Когда вы заходите на сайт, ИИ Amazon прогнозирует, что вы хотели бы купить, и предлагает соответствующие товары. Это целесообразный труд, однако его результаты далеки от идеала. В нашем случае точность прогнозов не превышает 5 %. И мы заказываем одну из множества рекомендуемых вещей. С учетом миллионного ассортимента это совсем не плохо!

Представьте, что ИИ Amazon собрал больше информации о нас и использует ее для улучшения качества прогнозов, – это усовершенствование сравнимо с поворотом регулятора громкости на колонках, только вместо звука регулируется точность прогнозов.

В определенный момент поворота ручки точность прогнозов ИИ достигает порогового значения и меняет бизнес-модель Amazon. Прогнозы становятся настолько точными, что компании выгоднее присылать вам товары, которые вы предположительно захотите купить, чем ждать, пока вы закажете их на сайте.

В таком случае другие магазины вам уже не нужны, а каждая покупка будет стимулировать следующую. Amazon получит основную долю содержимого вашего кошелька. Очевидно, что это выгодно Amazon, но также удобно и вам. Магазин доставляет покупки до того, как вы их совершили, и таким образом избавляет вас от траты времени на шопинг. С поворотом регулятора точности на максимум бизнес-модель Amazon меняется с «покупка – затем доставка» на «доставка – затем покупка».

Разумеется, покупатели не захотят возиться с возвратом нежелательных товаров. Поэтому Amazon вложится в отладку этого процесса – скажем, раз в неделю служба доставки будет собирать невостребованные посылки[12].

Но если такая бизнес-модель лучше, почему Amazon до сих пор ее не внедрил? Дело в том, что сегодня издержки сбора и обработки возвратов перевешивают рост дохода от основной доли кошелька. Например, сейчас мы вернули бы 95 % доставленных товаров. Это трудоемко для нас и затратно для Amazon. Для освоения новой бизнес-модели прогнозы пока еще недостаточно точны.

Возможен иной вариант: Amazon обращается к новой стратегии до того, как точность прогнозов достигнет качественного уровня, исходя из предположения, что однажды это принесет выгоду. Благодаря раннему запуску ИИ соберет больше данных за короткий срок и усовершенствуется. В Amazon понимают, что чем раньше они стартуют, тем сложнее будет конкурентам их нагнать. Качественный прогноз привлечет больше покупателей, что увеличит объем данных для обучения ИИ и, в свою очередь, приведет к повышению качества прогнозов, а далее этот цикл неоднократно повторится. Раннее внедрение обойдется дорого, но опоздание может стать роковым[13].

Мы не утверждаем, что Amazon будет или должен внедрять такую практику, хотя для скептиков у нас есть неожиданная новость: в 2013 году Amazon получил патент США на «опережающую доставку»[14]. Несомненно, вращение регулятора точности прогнозов коренным образом повлияет на стратегию. В данном примере оно меняет бизнес-модель Amazon с «покупка – затем доставка» на «доставка – затем покупка», создает стимул для вертикальной интеграции посредством организации услуги по возврату товаров (в том числе грузового автопарка) и ускоряет процесс инвестирования. И все это вследствие поворота регулятора точности прогностической машины.

Что это означает для стратегии? Во-первых, необходимо инвестировать в сбор информации относительно того, как быстро и насколько высоко вырастет точность прогнозов в вашем и в смежных секторах. Во-вторых, разработка тезиса о стратегических возможностях, образовавшихся в результате вращения регулятора точности, потребует финансовых вложений.

Чтобы начать «научное фантазирование», закройте глаза, мысленно возьмитесь за регулятор прогностической машины и, следуя бессмертным словам члена группы Spinal Tap[15], поверните его на 11 часов.

Прежде всего необходимо построить фундамент для стратегического внедрения прогностических машин в своей организации. Именно так мы структурировали книгу – возводили пирамиду от основания.

В части I мы заложим фундамент и объясним, как машинное обучение повышает качество прогнозов. Затем разберемся, чем новые преимущества отличаются от статистики, которой вас учили или которой уже занимаются ваши аналитики. Далее мы затронем ключевые дополняющие факторы прогнозов – данные, особенно те, что необходимы для качественной прогностики, – и расскажем, как убедиться, что они у вас есть. И в завершение рассмотрим, когда прогностические машины работают эффективнее человека и в каких случаях людям и машинам целесообразно объединить усилия для получения максимально точных прогнозов.

В части II мы опишем роль прогнозов в качестве вводных для принятия решений и объясним значение еще одной составляющей, пока недооцененной в сфере ИИ, – суждений. Прогнозы помогают принимать решения, снижая неопределенность, а суждения определяют ценность. В экономической терминологии суждением называется определение окупаемости, целесообразности, дохода и прибыли. Самое значительное свойство прогностических машин состоит в том, что они повышают ценность суждения.

В части III перейдем к практике. Прогностические машины оснащены инструментами ИИ в соответствии с конкретными задачами. Мы опишем шаги, помогающие определить, когда создание (или покупка) инструментов ИИ максимально повысит доход. Иногда такие инструменты идеально укладываются в рабочий процесс, но бывает, что побуждают изменить его. Также мы познакомим вас с важным подспорьем для уточнения ключевых требований к инструментам – «шаблоном ИИ».

В части IV вернемся к стратегии. Как в описанном нами эксперименте с Amazon, иногда ИИ настолько масштабно влияет на экономику задачи, что преобразует компанию или промышленность. Тогда он становится краеугольным камнем стратегии организации. В результате воздействия на стратегию ИИ переключает на себя внимание высшего руководства помимо менеджеров продукта и инженеров.

Как правило, заранее предусмотреть степень влияния ИИ на стратегию нельзя. Например, немногие, опробовав инструменты поиска Google, предсказывали, что они преобразуют медиаиндустрию и лягут в основу самых успешных компаний планеты.

Помимо возможностей получения прибыли ИИ несет системные риски, способные повлиять на бизнес. Все сосредоточены на рисках ИИ для человечества, но мало кто обращает внимание на опасность ИИ для организаций. К примеру, некоторые прогностические машины, обучаемые на полученных от человека данных, заодно усваивают ненужные отклонения и стереотипы.

Книгу завершает часть V, в которой мы отвечаем на вопросы о широком влиянии ИИ на общество и касаемся пяти основных спорных тем.

1. Сохранятся ли рабочие места? Ответим: да.

2. Усугубится ли проблема неравенства? Вероятно.

3. Будут ли несколько крупнейших компаний контролировать весь мир? Зависит от обстоятельств.

4. Страны погрузятся в политику «гонки уступок», лишат нас приватности и безопасности ради конкурентного преимущества отечественных компаний? Некоторые – да.

5. Наступит ли конец света? До него достаточно времени, чтобы успеть с пользой применить полученную информацию.

• Экономика предлагает четкое представление о влиянии удешевления прогнозов на бизнес. Прогностические машины будут использоваться как для традиционных (управление ресурсами и прогнозирование спроса), так и для новых задач. Падение цен на прогнозы повлияет на ценность других понятий и предметов, повысит ценность дополняющих факторов (данных, суждения и действий) и снизит ценность эквивалентов (человеческого прогноза).