегивать спрос на высокопроизводительные чипы и крупномасштабную облачную инфраструктуру, несмотря на то что инвестиционные затраты сейчас значительно превышают доходы для многих игроков отрасли. Кроме того, крупные покупатели инфраструктуры на Западе, несомненно, обеспокоены рисками поставок, поскольку большинство передовых полупроводников производится на мощностях TSMC на Тайване. Учитывая напряженность в отношениях между США и Китаем и стратегическую ценность Тайваня, крупные западные заказчики, вероятно, задумываются о создании запасов вычислительных мощностей.

Темпы развития ИИ, а также социальная и экономическая значимость этого набора технологий, пожалуй, не имеют исторических прецедентов. Поскольку обучение с подкреплением открывает путь к прорывам в моделях рассуждения и ИИ-агентах, что, в свою очередь, приведет к бесчисленному количеству новых приложений, ближайшее будущее будет наполнено моментами, подобными триумфу DeepSeek. Ожидайте непрерывного прогресса, расширения сценариев реального использования и начала подлинного изменения масштабов экономики.

Запуск DeepSeek R1 ознаменовал переход к моделям, основанным на рассуждении, и ИИ-агентам, способным решать сложные задачи. Хотя этот запуск подчеркивает достижения Китая в области ИИ, он также подкрепляет тренды на снижение затрат, внедрение открытого ПО и продолжающуюся конкуренцию между проприетарными и открытыми моделями ИИ.

• От распознавания образов к решению задач. Модель DeepSeek продемонстрировала, что ИИ эволюционирует от просто языковых моделей к рассуждению и принятию автономных решений.
• Снижение стоимости ИИ. Более низкие затраты на инференс стимулируют внедрение ИИ, подобно тому как рост скорости обработки данных десятилетиями определял развитие потребительской электроники.
• Открытые модели против проприетарных. Являясь моделью с открытыми весами, DeepSeek R1 бросает вызов закрытым системам, снижая затраты, хотя проприетарные модели все еще лидируют в мультимодальных возможностях и безопасности.
• Алгоритмические инновации Китая. Ограничения США на поставку полупроводников подтолкнули Китай к оптимизации эффективности ИИ, что привело к конкурентным достижениям.
• Неудержимый рост ИИ. Несмотря на изменения в конкурентной среде, ведущие ИИ-компании продолжат инвестировать в крупномасштабную инфраструктуру, обеспечивая быстрое развитие технологий и трансформацию экономики.

1. DeepSeek-AI, “DeepSeek-V3 Technical Report,” https://arxiv.org/pdf/2412.19437. Адаптировано из HBR.org, 4 февраля 2025 г. (репринт #H08MD2).

8. Как компании могут снизить растущий экологический след ИИ

Автор: Кристина Шим

Ожидается, что к 2026 году вычислительные мощности, выделяемые для обучения ИИ, вырастут в десять раз по сравнению с уровнем 2024 года. По мере расхода энергии требуется всё больше ресурсов. В результате мы наблюдаем экспоненциальный рост потребления электричества и, что, возможно, более неожиданно, воды. Согласно некоторым оценкам, за весь жизненный цикл работа крупной модели ИИ генерирует больше выбросов, чем среднестатистический автомобиль. Недавний отчет Goldman Sachs показал, что к 2030 году спрос на электроэнергию, подстегиваемый приложениями ИИ, вырастет на 160%.

Мы знаем об ощутимых экологических рисках такой работы в долгосрочной перспективе, но мы также знаем, что ИИ может стать мощным новым инструментом для КСЭ — ускоряя решение проблем, помогая нам понимать климатические изменения и справляться с ними, а также поддерживая зарождающийся энергетический переход. Внедрение ИИ стало новой нормой для бизнеса и правительств, стремящихся улучшить процесс принятия решений, повысить производительность и снизить затраты.

Вот почему нам необходимо рассмотреть более экологичные методы работы с ИИ уже сейчас, одновременно отдавая приоритет тем сценариям использования ИИ, которые способствуют достижению общих целей КСЭ. Как мы можем эффективно использовать ИИ и извлекать из него выгоду, сводя к минимуму воздействие на окружающую среду в меру наших коллективных возможностей?

Грамотный выбор моделей ИИ

У модели ИИ есть три фазы — обучение, настройка и инференс — и на каждой из них существуют возможности для повышения экологичности. В начале пути внедрения ИИ бизнес-лидерам следует рассмотреть возможность выбора базовой модели (foundation model), а не создания и обучения кода с нуля. По сравнению с созданием новой модели, базовые модели могут быть настроены под конкретные цели за меньшее время, с меньшим объемом данных и при гораздо меньших затратах энергии. Это фактически «амортизирует» первоначальные затраты на обучение в течение долгого срока эксплуатации в различных целях. Также важно выбрать базовую модель правильного размера. У большинства моделей есть разные варианты исполнения: с 3 миллиардами, 8 миллиардами, 20 миллиардами или более параметров. «Больше» не всегда означает «лучше». Небольшая модель, обученная на высококачественных, курируемых данных, может быть более энергоэффективной и достигать тех же или лучших результатов в зависимости от ваших потребностей. Исследования IBM показали, что некоторые модели, обученные на специфических и релевантных данных, могут работать наравне с моделями, которые в три-пять раз больше, но при этом быстрее и с меньшим энергопотреблением. Для бизнеса это хорошая новость: скорее всего, это также означает более низкие затраты и лучшие результаты.

Продуманное размещение мощностей для обработки данных

Зачастую гибридный облачный подход может помочь компаниям снизить энергопотребление, предоставляя гибкость в выборе места обработки данных. При гибридном подходе вычисления могут происходить в облаке, в дата-центрах, расположенных ближе всего к потребителю. В других случаях — из соображений безопасности, нормативных требований или иных целей — вычисления могут выполняться «on-prem» (на физических серверах, принадлежащих компании). Гибридный подход может поддерживать КСЭ двумя способами. Во-первых, он помогает разместить данные рядом с мощностями для их обработки, что сводит к минимуму расстояние, которое должны «пройти» данные, и в долгосрочной перспективе обеспечивает реальную экономию энергии. Во-вторых, это позволяет выбирать локации для обработки данных с доступом к ВИЭ. Например, два дата-центра могут предлагать схожую производительность для ваших нужд, но один из них использует гидроэнергетику, а другой — уголь.

Наконец, важно использовать только те мощности, которые вам действительно необходимы. Многие организации резервируют избыточные вычислительные ресурсы «про запас», хотя уже существует программное обеспечение, позволяющее оптимизировать этот процесс. В одном из случаев с нашими собственными рабочими нагрузками ИИ компания IBM смогла сократить избыточный резерв мощности с эквивалента 23 до 13 графических процессоров (GPU), значительно снизив энергопотребление и освободив востребованные GPU для других целей — при нулевом снижении производительности.

Использование правильной инфраструктуры

После того как вы выбрали модель ИИ, около 90% её жизненного цикла будет проходить в режиме инференса, когда через неё прогоняются данные для составления прогноза или решения задачи. Естественно, основная часть углеродного следа модели также приходится на этот этап, поэтому организации должны инвестировать время и капитал в то, чтобы сделать обработку данных максимально экологичной. ИИ работает наиболее эффективно на процессорах, поддерживающих очень специфические типы математических вычислений. Хорошо известно, что ИИ работает лучше на GPU, чем на центральных процессорах (CPU), но ни те, ни другие изначально не проектировались специально для ИИ. Все чаще мы видим прототипы новых процессоров, которые с нуля разработаны для запуска и обучения моделей глубокого обучения быстрее и эффективнее. В некоторых случаях было доказано, что такие чипы в 14 раз более энергоэффективны. Энергоэффективная обработка данных — это абсолютно самый важный шаг, который необходимо предпринять, поскольку она снижает потребность в водяном охлаждении и даже в дополнительных мощностях ВИЭ.

Использование открытого программного обеспечения

Открытость означает, что за кодом следит больше глаз, больше умов думает над проблемами и больше рук работает над решениями. Такой уровень прозрачного сотрудничества может иметь колоссальное значение. Например, открытый проект Kepler — бесплатный и доступный для всех — помогает разработчикам оценивать энергопотребление своего кода непосредственно в процессе его написания. Это позволяет им создавать ПО, достигающее поставленных целей без игнорирования энергетических компромиссов, которые влияют на долгосрочные затраты и уровень выбросов. Открытый исходный код также означает использование «мудрости толпы» для улучшения существующих моделей ИИ вместо того, чтобы бесконечно нагружать наши энергосистемы созданием новых моделей с нуля. Такие модели позволят организациям с ограниченными ресурсами заниматься экономически эффективными инновациями, а скептически настроенным компаниям обеспечат гибкость, безопасность и надежность.

Самый масштабный проект с открытым исходным кодом в истории — интернет — изначально использовался для обмена научными работами. Сегодня он является фундаментом нашей экономики и общества. Подобным образом, представляя, как ИИ может помочь в создании лучшего будущего, мы должны стремиться к инновациям, одновременно проявляя осмотрительность и ответственность в отношении имеющихся у нас вариантов и задействованных природных ресурсов.

По мере ускорения внедрения ИИ требования к энергии и ресурсам растут тревожными темпами. Ожидается, что к 2030 году потребление электроэнергии, связанное с ИИ, вырастет на 160%. Чтобы сбалансировать преимущества ИИ и его экологическое воздействие, компании должны внедрять более разумные и устойчивые практики.

• Выбирайте эффективные модели ИИ. Используйте базовые модели вместо обучения с нуля; небольшие высококачественные модели могут снизить затраты на электроэнергию.
• Оптимизируйте места обработки данных. Гибридный облачный подход сводит к минимуму перемещение данных и позволяет эффективно использовать ВИЭ.
• Используйте энергоэффективную инфраструктуру. Специализированные процессоры могут снизить потребление энергии в 14 раз по сравнению с традиционными CPU и GPU.
• Используйте открытый код. Общие модели ИИ и практики программирования с учетом энергопотребления повышают эффективность и сокращают избыточные вычисления.
• Планируйте долгосрочную устойчивость. Стратегические решения в разработке ИИ сегодня могут значительно сократить воздействие на окружающую среду в будущем.

1. “Electricity 2024: Analysis and Forecast to 2026,” International Energy Agency, January 2024.
2. “GS SUSTAIN: Generational Growth—AI/Data Centers’ Global Power Surge and the Sustainability Impact,” Goldman Sachs Research, April 30, 2024. |---|
3. “Enterprise Generative AI Made Simple: IBM’s Differentiated Approach to Delivering Enterprise Grade Foundation Models,” IBM.com, April 2, 2024. Адаптировано из HBR.org, 4 июля 2024 г.

Прогнозирование и построение будущего вашей компании

9. Принимайте более эффективные стратегические решения в отношении медленно развивающихся технологий

Такер Дж. Мэрион, Дэвид Дидс и Джон Х. Фрайер

Беспилотные автомобили могут казаться передовой технологией XXI века — вызовом, который все еще сталкивается с препятствиями перед широким внедрением. Но на самом деле автономное вождение развивалось рывками на протяжении целого столетия. Его эволюция может научить руководителей тому, как работать с инновациями, зависящими от нескольких медленно развивающихся технологий, которые объединяются с разной скоростью и стоимостью.

В 1925 году компания Ford Motor продемонстрировала автомобиль под названием American Wonder, который проехал по Бродвею и Пятой авеню — по сообщениям, даже преодолев пробку — без водителя за рулем. Вместо этого машина управлялась дистанционно с помощью радиосигналов из другого автомобиля, следовавшего позади. Это не было «самоуправлением» в чистом виде, но все же стало выдающимся достижением для той эпохи. В 1958 году General Motors представила экспериментальный прототип Firebird III с электрической системой наведения, которая позволяла ему двигаться по автоматизированному шоссе, пока водитель отдыхал, убрав руки с руля. Однако это работало только на участке дороги длиной в четверть мили со встроенными микросхемами.

К 2005 году пять автономных транспортных средств, спонсируемых DARPA, успешно проехали по 150-мильной трассе в пустыне Мохаве. С тех пор компании, включая Google, Tesla, Apple и множество стартапов, инвестировали миллиарды в технологии автономного вождения, но, несмотря на значительные вложения, они все еще используются лишь в малых масштабах в пилотных проектах в нескольких городах.

Почему сделать эту технологию коммерчески жизнеспособной оказывается так сложно? Беспилотный автомобиль опирается на целый спектр технологий, включая лидары, MEMS-датчики (такие как акселерометры), GPS, сотовую связь 5G и искусственный интеллект. Эти технологии созревали с разной скоростью, и траектории их стоимости также развивались неравномерно.

Рассмотрим, к примеру, систему лидар, которая направляет лазерные лучи на окружающую обстановку и объекты на пути автомобиля, измеряет отражения и использует разницу во времени возврата и длине волн для создания цифровых 3D-представлений, определяющих местоположение. Hughes Aircraft Company представила эту технологию еще в 1961 году, а Национальный центр атмосферных исследований одним из первых использовал её для анализа облаков и загрязнения воздуха. Первоначально лидары стоили миллионы, сейчас же их цена составляет от 100 до 200 долларов. Аналогичным образом возможности GPS, впервые разработанные в 1980-х годах, стали широко доступны только в начале 2000-х; к середине 2010-х они превратились в технологию на базе чипов стоимостью менее 5 долларов за единицу. В быстро меняющейся области ИИ возможности, позволяющие автономным автомобилям распознавать препятствия и принимать решения, эволюционируют с точки зрения функционала и стоимости ежемесячно. Только когда весь набор технологий станет достаточно надежным и доступным, автономное вождение сможет полностью реализовать те обещания, над которыми исследователи размышляли более 100 лет.

Как же компаниям справляться, когда воображаемый продукт опирается на группу инноваций, которые появляются медленно — концепция, которую мы называем «технологиями медленного приготовления»? В таких ситуациях, когда развитие базовых технологий то ускоряется, то затихает на протяжении десятилетий, их отслеживание и создание стратегии НИОКР (без слишком ранних и крупных инвестиций) может стать серьезным вызовом.

Большинство корпораций не могут позволить себе тратить много усилий на отслеживание технологий, которым могут потребоваться десятилетия, чтобы стать достаточно эффективными и доступными для коммерциализации. В то же время, когда нужная группа технологий достигает необходимой зрелости и стоимости, они могут стать чрезвычайно разрушительными — и, поскольку они часто застают компании врасплох, их влияние может быть сокрушительным.

Один из примеров разворачивался прямо перед нами: интернет. Академическая версия вышла в сеть в 1969 году, но потребовалось более двух десятилетий (и изобретение интернет-протоколов, HTML, веб-браузера и, в конечном итоге, широкополосного доступа), чтобы обеспечить бум доткомов и бесчисленные инновации в последующие десятилетия. Это инновация, которая перевернула целые отрасли, и компании, которые не смогли вовремя определить правильный момент для инвестиций в интернет-стратегию, часто не выживали.

Определение момента для размещения ставок на развивающиеся технологии — это наука, а не искусство. Самое фундаментальное, что должен сделать генеральный директор, — это перестать думать об инновациях через призму отдельных технологий. Хотя многие руководители этого не осознают, инновации, создающие новые отрасли и экосистемы — или сотрясающие существующие — часто состоят из множества технологий. Вместо этого им следует идентифицировать различные науки и технологии, лежащие в основе потенциальной инновации, и наладить процесс мониторинга и управления ими по мере их развития — даже если это может занять десятилетия. Многие компании пренебрегают этим из-за простого, но неверного убеждения: ожидание имеет смысл. Согласно общепринятому мнению, наибольшее количество бизнес-возможностей появится после коммерциализации технологий, но до того, как у конкурента появится время захватить рынок. Основываясь на наших исследованиях и профессиональном опыте, мы считаем это ошибкой. Компании, которые пробуют такой подход, обычно упускают возможность и никогда не оказываются в положении, позволяющем получить преимущество.

Пересмотр картирования технологий

Компании уже используют сложные инструменты, чтобы предсказать, как быстро технология может быть готова к коммерциализации. Одним из примеров является созданный NASA показатель уровня технологической готовности (TRL); другим — кривые диффузии. Эти визуальные представления должны помогать в долгосрочном планировании НИОКР, финансировании исследований и стратегии слияний и поглощений (M&A). Чтобы...

однако слишком часто эти инструменты фокусируются на прогнозировании развития отдельных технологий, а не на комплексе инноваций, необходимых для реализации таких систем, как, например, автономное вождение. Кроме того, при планировании технологического развития компании полагаются на футурологов, экспертные группы и экстраполяцию трендов. Однако эти методы могут быть искажены личными пристрастиями, субъективными мнениями и ошибками в оценке рыночной готовности. Прежде всего, традиционное технологическое прогнозирование плохо работает в условиях, когда компаниям приходится иметь дело с принципиально новыми технологиями и их взаимодействием.

Возьмем, к примеру, ключевые технологии, используемые в iPhone. Каждая из них развивалась по своей траектории, изначально обладала экстремально высокой стоимостью и впервые применялась в экспериментальных сферах. Литий-ионные аккумуляторы, графические пользовательские интерфейсы и плотно скомпонованные кремниевые интегральные схемы начали разрабатываться еще в 1960-х годах. К концу того десятилетия NASA стало крупнейшим покупателем интегральных схем, что подстегнуло рост таких компаний, как Fairchild Semiconductor и, позднее, Intel. Последовавшее за этим падение цен на восьмибитные микропроцессоры привело к созданию первых персональных компьютеров, таких как Apple II, выпущенный в 1977 году. Фактически многие технологии, составляющие iPhone, существовали в течение 50 лет, прежде чем их возможности, размеры и стоимость снизились настолько, что Apple смогла объединить их и выпустить iPhone в 2007 году.

Самый эффективный способ справиться с трансформационными инновациями — это выявить все перспективные технологии, которые могут повлиять на отрасль в долгосрочной перспективе, приоритизировать их с точки зрения возможных функций и влияния, а затем сосредоточиться на трех или четырех ключевых. Это потребует отслеживания исследовательских трендов в университетах и аналитических центрах; анализа тенденций государственной политики, венчурного капитала, глобальных фондов и конкурсов; мониторинга корпоративных расходов на НИОКР; а также отслеживания запросов на предложения и результатов грантов таких организаций, как NIH, NSF и DARPA. Например, в начале 2000-х годов DARPA проявляло высокую активность в сфере беспилотных транспортных средств, и коммерческие автопроизводители внимательно следили за системами машинного зрения, LiDAR, встроенным машинным обучением и ранним программным обеспечением для ИИ.

Разработка матрицы технологической осуществимости

После выявления наиболее перспективных развивающихся технологий компании должны задать два вопроса о каждой из них: «Может ли это работать?» и «Какой ценой?». Ответы позволят создать матрицу технологической осуществимости — инструмент «два на два», который мы считаем полезным в нашей преподавательской и консультационной деятельности.

РИСУНОК 9-1. Матрица технологической осуществимости

По мере совершенствования технологий и снижения затрат инновации будут двигаться в сторону жизнеспособности на масс-маркете (нижний правый квадрант). Для инноваций, требующих нескольких технологических прорывов, определение текущего положения каждой технологии и ее вероятной траектории к масс-маркету поможет компаниям разработать правильную стратегию. Источник: Такер Дж. Мэрион, Дэвид Дидс и Джон Х. Фрайар.

Технологии делятся на четыре квадранта: амбициозные проекты («полеты на Луну»), критически важные технологии, универсальные решения или решения для масс-маркета.

Проблема управления трансформационными инновациями усложняется, когда базовые технологии в определенный момент времени попадают в разные квадранты. В случае с беспилотными автомобилями, например, разработка искусственного интеллекта, способного управлять транспортным средством, все еще является амбициозным проектом («полетом на Луну»), в то время как сотовая связь 5G для взаимодействия автомобилей между собой уже технически осуществима, но требует огромных инвестиций в инфраструктуру, что делает ее критически важной технологией.

Это подводит нас к следующему аспекту проблемы: когда базовые технологии трансформационной инновации, скорее всего, соединятся воедино? Найти ответ на этот вопрос непросто, но возможно. Как показывают наши исследования, ключ к разгадке — в стоимости. Анализируя инвестиции в НИОКР, необходимые для разработки, и производственные затраты на ключевые технологии, а также прогнозируя их будущие траектории на максимально возможный срок, можно понять, как фактор стоимости повлияет на создание трансформационной инновации.

Это позволит генеральным директорам определить, с какими технологиями работать и как ими управлять, формируя стратегический фокус для НИОКР. Всегда проходит много времени, прежде чем стоимость всех базовых технологий упадет до уровня, когда компании смогут интегрировать их в трансформационную инновацию, производимую по жизнеспособной цене. Это и есть окно конвергенции затрат — момент, когда в обозримом будущем для бизнеса становится возможным объединить эти технологии в новые продукты. Способность управлять этой конвергенцией может определить успех или крах компании, поэтому здесь критически важно не ошибиться.

Рассмотрим пример компании Eastman Kodak, которая не смогла воспользоваться ни своим изобретением цифровой фотографии, ни запоздалым выходом на рынок цифровых камер и сетевых платформ для печати. В 2012 году ей пришлось объявить о банкротстве, когда социальные сети и смартфоны полностью изменили способы обмена и потребления изображений. Пример Kodak показывает, что навигация в окне конвергенции имеет решающее значение для традиционных игроков — как на ранних, так и на поздних этапах игры — тем более что конкуренты-новички будут быстро использовать появляющиеся технологии в этот период. Стартапы склонны двигаться стремительно, создавая сетевые эффекты по принципу «победитель получает все» еще до того, как появятся все технологии, необходимые для создания продукта или услуги, меняющих правила игры.

Компании могут использовать несколько подходов к управлению новыми технологиями до их коммерциализации. Если они заметят окно конвергенции на ранней стадии, у них будет достаточно времени для реализации проактивного подхода. Проактивные стратегии позволяют компаниям формировать траектории развития технологий так, чтобы последние отвечали их будущим потребностям.

Другая стратегия — использование промежуточных продуктов для создания активов и совершенствования компетенций. Netflix придерживалась этой стратегии в течение 10 лет, развивая бизнес по доставке DVD, пока широкополосный интернет не достиг того уровня зрелости, когда стриминг стал жизнеспособным.

Напротив, корпорации, которые замечают окно конвергенции позже конкурентов, должны действовать быстро, используя реактивную стратегию. Когда окно сужается, компании могут оперативно запускать пилотные проекты совместно с продвинутыми конкурентами, как это недавно сделала Honda с General Motors в рамках проекта электромобиля Prologue. Это помогает компаниям тестировать приложения и возможности, не перегружая ресурсы, пока рынок созревает. В рамках реактивных усилий компании могут получить прямой доступ к прорывным технологиям через партнерство со стартапами. Мы наблюдаем это на примере резкого роста числа пилотных проектов между устоявшимися корпорациями и ИИ-стартапами.

Еще один вариант — ориентироваться на точки входа с высокой стоимостью, такие как рынок люксовых товаров или нишевые рынки, которые могут поддерживать раннее внедрение до тех пор, пока затраты не упадут еще больше. Это мы видим на примере электромобилей класса люкс или использования интегральных схем в космических и военных целях в 1960-х и начале 1970-х годов.

Пересмотр стратегий управления технологиями

Хотя важно понимать деструктивный потенциал любой новой технологии, конвергенция медленно развивающихся технологий сегодня является более насущной проблемой. Управление этим процессом, несомненно, требует метастратегии. Прежде всего, генеральные директора не должны вести себя так, будто эта проблема касается только отделов НИОКР или ИТ; они должны наделить все уровни организации ресурсами для понимания новых технологий. Это помогает в разработке дорожных карт, планировании НИОКР и подготовке к трансформационным инновациям.

Этот процесс потребует создания множественных методов исследования и разработки: от построения более совершенных инновационных экосистем до наблюдения за технологической культурой следующего поколения. Команды, которые понимают, разрабатывают и внедряют эти планы, должны выходить за рамки организационных границ. DARPA, например, имеет отлаженные процессы по привлечению экспертов из промышленности, правительства и академических кругов для работы над конкретными проектами совместно со своими командами. Такое «перекрестное опыление» повышает качество знаний, позволяя технологическим командам и функциональным подразделениям формировать более полную картину будущего.

Ни одна организация не может надеяться на создание абсолютно полной картины всех технологий, которые могут на нее повлиять, или предсказать каждое неожиданное научное открытие. Но любая организация может попытаться применить футурологическое прогнозирование, которое формирует понимание возможностей завтрашнего дня и позволяет двигаться от них в обратном направлении для создания полезных векторов исследования. Например, проект NASA по конвергентным авиационным решениям (CAS) работает с дизайнерскими фирмами, академическими институтами, корпорациями, стартапами и венчурными капиталистами, чтобы понять, как развиваются технологии аэротакси (этот процесс в агентстве называют картированием). NASA систематизирует процесс картирования, чтобы лучше понять и устранить пробелы в текущих и ближайших будущих возможностях.

За последнее десятилетие бизнес начал объединять инженерные механизмы, транспортные системы и физические сети, порожденные промышленными революциями XVIII века, с умными...

устройствами, интеллектуальными сетями и экспертными системами, ставшими возможными благодаря интернет-революции XX века, чтобы дать толчок четвертой волне глобальных инноваций. Как следствие, ничто не дает компании такого конкурентного преимущества перед соперниками, как подрывные технологии. Однако вместо того, чтобы просто ждать и беспокоиться о возможном вытеснении с рынка, компаниям — особенно лидерам рынка — было бы полезно научиться управлять динамикой в эпоху, которая обещает стать «золотым веком» технологических изменений и конвергенции. Это требует инвестиций времени и внимания в отслеживание «медленно созревающих» технологий.

• Технологические прорывы часто опираются на несколько инноваций, созревающих с разной скоростью. Компании должны мудро ориентироваться в этих «медленно созревающих технологиях», чтобы не упустить возможности или не инвестировать слишком много и слишком рано.
• Автономные транспортные средства и прошлые инновации, такие как интернет, иллюстрируют, насколько решающее значение для успеха имеют правильный выбор времени и конвергенция затрат.
• Помимо отдельных инноваций. Лидерам следует отслеживать целые экосистемы развивающихся технологий, а не сосредотачиваться на единичных прорывах.
• Стратегический выбор времени имеет значение. Ожидание момента полной коммерциализации технологий часто приводит к упущенным возможностям. Компании должны мониторить стоимость и осуществимость, чтобы начать действовать в нужный момент.
• Управление окном конвергенции. Фирмам следует принимать проактивные, реактивные или гибридные стратегии для интеграции новых технологий до того, как конкуренты захватят лидерство.
• Междисциплинарный подход. Сотрудничество между различными отраслями, научными кругами и государством ускоряет технологическую готовность и обеспечивает конкурентное преимущество.

Адаптировано из статьи на HBR.org от 14 января 2025 г. (репринт #H08KQV).

10. Каким видят будущее сферы труда 570 экспертов

Авторы: Ники Дрис, Йост Луйкс и Филип Рожье

«Технологии подарили нам высадку на Луну, персональный компьютер и смартфон — не говоря уже о внутреннем водопроводе и стиральных машинах, — скажет оптимист. — Зачем нам останавливать прогресс? Мы должны ускоряться, а не тормозить и регулировать. ИИ и робототехника приведут нас в эпоху пост-дефицита, сделают всех богаче и будут выполнять за нас всю грязную работу».

«Давайте не будем забегать вперед, — ответит скептик. — Газеты уже 50 лет твердят, что роботы вот-вот отберут нашу работу, но этого не случилось раньше и не случится сейчас. Однако новые технологии, такие как ИИ, повысят производительность и эффективность, что приведет к экономическому росту, а также к созданию новых и лучших рабочих мест для людей».

Пессимист возразит: «Не так быстро. В этот раз все действительно иначе. Не будем забывать, что предыдущие промышленные революции хоть и принесли технологический прогресс, но также оказали драматическое воздействие на условия труда и жизни рабочих того времени, которое длилось десятилетиями. Нет никаких оснований полагать, что крупный бизнес не увидит в автоматизации возможность сократить расходы на рабочую силу благодаря армии роботов и алгоритмов, которые могут работать день и ночь, не нуждаясь в перерывах, не жалуясь и не болея. Нам нужен не рост экономики, а антирост (degrowth)».

Кто здесь прав: оптимист, скептик или пессимист? И в какой сценарий верите вы лично?

Классификация представлений о будущем сферы труда

Эти два вопроса были в центре нашего недавнего исследования. Чтобы ответить на них, мы сначала изучили 485 статей в бельгийских газетах за последние пять лет, в которых мировые эксперты давали прогнозы о будущем сферы труда. На основе этого анализа мы обнаружили, что в медийных дискуссиях на эту тему доминируют три конкретные группы: технологические предприниматели (такие как Илон Маск), профессора экономики (такие как Дэвид Автор из Массачусетского технологического института), а также авторы бестселлеров и ведущие журналисты (такие как Дэвид Фрейн с его книгой «Отказ от работы»). Мы обнаружили полное согласие между экспертами внутри одной группы относительно того, каким будет будущее сферы труда, и практически полное отсутствие согласия между этими группами. (К нашему удивлению, в этих статьях практически не были представлены политики, представители профсоюзов и HR-менеджеры).

Затем мы отобрали 570 экспертов из сфер технологий, экономики и публицистики/журналистики как из наших личных сетей, так и из обширных списков рассылок для бельгийских CEO и журналистов. Наша команда составила сценарии будущего сферы труда (похожие на те, что приведены во введении, но более детализированные) на основе конкурирующих прогнозов в СМИ и попросила их оценить вероятность различных предсказаний. Все эксперты, прошедшие опрос, последовательно верили, что сценарии, продвигаемые «их» группой в медиа, более вероятны.

Затем мы попросили их указать для каждого отдельного прогноза, к какому году они ожидают его исполнения и с какой степенью уверенности. Как и ожидалось, мы обнаружили, что оптимисты в основном ждали позитивных прорывов в ближайшем будущем; пессимисты верили в негативные последствия и считали их неизбежными; а скептики чаще указывали, что многие прогнозы либо вообще никогда не сбудутся, либо сбудутся лишь в очень далеком будущем. Предположив, что каждая из этих групп экспертов владеет лишь частью общей картины, мы усреднили их прогнозы и нанесли их на единую шкалу времени, чтобы создать довольно пугающий «консенсусный» взгляд на то, как может выглядеть будущее сферы труда (см. рисунок 10-1).

Рисунок 10-1

Хронология прогнозов относительно будущего сферы труда

Когда 570 экспертов из области технологий, экономики и журналистики попросили оценить вероятность прогнозов, сделанных их коллегами в 485 газетных статьях, они сошлись на следующем наиболее вероятном сценарии развития событий.

Источник: Nicky Dries, Joost Luycks, and Philip Rogiers, “Imagining the (Distant) Future of Work,” Academy of Management Discoveries, 2024.

Наконец, мы предложили трем группам экспертов пройти личностный тест, включавший вопросы об их детстве, текущих ценностях и убеждениях. Мы обнаружили, что технологические предприниматели были радикальными оптимистами, экономисты верили прежде всего в рациональность, а авторы и журналисты демонстрировали взгляды, указывающие на мизантропию и убежденность в том, что многое в обществе решается власть имущими за закрытыми дверями.

Мы выяснили, что эти группы экспертов обладают не только различными типами личности, но и тем, что их личностные качества транслируются в конкурирующие убеждения о будущем сферы труда. Таким образом, в наших данных технологические предприниматели оказались оптимистами, экономисты — скептиками, а авторы и журналисты — пессимистами.

Ситуация усложняется тем, что, согласно нашему анализу прессы, все три группы экспертов были искренне убеждены в своей правоте и считали прогнозы остальных неверными и даже нелепыми. Экономисты, например, называли авторов бестселлеров «проповедниками гибели», а технологических предпринимателей — «хайперами». Особенно они ненавидели идею антироста, которую приравнивали к институционализированной бедности. Авторы и журналисты, со своей стороны, не могли понять, почему другие группы экспертов не видят (или не хотят видеть), что экономический рост имеет пределы, особенно в свете изменения климата и глобального неравенства. Технологические предприниматели считали себя единственной группой, способной рассуждать о передовых технологиях, которые никто, кроме них, по-настоящему не понимает, особенно политики; в их глазах эти люди были «динозаврами».

Почему представления о будущем сферы труда различаются

В целом членам каждой экспертной группы было трудно понять, как у других могут быть столь иные взгляды на будущее сферы труда. Ведь их собственные прогнозы основывались на объективных цифрах, показателях, исторических тенденциях и научных исследованиях — как с этим можно спорить?

Ответ, конечно, заключается в том, что каждый из этих экспертов прошел обучение в определенной области со своим набором правил и предположений о том, как устроен мир. Кроме того, их учили тому, что именно в рамках их дисциплины считается доказательством — представьте, насколько по-разному это выглядит, например, в компьютерных науках, экономике и политологии. Эти эксперты взаимодействуют в основном с людьми из тех же или смежных дисциплин, посещают семинары и читают отчеты, которые подкрепляют так называемые «профессиональные фреймы» (field frames), в которых они социализировались. Это ведет к однородности взглядов внутри дисциплин и их неоднородности между дисциплинами. Это также объясняет, почему этим конкурирующим группам экспертов так трудно понять точку зрения друг друга.

Резюмируя результаты этого исследования для других, мы обычно шутим: «Мы не можем предсказать будущее сферы труда, но мы можем предсказать ваш прогноз». Когда мы выступаем с докладами об этом исследовании, аудитория часто начинает смеяться, узнавая сценарии своей собственной дисциплины почти дословно. Иногда руководители замечают: «Ну, это типичные экономисты» или «Они из команды...»

Хотя может показаться, что это разделяет людей на четкие категории, мы также обнаружили, что такой подход заставляет их слушать друг друга и общаться с более открытым разумом. Мы считаем, что это критически важно, поскольку многие вызовы, с которыми человечество, вероятно, столкнется в будущем в сфере труда — такие как потенциальное появление сверхразумного ИИ или роботов с тонкой сенсомоторикой — потребуют междисциплинарных рабочих групп и сотрудничества. Как показывает наше исследование, эксперты из разных дисциплин обычно имеют разные взгляды на будущие риски и возможности, а из научных работ мы знаем, что принятие неопределенности и конкурирующих сценариев на самом деле необходимо для долгосрочного стратегического планирования.

Будущее — это то, что мы создаем

Последствия нашего исследования могут показаться спорными в нынешнем климате «постправды»: неужели мы утверждаем, что в жизни нет объективных фактов, что все субъективно, а экспертность — это миф? Мы бы не заходили так далеко. Скорее, наше исследование показывает, что, поскольку будущее еще не высечено в камне, невозможно определить, кто прав в отношении будущего сферы труда. Напротив, будущее будет таким, каким мы его сделаем.

На наш взгляд, сценарии, продвигаемые оптимистами, скептиками и пессимистами, теоретически возможны все. Вопросы вроде «Уничтожит ли ИИ множество рабочих мест?» в корне неверны — уничтожит ИИ рабочие места или нет, будет зависеть от решений, принятых людьми в ближайшие годы. Таким образом, вопрос не в том, «каким будет будущее сферы труда?», а в том, «каким мы хотим видеть это будущее?».

Это переводит вопрос о будущем сферы труда из плоскости набора объективно предсказуемых трендов в плоскость ценностей, политики, идеологии и воображения. Это также ясно дает понять, что дебаты вокруг будущего работы в ближайшие годы, скорее всего, станут еще более поляризованными. Утопия одного человека — это антиутопия другого.

Итак, что вы можете начать делать уже сегодня? Во-первых, отныне, когда вы слышите или читаете что-то о будущем сферы труда, смотрите не только на то, что предсказывается (и к какому сроку), но и на то, кто это говорит и почему. Какие у них корыстные интересы? Какое общество они хотят построить и какую выгоду они от этого получат? Во-вторых, какова ваша утопия будущего и какова ваша антиутопия? Что нам следует делать — или перестать делать — в краткосрочной, среднесрочной и долгосрочной перспективе, чтобы двигаться к вашим желаемым сценариям и снизить риск нежелательных? Что мы можем сделать, чтобы избежать точек невозврата в отдаленном будущем, например, когда мы думаем о климате или сверхразумном ИИ? И в-третьих, над чем вы имеете наибольший контроль, исходя из вашей позиции власти и влияния в обществе? Каких форм власти и влияния у вас нет? Можете ли вы объединиться с другими людьми, чьи источники влияния дополняют ваши и кто разделяет то же видение утопии?

Основываясь на нашем исследовании, мы хотели бы пригласить каждого гражданина, каждого политика, каждого менеджера и генерального директора вступить в публичную дискуссию о будущем сферы труда, чтобы оно разворачивалось в рамках социального и демократического диалога. Будущее — это то, что мы создаем.

Будущее сферы труда остается неопределенным и формируется под влиянием различных точек зрения экспертов в области технологий, экономики и журналистики. Исследование, в ходе которого были проанализированы прогнозы 570 экспертов из трех групп — предпринимателей, экономистов и журналистов, — показало, что каждая группа видит будущее через призму своей дисциплины, что приводит к противоречивым взглядам, которые трудно сопоставить.

• Разные точки зрения. Технологические предприниматели настроены оптимистично, экономисты — скептически, а журналисты склоняются к пессимизму в отношении автоматизации и влияния ИИ.
• Предвзятость экспертов. Каждая группа считает свои собственные прогнозы наиболее вероятными, что обусловлено допущениями и доказательной базой их профессиональной области.
• Неопределенное будущее. Исследование предполагает, что будущее не предопределено, а зависит от общественного выбора и ценностей.
• Призыв к действию. Люди и политики должны активно формировать будущее, участвуя в демократическом дискурсе и принятии стратегических решений.

1. Nicky Dries, Joost Luyckx, and Philip Rogiers, “Imagining the (Distant) Future of Work: Predictions about the Future of Work Depend on Who’s Making Them,” Academy of Management Discoveries 10, no. 3 (September 2024), https://journals.aom.org/doi/abs/10.5465/amd.2022.0130.
2. Mark B. Brown, review of Gil Eyal, The Crisis of Expertise (Cambridge, UK: Polity Press, 2019), in Minerva 58, no. 4 (September 2020): 657–660, https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7479293/.

Адаптировано из материалов HBR.org, 16 сентября 2024 г. (репринт #H08E7E).