Читать онлайн Что делать, когда машины начнут делать все. Как роботы и искусственный интеллект изменят жизнь и работу бесплатно

Когда мы оглядываемся назад на изобретение хлопкоочистительной машины, двигателя внутреннего сгорания и переменного тока, может показаться, что в один день было совершено изобретение, а на другой день все изменилось. Но мир функционирует по-другому. Практически в каждом случае впереди была долгая и ухабистая дорога, связывающая одну эру бизнеса и технологий с другой; эволюция каждой индустриальной революции следует по S-образной кривой (как показано на рис. 2.2).

Рисунок 2.2. S-образная кривая и Зона застоя

Почему S-образная? Исторически сложилось, что после появления новых технологий соответствующий ВВП десятилетиями не растет (низ кривой). Отдельные личности и компании могут разбогатеть, но все общество в целом – нет. Однако, как только технология полноценно закрепляется, обычно это цикл в 25–35 лет, ВВП переживает практически вертикальный подъем (середина S-кривой). Ранее это переживали все нынешние участники «Большой семерки»: например, в Великобритании паровой двигатель привел к массовому росту ВВП в XIX веке, а в XX веке то же произошло с конвейером в США.

Со временем, когда технология полностью принимается и находит свой путь почти во все отрасли и во все мировые регионы, рост ВВП сходит на нет (верх S-кривой). Именно здесь и находимся мы сегодня с промышленной экономикой Третьей индустриальной революции. Модель производства хорошо понятна, широко распространена и общедоступна (посмотрите, например, на почти двадцать три миллиона мотоциклов, произведенных в Китае в 2013 году⁷). Именно этот верх кривой, это ее спрямление стоит за слабостью нашей нынешней экономики.

S-образная кривая инноваций, застоя, быстрой экспансии и затем зрелости сработала в случае трех предыдущих индустриальных революций и до настоящего времени разыгрывается на ранних стадиях нашей компьютерной Четвертой индустриальной революции (как показано на рис. 2.3).

Рисунок 2.3. S-образные кривые и индустриальные революции

В настоящее время мы находимся на конце зоны застоя и входим в период быстрой экспансии. Однако факт нахождения между этапами также является одной из причин сегодняшнего разлада между оптимистичными технофилами и пессимистичными экономистами. Обе группы правы, если их апертура составляет около двадцати лет (что для большинства наблюдателей часто просто является личным жизненным опытом). Но если взглянуть на историю экономики более широким взглядом, становится абсолютно ясно, где мы есть, где были и (что наиболее важно) куда направляемся.

Чтобы подкрепить этот пункт аргументами, давайте посмотрим внимательно на недавнюю историю и на то, как эти периоды вписываются в модель профессора Перес.

Всплеск инноваций (1980–2000)

Пришествие персонального компьютера, первый Mac Стива Джобса, Билл Гейтс, ставший самым богатым человеком в мире, стремительное наступление Интернета, опутывание проводами и подключения наших корпораций. От всего этого срывало крышу. Отрасль технологий вспоминала об этом как о «времени великого счастья», по крайней мере, пока все не кончилось слезами от пузыря доткомов и его взрыва.

Подобные всплески инноваций происходили в начале каждой индустриальной революции, прокладывая дорогу к огромным состояниям титанов, таких как Корнелиус Вандербильт (Cornelius Vanderbilt), Эндрю Карнеги (Andrew Carnegie) и Джон Д. Рокфеллер (John D. Rockefeller). Но это богатство было высоко сконцентрированным, поскольку новые технологии и связанные с ними бизнес-модели понимали и принимали лишь немногие. Люди в большинстве своем восхищались новыми машинами своего времени: о них писала пресса, они владели общественным воображением – однако доступ все еще был сильно ограничен и сильно сконцентрирован в нескольких отраслях и в нескольких географических регионах. А когда слишком большой капитал начали направлять на малое число вариантов применения, неизбежным результатом стал финансовый пузырь.

Застой (2000–2015)

Пузырь Интернета лопается на границе тысячелетий. Далее примерно через семь лет мы угодили в финансовый кризис. Застой продлился более полутора десятилетий. И хотя все недавние спады и болезни казались нам новыми и неприятно удивительными, все они хорошо вписывались в историческую модель.

Проходить через застойную зону болезненно, но это важный этап перемен. Думайте об этом как о времени, необходимом для переваривания новой технологии, о личинке в коконе, еще не ставшей бабочкой. В это время широкая экономика размышляет, как наилучшим образом применить новые машины и бизнес-модели, завязанные на инновационные технологии.

Именно поэтому так важны компании FANG, а вместе с ними и тройка Dropbox, Airbnb и Betterment: они дают примеры сочетания современных машин с новыми бизнес-моделями. Вероятно, еще более важно взглянуть дальше FANG – на отраслевых лидеров, признавших перемены, таких как Siemens, Nike и Progressive Insurance Corporation. Эти компании предпринимают шаги, которые требуют больше времени для стопроцентного достижения желанной цели, но в конце концов непременно приведут к успеху в фазе цифрового распространения, наступающей вслед за застоем. Дальше мы представим несколько важных уроков, то, чему стоит поучиться как у FANG, так и у устоявшихся корпораций, успешно применяющих новые машины и бизнес-модели.

Распространение (2015–2040)

Это фаза, когда инновации смещаются с радикальных окраин в мейнстрим. Это время «демократизации» инноваций, когда новые идеи, изначально применявшиеся в очень концентрированной среде, распространяются на гораздо более широком пространстве.

Это произойдет в течение нескольких следующих десятилетий, когда институты, служащие столпами нашего общества – банки, страхование, здравоохранение, образование, транспорт, правоохранительные органы, правительство, – применят силу новых машин и переведут алгоритмы своих действий на цифровые технологии.

Хорошо, достаточно экономической теории. Мы предприняли это короткое путешествие в историю и экономику (выводы на рис. 2.4), чтобы предварить разговор о том, что происходит в настоящее время, и указать, что все очевидно свидетельствует о нашем нахождении не на пути к концу времен, а к распространению Четвертой индустриальной революции. Все предыдущие индустриальные революции проходили тот же базовый цикл из инновационного пузыря, застоя и взрыва. Цифровая революция не станет исключением, и есть три серьезные причины того, что мы близки к переходу к широкому, повсеместному цифровому росту.

Рисунок 2.4. Три фазы S-образной кривой

Как мы это видим, переход к фазе распространения будут двигать три параллельных крупных тренда:

• Ubiquitech (Ubiquitech от лат. ubique – «везде», «повсюду», и technica) – технология внедряется во все. По мере того как в жизнь будет воплощаться система контроля предметов с помощью Интернета «Интернет вещей» (Internet of Things, или IoT), почти все станет проникнутым техникой, связанным и умным. Когда техника повсюду, изменения могут прийти откуда угодно.

• По стандартам 2030 года, мы дурно пахнем. В 2030 году мы будем смотреть на многие аспекты сегодняшнего общества и удивляться: «И как мы это терпели?» Нам нужно решить важные проблемы с новыми машинами, а в процессе будут сформированы массовые новые формы потребностей.

• Стать цифровыми – создать Три М (сырьевые Материалы, новые Машины и бизнес-Модели). Предприятия «становятся цифровыми», организуя сотрудников и процессы вокруг возможностей новых машин. Из застойной зоны возникает все больше и больше новых успешных бизнес-моделей, что ведет к перегруппировке рейтингов в индустрии после индустрии.

Давайте разберемся с тремя этими явлениями.

Ubiquitech – технология внедряется во все

В следующие десять лет все вокруг нас окажется технически оснащенным и связанным. «Интернет вещей» – обобщающее понятие, описывающие внедрение компьютерных функций в устройства и объекты, у которых прежде таких функций и способностей не было, а также подключение их к Интернету. Представьте свои туфли, терморегулятор или фен для волос, уличное освещение вашего города или парковочные счетчики, а еще многочисленные детали реактивного лайнера, сборочного конвейера или электросети.

Рисунок 2.5. Наш подключенный мир

В некоторых случаях цифровая «магия» относительно ограничена⁸. Например, сегодня лампочка может иметь сенсор, сообщающий, что стало темно, тогда лампочка будет включаться сама. В других случаях вещь может быть гораздо более сложной. Можно подключить целый дом, тогда, по сути, он становится компьютером в сети – «умным домом». Не только лампы, но и двери, окна, температура, системы безопасности, развлекательные системы и кухонное оборудование могут быть запрограммированы на автоматическое выполнение определенных задач. Более того, все это может контролировать хозяин, находящийся в пяти шагах или в пяти тысячах миль от дома.

Распространение этих возможностей – превращение каждой «вещи» в доступную для интернет-протокола – происходит с головокружительной скоростью, масштаб роста вселенной «вещей» сбивает с ног, его трудно осознать. Например:

• Cisco Systems полагает, что количество подключенных устройств к 2020 году вырастет до пятидесяти миллиардов⁹. Intel заходит еще дальше, предполагая, что к тому времени будет подключено к связи двести миллиардов устройств¹⁰.

• McKinsey предсказывает, что к 2025 году мировые траты на устройства и сервисы для «Интернета вещей» достигнут одиннадцать триллионов долларов¹¹.

• IDC ожидает, что в том, что касается «носимых устройств», составляющих важный элемент этого рынка, мировые поставки вырастут с 76,1 миллиона штук в 2015 году до 173,4 миллиона в 2019-м¹².

• Упомянутый выше сценарий «умного дома» станет значительной зоной роста; согласно Harbor Research and Postscapes, в 2014 году, будучи еще в младенческом состоянии, он принес прибыль в 79,4 миллиарда долларов¹³. Ожидается, что эта цифра вырастет до 398 миллиардов, поскольку повсеместное распространение информации об этих умных приложениях продолжается¹⁴.

• С каждым днем становится «умнее» автоиндустрия. Еще до того, как машины станут полностью автономными («беспилотными»), они будут все более походить на полностью подключенные к системам связи передвижные центры обработки и передачи данных. К 2020 году 90% машин будут онлайн, в сравнении лишь с 2% в 2012 году¹⁵.

• По оценке General Electric, рынок «Индустриального интернета» за следующие двадцать лет добавит мировому ВВП от 10 до 15 триллионов долларов¹⁶.

Конечно, все это лишь прогнозы, и относиться к ним нужно со здоровым скептицизмом. Однако, какими бы ни оказались реальные цифры, нет сомнения, что линии тренда тянутся только в одном направлении. Следующее поколение умных устройств будет иметь колоссальное значение практически для любого вида бизнеса.

Тем не менее в реальности мы лишь наметили очертания этой «умной» волны. Мы уже можем видеть тексты и частоту ударов сердца на Apple Watch – конечно, это круто, но почему они не могут делать намного больше? Почему Alexa от Amazon не может управляться со всем нашим домом? Почему термостат Nest не может отслеживать в доме протечки и другие страховые риски? В свое время все это произойдет, и миллион других подобных «умных сценариев» перестанет быть научной фантастикой и станет просто нашей реальностью.

Однако улучшения в сфере развлечений и организации быта не окажут на широкий экономический контекст влияния, достаточного, чтобы привести нас от застоя к взрыву. А то, что уже начинает происходить и действительно имеет потенциал поднять все наши корабли, – это применение идей «Интернета вещей» к критически важным для достижения цели отраслям экономики, таким как здравоохранение, транспорт и оборона. Это уже начало радикально менять работу, имеющую значение.

Гораздо больше умных девайсов мы рассмотрим в главе 8. А сейчас просто осознайте, что скоро вашей базовой позицией станет добавление измерительных инструментов всем вашим действиям, товарам и покупательскому опыту.

По стандартам 2030 года мы дурно пахнем

Так же как мы подтруниваем над родителями, бабушками и дедушками за уборную во дворе, черно-белые телевизоры и машины без ремней безопасности, распространенные в их годы, дети будут дразнить нас за то, какими недоразвитыми и странными были сегодняшние инструменты. Они будут смотреть и удивляться: «И как только люди могли так жить?»

Если у вас есть маленькие дети, представьте, что пятнадцать лет спустя сидите за ужином с подростками и рассказываете о мире, в котором они родились. После смешков по поводу Джастина Бибера, семейства Кардашьян («Что, вообще, это было?»), бородах хипстеров и хэштегах, разговор может перейти к более приземленным вещам. Например, вы можете рассказать, через что приходилось пройти, чтобы починить машину.

Вам знаком этот сценарий в сервисном центре своего автодилера: вы сидите там с дюжиной незнакомцев, пьете безвкусный кофе, смотрите CNN по телевизору, включенному на 10 дБ тише комфортного уровня. В вашей голове начинает складываться вопрос: «Как долго это продлится? Успею я вовремя обратно в офис? И действительно ли я доверяю тому, что механик скажет об объемах и стоимости ремонта?» Десять лет спустя ваша машина с помощью самодиагностики точно определит, что с ней не так, оценит примерную стоимость ремонта и запишется к дилеру на обслуживание, сверившись с календарем. А потом, когда машина выедет с вашей офисной парковки и доставит себя на ремонт, вы сможете подумать о том, как много терпели, и о цене упущенных возможностей, которых было так много в доцифровую эру.

В 2030 году пятнадцатилетние будут удивляться, как мы не знали за несколько дней наперед, что сляжем с простудой. Что каждый школьный ученик не имел совершенно четкого понимания личного стиля обучения и опорной индивидуализированной программы обучения, чтобы развитие шло максимально эффективно. Что, попадая к врачу и нуждаясь в экстренной помощи, человеку приходилось тратить время на предъявление страховки и ожидание в очереди вместо того, чтобы личная история здоровья, а также фото и видео травмы были высланы вперед, а по прибытии у дверей пациента ожидала команда хорошо подготовленных докторов.

Неэффективность нашей индустриальной эпохи может казаться ужасной, но кто-то, имеющий предпринимательскую жилку, видит в проблемах и помехах бизнес-возможности по устранению этих недостатков. Новые машинные, цифровые решения, распространенные по всем отраслям, будут направлены на мириады общественных проблем, а в процессе будут создавать огромную экономическую ценность. Так что технологии, скорее, не предрекают конец среднего класса, а обещают стать двигателем массовой финансовой экспансии.

Вот что здесь важно: думая о цифровых решениях и искусственном интеллекте, мы часто фокусируемся на влиянии технологии на мир, который знаем. Многие критики сразу переходят к вопросу «Как много рабочих мест уничтожат машины?», хотя в действительности надо спрашивать: «Что эта технология может улучшить?» Ответом будет – «огромное количество вещей», поскольку, глядя с точки зрения 2030 года, можно понять, как многое должно измениться.

Чтобы лучше осознать объем и масштаб этой возможности, мы в «Центре осмысления будущего работы» вместе с экономистами из Roubini ThoughtLab (ведущая независимая макроэкономическая исследовательская фирма, основанная известным экономистом Нуриэлем Рубини (Nouriel Roubini) изучили две тысячи компаний по всему миру на предмет экономического воздействия новых машин. Наше исследование, проведенное в начале 2016 года, было сосредоточено на нескольких, центральных для экономики отраслях, которым предстоит стать по-настоящему цифровыми (например, ритейл, банки, страхование здоровья, имущества и транспорта, промышленность и медико-биологические науки), которые вместе приносят сегодня более шестидесяти триллионов долларов дохода (примерно 40% ВВП)¹⁷.

По ответам респондентов, примерно 6% этого дохода было получено с участием цифровых технологий, однако за следующие три года эта цифра почти удвоится и составит 11,4%. Сравнив, мы поймем, что «Цифровая республика», если бы была отдельным государством, вскоре стала бы экономикой в 6,6 триллиона долларов, третьей экономикой в мире после США и Китая и почти равной в числе лошадиных сил с экономиками Германии, Великобритании и Австрии в 2015 году вместе взятых. Поскольку имеющая значение работа становится все более цифровизированной, привлекая машины с ИИ, огромное экономическое расширение должно вот-вот произойти.

Стать цифровыми: создать Три М

При взгляде на цифровую экономику у всех создается ощущение, что землю унаследуют недавние стартапы. В конце концов, кто сможет остановить инерцию движения таких богатых и массовых компаний, как Amazon, Google, Facebook и Uber? Где окажутся столетние или даже сорокалетние компании? Что насчет них? А собственно, окажутся в очень хорошем месте… если будут двигаться быстро.

Рисунок 2.6. Три М в Большой революции в бизнесе и технологии

С нашей точки зрения, давно сложившиеся компании находятся в потрясающе хорошей позиции для цифрового расширения. Дело в том, что перед совершением шагов, необходимых на следующем этапе пути к имеющим значение цифрам, у них уже есть нужное преимущество. Они понимают свои рынки, продукты и соответствующее законодательство лучше, чем кто-либо. И у компаний есть все возможности получить нужные сведения об операциях и рынках с помощью «Интернета вещей». Однако им все еще нужно совместить Три М.

Эти Три М относятся к (сырьевым) материалам, (новым) машинам и (бизнес-) моделям. В дальнейшем мы посвятим отдельные главы тому, насколько необходим каждый из этих элементов для победы в цифровом взрыве. Пока речь идет о том, что три этих элемента должны быть интегрированы и настроены на создание ценности. Почему? Давайте посмотрим на то, как комбинация из этих трех элементов двигала главные технологические и бизнес-сдвиги прежде.

Как эти Три М были исторически взаимосвязаны, показано на рисунке 2.6.

В нашем сегодняшнем контексте Три М это:

• Сырьевые материалы: данные, передаваемые устройствами из «Интернета вещей» и оснащенными контрольно-измерительными приборами людьми, местами и вещами.

• Новые машины: интеллектуальные системы, совмещающие оборудование, ПО с искусственным интеллектом, данные и человеческий вклад в создание ценностей, согласующихся со специфическими бизнес-процессами и покупательским опытом.

• Бизнес-модели: коммерческие модели, монетизирующие основанные на интеллектуальных системах услуги и решения.

Возможно, лучший пример совмещения Трех М даст компания, которой намного больше ста лет.

Сегодня многие верят в легенду о Генри Форде как об изобретателе автомобиля. Он его не изобрел. Когда Форд организовал Ford Motor Company, это была на самом деле его третья автомобильная компания (первая провалилась, а вторая превратилась в Cadillac), и только в одном Детройте у него были десятки конкурентов, в том числе Oldsmobile, Packard и Buick.

Что действительно изобрел Генри Форд, что стало его величайшим даром, так это совмещение Трех М его времени с изначальным фокусом на третьей М. Он создал бизнес-модель, основанную на сборочной линии, что радикально изменило цену автомобиля и стандарты качества. Объединение Трех М позволило Форду начать массовое производство машин (превратив их из игрушки для богача в необходимую вещь для масс), выиграть в конкурентной борьбе, переформировать транспортную систему и переформировать общество.

В последующих главах мы более детально обсудим, как Три М повлияют на вашу организацию и работу.

Новые бизнес-модели формируются в Зоне застоя

Зона застоя жизненно важна, поскольку материалы и машины бывают поняты задолго до того, как могут быть приняты соответствующие бизнес-модели.

Отправной точкой для по-настоящему цифровой бизнес-модели или специфического бизнес-процесса, или для обсуждаемого нами покупательского опыта не должно быть «Как нам это сделать лучше/быстрее/дешевле с добавлением новой технологии?». Вопрос должен быть таким: «Если бы цифровые технологии были доступны в момент, когда мы разрабатывали этот процесс, мы структурировали бы его по-другому?» Первый подход демонстрирует Blockbuster, который помещает интернет-торговлю поверх розничной торговой сети. Плодами последнего подхода пользуется Netflix, который с самого начала задумывал основные процессы как цифровые.

В настоящее время отраслевым лидером, проводящим трудную работу по реконфигурации себя вокруг Трех М для вступления в цифровую экономику, выступает General Electric. Созданная в 1892 году, GE – это старейшая компания, внесенная в списки Нью-Йоркской фондовой биржи, так что лучшего образца для подражания среди индустриальных компаний просто не найти. Она удерживает лидерство в производстве силовых турбин, самолетных двигателей, приборов освещения и локомотивов, однако в настоящее время становится и чем-то еще намного большим.

Генеральный директор GE Джефф Иммельт (Jeff Immelt) признал необходимость сочетать данные, интеллектуальные системы и новые бизнес-модели, чтобы побеждать на поле цифровой индустриальной экономики. Он отметил: «Если вчера вы легли спать как индустриальная компания, то сегодня утром проснетесь как программная и аналитическая»¹⁸.

Руководители GE предпринимают тактические шаги для того, чтобы переход к Четвертой индустриальной революции произошел через создание того, что они называют «первая в мире цифровая индустриальная компания». В последние годы они полностью погрузились в Ubiquitech, помещая сенсоры практически в любую изготовленную «вещь», чтобы создавать новые сырьевые материалы. GE инвестировал в разработку административной платформы «Интернета вещей» (Predix) – интеллектуальной системы компании. GE не упускает из виду новые бизнес-модели. Сейчас он продает уникальную информацию, основанную на сырьевых материалах, открывая совершенно новые линии бизнеса. По сути, сейчас программный бизнес GE приносит более шести миллиардов долларов, делая его одной из крупнейших софтверных компаний мира¹⁹.

Другой пример 100-летней отрасли, перестраивающей себя вокруг модели Трех М и применяющей в качестве рычага новую машину, – это образование, которое, безусловно, является столпом общества, где чрезвычайно нужен прогресс, где он давно назрел и которое, наконец, оказывается в центре внимания. Мы встречались с Джоэлом Роузом (Joel Rose), сооснователем New Classrooms Innovation Partners, чья работа – ярчайший пример выстроенного в гармонии с Три М будущего. С помощью новых инструментов, машин и подходов Роуз пытается заново изобрести закостенелую отрасль и мировоззрение, которое, кажется, не менялось еще задолго до того, как многие из нас пошли в школу.

Раскрывать интеллектуальных людей с помощью интеллектуальных систем

Фраза «заново изобрести образование» имеет длинную и ухабистую историю, начавшуюся до пришествия компьютера, но, конечно же, ускорившуюся с того времени, в конце 1970-х, когда компьютеры проторили дорожку в школы. Объем книги не позволяет нам слишком глубоко вдаваться в эти истории, но достаточно сказать, что чаще всего они заканчивались плохо.

Программа New Classrooms была запущена в 2011 году учителями, администраторами от образования и технологами и всерьез использует силу данных, чтобы настроить обучение индивидуально и тем самым сломать давно сложившуюся образовательную норму: учитель, стоящий перед классом из тридцати учеников, изучающих одно и то же в одно и то же время. Эта традиционная модель обучения буквально является индустриальной моделью. Крупномасштабное общественное образование начинается со времени, когда фабрики и заводы накачивали рабочими, и отображает конвейерный менталитет, бывший ключевым для эффективности и продуктивности в те времена новых пространств технологий.

В школе New Classrooms студенты вооружены лэптопами или планшетами, сгруппированы обычно по 5–20 человек и прорабатывают задания и проекты, где применяют разные образовательные «приемы» на «станциях» внутри класса. Некоторые приемы требуют сотрудничества в командах, некоторые – непосредственной работы с учителем, некоторые, «виртуальные», – с онлайн-программами. На станциях учителя взаимодействуют с группами, отвечая на вопросы, ставя задачи или новые вопросы. После каждого момента взаимодействия группа переходит к новому заданию и перемещается на новую станцию. Там, где в традиционной школе один класс из тридцати человек общается в одном помещении с одним учителем, в школе New Classrooms будет от двух до шести учителей, а также дополнительная команда педагогов в большом пространстве или нескольких классных комнатах, с 60–80 детьми, двигающимися между станциями (см. рис. 2.7).

Рисунок 2.7. Типичная образовательная среда New Classrooms

Все уроки проходят онлайн (хотя надо отметить, не все обучение идет через компьютер). Большая часть оценок выставляется автоматически и за небольшую долю времени, которое потратил бы на это учитель-человек – к шести утра следующего дня каждый студент и работающий с ним учитель получают полностью индивидуальный учебный план на наступающий день. Этот примерный план основан на компьютерном анализе прогресса ученика: что нужно переделать, что нужно закрепить и какая новая информация может быть добавлена, чтобы увлечь и задействовать ученика.

Сооснователь New Classrooms Джоэл Роуз, говорит, что главная проблема индустриальной образовательной модели в том, что в классе из тридцати учеников троим самым умным будет до смерти скучно, десять наименее академически одаренных будут чувствовать себя безнадежно потерянными (и, вероятно, расположенными похулиганить), а средние ребята будут кое-как продираться вперед. Некоторые будут неплохо справляться благодаря природным склонностям (или с помощью родительского кнута и пряника), а некоторые просто болтаться туда-сюда по образовательному процессу. В школе New Classrooms, управляемой данными, обучающими машинами и платформами, философия «нет задним партам», присущая частным учебным заведениям, становится доступна ученикам в среде бесплатного образования, ни один ученик не сорвется в пресловутую категорию. Таким образом, модель New Classrooms воплощает в жизнь концепцию «демократизации роскоши» на жизненно важном для нас, как в личном, так и в общественном плане, поприще.

Команда New Classrooms полностью осознает окружающую их инерцию, но сообщает о растущем числе инвесторов, учителей, руководителей и родителей, открытых к радикальным изменениям как физических классных комнат, так и организации образовательного процесса.

Давайте начнем с простого определения, а затем немного его распространим.

Интеллектуальная система совмещает в себе программное обеспечение (алгоритмы, деловой регламент, код машинного обучения, прогнозовая аналитика), комплектующее оборудование (серверы, датчики, мобильные устройства, возможность подключения), данные (контекстуализированные и в реальном времени) и человеческое участие (часто оценка или запросы).

Может прозвучать как «куча оборудования, ПО и данных соединить вместе – и там произойдет чудо». Так что давайте вкратце пройдемся по трем ключевым атрибутам, делающим интеллектуальную систему такой особенной.

• Программное обеспечение, которое учится. Программное обеспечение, составляющее центр новой машины, – это то, чего мы не видели никогда прежде. Впервые в истории человечества у нас есть инструмент, который может делать сам себя. ПО, способное к машинному обучению, со временем обновляет само себя. Система учится распознавать схемы и находить скрытые инсайты внутри данных – и все это, не будучи специально запрограммированным на то, что надо делать и где надо искать. Например, именно этим способом Uber узнает, как объединить правильного водителя с правильным пассажиром, а Facebook заполняет вашу персональную ленту новостей. В самих компаниях этим занимается всего несколько человек. И это было бы невозможно, поскольку в случае Facebook – это более миллиарда заходов пользователей на сайт в день¹. Поэтому вместо людей за всеми и за каждой сессией следит машина, постоянно становясь еще умнее.

• Мощные аппаратные возможности обработки данных. В последние несколько десятков лет мы видели, как мощность оборудования и технологий росла по экспоненте. Ни одна инновация в истории не улучшалась и не проникала во все с такой скоростью. Закон Мура (Moore’s Law), согласно которому число транзисторов на микросхеме (а значит, и его производительность) удваивается приблизительно каждые два года, продолжает действовать, хотя недавно отпраздновал 50-летний юбилей. Однако недавно он был турбирован облаком, которое позволяет сверхмощным компьютерам объединяться друг с другом. Для сравнения: у сильной машины может быть впечатляющее количество лошадиных сил, как, например, четыреста тридцать пять лошадиных сил под капотом Ford Mustang GT, но вы не можете склеить два «мустанга», чтобы удвоить скорость. В то время как один компьютер может получить доступ к множеству других и выдать молниеносный результат. Таким образом, каждый раз, пользуясь Google, Facebook или Amazon, вы подключаетесь к группе связанных, супербыстрых серверов.

• Огромное количество данных. Данные – топливо новой экономики. Соотнесите этот факт с примером оператора такси, приведенным выше. В старые добрые времена, скажем, в 2012-м, ваша поездка собрала бы, наверное, три вида «данных»: запись вашего телефонного звонка с заказом такси, записи диспетчера и водителя, сделанные от руки, и детали оплаты (и конечно, эти рукописные записи редко проверяли или анализировали). Сравните это с типичной поездкой на Uber, после которой сохранится запись о вашем запросе, локации, времени, маршруте поездки, использованном устройстве, оплате и чаевых, водителе, пассажире, рейтинге водителя и рейтинге пассажира. А затем умножьте все это на более чем два миллиарда поездок, предпринятых (к середине 2016 года) через Uber.

Коротко говоря, три эти специфические черты – самообучающееся ПО, мощные возможности аппаратной обработки данных и невероятное количество данных – объединяются, чтобы оживить интеллектуальные системы (кстати говоря, в некоторых кругах о них сейчас говорят как о программных «платформах», но для ясности и последовательности будем использовать термин «интеллектуальные системы»). Далее в главе расскажем, как эти участки сочетаются друг с другом. А прежде чем взяться за это, полезно дать несколько определений самой противоречивой и неверно понимаемой части машины – искусственному интеллекту.

Искусственный интеллект: почему узкое понимание – лучшее понимание

Термин «искусственный интеллект» настолько часто употребляется, что на самом деле вызывает больше путаницы, чем ясности. На рынке существует много определений, и почти все подчеркивают сравнение с человеческими существами. Подобные определения, например данное в словаре Мерриам-Уэбстер («способность машины имитировать поведение разумного человека»), немедленно отправляют многих из нас по ошибочной дорожке, поскольку мы начинаем думать: «Какой человеческий разум может быть и будет сымитирован?» Мы считаем, что это неправильно.

Наше определение проще:

ИИ – это область компьютерной науки, занимающаяся машинами, которые учатся.

Это выражение яснее. Стремящиеся к антропоморфизму определения ИИ неверны по двум причинам.

1. ИИ, дающий бизнес-результаты, скорее сосредоточен на том, что по-настоящему хорошо делают машины, а не пытается повторить то, что уже хорошо делают люди.

2. Люди уже давно зарекомендовали себя как несовершенные «машины» (просто посмотрите шестичасовые новости). Есть некий нарциссизм в том, чтобы считать проектной целью создания новой машины именно человека.

Таким образом, ИИ – это не о построении робота, передразнивающего форму и поведение человека. Вместо этого примененный на практике ИИ представляет собой следующее поколение компьютерных систем, которые, как старые системы, располагаются в кондиционируемых компьютерных комнатах, а доступ осуществляется через сети и системы (как те приложения на вашем смартфоне), которые вы, может быть, и не видите, но регулярно используете.

Но это определение – только начало. Прорываясь через мешанину определений, мы нашли крайне полезным разделить ИИ на три подкласса²:

1. Узкий ИИ;

2. Общий ИИ;

3. Супер ИИ.

Узкий ИИ, также называемый «прикладной ИИ», или «слабый ИИ», – это базовое определение для данной книги. Важно отметить, что весь ИИ сегодня – и как минимум на следующее десятилетие – узкий (также говорят «узкий искусственный интеллект», или УИИ). Подобный ИИ создается для конкретных целей и ориентирован на выполнение бизнес-задач (например, управление автомобилем, проверка рентгеновских исследований, отслеживание финансовых операций на предмет мошенничества) внутри «узкого» контекста продукта, услуги или бизнес-процесса. Именно это применяют сегодня разработчики FANG, обеспечивая нас цифровыми приключениями. Несмотря на то что кажется, будто новые машины могут сделать что угодно, их цель очень хорошо делать одну конкретную вещь. И поэтому системы УИИ будут безнадежны в достижении других целей, помимо тех, для которых их специально разрабатывали (просто попробуйте спросить свой GPS-навигатор, подходит ли этот луковый бублик с мягким сыром к вашей диете). УИИ – это просто инструмент, пусть и очень мощный, дающий базу всему, что мы будем исследовать в дальнейшем.

Общий ИИ, который также называют «сильным ИИ». Именно он питает страхи массовки в компьютерной игре Singularity, о нем идет речь в упоминавшихся выше фильмах «Она» и «Из машины»³. Сильный ИИ – это поиски машины, обладающей таким же общим разумом, как человек. Вы, например, в течение всего нескольких минут можете обсудить политику, пошутить о чем-то, а затем забросить мяч для гольфа на сто пятьдесят ярдов. Сильный ИИ будет обладать общим интеллектом, чтобы суметь выполнить то же самое.

Бен Герцель (Ben Goertzel), председатель Общества общего искусственного интеллекта (Artificial General Intelligence Society), как на хорошее определение общего ИИ, указывает на кофейный тест: «Зайдите в средний американский дом и подумайте, как сделать кофе, для чего вам придется найти кофемашину, понять, для чего нужны кнопки на ней, найти в шкафчике кофе и т. д.»⁴ Этот набор задач, наверное, совсем не трудно выполнить большинству взрослых людей, однако в настоящее время это безумно тяжело сделать компьютеру. Создание общего искусственного интеллекта значительно труднее, чем создание узкого: по многочисленным оценкам, мы все еще находимся более чем в двух десятках лет до того момента, как ИИ разовьет такие способности, если вообще когда-либо это сделает.

Таким образом, пугать себя общим ИИ легко по двум причинам, одна из которых практическая, а другая – теоретическая. С практической – сегодня мы видим примеры узкого ИИ, который, кажется, чем-то похож на общий. Это может быть ваше домашнее приложение Alexa для Amazon, которое справится с тестом Тьюринга (действуя неотличимым от человеческого образом). У нас может быть ощущение, что мы движемся в сторону ОИИ, однако это всего лишь блестящая, элегантная реализация голосового интерфейса интернет-поиска, известного нам уже почти пятнадцать лет.

С теоретической стороны, компьютерная наука смотрит на человека как на машину по природе – машину, имеющую очень отчетливые ограничения. IQ человека обычно колеблется между 80 и 150 пунктами – очень низкими показателями по компьютерным меркам. Если с точки зрения программного обеспечения общий ИИ станет возможным, зачем нам ограничивать машинный «интеллект», скажем, 150 баллами? Почему не сделать 300, или 3000, или 30 000? Ни один из нас не смог бы даже отдаленно понять, чем бы был или что мог бы совершить подобный коэффициент интеллекта, но если это всего лишь вопрос соединения большего числа серверов в облаке для добавления большей операционной мощности, то куда это нас завело бы?

Все это приводит нас к третьему определению. Супер ИИ – это, по сути, технический гений, выпущенный из бутылки. Не понятно, будет ли человек знать, как остановить машину в случае реализации подобного сценария? Она бы оставила далеко позади весь наш коллективный разум (а ведь, как мы знаем, если посадить в одной комнате десять достаточно умных людей, их коллективный IQ будет равняться на 1200, а где-то 95 баллам, хотя мы можем рассчитывать на различные мнения и точки зрения, которые люди всегда приносят с собой). Как мы сможем тогда отключить машину, если она всегда на 10 (или на 1000) шагов впереди нас?

Все это интересно, особенно как предмет для разговора на коктейльной вечеринке. Однако, возвращаясь к нашим исследованиям, будущее в духе Singularity, с бегающими вокруг наделенными супер ИИ терминаторами, – это мираж. Серьезные люди, те, что заняты созданием этих систем сегодня, довольно умерены в оценках того, возможны ли такие сценарии хотя бы через сто лет, не говоря уже о пяти или десяти годах. Эндрю Ын (Andrew Ng), руководитель исследований в Baidu Research, изложил эту мысль коротко и точно, сказав, что «волноваться насчет [общего и супер] ИИ – это как волноваться о перенаселении Марса еще до того, как мы на него ступили»⁵.

Исходя из вышесказанного, наш фокус в этой книге специально направлен на узкий ИИ, поскольку здесь, в реальном мире, больше озабочены эффективным использованием инструмента для хороших бизнес-результатов современного предприятия. И пока кто-то продолжит мучить себя, волноваться о таких вещах, как супер ИИ, конкуренты выдавят его из бизнеса, применив на практике узкий ИИ. С этим определением искусственного интеллекта давайте углубимся в тему новой машины.

Каждая интеллектуальная система может делать совершенно разные вещи, но у всех схожая анатомия. По сути, если вы знакомы с технологиями для предприятия и с предшествующим поколением учетных систем (такими как ERP или CRM-системы), то многие составляющие покажутся уже известными. В конце концов, технологический «стек» учетных и интеллектуальных систем имеют многие общие элементы, такие как интерфейс, прикладная логика, последовательности операций, базы данных и инфраструктура.

Таблица 4.1. Учетные системы vs Интеллектуальные системы

Однако объективные различия есть у каждого слоя этого стека, и самые важные из них касаются трех отличительных характеристик новых машин, выделенных нами раньше: способность обучаться, значительная оперативная мощность и огромное количество данных. В таблице 4.1 мы обозначим несколько ключевых различий в каждом слое этого программного стека. Далее мы проработаем разные компоненты, общие для всех интеллектуальных систем, как показано на рисунке 4.1.

Рисунок 4.1. Анатомия интеллектуальной системы

Пользователи, клиенты и сотрудники

Независимо от того, насколько цифровым становится наш мир, эта перемена в первую очередь ориентирована на людей; это наша, углеродная, форма жизни без кнопки вкл./выкл. Поэтому чем более технологичны успешные цифровые решения, тем более человечными будут ощущаться. Лучшие цифровые решения не замедляют нас, напротив, они как будто отходят в сторону, помогая достичь цели. Мы не хотим обучать системы, мы просто хотим получать результат. GPS-навигаторы Waze дают нам возможность добраться до места самым быстрым путем, платформа Predix от GE – наша ветроэлектростанция, юридический аналитический сервис Lex ех Machina ведет запись действий конкретного судьи. Машины способны на невероятные вещи, но общая черта успешных систем – они ставят в центр разработок человеческое восприятие. Часто даже среди самых автоматизированных, будто богатых искусственным интеллектом средах все еще очень много следов человеческого участия.

Интерфейс приложения

В нашей частной жизни мы думаем о Netflix, Strava, Linkedin и другом как о приложениях. Большинство из нас уже даже не зовет их «программным обеспечением». То, до чего вы дотрагиваетесь, контент, которым делитесь, получаемые информация или идеи, – все это проходит через приложение (или через слой приложения), являющееся входом в оставшуюся часть новой машины. Годами вы загружали приложения в свой компьютер, смартфон или планшет, а сегодня их внедряют и в промышленные машины (такие как автомобили). Важнейшим является то, что ваше впечатление будет сформировано приложением. Остальная часть интеллектуальной системы, если она хоть сколько-то хороша, для нас невидима.

Кроме того, как мы подчеркивали в нашей книге «Code Halos», приложение должно обеспечивать пользователя чувством прекрасного. Приложение должно проходить по критериям FANG в части элегантности и простоты использования. Это объясняет стремительный подъем «дизайн-мышления» в корпоративных IT-кругах, ведь эти интерфейсы должны подходить вашим клиентам, партнерам и сотрудникам для использования в повседневных делах (никакие учебники или тренинги для пользователей не разрешаются!). Ключ к успеху в том, что интерфейс приложения должен быть простым и интуитивным, вписываться в контекст пользовательских потребностей.

«Внутренности» ИИ

Несмотря на всю шумиху, узкий искусственный интеллект – это современное, сложное, адаптивное программное обеспечение в сердце интеллектуальной системы. То, что мы считаем ИИ, по-настоящему должно включать три элемента.

1. Логика цифрового процесса. Каждый раз, входя в интеллектуальную систему, мы участвуем в каком-то процессе: бронируем машину, обращаемся за страховой выплатой, заключаем финансовую сделку или проверяем статус МРТ-аппарата. В этом нет ничего исключительно нового. IT-специалист из 1990-го распознал бы технические элементы, управляющие протекающими внутри интеллектуальной системы процессами. Революционная составляющая интеллектуальных систем в том, что они преобразуют многие ручные процессы в автоматизированные. Вспомните еще раз пример с противопоставлением Uber и такси. Процесс заказа автомобиля в обычном такси выполняется вручную (например, клиент звонит, посредник информирует диспетчера, диспетчер связывается по радио с подходящим водителем и т. д.). В Uber весь процесс автоматизирован. Когда этот оцифрованный процесс вылился в миллионы транзакций, революция в отрасли состоялась. Мы опишем, как это сделать, во второй половине книги. Однако сейчас главная проблема в том, что, хотя руководящая процессным слоем искусственного интеллекта технология довольно проста, правильно структурировать этот лежащий в основе процесс – крайне трудная работа.

2. Машинный интеллект. Вот это действительно новая и другая технология современной машины. С помощью комбинации алгоритмов, процесса автоматизации, машинного обучения и нейронных сетей система подражает «обучению» через получение опыта, то есть через расширение набора данных. Именно так она может автоматизировать рабочий процесс (например, чтение рентгеновского обследования), инструктировать работников по поводу лучшего следующего шага (например, продавец будет знать точную цену, которая с наибольшей вероятностью приблизит сделку) и распознавать рыночные тренды, что поможет создать следующий прорывной продукт. Внутренний «счетчик» (программный механизм внутри интеллектуальной системы) и есть машинный разум, настоящее сердце ИИ. Если смотреть с этой точки зрения, то все не так страшно, загадочно или безнадежно сложно. Не поймите нас неправильно: мы не умаляем техническую сложность этой созидательной работы. Но также в ней нет ничего мистического. Все эти разговоры про «духа в машине»⁶ в реальном мире едва ли имеют отношение к узкому ИИ. Это ничуть не больше и, конечно, ничуть не меньше, поскольку находится в корпусе новой машины, сердца искусственного интеллекта.

3. Программная экосистема. Наш, как видится, магический опыт взаимодействия с интеллектуальными системами кажется бесшовным, единым, однако мы никогда не взаимодействуем с только одним участком ПО. Обычно эти системы составляют экосистему из десятков разнообразных инструментов, связанных интерфейсом прикладного программирования (API), являющимся частями программного обеспечения, соединяющими один инструмент с другим, как детали Lego. Uber, например, привлекает богатый набор инструментов, в том числе Twilio для облачной коммуникации, Google для карт, Braintree для оплаты, SendGrid для отправки e-mail, и так далее. Благодаря программному интерфейсу Uber у каждого из нас есть собственный первоклассный опыт общения с этой системой, но на самом деле мы взаимодействуем с целой экосистемой инструментов и сервисов.

Это бизнес-книга для технологичной эпохи. Мы не планируем вдаваться в мельчайшие подробности конкретных технологий, включенных в сегодняшний искусственный интеллект. Мы могли бы написать еще одну полноценную книгу о машинном обучении, глубоком обучении и нейронных сетях (эти темы – в топе популярности в ведущих мировых университетах), но, честно говоря, это было бы излишним, поскольку сегодня на рынке уже представлено огромное количество обучающих ресурсов.

Данные от вещей и учетных систем

Исходных параметров в новых машинах много, и они весьма разнообразны. Некоторые являются зрелыми системами на базе ERP, в другие будет в реальном времени поступать информация от оснащенных оборудованием предметов – тот самый Ореол кодов с данными об окружающих продуктах, людях и местах, – то есть постоянно информировать свой нервный центр о том, что происходит вокруг. Со временем эти параметры будут изменяться, иногда быстро и радикально. Эти вводные параметры отвечают за создание контекстуализированных, ценных данных. Без новых источников данных строить или подпитывать ваши современные машины будет сложно. За выработку новой информации – кода – будут ответственны сенсоры в вашем мобильном телефоне, одежде, спортивном оборудовании, машинах, дорогах и буквально любых других физических объектах. Связь этих сенсоров с интеллектуальными системами – это и есть зарождающийся «Интернет вещей».

Данные могут казаться невесомой абстракцией (если вам интересно, все электроны Интернета весят, вероятно, как две клубники⁷). Но хотя данные весят так мало, они обладают огромной ценностью, когда применяются в правильном месте и в правильное время. Обширное число данных должно быть собрано, сохранено, защищено, проанализировано и сделано доступными. Именно поэтому нам требуются большие системы баз данных, которые будут стабильными, эластичными и проверенными (какими бы крутыми ни казались новые блестящие приборы). Приобретает популярность новое поколение баз данных (например, Hadoop), однако никуда не делись имеющие клиентскую базу в целом более чем в семьсот сорок тысяч компаний Oracle и SAP. А с ними и другие заслуженные «торговцы оружием» в лице IBM, Microsoft и иных главных предприятий-поставщиков ПО. В цифровой экономике нам по-прежнему будут так же нужны высококачественные учетные системы (как традиционные, так и появляющиеся вновь), как нужны электросети с переменным током.

Инфраструктура

Как и любая производственная машина, новая машина нуждается в энергии и «трубопроводе». Инфраструктура включает все сетевые соединения, серверы, источники электроэнергии и все прочее, что заставляет машину загудеть. В нынешних системах все элементы управляются, как правило, или непосредственно из IT-департамента, или внешним поставщиком услуг, или – что все более распространено сегодня – облачным провайдером. Обязательно наличие мобильных сетей, как правило, являющихся основным носителем данных. Чтобы обладать должной вычислительной мощностью, все интеллектуальные системы, работают они на серверах Amazon, где-то в Googleplex или в вашем собственном центре обработки данных, нуждаются в высокоэффективном, всегда включенном трубопроводе.

«Анатомия» новых машин может показаться чем-то абстрактным, хотя эти части соединены между собой в настоящую новую машину, видимую в реальном мире. Уже многое было сказано о Netflix, но мы хотим сказать о другом. Все мы знакомы с этой платформой потокового мультимедиа, являющейся отличной иллюстрацией того, как компания, применяющая новую машину, новые сырьевые материалы и ориентированные на них бизнес-модели, переворачивает бизнес каждый день и в штатном режиме.

Машина, ставшая Netflix (благодаря ИИ)

В 2016 году Netflix занимал примерно 35% всего интернет-трафика в Северной Америке и имел весьма оживленные ТВ-сети⁸. Если попытаться разобрать Netflix на косточки, мы увидим анатомию новой машины в действии (см. табл. 4.2).

Таблица 4.2. Анатомия интеллектуальной системы Netflix

Умный телефон, или смартфон, против глупого телефона. Помните глупые телефоны? Черная или бежевая пластиковая коробка с дисковым набором, которая стояла в гостиной ваших родителей? Ладно, где-то в 1980-х они получили кнопочную панель, но это по-прежнему были совершенно глупые, не способные запомнить ни одного номера, отследить звонок или сделать что-то подобное аппараты.

Зачем мы вспомнили винтажные телефоны? Так, как сейчас мы смотрим на глупые телефоны, мы будем смотреть на сегодняшние стены, столы, стаканы, обувь, машины, зубные щетки, вилки, дома, холодильники, лифты, двери, поезда, телевизоры, кардиостимуляторы, слуховые протезы, кредитные карты, билетные кассы, фонари, спортивные стадионы, кресла в самолетах, рестораны, заводы, дороги, метро, офисы, музеи и так далее в 2025 году. Глупые. Мы будем удивляться, что они не могли адаптироваться к нашим потребностям в реальном времени и не могли помочь выполнить задачи, обеспечив новыми идеями и контекстом – в реальном времени. Таким образом, мы подходим к трансформации умных товаров.

В сердце этой трансформации лежит инструментирование, оснащение измерительными приборами всего. В связи с тем, что сенсоры становятся все меньше, а кривая цены/работоспособности движется точно по Г. Л. Муру, стало технологически и экономически возможно ставить их во все более и более мелкие объекты⁷. Не только возможно, но обязательно. В конце концов, чтобы знать все обо всем, датчиками надо оснастить все. Стратегическим вопросом должно стать не «Что оборудовать приборами?», а «Чего не стоит оборудовать измерителями?», поскольку отказ от оснащения должен стать исключением, а не нормой. А сделав это, вы не только запустите в своей организации процесс сбора всех данных, но также серьезно увеличите ценность этих оснащенных измерителями предметов.

Столик на двоих? Или на две тысячи?

Вот вам один простой пример: простой стол без сенсоров стоит сто пятьдесят долларов в изготовлении и около пятисот долларов в рознице. Оснащенный сенсорами стол можно сделать за двести долларов, а продать потенциально за тысячу долларов. Подумайте об умном столе, который может подстраиваться по высоте под пользователей (как сиденья в автомобиле), заряжать электронные устройства без проводов, позволяет печатать или рисовать прямо на столе, перенося изображение потом на цифровую панель, отображать имя сидящего за ним человека или отслеживать, сидит ли кто-то за ним или нет, и соответственно регулировать отопление и освещение. Любые из подобных возможных сценариев сделают его более ценным для покупателя. При сравнительно небольшом увеличении производственной цены появляются невероятные возможности увеличения дохода и прибыльности. А еще подумайте о «прилипчивости» умного стола. Глупый стол можно заменить без всяких проблем. Однако сделай то же самое с умным столом – и результатом станет внезапное упразднение окружающей персонализации. Например, свет в комнате уже не будет работать, как прежде, и цифровая панель останется без дела. История предпочтений тех, кто за ним работал, будет утеряна. Стол накрепко «прилипнет» к своим пользователям.

Если вы возьмете этот обыденный пример чего-то глупого, становящегося умным, и экстраполируете его на «вселенную вещей», воздействие инструментализации предметов будет еще более и более глубоким. Именно поэтому GE делает свои индустриальные мельницы умными; вот как и почему Bosch и Samsung делают умной свою крупногабаритную бытовую технику (например, холодильники и духовки). Именно поэтому происходит всплеск активности по поводу оснащения измерителями людей. Надо признать: мы и сами порой бываем глупыми. Оснащение приборами позволит и нам стать умнее в части многих важных вещей, в том числе таких, как здоровье.

Работая над цифровым переходом, с таким большим количеством клиентов, как у нас, выделим следующие четыре самые большие ловушки, связанные с переделкой бизнес-моделей, в которые постоянно попадают руководители даже с самыми лучшими намерениями:

1. Ловушка «Делать по-цифровому» вместо «Быть цифровыми».

2. Ловушка FANG.

3. Ловушка «Вскипяти океан».

4. Ловушка отрицания.

Давайте рассмотрим их более детально.

Ловушка 1: Найти легкий выход из «Делать по-цифровому» вместо «Быть цифровыми»

Мы слишком часто видим поверхностное использование цифровой технологии, как, например, наложение мобильного пользовательского интерфейса на существующее корпоративное программное приложение, поддерживающее производственный бизнес-процесс. Это быстро, это дешево, это низкорискованно. Но похоже на то, чтобы лезть на дерево за луной: вы убеждаете себя, что совершаете прогресс в сторону цифровых целей (и технически все именно так), однако никогда этой цели не достигнете.

Мы часто видим, как менеджеры берут машины четвертого поколения и затыкают ими прорехи в бизнес-моделях третьего поколения. А потом удивляются, что не создается дополнительной ценности.

Мы называем это явление «Делать по-цифровому» – менеджеры просто приклеивают цифровые решения на индустриальные бизнес-модели. Вот как описал эту проблему Рикард Густавсон (Rickard Gustafson), генеральный директор Скандинавских авиалиний (SAS):

Для нас это не то, чтобы наложить свинье немного помады и попытаться представить клиенту красивый портал. Вам нужны эффективные инструменты. Вам нужны эффективные веб-предложения. Вам нужно приложение. Вам нужно связываться с клиентами через эту платформу, но главное для нас по-прежнему то, как вы автоматизируете и оцифруете изнанку SAS².

«Оцифровать изнанку SAS». Перевести? Переосмыслить, перепроектировать и перестроить опорную бизнес-модель. Быть цифровым. Чтобы добиться по-настоящему небывалых результатов, что вполне достижимо (о чем мы говорим на протяжении всей книги), опорная бизнес-модель должна быть насквозь цифровой, с потоком технологических процессов и опорными организационными структурами, основанными на цифровых, а не промышленных принципах.

Ловушка 2: Ловушка FANG

Многие пытались подражать разработчикам FANG или технологиям богатых стартапов. Казалось бы, в этом есть смысл: сегодня они мастера цифры, и мы смотрим на этих игроков с должным почтением. Проблема здесь не только в том, что это не работает, а в том, что мы видели несколько случаев, когда это контрпродуктивно. Эти компании не из вашей, а из других областей, у них другие начальные и конечные задачи.

Допущение, содержащееся в открывшем эту книгу вопросе («Мы все будем Уберизированы?»), означает «Как нам стать, как Uber?». В подавляющем большинстве случаев это неправильный вопрос, и на самом деле во многих случаях он даже опасен. Фирмы, пытающиеся стать «Аmazon своей отрасли», чаще уничтожили ценности, потратили время, деньги и личную репутацию.

Почему? Очень просто – потому что разработчики FANG играют в другую игру. Они:

а) в отличной от вашей отрасли;

б) имели другую стартовую площадку;

в) идут к другой цели.

Они выстроили свой цифровой бизнес с нуля, создавая чисто цифровую компанию. Ваши трудности в другом. Вам нужно перейти из положения индустриального лидера в цифровую/индустриальную гибридную организацию. У вас другая стартовая площадка, уставная база процессов, продуктов и культуры находится в индустриальной эре. Наверное, еще более важно, что у вас другая конечная цель. Задача не в том, чтобы быть цифровым посредником, как Airbnb, или стать платформой социальных сетей, таких как Facebook или Twitter.

По нашему мнению, слепая имитация FANG похожа на то, как если бы финансовый директор задался вопросом: «Что бы в такой ситуации сделал Джеймс Леброн?» Звезда баскетбола абсолютно блестяще разбивает зонную защиту в напряженный момент матча плей-оф. Однако он вряд ли окажется полезен финансовому директору, пытающемуся создать, скажем, новую корпоративную дивидендную политику. Он играет в другую игру.

Таким образом, есть несколько важных моментов игры FANG, применимых к вашему бизнесу, которые необходимо знать заранее. Они таковы:

• Новые ожидания покупателя. Онлайн-опыт, предлагаемый разработчиками FANG, элегантный, простой и легкий в использовании. Он высоко персонифицирован, обеспечивает избирательное содержимое и организованный опыт. В связи с этим ожидания от вашего продукта теперь сопоставляются с ожиданиями от FANG. Именно поэтому, например, столь многие сегодня замечают: «Мой смартфон за триста долларов такой умный, а моя машина за тридцать тысяч – такая глупая». Этот разрыв между ожиданиями и опытом в ближайшие годы закроется.

• Вера в данные. У игроков FANG сложилась культура глубокого доверия данным. Проблема может показаться надуманной, но на самом деле она очень глубокая, центральная для понимания, как должна управляться цифровая компания. В индустриальных компаниях существует много моделей принятия решений. Например, культура, идущая за личностью («Почему мы приняли это решение? Потому что так сказал наш директор!»). В некоторых кругах эта культура известна как HIPPO – highest paid person’s opinion, или «мнение самого высокооплачиваемого человека». Некоторые культуры движут договоренности, сделки: вспомним инвестиционные банки и Голливуд. Эти факторы и впредь останутся важными, но в цифровом бизнесе все должно эволюционировать в сторону объективных данных и того, что они говорят о продукте, людях и результатах.

• Привлечение силы новой машины: все лидеры FANG – убежденные пользователи ИИ. Генеральные директора всех этих компаний постановили – тем или иным способом, – что их компании «первые в ИИ». Копируйте это. Отправьте свои команды на «цифровое сафари» в Кремниевую долину, чтобы, по крайней мере, получить инсайт в самый современный, действующий на должном уровне ИИ.

Ловушка 3: Вскипятить океан

Этот третий пункт часто самый сложный. Мы признали лучшей практикой оставлять начальные проекты относительно небольшими. Многие очень амбициозные менеджерские команды решают «ставить все» на цифру. Они собирают людей, сообщают о своих планах совету директоров и решительно заявляют о намерениях внутри компании и за ее пределами (что-то даже, может быть, написано на вашей футболке или коврике для мыши). Потом, года через два, люди начинают задавать главные вопросы: «Как там с цифровым планом? Как он изменил основные показатели, такие как продажи и прибыль? Сколько сейчас клиентов на платформе?» Такие вопросы часто заставляют того, кому они адресованы, чувствовать себя неловко, выдавать себя долгим взглядом в сторону ботинок. Так что даже заряженные добрыми намерениями и хорошей ресурсной базой эти инициативы иногда не работают.

Этот совет – не стандартный и не единый для всех. Бывают моменты, когда цифровая функциональность компании (в связи со структурой отрасли или конкурентных действий) оказывается глубоко позади. В таких случаях необходимо применить подход «побеждай или уходи»: такой высокорискованный подход оправдан, если компания оказывается в ситуации вечно отстающих. Однако более 80% оставшихся компаний мы рекомендуем начинать с малого.

Начиная с малого, найдите участок процесса, организационно простой, с технически ясным цифровым применением, и добейтесь быстрого успеха. Также создайте команду цифровых единомышленников-энтузиастов. Эта команда должна сформироваться по принципу естественного отбора. Как показывают лучшие практики, не надо никого убеждать присоединиться к команде. Если кто-то высказывает скептицизм или считает новый подход в чем-то слишком рискованным, пройдите мимо.

Когда этот цифровой спецназ начнет вместе добиваться каких-то побед, движение пойдет по инерции. Вспомните слова генерала Конфедерации «Каменной Стены» Джексона, который во время американской гражданской войны сумел смутить Союз рядом побед, несмотря на то что имел худшие ресурсы:

Никогда не сражайтесь против превосходящих сил, если путем любого возможного маневрирования можете бросить свои силы только на часть, и на слабейшую часть, войск врага и сокрушить ее. Эта тактика будет выигрывать всегда, и таким образом маленькая армия может уничтожить большую… а повторяющиеся победы сделают ее непобедимой³.

Мы сочли такой подход к изменению цифровой бизнес-модели наиболее эффективным. Найдите скромные цели в ключевых процессах. Посвятите им всю энергию своих лучших бизнес-аналитиков и техников. После серии цифровых успехов под их коллективным руководством вся организация обретет уверенность в этом подходе. Маленькие изменения будут иметь большие последствия.

Вернувшись к цитате Джейми Даймона, открывшей эту главу, вы увидите, что он отметил нечто жизненно важное в генерации цифровой бизнес-модели: цифровые стартапы «очень хороши в сглаживании «болевых точек», так как могут выдать заем за минуты, а у банков это может занять недели». «Сгладить болевые точки» – это не «вскипятить океан». Даймон не сказал «перестроить весь процесс» или всю организацию. Вместо этого он советует найти конкретные болевые точки, в которых можно найти облегчение и освобождение с помощью цифровых технологий.

Рисунок 6.3. Потенциал всепроникающего процесса: Актуальная цифровизация vs Пилоты в полете

Мы опросили более трехсот европейских и американских руководителей, чтобы понять, как и где они применяют цифровые инструменты и техники для оптимизации своей деятельности. Как показано на рисунке 6.3, мы обнаружили, что фокус на устаревших процессах, бутылочных горлышках и проблемных точках до настоящего времени является лучшим способом оздоровления деловой деятельности и улучшения опыта клиентов, партнеров и сотрудников⁴.

За время своих исследований мы нашли ряд способов, какими компании применяют то, что мы называем «акупунктурой цифровых процессов»:

• страховщики делают снимки с дронов, чтобы уменьшить риски андеррайтеров и приблизить их к реальным нуждам клиента;

• ритейлеры используют цифровые кошельки и технологии маяков-биконов, чтобы информировать покупателей и поднимать розничные продажи;

• производители используют сенсоры, «Интернет вещей» и радиочастотную идентификацию, чтобы в реальном времени отслеживать и направлять цепь поставок.

Когда организация определяет точки давления и таргетированным способом применяет цифровые решения, маленькие успехи выстреливают большими результатами. Наше исследование показало, что компании, применяя цифровые инструменты и техники, срезают примерно 8% «жирка», как снижение цены, а также выстраивают цифровые «мускулы» в виде роста доходов на 10%. В сумме улучшение цифрового процесса с помощью таргетированных, узких шагов у изученных нами компаний выливалось в положительный итог в 18%. Очень важно распространить этот высококонцентрированный подход на остальные организации, поскольку:

• значительно выражено снижение цены;

• ускоряются сроки внедрения улучшений;

• устраняются проблемные области.

Мы обнаружили, что больше половины респондентов отметили: результатом связанных с цифровыми процессами инициатив стала значительная интеграция уровней производственно-сбытовой цепи. (Мы дадим более подробные рекомендации по поводу того, с чего начать такую работу, в главе 7.)

Ловушка 4: Ловушка цифрового отрицания

Цифровые отрицатели любят говорить: «Мне нравится то, что принесла в мою частную жизнь Кремниевая долина. И да, некоторые области цифра затронула очень значительно. Но мы так делать не будем. Наша отрасль другая». Такие мысли опасны, те, кто их озвучивает, находятся в отраслях, которые еще не были полностью цифровизированы.

Цифровая революция распространяется неровно. Поэтому некоторые отрасли и их опорные бизнес-модели (например, газеты, карты, книги) уже были трансформированы, в то время как другие (например, энергия и коммунальные службы) до сих пор относительно нетронуты.

Чем это объясняется? Есть множество факторов, в том числе структура отрасли, природа продукта или услуги и законодательные ограничения. Однако, по нашему мнению, первичный фактор – это количество данных, которыми кишит бизнес.

В природе со значительным изменением температуры элементы нестабильны и изменяются, чтобы вновь обрести гармонию в своей среде. Многие виды бизнеса подобным образом становятся нестабильными в наш век гиперсвязанности. Но как подъем температуры вынуждает к соответствующим изменениям (например, лед превращается в воду), так и быстрый подъем количества информации приводит к структурным изменениям во многих корпоративных моделях.

Каждый год в Новой Англии смена сезона приводит к тому, что зимние ледяные площадки превращаются в пруды для плавания. Но, катаемся ли мы на коньках, плаваем в воде или просто рассматриваем облака, целостность воды во всех этих формах не ставится под вопрос. Вода есть вода – независимо от ее состояния, это всегда две молекулы водорода и одна кислорода. Важно, что мы изначально понимаем стабильность каждой формы, данной в окружающей среде.

Есть ощутимая параллель между природным состоянием вещества и присущим, или природным, состоянием организации. И если состояние вещества природным образом изменяется с ростом температуры, то состояние организации должно меняться со значительным ростом количества информации (см. рис. 6.4).

Рисунок 6.4. Точки плавления в природе и в бизнесе

К сожалению, многие управленцы сегодня пребывают в растерянности. Они сосредоточены на состоянии своей организации, а не на ее сущности. Например, руководство Borders Group, Inc., Blockbuster LLC и других розничных предприятий определило себя как физических ритейлеров, продающих книги и сдающих фильмы на прокат, вместо того чтобы быть провайдерами книг и фильмов, которым надо принять соответствующую для рыночного контекста форму. Неправильная концепция бизнеса оказалась для них смертельным ударом на существующих рынках.

Если отрасль еще не столкнулась с этим структурным вызовом, то только потому, что у вашего сектора, как у вещества в природе, другая «точка плавления». Именно поэтому столь многие руководители, которых еще не накрыло технологической волной, делают заявления, подобные этим: «Это все про книги или музыку, наша отрасль другая». Например, вода тает при 0° по Цельсию, а алюминий – при 660 °C и олово при почти 321 °C. И как ни одно вещество не защищено от плавления, так и ни одна отраслевая структура не защищена от сегодняшнего информационного взрыва.

Поэтому до настоящего момента этой главы мы описывали четыре больших убийцы цифровых инициатив. Теперь давайте обернемся к более оптимистичной перспективе и выделим пять подходов к построению выигрышной цифровой бизнес-модели.

Автоматизация – первый шаг в путешествии, которое экономист Йозеф Шумпетер (Joseph Schumpeter) определил как «созидательное разрушение» – склонность к производственным изменениям, когда постоянно разрушаются старые экономические структуры и создаются новые⁴.

Автоматизировать

Респондентов попросили оценить снижение затрат (или повышение) и средний рост доходов (или снижение) в процентном соотношении.

Может звучать слишком радикально, но, чтобы сделать это чуть более ясным и менее мелодраматичным, давайте совершим путешествие во времени в отдел новостей времен администрации Рейгана.

Когда Пол пошел учиться в школу журналистики в 1980-е, отдел новостей был полон людей, которые могли брать информацию из разных источников и превращать ее в ясное, лаконичное повествование. Ежедневный процесс создания новостей – сбор информации, репортаж, проверка фактов, синтез, написание и сообщение – требовал людей, много людей, с образованием, способностью к суждению и дерзостью. Высокий IQ, высокий EQ (коэффициент эмоционального интеллекта) и галлоны кофе.

Процент респондентов, применяющих слова «значительный» и «высокий», говоря об уровнях интеграции процесса/цепочки создания стоимости как результате перевода процессов в цифровое поле.

Рисунок 7.1. Процесс цифровых перемен ведет к значительному влиянию на валовую выручку и итоговые доходы

Рисунок 7.2. Добавление клиента в центр цепочки создания стоимости, в цифровой форме

Никто в 1986 году не мог вообразить, что через сорок лет большую часть этой деятельности будет осуществлять компьютер. Но перемотайте пленку вперед – и сейчас происходит именно это.

За последние годы вы, вероятно, прочитали десятки новостных статей, написанных программой-ботом, хотя и не поняли этого. Такие появлялись в The Washington Post, в USA Today, в вашей местной газете и в онлайн новостных источниках, таких как Yahoo! и ESPN. Выставленные по соседству дома на продажу, местный прогноз погоды и обновления в вашем инвестиционном портфолио все чаще пишутся не начинающими корреспондентами, а программным обеспечением, разработанным такими компаниями, как Narrative Science или Automated Insights. Это не единичные случаи, так происходит повсюду, и тенденция продолжает расти. Только Associated Press публикует более двадцати тысяч написанных программой новостей в год⁵, а программное обеспечение Automated Insights в прошлом году сгенерировало около 1,5 миллиарда историй, персонализированных индивидуально⁶.

Многие из этих новостных историй не просто обратный вывод данных, как прогноз погоды или биржевые новости. Автоматизированные платформы воспроизводят нюансы языка, вплетая их в настоящий нарратив – увлекающий, дружелюбный, свежий, вдохновляющий… ну то есть – человеческий. Взгляните, например, на начало статьи о бейсбольной игре в местной средней школе в Теннесси:

Мэтт МакДэниел из Oak Ridge Wildcat закручивает два хомера, что приводит к победе над Bearden со счетом 10:8.

Вторник в Фаррагутской средней школе стал отличным днем для Мэтта МакДэниела, который выполнил два хоум-рана и тем самым принес Wildcats победу над командой Bearden со счетом 10:8 в семи иннингах⁷.

Мы могли бы продолжать, но вы, наверное, уже уловили суть: все это было написано интеллектуальной системой. Язык вполне разговорный и согласуется как с местной культурой, так и бейсболом: «закручивает два хомера», «выполнил два хоум-рана».

Используя программных роботов-«журналистов», новостные компании автоматизировали некоторые базовые процессы стандартной репортерской деятельности, в том числе сбор данных, их обобщение, написание и распространение. Как только результаты бейсбольных матчей загружаются в программу-бота, единственное, что остается по-настоящему «сделать», – это дать системе задание выполнить письменный текст и отправить его по нужному дистрибьюторскому каналу (который, кстати, тоже будет автоматизированным). За последние несколько лет таким способом было произведено более десяти тысяч статей о низшей бейсбольной лиге⁸.

Будет ли автоматизация новостей распространяться на такой жанр, как журналистские расследования, выходящие на первых страницах The New York Times и The Wall Street Journal? Наверное, не скоро (хотя программы-боты, несомненно, расширят возможности ведущих расследования журналистов). Однако она уже оказала серьезную помощь этой индустрии, находящейся под серьезным ценовым давлением, в поиске более высоких уровней эффективности, предоставив потребителям и дополнительные ценности.

Дело здесь не только в автоматизировании журналистики. Этот тренд – применение автоматизированных технологий для снижения стоимости и повышения эффективности – проявил себя практически в каждой отрасли. Нравится вам это или нет, конкуренты на другой стороне улицы скоро получат значительную выгоду от автоматизации основных процессов. Если не поторопиться, ваша структура затрат скоро не сможет устоять. Кроме того, сэкономив на автоматизации, вы потом заплатите за надвигающиеся цифровые инновации. К счастью, большинство из нас уже приготовилось к разбегу.

Мы уже какое-то время проводим автоматизацию с помощью цифры

Способ, которым Narrative Science или Automated Insights автоматизируют журналистику и другую деятельность, связанную с написанием текстов, таких как биржевые новости, очень сложен и представляет собой новые горизонты робототехники. Однако давайте вспомним еще раз, что мы уже довольно давно прибегаем к автоматизации и, как и в случае с ИИ, часто даже не замечаем этого.

Вспомните свое последнее посещение аэропорта. Двигаясь по шоссе, вы, вероятно, пересекали пункт взимания платы за пользование дорогой. Въехав на парковку, получили парковочный талон. В терминале получили билет и проверили багаж в интерактивном терминале. Направляясь к выходу, остановились и сняли наличные деньги на поездку.

Еще пару десятков лет назад во всех этих местах работали люди: оператор пункта приема платежей, смотритель парковки, сотрудник на регистрации и кассир в банке. И многие (хотя и не все) эти рабочие места были вытеснены автоматизацией (другие были дополнены технологией, о чем мы поговорим позже), и как потребитель вы, вероятно, этим довольны.

Путь от дома до аэропорта занял как минимум на полчаса меньше, чем во времена, предшествующие автоматизации. И скучает ли кто-нибудь в действительности об операторах, принимающих платежи, – этих несчастных малых, что должны были по восемь часов в день стоять на холоде в металлической коробке: отсчитывающих сдачу, тяжело вздыхающих и все равно создающих для всех нас длинные очереди? Даже сам бывший оператор не хочет, чтобы его работа вернулась обратно.

С новой машиной мы переходим черту, за которой сможем сделать «интеллектуальные» процессы по-настоящему интеллектуальными. Новые волны автоматизации поднимаются повсюду вокруг нас, однако в отличие от электронного сканера на шоссе, они настолько искусные и мощные (как в робожурналистике), что мы их можем даже не заметить.

Рисунок 7.3. Автоматизация, знакомая нам из повседневной жизни

Автоматизация не произойдет автоматически. В связи с этим вот несколько уроков, выученных у тех, кто уже использовал процесс автоматизации, чтобы придать импульс вашим инициативам по автоматизации. Мы решили, что четыре этих «правила движения», будут особенно полезны:

1. Установите свои 25%–25% обязательной автоматизации.

2. Найдите свои цели для автоматизации процесса.

3. Прорвитесь сквозь «латунную стену».

4. Создайте повторяющийся процесс, чтобы упростить, сгладить работу.

Установите свои 25%–25% обязательной автоматизации

Приходя на работу, (почти) каждый человек имеет цель. Дела протекают практически одинаково, изо дня в день. В каждое отдельно взятое утро понедельника почти невозможно представить, чтобы работа делалась по-другому. Но именно это вы должны сделать в первую очередь. Чтобы начать любые значимые перемены с использованием автоматизации, вы должны закрыть глаза и вообразить, что вещи могут быть сделаны совершенно по-другому.

Мы считаем, что базовыми ожиданиями должно быть снижение цены на 25% с соответствующим ростом производительности на 25%. Основываясь на сегодняшних средних уровнях (около 15%) и улучшении производительности, вызванном некоторыми решениями (до 90%), это должно стать вашим выполнимым и быстро внедряемым планом первоначальных попыток роботизированной автоматизации процессов.

Причина, по которой правило 25%–25% эффективно, в том, что оно заставляет вашу команду по-другому подумать о том, «как у нас тут все делается». Когда цель, скажем, 5% снижения расходов и 5% роста производительности, команда продолжит думать так же, как обычно. Подняв планку до 25%–25%, вы ясно даете понять, что традиционного коктейля из реорганизации, аутсорсинга и/или корпоративных программных систем недостаточно. Такие результаты даст только цифровая автоматизация процесса. Проще говоря, если вы не можете добиться сокращения расходов хотя бы на 25%, у вас нет настоящих решений «автоматизации». И если вы не можете получить 25% роста производительности, то платформа ИИ работает не так, как должна.

Найдите свои цели для автоматизации процесса

Отыскивая варианты для начальной автоматизации, которая должна затрагивать не менее двух или трех процессов, находите свои точки на рабочем континууме человек—машина (см. рис. 7.5). Лучшие отправные точки автоматизации – в левой части континуума: в этих процессах машина может быстро взять на себя большую часть работы. Как мы описывали в главе 3, это должны быть области с высоким процентом рабочих задач, которые могут быть автоматизированы.

Рисунок 7.5. Рабочий континуум человек—машина

Выбирать свои первые цели для автоматизации нужно вдумчиво, поскольку успех или отсутствие успеха этого начального внедрения будет диктовать ваши последующие инициативы с ИИ. В своей работе с десятками начинаний с использованием ИИ мы увидели, что успешные попытки отвечают этим критериям.

• Часто повторяющиеся задачи. Найдите задачи, которые часто приходится выполнять, очень распространенные в вашей компании. Коротко говоря, поищите деятельность, которой многие люди занимаются каждый день. Это может быть обработка инвойсов, сверка документации, «отбор и упаковка», согласование заказов, новые ответы по телефону на одни и те же вопросы и так далее. Некоторые из этих задач уже и так заметно автоматизированы, но многие, по нашим наблюдениям, еще нет. Дайте себе честный ответ: эти области, и многие другие, автоматизированы настолько, насколько это возможно? И есть ли интеллектуальная составляющая в течение процесса? Любые объемные, часто повторяющиеся задачи – первые кандидаты на автоматизацию.

• Задачи, почти не требующие человеческого суждения. Роботы отлично считают, люди считают хуже. Напротив, люди больше способны к комплексным суждениям, в то время как ИИ и алгоритмы – нет. Поэтому работа, крепко висящая на деревьях решений (в противоположность амбивалентности, интуиции, инсайту, сложным суждениям) – сильный кандидат на автоматизацию. Машины способны на информированные результаты, однако принятие решений, основанных на нюансах, в обозримом будущем будет требовать человеческого участия. И напротив, любая работа, являющаяся в основном последовательностью шагов «если-это-то-это», должна быть автоматизирована.

• Задачи, требующие низких уровней эмпатии. Регистрация заказов, вынесение решений по заявлениям и сверка инвойсов – процессы, требующие аккуратности и скорости… но редко эмпатии. Если бот может существенно увеличить точность, систематичность или скорость, многие из нас смирятся с отменой фактора эмпатии. Уже сейчас внутри вашей организации есть много областей, в которых должна быть применена логика. Их нетрудно будет отыскать.

• Генерирование задач и работа с большими объемами данных. Любой процесс, связанный с потенциальной генерацией большого количества информации, особенно клиентской, должен быть автоматизирован с единственной целью сбора данных, вашего собственного сырьевого материала. Люди, даже если вы можете позволить себе иметь достаточное количество сотрудников, не справятся с объемами данных, когда становятся умными и подключается все больше и больше вещей. В качестве небольшого примера, представьте, что все уличное освещение в городе среднего размера умное и способно сообщать не только о собственном «здоровье» (например, о том, нужно ли их заменить), но могут также информировать о потоке транспортных средств. Объем данных, генерируемых в «решете» информации целого города, будет далеко за пределами человеческих способностей к управлению и обработке данных. В подобных сценариях автоматизация не заменит людей, а станет фундаментальным строительным блоком для создания новых сервисов и идей, которые, в свою очередь, создадут ценность. В своей организации стоит искать области, в которых процессы и потоки могут управляться сенсорами и данные от которых, прежде недоступные, могут генерироваться и администрироваться.

Определение целей для автоматизации покажет вашей команде четкий путь к успеху, однако серьезное препятствие к управлению переменами в вашей компании по-прежнему остается. Это ведет к нашему третьему правилу движения.

Пробиться сквозь «латунную стену»

Вы определили первоначальные цели для автоматизации, распространенные в отрасли и точно подходящие под пороговые уровни в 25%–25%. Все в компании увидят мудрость вашего решения и будут полностью поддерживать, правда? Неправда.

Мы выучили этот урок двадцать лет назад, во время вышеупомянутой волны реорганизации бизнес-процессов (РБП). Когда-то в 1990-х последователи Майкла Хаммера (Michael Hammer) заявляли: «Не автоматизируйте. Уничтожайте!» Эта мантра должна была помочь найти способ делать больше за меньший счет – гораздо меньший.

В теории РБП выглядела прекрасно. Однако практика в большинстве случаев провалилась (серьезно запачкав в процессе имя этого движения). Почему же? Слишком часто средние менеджеры, ответственные за выстраивание и внедрение инициатив по РБП, быстро осознавали, что реорганизуют с работы и самих себя. А дальше следовали политика и саботаж.

Оценивая события прошлого, можно сказать, что это был феномен «латунной стены», с которым впервые столкнулись с момента реорганизации полицейских сил в главных городах Америки в 1980-е годы. Во время взрыва преступности, связанного с торговлей наркотиками и ростом насилия, полицейские шефы в Нью-Йорке, Бостоне, Майами и Лос-Анджелесе искали способы установить в полиции новые порядки (например, больше патрульных полицейских, следование философии «разбитого окна» и внимание даже к малейшим преступлениям, привлечение данных для более разумного несения службы и выравнивание организационной модели для снижения бюрократии и расходов). Люди на верхушке полицейской пирамиды (то есть шефы полиции и их команды, а также муниципальное руководство) всецело поддерживали и пытались продвигать перемены. Молодые офицеры полиции, недовольные существующей системой, также поддерживали новые полицейские техники. Однако эти попытки перемен упирались в «штабную стену» – в офицеров, сидящих в середине пирамиды (с латунными погонами на плечах), отбывших на своих постах уже больше двух десятков лет, заработавших место в среде высших чинов и во властных структурах, и почуявших аромат приближающейся пенсии. Для них кажущаяся личная угроза от этих перемен значительно перевешивала любой потенциал общего блага.

Феномен латунной стены вновь проявляется в сегодняшней корпоративной среде в связи с попытками цифровой автоматизации. Старшие сотрудники могут признавать: «Да, автоматизация – это хорошо для наших клиентов и инвесторов, но хороша ли она для меня?» Их комментарии редко столь прямолинейны. Вместо этого вас закидают словами, что «Это невозможно», «Это слишком сложно», «Это слишком дорого», «У нас будут проблемы с законом», «Мы делаем это пятьдесят лет, и до сих пор все отлично работает», «Сегодня никто не докажет рентабельность этих инвестиций», «Нам нужно сосредоточить свои усилия где-то еще».

Эти проблемы трудно решить, но справиться с ними необходимо. Мы рекомендуем выявлять самых рьяных сторонников «делать бизнес, как обычно», разговаривать с ними и объяснять, что в действительности значит автоматизация для предприятия. Пригласите их «сблизиться с программой» и помочь коллегам сжиться с нею тоже. Если сотрудники не могут, избегайте их и постарайтесь направить энергию в каком-то другом направлении. И если в вашей организации нет других занятий по их части, отпустите сотрудников (конечно, следуя всем кадровым процедурам). Достижение цели автоматизации слишком важно, чтобы допускать ошибки, вызванные непримиримостью коллег, чьи навыки и опыт больше не подходят для работы, проникнутой системой с искусственным интеллектом.

Как мы говорили раньше, будет кровь: автоматизация – это больно. Никто не обещает, что будет легко. Но автоматизация – факт нашей жизни, и его нужно принять.

Создайте повторяющийся процесс, чтобы работа шла гладко

Если вы поставили уверенные задачи для того, чтобы автоматизация произошла, и выбрали цели, которые окажут на ваш бизнес серьезное воздействие, следующим шагом должен стать перевод работы из состояния «Маргарет из закупок потом это сделает» в состояние «Дзынь. Сделано». Вот как нужно подходить к исполнению.

В каждом увиденном случае успешной автоматизации за осуществлением процесса наблюдал творческий бизнес-руководитель; он заключал: «Мы действительно подняли здесь переполох»; а потом находил лучший способ использовать коды, искусственный интеллект и алгоритмы для улучшения скорости, точности и динамики затрат на процесс.

Кроме того, лидеры понимали, что нужно применить новые инструменты, которые могут быть сказочно простыми или невероятно сложными, чтобы автоматизировать конкретные шаги процесса. Независимо от того, вы заново создаете бизнес-процессы со стадии чертежа или делаете инъекцию проверенной технологии автоматизации в процессы мидл- или бэк-офиса, есть путь, которым стоит следовать.

Вам нужно будет адаптировать этот путь в зависимости от сложности того, чем вы занимаетесь; далее последует высокоуровневый пошаговый разбор, но семь шагов процесса автоматизации, в целом, будут одинаковыми.

1. Утвердите свою стратегию автоматизации. Как мы обсуждали выше, первый шаг – утвердить свое дерзкое видение применения новой машины ради сокращения расходов. Вы просто не можете проскочить этот пункт.

2. Начните с малого. Несмотря на потенциальную большую выгоду от автоматизации, лучшая практика – начинать с малого. Найдите несколько проблемных точек в ключевых процессах. Общие призывы «делать автоматизацию» – потеря времени. Каждый пример успешной автоматизации, который мы видели, был сконцентрирован на конкретной задаче или бизнес-процессе. Что такое «болевые точки процесса»? Обычно это бутылочные горлышки, которые расстраивают всех сегодня (например, платежи, заявления на ипотечные займы, ведение медицинских записей, планирование поездок и так далее).

3. Применяйте новую машину. Именно здесь окупится «рыночное чутье» (об этом и об изобилии в главе 12). Определите уже существующие подходящие инструменты автоматизации и протестируйте их на ограниченном участке. Конечно, если не существует коммерчески доступных инструментов для процессов, которые вы стремитесь автоматизировать, может потребоваться выстроить собственную платформу с ИИ¹². Определенно, это будет сложнее, прежде чем выстраивать, попробуйте купить.

4. Разработайте прототип. У вас есть стратегия, несколько процессов-целей и несколько потенциальных машин для автоматизации. Пришло время сложить детали вместе, но начать стоит с прототипа. Эта фаза предполагает светокопию и первую грубую модель двигателя автоматизации, примененного в вашем конкретном процессе. Вам понадобятся данные, машина и четкое понимание того, что должно произойти до, во время и после действий по автоматизации. Если инструмент для автоматизации уже существует, он может потребовать самого незначительного конфигурирования. Если вы, напротив, строите новый движок, это может занять некоторое время. Результат этого шага – прототип, более или менее рабочий в ограниченном пространстве. Там будут баги, множество людей, утверждающих, что он не работает, но вам нужно завершить этот шаг с достаточно рабочей системой, чтобы получить право двигаться в производственную среду.

5. Пилоты и масштаб. Пришло время изменениям затронуть настоящую работу. Как и с любыми большими переменами, скромность – лучшая сторона героизма, так что начинайте с малого – например, отдельный рабочий раздел, единственный магазин, некоторые случаи взаимодействия с клиентом. Все вопросы по поводу безопасности, приватности и законодательных требований должны быть решены, также должен получить оценку клиентский опыт, чтобы избежать производственных травм в интеллектуальном процессе.

6. Анализируйте результаты. О чем вам сказал пилот? Что вы узнали? Что прошло хорошо? Что не получилось? Будьте честными, будьте критичными. Ищите причины сказать: «Нет, это не работает». Пилотируйте, приспосабливайте, калибруйте. Не теряйте решимости.

7. Повторяйте! Потребность в автоматизации постоянна, так что ни один отдельный проект не утвердит вашего успеха в цифровой экономике.

Эти семь шагов должны стать основанием для достижения следующего уровня автоматизации в вашей организации¹³.

Цена оснащения приборами всего сегодня совсем не высока, а ценность этого слишком высока, чтобы его избегать. Как мы отмечали в «Code Halos»:

[Победители в цифровой экономике] выработали способность создавать и управлять Ореолом кодов, окружая им своих клиентов, продукты, сервисы и целые организации, чтобы установить новые пределы производительности. Упаковав все это в цифры, они создали высокоперсонализированный покупательский опыт и услуги, которые не только приносят пользу, но и идеи значения на неуязвимых уровнях эффективности².

Цифровые самолеты Boeing, подключенные системы освещения Philips и умные автомобили Toyota – все это примеры применения этих идей в контексте предприятия. В каждом случае бизнес-руководители превращают свои продукты в генераторы кодов, создавая тем самым сырьевой материал (данные) для цифровой экономики. Алгоритмы и ИИ, интегрированные в интеллектуальные системы, конвертируют эти данные в ценные инсайты, которые движут бизнес-результатами.

При всей этой активности неспособность двигаться в этом направлении и превращать «вещи» в генераторы кодов может расцениваться как корпоративная ошибка и некомпетентность. Так что для начала приведем несколько ключевых тактик, чтобы все это заработало именно в вашем мире.

Три новых правила конкуренции

Научив за последние несколько лет сотни клиентов конкурировать в кодах, мы определили три ключевых принципа успеха.

• Инструментализация больше не выборочна, теперь это обязательная программа. Ореолы кодов начались с медиа и рынка развлечений, но они там не закончились. Не далее чем в 2013 году многие считали, что цифровое движение будет ограничено горсткой отраслей и не проникнет практически в каждую область, как это произошло.

• Код более важен, чем вещи. Ценность кода часто может совпадать или превосходить ценность любого технического устройства. Некоторые видят в этом «превращение воды в вино»: традиционные продукты трансформируются в платформы, скрепляющие отношения с клиентом. Рабочая лошадка прошлого – это платформа обработки данных сегодняшнего дня, и виртуальное имеет такую же, если не большую, цену, как физическое.

• Не выключайте их никогда. Оснастить измерителями каждую «вещь» также значит сделать ее постоянно подключенной к Интернету. Ценность не будет расти резко вверх, когда подключения эпизодичны, происходят от случая к случаю. Подключение к данным должно быть постоянным.

Для конкретного примера того, как эти три принципа действуют на рынке, давайте взглянем на здравоохранение в Йоханнесбурге, ЮАР.

Руки прочь от пончика!

Discovery Limited была основана в 1992 году, компания предоставляет интегрированные финансовые услуги, в том числе страхование жизни и здоровья, более 6,9 миллиона людей (изначально в Южной Африке, но также в Великобритании, Европе, Соединенных Штатах, Китае, Азии и Австралии). Компания успешно интегрировала новые сырьевые материалы, новые машины и новые бизнес-модели для модернизации очень традиционного – некоторые скажут, ретроградного, – бизнеса.

Бретт Тромп (Brett Tromp), директор по финансовым вопросам, и Эмиль Стипп (Emile Stipp), старший актуарий, объяснили, что государственное законодательство в Южной Африке требует, чтобы у всех был доступ к страхованию здоровья и все должны платить за нее одинаковую страховую премию. Как сказал нам Тромп, «другими словами, мы не можем взять с кого-то, находящегося на смертном одре, больше денег, чем с кого-то идеально здорового. И… мы должны обслужить всех, кто хочет купить у нас страховку. …Мы не можем отказать никому».

Согласно Тромпу, «мы не могли быть просто страховой компанией. Мы должны были быть страховой компанией и велнес-компанией». Руководители Discovery знали, что топливом для бизнеса должны были быть, и здесь мы вас не удивим, данные. Им нужно было знать такие вещи, как: Сколько раз я хожу в спортзал? Когда я хожу на пробежку? Ем ли я здоровую еду? Какое у меня кровяное давление, холестерин и ИМТ?

Они создали систему приложений и опорные системы, чтобы люди могли отслеживать и делиться своими данными, связываться с фитнес-устройствами, дневниками питания и даже водительскими привычками. Однако это не было игрой в одни ворота. В Discovery поняли, что людям нужно «получать» что-то значимое взамен на то, что «отдают» личные данные. Покупатели страховки, вовлекаемые в здоровый образ жизни, получают реальную пользу, в том числе такую, как скидки на здоровую еду, авиабилеты по сниженной цене, Apple Watches, заработанные физическими упражнениями, билеты в кино и так далее.

Компания Discovery построила процветающий бизнес, основываясь на связи Ореола кодов покупателя страховки с привилегиями для него. Если все это по-прежнему звучит для вас слишком запутанно и не в меру восторженно, подумайте над тем, что биржевая стоимость Discovery Limited почти удвоилась между ноябрем 2013-го и ноябрем 2015 года. Новый бизнес с 2014 по 2015 год вырос на 51%. Сегодня у Discovery Health 38% рынка с растущим доходом, лучшей защитой от страхового мошенничества и снижающимися ценами (недавнее снижение на 14%).

История Discovery Health показывает, как применение мышления понятиями Ореола кодов помогает традиционно консервативному бизнесу создавать новые рынки в мире, где интеллектуальные системы могут легко делать вещи, которые еще несколько лет назад были невозможны. Нужно выучить много уроков, и вот самые важные из них.

• Соедините Три М. Discovery Health признал, что должен знать больше о здоровом поведении, чем знал когда-либо прежде, поэтому построил системы для сбора этой информации и ее безопасного хранения. Компания использует интеллектуальную систему, а также более двухсот пятидесяти сотрудников, нанятых просто для исследования этого массива данных и откапывания из них моделей (поскольку машины по-прежнему не умеют задавать умные вопросы). Одна из ее самых важных инноваций, конечно, абсолютно новая бизнес-модель, которая выстраивает для клиентов взаимоотношения вокруг их здорового поведения, при этом поднимая доходы и снижая цены. Все новые сырьевые материалы, новые машины и новые бизнес-модели применены успешно в той отрасли, которая традиционно считалась высокоустойчивой к переменам.

• Дайте обещание. Многие новаторы, с которыми мы проводили интервью, при обсуждении того, как создают новые цифровые решения, подчеркивали, что были сконцентрированы на чем-то ином, превосходящем чистые бизнес-результаты. То же сказали и лидеры Discovery. Их фокус, обещание бизнеса – сделать людей здоровыми. Они знают, что если сделают это, то смогут построить очень успешный страховой бизнес. И это именно та перспектива, которую стоит иметь перед глазами всем нам, идущим в Четвертую индустриальную революцию. Стипп сказал: «Так что этот процесс оздоровления людей – в центре всего, что мы делаем… Все наши действия исходят из этого. Если мы видим, что Apple запускает новые часы с фитнес-возможностями, сразу думаем: «Как мы можем их использовать, чтобы сделать людей здоровее?» А наша следующая мысль: «Если людей заинтересовали Apple Watches и они хотят ими обладать, как можно использовать этот интерес, чтобы достичь своей амбициозной цели?» Discovery помнит о своем обещании каждый день, и это дает результаты.

• Выстраивайте взаимоотношения. В этой книге мы уделяем много внимания технологиям, поскольку это важнейший элемент победы в цифровой экономике. Лидеры Discovery знают, что инструменты – мощное средство достижения цели. Их конечная цель – использовать технологию для того, чтобы поддерживать здоровье людей, а не строить страшно назойливую систему слежения, поскольку люди отвергнут ее. Их цель – построить продолжительные отношения с клиентом. «Если вы думаете о страховании, особенно о страховании жизни… берете страховой договор, подписываете бумаги и забываете о нем. А потом, когда умираете, уже ваша жена вспоминает о том, что у вас была страховка. Но здесь нет взаимодействия. И это мы полностью меняем, – сказал нам Тромп. – Вы разговариваете с нами каждый день. Мы разговариваем с вами каждый день. Наша компания меняет ваше отношение, чего не сделала бы никакая другая страховая компания».

У других наших собеседников были похожие взгляды. В первую очередь они были сфокусированы на том, чтобы сделать людей здоровыми, поддержать их образование или помочь с финансовой безопасностью, только потом решали, как использовать данные, новые машины и новые бизнес-модели, чтобы это случилось. И дальше следовал успех.

Зачем инструментировать все и выстраивать решения вокруг информации? Потому что, делая так, вы встаете на путь бизнеса «всезнаек». С сенсорами и измерительными инструментами сегодня возможно знать и анализировать информацию о чем угодно, знать все обо всем.

До наступления бизнеса «всезнаек» ответы на многие вопросы (например, состояние оборудования в реальном времени на находящемся в полете самолете, немедленное воздействие экономического события, результат учащегося по выполняемому заданию в реальном времени) зачастую были всего лишь догадками и требовали времени на проверку.

Выше мы представили несколько примеров этого. Например, чтобы определить работу конкретного самолетного двигателя в полете, бригада в Хитроу стала бы собирать какую-то постполетную информацию и что-то предположила бы о цифровых показателях полета, но многое в их мнении было бы основано на ощущениях и догадках и стало бы доступно через восемь часов после приземления самолета.

Чтобы определить, как изменение процентной ставки в Новой Зеландии повлияет на государственные облигации в Калифорнии, трейдерам на вашей местной бирже нужно будет проверить свои таблицы в Exсel со сложными расчетами, показывающими отношения между x и y или a и b. Но задайте вопрос о влиянии x на b и попросите ответить сейчас, и телефонная линия, вероятно, замолчит.

Если спросить учителя, как Джонни сегодня справляется с дифференциальным исчислением, то у преподавателя традиционной школы, вероятно, будет какое-то мнение о работе ученика от семестра к семестру, но он наверняка не будет знать, точно ли Джонни понимает разницу между локальным максимумом и минимумом в это самое время.

Давайте посмотрим, как General Electric (GE), один из самых авторитетных брендов в мире, адаптирует эту модель, чтобы получать от своих машин больше.

Передвижной центр сбора и обработки данных GE

General Electric может быть на век с четвертью старше, но сегодня он видит себя софтверным стартапом. Мышление – и действие – ореолами сегодня распространяется на все подразделения компании, поскольку, чтобы вновь определить взаимоотношения клиента с «цифровыми близнецами» этих машин, GE инструментирует свои самолетные двигатели, компьютерные томографы, силовые турбины, буровые станки и локомотивы. GE ведет за собой Промышленный интернет и реализовывает возможности на рынке стоимостью двести двадцать пять миллиардов долларов3.

Создав Ореол кодов вокруг своих двигателей для поездов, GE может использовать технологию и аналитику сенсоров, чтобы обеспечить кажущиеся маленькими улучшения, которые все вместе приводят к бизнес-победам, приносящим миллиарды. Последний локомотив компании, Tier 4, вооружен более чем двумястами сенсоров, и этот «передвижной дата-центр» преобразует взаимоотношения с клиентами в нескольких направлениях.

• Нулевой незапланированный простой. Оснащенная измерителями машина может предоставить информацию о собственных потребностях в профилактическом обслуживании. С помощью постоянного сбора и анализа генерируемых сенсорами данных машина может как будто «махнуть рукой», сообщив работающим с ней инженерам: «Вот там у меня маленькая проблема, которая вскоре может превратиться в большую проблему» – будь то западающий клапан, забитый трубопровод для подачи горючего или перегревающееся колесо турбины. Через это инструментированное и автоматизированное обслуживание GE может быть уверенной, что маленькие проблемы не перерастут в большие и что машина GE, часто играющая для операций клиента центральную роль, никогда не подведет.

• Найти 1%. Мы все знаем, что в наших ежедневных действиях есть неоправданные потери. Пользуясь интеллектуальной машиной, GE может обратиться к клиентской базе и сказать: «Давайте вместе найдем этот низко висящий фрукт. Давайте найдем первый 1%». Если распространить его по всей железнодорожной отрасли, такой как BNFS Railway, то этот 1% может быстро превратиться в десятки миллионов долларов экономии издержек, которые снижаются незамедлительно.

• Научить пользователя. Один из способов найти этот 1% – научить пользователя принимать наиболее эффективные решения. В случае с GE Transportation это может быть умный локомотив, сообщающий инженеру, как лучше пересечь конкретный горный проход. Именно так: машина может советовать, как оптимизировать расход топлива при движении вверх в гору и как лучше всего использовать тормоза на спуске. И определяется это не способом каких-то обобщений, миля за милей, поворот за поворотом, на основании истории пройденного пути, текущей погоды, стиля управления конкретного инженера и перевозимого груза. Результатом становится экономия топлива на 3–17%.

• Ни одна машина – не остров. Один только интеллектуальный GE Tier 4 может обеспечить все эти преимущества, а целый флот интеллектуальных локомотивов, соединенных друг с другом, может поднять производительность на новый уровень (как показано на рис. 8.1). В конце концов, поезд эффективен лишь настолько, насколько эффективна его сеть; через оснащение приборами флота клиенты GE Transportation могут увеличить эффективность своих станционных работ и железнодорожных сетей на 10%⁴.

Рисунок 8.1. Интеллектуальный локомотив GE

Очевидно, как с помощью этих усилий мероприятия GE (по-прежнему молодого), связанные с Промышленным интернетом, меняют основу конкуренции в каждой из своих отраслей. Это отличный пример того, как каждая физическая вещь может быть – и должна быть – буквально закрашена всевозможными сенсорами, чтобы стать важнейшим элементом интеллектуальной системы.

По сути, шаги GE в направлении инструментализации и оснащения сенсорами всей своей линейки продуктов и машин – в сердце их стратегии Промышленного интернета, которая лежит в центре общей корпоративной стратегии, кстати. Неудивительно, что с точки зрения GE Промышленный интернет к 2030 году должен создать рынок объемом в триллион долларов. Генеральный директор GE Джефф Иммельт, приводя в пример локомотив, говорит так: «На акциях Промышленного интернета за последние пятнадцать лет были сделаны триллионы долларов. Если вы заглянете на 10 или 15 лет вперед, то там будут созданы состояния в триллионы долларов. И мы только в первом иннинге»⁵.

Знайте и свой бэк-офис тоже!

В бизнесе «всезнаек» все может быть узнано, желательно, чтобы было узнано и должно быть узнано. Новые правила бизнеса основываются на знании, и знании большем, чем у вашего конкурента. Это правильно: знать и побеждать. Это неправильно: догадываться и проигрывать.

Что касается сегодняшнего дня, то в использовании данных и устройств для обновления покупательского опыта нет ничего нового. Большая предстоящая работа – применение той же философии к другим, но, может быть, менее заметным аспектам предпринимательской деятельности. Этот склад ума всезнаек уже проявляет себя в некоторых общих для предприятий процессах, протекающих в их бэк-офисах, или не взаимодействующих с клиентом подразделениях.

• Управление кадрами. Google применяет внутри компании инструментализацию для оптимизации управления сотрудниками, анализируя формальную, неформальную и личную информацию, которую генерируют в течение дня. Goggle пытается знать все о своих примерно пятидесяти семи тысячах работников более детально, чем это принято на больших предприятиях, и работает над тем, чтобы персонифицировать карьерный путь для каждого сотрудника. Ласло Бок (Laszlo Bock), старший советник в Google и бывший старший вице-президент по кадровым вопросам компании, указывает на положительный экономический эффект, вызванный данным подходом: лучший подбор, более долгий срок работы и больший уровень удовлетворенности от работы (все это с соответствующим финансовым подкреплением), чем у конкурентов. Ореол кодов вокруг людей позволяет Google также твердо принимать решения, касающиеся людей, как и решения, касающиеся разработок. Приобретение компанией Microsoft сети Linkedin в июне 2016 года за двадцать шесть миллиардов – продолжение похожей идеи: сбор данных вокруг людей, чтобы применить тот же тип сотрудничества и «социальной продажи», распространенной онлайн, в то, как большой бизнес проводит подобные процессы.

• Управление цепью поставок. Концепция построения Ореола кодов вокруг «вещи» находит свой путь в глобальную цепь поставок, помогая производителям и ритейлерам отвечать на множащиеся вопросы от покупателей о происхождении продуктов и услуг, которые они приобретают, таких как: «Где была сделана эта рубашка и честно ли обошлись с людьми, которые ее сделали?» Например, производитель обуви Toms использует программный продукт, называемый Sourcemap, чтобы обеспечить прозрачность путешествия их продукта от фабрики по миру до магазинов в США и Европе. Покупатели могут ознакомиться с информацией об условиях на заводе, где производится обувь, могут проследить продвижение обуви, которую покупают, с помощью используемых сенсоров, на каждом этапе цепи поставок, в том числе на этапе сырья, производственного оборудования и транспортировочных контейнеров.

• Управление умным автомобилем и автомобильным парком. Автомобили быстро становятся еще одной компьютерной платформой, по оценкам отрасли, на машине в среднем уже стоит около ста сенсоров и существуют планы удвоить это количество к 2020 году. Поэтому каждая машина – это передвижной генератор, выдающий данные, позволяющие производителям, страховщикам и другим подробно и в деталях узнавать о здоровье и рабочем состоянии каждого отдельного автомобиля. Отдельные предложения, такие как, например, Hum от Verizon, стоящее десять долларов в месяц, пытаются добавить «массы» в эту «массовую персонализацию». Использующий сервис автовладелец может в реальном времени узнавать о здоровье двигателя своей машины, актуальных дорожных условиях (какое именно следующее действие лучше совершить?), где именно он или она припарковались (или где находится машина, если она была украдена), а также целый набор другой информации. Мы считаем, что скоро такое съемное устройство будет находиться в каждом автомобиле (даже приобретаемом по бюджетной цене). Технология находит применение и в компаниях, управляющих парком машин или грузовиков, обеспечивая их подробными сведениями о производительности маршрутов перевозок, оптимизации маршрутов и общем обслуживании парка – сведениями более подробными, чем когда-либо прежде.

Представленные нами изученные примеры содержат общий элемент: люди просто начали. Вместо того чтобы месяцами намечать великие стратегии, пытаясь определить каждое конечное состояние, шаги конкурентов и ценностное предложение клиенту, после чего составить детальный план, который надо воплощать, лидеры инструментализации начали с того, что просто поставили в машину чип и посмотрели, что произойдет. Приняв это в качестве руководящей философии, рассмотрим несколько тактик, которые стоит принять и адаптировать к своему бизнесу.

Купите коробку с чипами размера «экстра-большой»

Мы показали, что получение ваших новых сырьевых материалов – первый шаг к построению эффективной интеллектуальной системы. Что ж, первый так первый: начните с того, чтобы заказать чипы, собственно, с сенсорами. Существует много сенсоров и измерительных устройств, таких как сенсоры радиочастотной идентификации, датчики ускорения, датчики близкого присутствия, датчики движения и так далее. Эти маленькие и часто дорогие устройства могут быть размещены на любом физическом предмете и генерировать данные (о том, чем является этот предмет, где он находится и так далее) и затем передавать данные в считывающее устройство. Датчики RFID, например, уже широко используются для отслеживания товаров внутри цепи поставок, управления снабжением и проверки личной информации в определенных ситуациях, например в случае с паспортами, управлением капиталом и бесконтактной оплатой. Возможно, вы даже найдете такой датчик, открыв эту книгу!

Скоро сенсоры будут внедрены в большинство, если не во все, физические предметы в мире, и даже в людей. Собственно, десять тысяч человек уже вживило себе под кожу чипы (и еще миллионы используют медицинские приборы, также оснащенные сенсорами)⁶. Они кажутся атрибутами Голливуда или ночных кошмаров, но чипы-импланты для людей – это передний край науки, находящийся еще на ранней стадии развития, но имеющий перспективы стать обыденностью.

В независимости от типа конкретного датчика (или фактора чудаковатости людей, вжививших себе чип, как изнеженному питомцу), суть в том, что инструментализация – важный строительный блок внедрения в вашей организации ИИ и новой машины.

Просто сказать «покупайте чипы» – это отчасти гипербола, но мы настаиваем на важности сказанного: вы и ваша команда должны рассматривать сенсоры как существенное, свободное и повсеместное явление и обильно применять их.

Найдите отряд специалистов по обработке данных

Если ваши инициативы по оснащению всего измерителями запущены, то скоро вы заметите, как много данных они приносят. Конечно, как говорилось в главе 5, эти сырые данные – этот сырьевой материал – бесполезны, если вы ничего не можете с ними сделать. Именно здесь в дело вступают специалисты по обработке данных. В этих словах слышно вожделение, но специалистов по данным называют «самой сексуальной работой XXI века», и их роль – найти бизнес-значение во всех данных, созданных инструментализацией⁷.

Однако в нашем недавнем исследовании большие данные и аналитика были названы первой среди тех, что сложно найти, компетенций – не только сейчас, но и в следующие три года⁸. В то время как многие респонденты планируют сформировать межфункциональную команду (60%) или нанять сотрудников (58%), чтобы заполнить пустоту, многие другие (56%) планируют привлекать подрядчиков и сторонний персонал. Что бы ни выбрали вы, важно – настолько важно, что может означать разницу между успехом и провалом, – получить доступ к умным людям, которые помогут вытянуть бизнес-инсайт из быстро наполняющихся озер данных.

Все, что вы делаете ради построения интеллектуальной системы, упирается в способность организовать использование сырьевого материала эпохи машин. Если талант сделать это отсутствует, то каждый описанный в книге шаг становится сомнительным. Нанимайте, переучивайте, привлекайте, поглощайте, умоляйте, крадите и одалживайте⁹. От этого зависит будущее вашей работы.

Создайте бизнес-модель ореолов

Информация дает помощь, но не без некоторого участия. Как мы говорили ранее, самое важное – просто начать, но в какой-то момент вам нужно будет показать материальный финансовый результат – возврат инвестиций, ROI.

Практически все решения, которые мы наблюдали за последние семь лет, строятся по одной схеме. У кого-то появляется по-настоящему сложная, но интересная идея, и люди просто начинают. И хотя решения разные, во всех рассмотренных нами случаях, если бизнес начинает конкуренцию, вооружившись кодом, возникает бизнес-модель.

Кажется, здесь проще сказать, чем сделать, но это происходит каждый день, и все сводится к установлению логической связи между инсайтом и ценностью. Лучший совет, что мы когда-либо слышали по этому поводу, – это быть проще и следовать за деньгами.

Крупный индустриальный игрок сегодня способен очень серьезно относиться к экономии денег своих покупателей. Компания, производящая медицинское оборудование, сегодня предлагает более низкие цены на обслуживание и хорошо налаженный процесс разработки нового продукта. Менеджеры из каждого из этих актуальных сценариев знают, что их решения создают настоящую ценность, и в каждом случае находят возможность ее монетизировать.

Пересмотрите опыт ваших покупателей

Ореолы кодов изначально возникли в мире, «ориентированном на потребителя» IT. Участники того, что мы называем Клуб Триллиона долларов (Google, Amazon, Apple, Facebook, Netflix и Pandora)¹⁰, с самого начала были технологическими компаниями с бизнесом-для-потребителя, а не бизнесом-для-бизнеса. Движение Web 2.0 начала 2000-х годов задавало тон созданию приложений и основанных на технологии сервисов, легко выглядящих, удобных в использовании, увлекательных, молодежных и забавных, в противоположность технологиям «большого бизнеса», которые сложно использовать (во многом так и остается), они мало озабочены тем, чтобы выглядеть интуитивно и визуально привлекательными.

Клуб Триллиона долларов, как и многие другие компании и организации (например, агрегаторы социальных новостей Reddit, Twitter, Mashable, микроблогинговая платформа Tumbler, приложения для бронирования отелей Hotel Tonight), поняли, для того чтобы создавать (и сохранять) пользователей, нужно упростить сложность технологий и соперничать на рынках, которые все больше пересекаются с индустриями моды и развлечений.

Компания, которая впервые объединила все эти тренды вместе, была, конечно, Apple. Apple поняла, что дизайн устройства, или опыт, – как он выглядит, как ощущается, как используется, как переживается, какие чувства и ощущения дарит пользователям – не был уже чем-то, на что быстро взглянули маркетологи после того, как инженеры долго делали настоящую работу: это было абсолютным приоритетом для всего процесса создания, производства и продажи устройства или услуги.

Успех этой философии говорит сам за себя. Красота продуктов Apple и опыт Apple сделали ее самой финансово успешной компанией в истории бизнеса. И хотя «красота» – вещь чудная, эфемерная, субъективная, кажется, не поддающаяся измерению, хороший дизайн оказался главным генератором богатства в истории. Это впечатлило даже самых холодных, бессердечных и циничных бухгалтеров.

Урок от Apple заключается в том, что делать «вещи» красивыми – это не упражнение в эзотерике для тех, кому больше нечем заняться. Скорее это главный приоритет вашего списка дел. Каждый пример машины, освещенный в этой книге, имеет в основе дизайн-мышление. Narrative Science, Palantir, New Classrooms и все прочие компании, предлагающие интеллектуальные системы, понимают, что технология ради технологии – больше не формула успеха.

Чтобы создать успешную машину, вы должны быть одержимы. Хороший дизайн – это не просто что-то, что приятно иметь. Это то, без чего невозможно обойтись в каждом аспекте вашего бизнеса. Если вы не привлекаете дизайнеров с самого начала разработки продукта или услуги, то пытаетесь победить в сражении с одной рукой, связанной за спиной. Вы играете в старую игру, когда все вокруг уже переключились на новую.

Держитесь подальше от темной стороны

Когда люди понимают идею конкурирования с помощью кодов, в голове начинают прокручиваться худшие сценарии о том, как корпорации, правительства и хакеры могут прямо или косвенно использовать имеющуюся информацию (с помощью медиаданных интернет-активности), чтобы обвести нас вокруг пальца, облапошить или просто ограбить втихую. И это «темная сторона ореола».

Мысли, скрывающиеся за этой темной стороной, легко расшифровать. Ежедневные новости полны страшных историй, которые показывают, что мы действительно живем в «мире без секретов», как говорит аналитик Gartner Ричард Хантер (Richard Hunter)¹¹. Всего за несколько прошедших лет мы увидели целый ряд громких случаев мошенничества, в том числе эти¹²:

• Anthem: похищены данные восьмидесяти миллионов бывших и нынешних клиентов американской страховой компании.

• Ashley Madison: получен доступ к тридцати двум миллионам клиентских аккаунтов этого сайта знакомств с сомнительной репутацией.

• Директор Центрального разведывательного управления Джон Бреннан: его личный почтовый ящик был взломан, и данные обнародованы.

• Управление кадров Правительства США: были вскрыты двадцать один миллион записей, в том числе пять миллионов шестьсот тысяч отпечатков пальцев государственных служащих.

• Sony Pictures: было украдено сорок семь тысяч номеров социального страхования сотрудников и работников по контрактам, электронная переписка между руководством с обсуждением производства и выпуска фильма «Интервью» была предана огласке¹³.

• Национальный комитет Демократической партии (DNC): двадцать тысяч электронных писем от руководства было выложено на WikiLeaks¹⁴.

• Yahoo: было вскрыто пятьсот миллионов пользовательских аккаунтов¹⁵.

Неудивительно, что законодатели все чаще пытаются войти в эти быстрые и сложные воды. Весной 2016 года Европейский союз принял новый закон – Генеральный регламент о защите персональных данных, вводящий понятие «право забвения»¹⁶. В Соединенных Штатах Федеральное бюро расследований обращалось в Верховный суд с требованием, чтобы Apple раскрыла информацию с iPhone стрелка из Сан-Бернардино, пока одному из агентств не удалось проникнуть в телефон самостоятельно, без участия Apple¹⁷.

Рисунок 8.2. Данные – основа доверия

Вопреки всей этой деятельности и опасениям, кажется, темная сторона ореолов пока совсем не снижает энтузиазм людей относительно светлой стороны ореолов. Мы продолжаем голосовать пальцами. Во втором квартале 2016 года у Facebook было 1,7 миллиарда активных пользователей в месяц, что больше 1 миллиарда в 2012 году¹⁸. В момент написания книги рыночная капитализация Amazon (около 400 миллиардов долларов) оставила далеко позади Walmart (всего около 200 миллиардов), тогда как впервые он обошел его в 2015 году¹⁹. В феврале 2016 года Google стал самой дорогой компанией на Земле²⁰. Очевидно, что все мы вместе ставим связанность, удобство и идеи гораздо выше этих рисков взлома. Это хорошие новости для бизнеса. Мы все привыкли к идее, что плохие вещи будут происходить, но ожидаем, что компании предпримут достаточные шаги, чтобы обезопасить нас, поскольку правильное обращение с данными – это основа доверия (как показано на рис. 8.2). Не существует простых ответов, но, к счастью, первые победители подбрасывают кое-какие идеи о правилах поведения на дороге.

• Не пугайтесь. Обзор экономики анализа и доверия сегодня ясен. В своих исследованиях мы обнаружили, что 50% потребителей готовы заплатить больше, чтобы заниматься бизнесом с компаниями, которым они доверяют (см. рис. 8.2)²¹. У компаний случались неприятности, когда они на основе какой-либо информации пытались сделать выводы таким образом, что заставляли клиентов чувствовать, будто к ним вторглись. Мы все понимали это, когда видели объявление на какую-то тему вскоре после того, как воспользовались поисковиком Google, или обнаруживали, что в ответ на наш интерес к рекламе Facebook заваливает предложениями нашу ленту. Это не кажется правильным, и более того, теперь мы знаем, что это формирует восприятие бренда.

• Дайте клиенту кнопку «удалить». Все больше компаний понимают, что позволить клиенту легко выйти из взаимоотношений обмена информацией – здоровый способ для всех нас сделать шаг назад, и это позволяет избежать пугающих ощущений. Сделайте кнопку удаления, которую легко найти. Сокрытие ее в конце лабиринта не поможет вам набрать очков доверия. Люди передают компаниям свои данные с подразумеваемым или конкретно существующим контрактом, и часть контракта посвящена тому, что мы сможем уйти и забрать данные с собой. Если человек хочет выйти, убедитесь, что он легко найдет дверь.

• Покажите мне, что знаете меня. Поскольку передаваемые данные становятся все более информативными, компании могут сделать больше выводов о каждом из нас. Компании могут знать, имеем ли мы склонность садиться за руль пьяными, болеем, готовы завести ребенка, есть ли в нас альтруизм, левых мы или правых политических взглядов, и так далее. Если покупатель спрашивает: «Что вы обо мне знаете?», вы обязаны поделиться этой информацией. Даже если никто не спрашивает, вы должны быть прозрачны относительно того, какие делаете выводы, основываясь на имеющейся информации.

• Зажгите свет равновесия «брать-чтобы-давать». Коммерция означает обмен стоимости на товары и услуги, и в цифровой коммерции ничего не меняется. Однако владельцы (или серверы) постоянно меняют данные. Потребители (или компании) делятся информацией за стоимость. Мы называет это отношениями «брать-чтобы-давать». Чтобы поддерживать доверие, компании должны быть совершенно откровенны о данных, что удалось собрать, и о ценностях, полученных взамен.

• Самоконтроль жесткого кода. Как мы отмечали в «Ореоле кодов», «саморегулирование организаций будет важнейшим элементом успеха». Практически на каждом крупном предприятии есть кучи документов и горы правил, касающихся безопасности, приватности и соблюдения законов. Конечно, все это останется, но этого недостаточно для управления новой экономикой, построенной на ценности данных. В дополнение, люди, которые получат доступ к этим данным, будут делать ошибки. В редких случаях даже могут появиться злодеи, пытающиеся получить к ним доступ ради личной выгоды. Что мы узнали от прогрессивно мыслящих, успешных в цифровой экономике компаний, так это то, что нам нужен жесткий код самоконтроля. Это не значит, что нужно обложить себя защитным слоем юристов и нереализуемых процессов. Это значит, что чьей-то работой должна стать забота о защите данных, о подверженности риску и управлении новыми взаимоотношениями вашей компании с данными. Технология опережает политику, и законы и правила никогда не наверстают это отставание. Нет простых и быстрых решений для управления рисками, но назначение старшего по цифровому риску или внесение изменений в существующую рабочую должность ради распознания и управления вашими рисками и ответственностью за коды – это хороший первый шаг.

• Сбои будут происходить, но это не смертный приговор. Бреши в безопасности вполне ожидаемы, так что вы должны быть готовы взять на себя ответственность и справляться со взломами. Жертвы крупнейших взломов – JMPC, Управление кадрами в США, Target и другие – заплатили за это огромную цену, но практически все они по-прежнему открыты для работы²². Учитесь у них: готовьтесь к темной стороне цифрового, но не считайте, что один неприятный случай уничтожит вашу компанию.

Монетизируйте свои данные

Данные – это новый сырьевой материал Четвертой индустриальной революции, поэтому не удивляет, что некоторые компании сегодня продают этот ресурс на рынке, создавая совершенно новые потоки доходов (с невероятной маржинальностью), чего несколько лет назад просто не существовало.

У Comcast, например, есть «озеро» данных (на самом деле, больше похожее на небольшое море), полное информации о привычках потребителей медиа. В нем есть данные не только с телевизионных приставок, но и во многих случаях о загружаемых медиафайлах. Сегодня Comcast предлагает доступ к своим кодам за деньги, поскольку понимает, что эти данные – настоящая сокровищница для других компаний²³.

Lora Health, еще одна компания, пытающаяся расшевелить разлаженную в настоящее время систему здравоохранения США (как это делает и TriZetto), предлагает новую коммерческую модель, основанную на результатах лечения пациентов, общественных консультантах по здоровому образу жизни и менеджменте данных. Пока что это работает. По мере большего вовлечения пациентов, Lora Health увидела снижение госпитализаций на 35–40% и снижение затрат на медицину на 12–15%²⁴. В обоих случаях организации сосредоточены на богатых данными процессах и применяют новые технологии и бизнес-модели, чтобы создавать ценности, монетизируя данные и выходя на гораздо более широкие рынки. Вам тоже стоит этим заняться.

История эволюции человека – это, конечно, во многом история эволюции его инструментов, от заточенного камня, используемого австралопитеком 2,5 миллиона лет назад в Восточной Африке, до NVIDIA DIGITS^TM DevBox^TM, используемой пионерами технологии глубокого обучения сегодня. Мы использовали инструменты, чтобы поднять себя из саванны в море Спокойствия на Луне, наши инструменты сформировали и продиктовали работу, которую сегодня выполняем, и то, как ее выполняем.

Инструменты всегда расширяли возможности человека. С помощью рычага мы можем поднять гораздо больше, чем могли, используя только мускулы. С поршнями и коробкой передач мы движемся быстрее. С калькуляторами считаем быстрее и точнее, чем в уме. С хирургической системой da Vinci® врачи могут делать гораздо менее инвазивными хирургические вмешательства.

Расширение в офисе

Теперь наши инструменты снова меняются, а потому меняются работа и человеческие способности. Как сказал нам Джозеф Сирош (Joseph Sirosh), корпоративный вице-президент Группы данных в Microsoft: «Практически любой опыт сегодня становится интеллектуальным благодаря данным». Указывая на основанную на искусственном интеллекте цифровую программу-помощник Cortana (Кортана) от Microsoft, Сирош сказал: «Вы будете задавать вопросы Cortana, и она будет помогать, поймет ваше расписание и встречи. С ней вы станете намного эффективнее. Компании будут использовать имеющиеся у них данные, чтобы помочь своим сотрудникам преуспеть и жить более здоровой жизнью, лучше управлять своей эффективностью на работе, иметь лучшую окружающую среду на работе и лучшие социальные структуры».

По сути, Cortana расширит вас как работника.

Этот машинный интеллект, часто антропоморфно называемый человеческим именем, также больше известный как «бот» или компьютерная услуга, выполненная не человеком, распространяется на все более широкий круг задач и процессов как тривиальных, так и достаточно глубоких. И хотя составление расписания встреч, может, и будет полезным, но в диагностике хронических состояний докторам это не поможет.

Расширение в больнице

В городе Лебанон, штат Нью-Гэмпшир, в Медицинском центре Дартмут-Хичкок Microsoft сотрудничает с многопрофильной командой докторов и технологов над инициативой, названной ImagineCare, направленной на расширение работы медиков и медицинского персонала с помощью интеллектуальной машины. Как сказал нам Сирош: «Оказывается, многие хронические состояния – и события, ассоциируемые с хроническими состояниями, – на самом деле, можно предсказать с помощью данных. Если у пациента высокое кровяное давление, если он набирает вес, мы можем с достаточно высокой точностью предсказать у него риск застойной сердечной недостаточности. И раз это можно предсказать, вы способны избежать того, что пациента привезут в неотложку, заведомо приняв меры предосторожности, такие как рекомендация приема диуретиков, чтобы пациент не накапливал воду в легких, что как раз и ведет к застойной сердечной недостаточности».

ImagineCare планирует создавать и распространять эти профилактические сервисы, чтобы расширить, обогатить деятельность докторов, используя новую машину и новые сырьевые материалы. С их помощью и благодаря новой машине человеческий профессионализм может вырасти в разы – на уровни, не достижимые прежде.

Комбинация умных рук и умных роботов со временем становится все более заметной, и не только потому, что машины постоянно становятся умнее (как мы рассказывали ранее в этой книге), но умнеет и человек. Отличным примером служит один из наиболее широко известных моментов этих новых взаимоотношений человека и машины, когда чемпион по го Ли Седоль соревновался с интеллектуальной машиной AlphaGo от Google.

В их матче в 2016 году AlphaGo сделал ход – ход 37, – удививший Седоля (и всех комментаторов-экспертов), который, по сути, был расценен командой Google как ошибка. Оказалось, однако, что это победный ход во второй игре в серии из пяти игр. В четвертой игре ход сделал Седоль – ход 78, – который удивил AlphaGo, поскольку, как говорит об этом Демис Хассабис (Demis Hassabis), сооснователь DeepMind – команды, сотрудничающей с Google, «AlphaGo не думал, что человек когда-нибудь так сыграет»³. С этим 78-м ходом игру выиграл Седоль.

AlphaGo продолжал выигрывать в решающей пятой игре, и Седоль позднее вспоминал, что не смог бы снова сделать тот 78-й ход, хотя и играл против AlphaGo: машина «открыла глаза» новым способам ведения игры. Опыт Седоля при этом все-таки был расширен: через это взаимодействие с машиной он стал умнее и сложнее.

Машина как коуч

Парируя той точке зрения, что машины заполнят большой сектор устаревшей буржуазной рабочей силы, Макс Янкелевич (Max Yankelevich), основатель и генеральный директор разработчика умной автоматизации процессов WorkFusion, видит впереди намного более сложное будущее. Как он сказал нам: «Комбинация человек плюс ИИ дает в результате три… Наши клиенты не стремятся избавиться от людей; на самом деле они хотят подтолкнуть их выше, к более результативной деятельности, которая требует большего напряжения ума. Они видят в ИИ возможность продвинуть своих людей выше в этой интеллектуальной массе, где они дают предприятию больший результат. Вот как мы видим эволюцию вещей».

Так как AlphaGo сделал Ли Седоля более опытным игроком в го, машины, работающие на передовой на предприятиях бок о бок с нами, сделают нас лучше в том, что делаем мы. И не только в элитной работе, такой как доктора и юристы, но и в более прозаичных, негламурных должностях, занимаемых людьми в миллионах офисах по всему миру: в работе по обработке заявлений на выплату страховки и клиентских жалоб, в работе по доставке прибора А из пункта В в пункт С.

Программное обеспечение WorkFusion, используемое предпринимательскими фирмами для дигитализации процессов, таких как адаптация клиента, проведение сделки и обработка заявлений, автоматизирует широкий круг рутинной интеллектуальной работы через ротобизацию и машинное обучение – в WorkFusion это называют «когнитивная автоматика». Роботизированное оборудование автоматизирует работу, выполняющуюся исключительно по правилам: работа с унаследованными приложениями, перемещение данных из одной системы в другую; когнитивная, или познавательная, автоматика берется и за оценочную работу, имеющую дело с более сложными, неструктурированными данными. Программное обеспечение учится с помощью исторических данных и «наблюдая», как в реальном времени работники категорируют и извлекают главное из неструктурированных данных. Сначала люди контролируют результаты работы WorkFusion, но по мере того, как число повторяющихся процессов растет с сотен до тысяч, программное обеспечение может начинать выступать автономно и автоматически выделять исключения, которым требуется полноценное человеческое суждение. Как говорит Янкевич: «Перевод в автоматический режим касается объемной, рутинной работы, в то время как человек обращается к более интересной и более сложной работе, снижая ее общий объем».

Видение Янкевича однозначно заключается в том, чтобы «держать людей в курсе» и применять силу машин для того, чтобы создать работу более ценную как для организации, так и для самих людей. Янкевич твердо верит, что умная автоматизация процесса – корень не только снижения расходов, но и улучшения качества работы. Янкевич описывает это как «работу, требующую человеческого прикосновения, по-настоящему экспертную работу, работу, требующую множества разных и сложных процессов и интеллектуально стимулирующую, ту, что позволяет нам, как обществу, становиться более продуктивными в творческих областях».

Для многих история автоматизации, ИИ и машинных центров – история только о «разрушении», однако реальным наследием, освобожденным машинами, будут и «креативные» силы. В противоположность тому, как это происходит в мире тенниса, где тренер Энди Мюррея (Andy Murray), бывший номер один в мире Иван Лендл (Ivan Lendl), с трудом доносит свои идеи кому-то с рейтингом 3.0 в местном клубе, алгоритмы в умных программных продуктах для автоматизации процессов гораздо более демократичны, помогая повысить уровень сотрудника на любой позиции. ПО WorkFusion с помощью автоматизации выполняемой работы может поднять как юриста-выпускника Гарварда, так и клерка, получившего образование в местном колледже, позволив им сосредоточиться на более ценной деятельности. Это настоящая сила в мире, где машины становятся умнее не для того, чтобы заменить нас, а для того, чтобы помочь подняться выше по ранжированию, в большие трудности и за большие деньги.

Эти взаимоотношения человека/машины наряду с дополнением, с приданием нового импульса работе человека, которые она создает, могут также быть поняты через работу инженеров Amazon, использующих способности машин к самообучению, развиваемых в рамках Amazon Web Services (AWS).

Др. Мэтт Вуд (Matt Wood), главный менеджер по стратегии развития товара в AWS, объяснил нам: «Мы провели небольшой внутренний тест, где два старших разработчика стараются угадать пол клиента только по имени. Традиционно в такой ситуации вы бы просто взглянули на данные переписи и сказали: «Ну, большинство людей с именем Мэтт оказываются мужчинами». На этом вы бы строили свои догадки». Инженеры обнаружили, что там существовало несколько серых областей: «Если речь идет о Пэт или Сэм, то, основываясь на имени, определить пол уже сложнее», – говорит Вуд. За решение этой задачи взялись два инженера, которые с нуля выстраивали алгоритм. По словам Вуда, у них ушло почти два месяца на создание ПО, его проверку и отработку моделей, но через два месяца они получили точность определения более 90%. «Мы подумали: “Хорошая работа”, – рассказывает Вуд. – Затем мы взяли одного разработчика из другой команды, дали ему созданный ранее внутренний сервис машинного обучения AWS, и они тоже смогли прийти к тому же уровню точности, выше 90%, однако им удалось это сделать за несколько дней».

Вуд считает, что «в свое время большая часть задач будет решаться с помощью компонента машинного обучения. Он сыграет свою роль в очень, очень большом количестве случаев и трудностей, с которыми сталкиваются клиенты».

Вуд предсказывает, что со временем с платформами машинного обучения будут взаимодействовать все больше экспертов. В объединении умных людей с системами, у которых есть большой (и быстро расширяющийся) набор данных, эти дополненные, расширенные личности будут создавать ценность, которая со временем будет расти и становиться более сложной.

Как говорит Вуд: «У вас есть это классное колесо фортуны из разработки, метода использования, создания данных и решения проблемы, которое снова приходит к созданию новых данных, затем снова идет к разнообразным способам, которые вы можете выбрать для оптимизации конкретных подходов или методов, и этот цикл повторяется снова и снова».

Использование новых инструментов для расширения, углубления своей работы поможет достичь следующего уровня человеческой результативности. И честно говоря, нам есть что расширить.

Расширение – это технология на службе человека

Один важный, но часто упускаемый из виду аспект расширения работы – распознать отношения, существующие между расширением работы/роли/процесса и ее автоматизацией. Во многих случаях автоматизация и расширение существуют симбиотически, по принципу две-стороны-одной-монеты. Сторону, которую эффективно расширять, человек должен автоматизировать. У учителя есть возможность «переключиться» на класс, только если он автоматизировал какие-то аспекты обучающих рабочих процессов. Если учитель не автоматизировал урок, то не сможет в течение дня выделить время на то, чтобы уделить внимание конкретным потребностям каждого ученика. Если банкир не автоматизирует создание Ореола кодов клиента, то потратит время, которое мог бы провести за созданием человеческих отношений с клиентом, перелопачивая информацию, необходимую для прояснения ситуации клиента. Автоматизация – не враг расширения, по сути, она играет центральную роль в этом расширении.

В следующей волне конкурентной битвы – на коммерческом, социальном, экономическом уровне – победителями станут те, кто продолжает верить в прогресс, создаваемый технологией, расширяет, понимает силу «инструментов» и адаптируется к их эффективному использованию.

Уже сегодня вы можете сделать два важных шага (даже если это не понедельник), чтобы запустить мяч расширения:

1. С удвоенными силами сосредоточьтесь на том, чтобы быть более человечными.

2. Создайте свой роботизированный скелет белого воротничка.

С удвоенными силами сосредоточьтесь на том, чтобы быть более человечными

Чем больше технология расширяет нас, тем больше создает возможностей ощутить человеческое прикосновение. Когда компьютер хорошо делает то, что делает, он дает возможность сосредоточиться на том, что хорошо делаем мы: проявлять эмпатию, выстраивать отношения и решать сложные ситуации.

Вспомните, когда вы в последний раз подходили к прилавку аренды автомобиля в аэропорту. Преодолев длинный и трудный полет и простояв в очереди в агентстве уже пятнадцать минут, вы наконец попадаете к представителю компании. Встречали ли вас теплым и радостным приветствием, сопровождаемым коротким, но вдумчивым обсуждением ваших планов, нужд, конкретной аренды и возможных опций? Или обслуживающий агент встретил вас бормотанием, избежал какого-либо зрительного контакта и, несколько минут покликав по меню, распечатал трехстраничный договор в трех экземплярах? Мы втроем много путешествуем и знаем ответ: в 90% случаях это будет последний вариант.

В случае с агентами по аренде автомобилей, а также в тысяче других похожих ролей и процессов в любых отраслях, мы не виним сотрудников – мы виним компанию. Ведь выходит, что компания не вооружила стоящего перед лицом клиента работника для надлежащего выполнения своих обязанностей – для того чтобы быть, ну, человечным. Вместо этого на него была взвалена тяжеловесная технология, которая через восемь часов рабочего дня вышибла из него хорошее настроение. Вместо того чтобы заняться сутью своей работы – быть дружелюбным лицом компании и вселять в покупателя счастье, – он проводит большую часть времени, управляясь с неуклюжей системой, наложенной на архаичный процесс.

Это всего лишь один тип ситуации, которая может быть сделана более человечной с помощью новой машины. По мере того как технологии следующего поколения облегчают работу агента по обслуживанию клиента, не требуя от него больше ручного ввода данных в систему, он освобождается для обеспечения по-настоящему человеческого общения.

Сегодня мы видим это во многих областях ритейла.

• Zappos, ведущий интернет-продавец обуви, годами работает над максимальным усилением своего департамента по работе с клиентами. Zappos может казаться первой среди технологических компаний, но они давно поняли, когда клиент звонит в их кол-центр, это становится для компании шансом закрепить отношения с ним. И как далеко пойдет Zappos? Однажды разговор продолжался 10 часов и 29 минут! Большая часть этого разговора вовсе не касалась обуви, речь шла об интересе клиента к жизни в районе Лас-Вегаса. Реакция Zappos? «Иногда людям просто надо поговорить. Мы их не осуждаем – мы просто хотим помочь». Ах да, клиент все-таки купил пару сапог UGG⁴.

• В Prêt à Manger, быстро растущей, суперсовременной сети фаст-фуд ритейла большая часть продуктов в магазинах приобретается в режиме самообслуживания, то же происходит и на терминалах оплаты. Однако индивидуальность Prêt à Manger базируется не на этой комбинации высококачественной еды, проданной эффективно и по хорошей цене. Краеугольный камень покупательского опыта – это персонал, эксцентричный, веселый и увлеченный. Добавив эффективности в некоторые свои операции, Prêt бросил двойные силы на то, чтобы быть более человечным, дав покупателям не только еду хорошего качества, но и жизнерадостный и позитивный перерыв в их занятых, полных стрессов рабочих буднях⁵.

• Apple похожим образом изменила игру в ритейле, радикально перевернув опыт пунктов продажи, убрав кассовые терминалы и передав автоматизированные инструменты в руки линейного персонала. Что сделала Apple всей этой автоматизацией? Компания удвоила количество сотрудников в синих рубашках, готовых проконсультировать покупателя, и обеспечила настоящее чувство человечности в компании, продающей в основном микросхемы и биты6.

Как показано в этих примерах, большее расширение на самом деле дает дорогу большей человечности.

Где в вашей компании таятся такие возможности? Начинайте искать среди покупательских «моментов истины». Для Zappos он случился, когда что-то пошло не так с онлайн-заказом. В Prêt à Manger – когда занятый покупатель просто хотел быстро схватить сэндвич, не толкаясь с другими покупателями, с более сложными заказами. Для Apple он произошел, когда один из не очень разбирающихся в технике клиентов почувствовал себя смущенным перед их мощными машинами. В поисках человеческого прикосновения не ищите только легкие моменты. Напротив, ищите то, что трудно, тогда вы действительно решаете проблему человека, занимаясь обслуживанием и демонстрируя щедрость духа.

В расширенной жизни с вездесущей технологией, деятельность, с которой хорошо справляются люди, к 2020 году станет еще более важной. Аналитические, коммуникационные навыки, умение учиться, наряду со способностью взаимодействовать с людьми, всегда были и будут жизненно важны для успеха в бизнесе. В нашем недавнем исследовании двух тысяч мировых бизнес-лидеров респонденты ответили, что в наступающие годы эти очень человеческие черты – то, что мы делаем естественно, но что очень трудно выполнить компьютеру, – станут даже еще более важными для нашей личной и рабочей жизни и для бизнеса (см. рис. 9.2).

Рисунок 9.2. Победить бота, став лучшим человеком

Всем нам, в том числе начальникам, нужно расширять текущие навыки, когда речь заходит о взаимодействии с другими: руководство, аргументация и интерпретация, вынесение суждений, творчество и способность к человеческому прикосновению. Такое поведение и такая деятельность все еще далеко вне зоны действия технологий настоящего и близкого будущего, и так будет еще не один год, даже если новые машины научатся большему.

Крупнейшие компании сегодня подтверждают, что даже в мире расширенных решений, где люди и машины работают вместе, новыми способами, еще есть ценность в том, чтобы быть человечным. Наша дальнейшая деятельность потребует с двойным упорством взяться за работу, где люди имеют и впредь будут иметь преимущество перед микросхемой.

Создайте свой роботизированный скелет белого воротничка

Идея расширения, дополнения человеческих способностей с помощью технологии многие годы была мечтой научной фантастики. В конце 1950-х годов Роберт Хайнлайн (Robert Heinlein) представлял команды солдат, закованных в экзоскелеты в «Звездном десанте» (Starship Troopers). Более тридцати лет спустя в фильме «Чужой» (Aliens) уорент-офицер Эллен Рипли использовала робота-погрузчика, чтобы защитить колонию от Королевы Чужих высоко над планетой LV-42⁶ (как показано на рис. 9.3).

Рисунок 9.3. Рипли и ее робот-погрузчик

Эти плоды научной фантастики стремительно теряют свое звание вымысла: теперь они становятся фактом реальности. Идея «внешнего скелета», конечно же, служит источником вдохновения многих новых технологий, помогающих как физической, так и интеллектуальной работе.

Например, Sarcos, американский разработчик роботизированных и микроэлектромеханических систем, создал прототип экзоскелета для армии, чтобы расширить физические возможности на поле битвы. Panasonic разработал линию роботизированных комплексов для поднятия тяжестей, чтобы рабочие не надрывали спины⁷. Ekso Bionics, компания, основанная на базе Лаборатории робототехнического и человеческого инжиниринга Калифорнийского университета в Беркли, создали первый одобренный FDA (Управление по контролю за продуктами и лекарствами, США) экзоскелет, который позволяет снова ходить пострадавшим от травм и болезней опорно-двигательного аппарата.

На рисунке 9.4 показано, как Аманда Бокстел (Amanda Boxtel) ходит с помощью костюма с внешним скелетом Ekso Bionics. Аманда – параплегик, получившая травму позвоночника во время катания на лыжах более двадцати лет назад, в 1992 году, и не способна ходить самостоятельно.

Рисунок 9.4. Аманда Бокстел с ее экзоскелетом

Физические экзоскелеты – пример того, как мы можем превзойти собственные ограничения и слабости. Экзоскелеты, созданные для расширения наших умов, могут быть не так заметны визуально, как костюмы и амуниция для тела, но в итоге, при переходе на новый уровень, смогут оказать еще большее воздействие.

Palantir Technologies – лидер в создании экзоскелетов для мозга. Компания была основана в 2004 году, среди основателей – In-Q-Tel, венчурное подразделение ЦРУ США. Palantir традиционно работал с оборонными и секретными агентствами над выявлением преступников и террористов. Фирма всегда выступала за расширение, их позиция: «Мы создаем продукты, которые делают людей лучше в основной работе – той, о которой пишут на первой странице газеты, а не только в ее техническом разделе».

В последнее время компания начала применять свой опыт в коммерческих целях, таких как поиск несанкционированного трейдинга.

Palantir организовал совместное предприятие с Credit Suisse, названное Signac, чтобы отслеживать трейдинговую активность в инвестиционных банках и определять поведение, характерное для незаконного трейдинга. Signac собирает данные о сотрудниках и внутренних событиях и проводит эти данные через интеллектуальные системы Palantir (при этом во многом полагаясь на обученных специалистов в части выводов). Цель – прекратить нарушения внутренних правил и защитить активы и бренд банка.

Сейчас становится очевидно, что люди одни, если их умения не расширены, просто не могут состязаться с автоматизированными интеллектуальными системами в выполнении некоторых задач. Пример – область радиологии, где назрела потребность в расширении⁸. Действительно, для улучшения точности диагностики рентгенологи скоро будут способны стать «партнерами» с системами, подобными Avicenna от IBM. Это программное обеспечение – еще один пример интеллектуальной системы – разрабатывается для совмещения значительных массивов данных из семейной истории пациента, медицинской диагностической визуализации, результатов дополнительных тестов и текстовых заметок и прогоняет все это через машину, оснащенную ИИ, которая обеспечивает рентгенолога ценной информацией⁹. Средний рентгенолог прочитывает двадцать тысяч пленок в год, а при том, насколько катастрофичны могут быть результаты в случае, если он что-то упустит, идея быть расширенным, а не замещенным, принесет невероятную пользу.

Будь то образование, здравоохранение или финансовые услуги, все примеры, приведенные в этой главе, объединены общей мыслью: поиск конкретного бизнес-процесса и применение интеллектуальной системы к этой работе – способ создания экзоскелета интеллектуальной экономики вокруг квалифицированных сотрудников. Как и с подходом к инициативам по автоматизации, мы предлагаем начать с деятельности, имеющей большой объем, взаимодействующей с большим количеством данных и включающей большое число повторяющихся процессов (такой как обработка заявлений, определение образцов данных и т. д.).

На этом этапе вам может быть интересно, как именно придать себе импульс в сторону воплощения идеи изобилия. Вот семь подходов, которые, как мы видели, дают положительные результаты.

1. Быть зацикленным на сообществе стартаперов.

2. Убить свою компанию.

3. Сыграть в игру «завтра это бесплатно».

4. Разобраться со своей новаторской дилеммой.

5. Делать, как мейкер.

6. Думать, как магазинчик на углу (новая персонализация).

7. Применять цифровой тейлоризм.

Быть зацикленным на сообществе стартаперов

FinTech, HealthTech, InsuranceTech, LawTech, GovTech. Или технологии в финансах, здравоохранении, страховании, юриспруденции, в правительственных структурах…

В основе всех этих отраслевых движений лежит количественное изобилие. Они хорошо финансируются. А те, кто запускает это отраслевое переустройство, всегда более чем счастливы поговорить о себе.

Удостоверьтесь, что вы и ваши коллеги хорошо слушаете.

В связи с этим убедитесь, что ваша команда сосредоточена исключительно на новых компаниях, приходящих вслед вашему бизнесу. В действительности не так важно, где находится эта группа: мы видели эти функции в руках стратегических подразделений, в НИОКР, под руководством руководителя по цифровым технологиям или в IT. Главное, что команда должна иметь возможность объективно взглянуть на технологические компании, готовые принести изобилие в вашу отрасль и в процессе пообедать вашими припасами.

Поручите команде создать «карту рынка», на которой будут обозначены все предложения вашей компании и сопоставлены с предложениями стартапов. Для каждого предложения надо определить, как много стартапов существует в этой области, сколько в них было инвестировано денег (и кем), а также оценить зрелость этих фирм и количество покупателей. Обновлять эту карту команде следует ежеквартально, поскольку подобный динамичный взгляд ясно отразит, какие новые идеи привлекают покупателей.

Если это сделано должным образом, такие карты рынка обеспечат вас ясной картиной угроз и возможностей. Например, вокруг одного из ваших ключевых продуктов может скопиться дюжина стартапов. В этом случае Кремниевая долина точно нацелилась на ваш кусок пирога, и нужно немедленно разработать подобающий ответ – купить, создать или вступить в партнерство, чтобы отразить угрозу.

Также эта карта может сохранить вас от многих сердечных болезней, оградив от провальных инициатив. Когда речь заходит об изобилии, провалов случается больше, чем удач. Проектно-конструкторские работы «на чужие деньги» (other people’s money, или OPM) – лучшая из возможных форм. Пусть другие теряют свои время и деньги, доказывая, что конкретная идея изобилия не сработает.

Ключ к успеху этой специально назначенной команды – гарантировать им настоящую объективность и во внутренней организации, и в направлении деятельности. Позвольте им задавать глупые вопросы. Избавьте их от закостенелой ортодоксальности, хорошие компании становятся плохими, когда признанных менеджеров ограничивают традициями (просто спросите бывшие команды Blockbuster, или Kodak, или Nokia). Как правило, новое предложение будет всегда казаться чужеродным, несовершенным или неуместным. Ваши более опытные менеджеры, выросшие на традиционных предложениях отрасли, могут отмахиваться от идей предлагаемого изобилия. Они найдут сценарии, при которых предложения не будут работать (и часто это будет связано с конфликтом каналов, безопасностью или законодательством). Чтобы оградить вашу команду изобилия от такого ограничительного мышления, жизненно важно обеспечить им правильную структуру, поощрительные стимулы и (при необходимости) защиту, чтобы во времена перемен компания оставалась на переднем крае.

Попросите ваших самых энергичных сотрудников убить компанию

Перспективна важна. У вас есть сотрудники – иногда из молодого поколения младше тридцати двух лет и другие, просто со свежими взглядами, – которые могут предложить уникальные и весьма ценные точки зрения на вашу индустриальную, с традиционной моделью, компанию. Рекомендуем попросить группу таких людей создать убийцу компании. Именно так: спросите об идеях по поводу того, как вытолкнуть вашу компанию из бизнеса.

Младшие сотрудники с прогрессивными взглядами живут в параллельной вселенной, которую мы можем назвать феномен «вечера воскресенья, утра понедельника». Суть в том, что в воскресенье вечером они используют цифровые платформы для выполнения своих личных задач: развлечения, связи с друзьями, покупок, улаживания домашних и финансовых вопросов – причем иногда все это происходит одновременно. Их смартфоны служат настоящими пультами дистанционного управления жизнью. Потом, когда часов через восемь они приходят на работу, должны вновь вступать в старый физический мир и включаться в работу организации, которая действует именно так уже несколько десятилетий.

Эта дихотомия воскресенья/понедельника может быть для сотрудников одновременно раздражающей и подавляющей, когда они (справедливо) задают вопрос: «Почему работа не может проходить столь же гладко, непринужденно и увлекательно, как моя домашняя жизнь?» Они знают, что одна из ипостасей будущее, а другая – прошлое.

В связи с этим, вместо того чтобы позволить сотрудникам погрязнуть во фрустрации, попросите их спроектировать будущее. А конкретно, выйти с пятью новыми технологичными продуктами или услугами, которые вытеснят вашу компанию из бизнеса. Вы можете быть удивлены, как быстро (и страстно) сотрудники вернутся со своими предположениями.

Сыграйте в игру «Завтра это бесплатно»

Посмотрите на самые дорогие, премиальные, отличающие вашу компанию продукты и услуги. Теперь представьте, что они стоят 10% своей рыночной цены. Испугались? Неудивительно, ведь вы только что представили, как иссяк источник доходов. Это беспокоит, но такой вариант развития событий становится все более обычным, и к нему надо готовиться: если это может случиться в кардиохирургии, то может случиться везде.

«Завтра бесплатно» – не столько беззаботная игра, сколько серьезное упражнение по выстраиванию стратегии на насыщенном, изобильном рынке. Она означает, что руководству нужно задать жесткие, порой болезненные вопросы о применении текущих продуктов и услуг, сместившись от дорогого и редкого к дешевому и практически повсеместно доступному.

Участие в этом эксперименте покажет вам реальные риски и трудности многолетней традиционности. Например, находясь в медико-биологической промышленности, представьте, что все ваши медикаменты и устройства лишились патента. И представьте все свои лекарственные препараты, сделанные под индивидуальный геном (чувствительные к специфической ДНК, эпигеному, микробиому и вирому)⁶. Как можно использовать имеющуюся информацию для создания большей ценности с помощью ваших дорогостоящих компонентов? Как вы можете применить интеллектуальную систему для создания новой экосистемы предложений вокруг этих разработанных на заказ препаратов? Именно эти вопросы нужно задать себе и команде.

А что произойдет, если вы работаете в розничной торговле? В этом случае вы уже живете в новую эпоху Amazon. Вы знаете, что люди по-прежнему хотят приходить в физический магазин, но представьте, что там никто ничего не покупает (как в выставочном «шоуруме»). Как вы продолжите формировать трудный покупательский опыт с новой машиной? Как сможете вырастить свой цифровой доход от однозначных цифр до двузначных за следующие несколько лет? Некоторые ритейлеры уже делают смелые шаги в этом направлении. Например, Walgreens использует соединение технологии и своего физического присутствия в торговле, чтобы начать предлагать медицинские товары по более низким ценам, в более высоких объемах⁷.

Конечно, в действительности ничего не будет бесплатным, но так или иначе вам нужно придумать способ повысить доходы. Однако мы считаем это упражнение вполне здравым, поскольку оно отрывает сотрудников от устоявшегося мышления в категориях товарных запасов. Большинство из нас (осознанно или нет) представляют продукцию и услуги своих компаний как сумму частей, каждая из которых что-то добавляет к цене. Когда нас вынуждают полностью перевернуть свою точку зрения в сторону мышления категориями спроса (или даже очень самонадеянного «Я хочу это бесплатно»), могут возникнуть совершенно новые перспективы. Если вы не смотрите на свое сегодняшнее портфолио и не играете в «Завтра бесплатно», готовьтесь к сюрпризам, потому конкуренты, известные вам или нет, точно играют.

Разберитесь со своей дилеммой новатора

Стратегия создания продуктов или услуг, которые вы стали бы продавать за одну десятую нынешней цены, содержит определенные трудности. Главная из них – вопрос о том, как будущие продукты или услуги (столь различные по цене, направленные на разные покупательские сегменты и подразумевающие всевозможные экономические и управленческие модели производства, дистрибуции и маржинальности) будут сосуществовать с тем же общим портфолио рыночных предложений? Среди часто задаваемых об этом вопросов встречаются следующие.

• Как мы можем получать прибыль, если опустим цены на 90%?

• Мы не каннибализируем наш существующий рынок?

• Есть ли у нас правильный бренд для работы на новых рынках?

• Есть ли у нас правильные люди с правильными навыками, чтобы оперировать на рынках низких цен?

Подобные опасения мотивированы и обоснованы. Переход на изобильный рынок – это не тривиальное событие. На самом деле, именно этот вопрос затрагивает едва ли не самая популярная бизнес-книга последних двадцати лет «Дилемма инноватора» профессора Клайтона М. Кристенсена из Гарвардской бизнес-школы (The Innovator’s Dilemma, Clayton M. Christensen). Хотя написана она была в 1997 году, еще до того, как программное обеспечение начало по-настоящему поглощать мир, и не затрагивает напрямую разрыв, созданный платформами и облачными сервисами, не говоря уже об интеллектуальных системах.

Вдохновившись Кристенсеном и доработав позицию в работе со своими клиентами, мы определили три ключевых концепции, эффективные в решении этих задач.

1. Модель трех горизонтов. Изначально популяризована McKinsley & Co. Модель трех горизонтов (Three Horizons Model (THM) определяет потребность разделить весь бизнес на три различные части по принципу того, направлена ли работа на немедленные потребности сегодняшнего рынка, на нужды рынка в краткосрочной перспективе или она рассчитана на более длительный период (то есть на три горизонта)⁸. Модель распределяет различные ресурсы (работники, ожидаемый ROI, управленческие параметры) среди разных горизонтов: например, нет смысла ожидать, что новая услуга, действующая в зарождающейся рыночной нише, будет давать такую же жирную маржу, как хорошо сложившаяся услуга в условиях зрелого рынка. Среди разновидностей этого подхода – IT-стратегия Gartner Bimodal, которая структурирует функции IT в две группы, одна из которых нацелена на «устаревшие» технологии, а другая – на технологию «нового поколения».

2. Модель Эллисона–Бениофф. На заре облачных компьютерных технологий сооснователь Oracle Ларри Эллисон (Larry Ellison) инвестировал два миллиона долларов в стартап своего самого молодого вице-президента Марка Бениоффа (Marc Benioff) Salesforce.com⁹. Бениофф пытался убедить Эллисона, что облачные вычисления являются важным трендом, но Эллисон оставался непоколебим, видя в этом только сложности управления идеей, принципиально направленной против Oracle, внутри базового бизнеса¹⁰. Вместо этого Бениофф стал первым семенным инвестором, пожелал ему всего хорошего и смотрел, как его инвестиции разрастаются до доли в Salesforce в четыреста пятьдесят миллионов долларов. Фондирование внешнего стартапа для получения основанной на изобилии модели позволяет обойти многие проблемы внутри бизнеса, которые могут возникнуть в связи с разработкой подрывной идеи в большой компании.

3. Модель LVMH. Французский холдинг LVMH Moët Hennessy Louis Vuitton SE управляет более чем 60 дочерними компаниями, независимо действующими под его зонтом¹¹. И хотя многие функции бэк-офиса компании между собой делят (в том числе многие известные бренды, такие как Bulgari (драгоценности, часы и люксовые товары), TAG Heuer (часы), Fendi (роскошная одежда) и Thomas Pink (люксовая одежда), все они в большей степени работают на собственных рынках своими способами. В модели LVMH нет попытки втиснуть разрозненные продукты, чьи рыночные сегменты часто накладываются друг на друга, в аккуратно очерченные ниши, также компания не пытается скорректировать конкурентное напряжение между брендами. Подход LVMH, который в последние годы приобретает все большее влияние, позволяет всем дочерним предприятиям компании по-разному работать с рынком. Новым идеям в такой структуре хватает простора для дыхания.

Делай, как мейкер

Источник вдохновения и таланта, сосредоточенного на максимальном использовании количественного изобилия, – движение «мейкеров», или «делателей»¹². Органически возникнув в последние годы как субкультура внутри технологических кругов, движение включает людей, команды и компании, полные энтузиазма по созданию новых устройств (и переделке действующих), существующих на пересечении новой функциональности и низкой цены. Иногда мейкеры берут старое оборудование, например деревообрабатывающее или металлообрабатывающее, и смешивают его с новыми возможностями 3D-печати и робототехники, чтобы подлатать ценность делания вещей вместо простого использования сделанного где-то далеко многонациональными производителями.

Мейкеры – это обычно инженеры (профессионалы или любители), предприниматели по жизни или по духу, и часто находятся в той точке своей карьеры, когда живут полностью «сами по себе» – с любимыми идеями или настоящей работой. В своих рабочих поездках по большим компаниям мы часто встречаем таких мейкеров, которые держатся за свою работу, но с нетерпением ждут, когда смогут в выходные приняться за любимое хобби. Не смотрите на этих людей как на тех, кто не предан текущей работе, вместо этого лучше привлеките себе на пользу их таланты, энергию и страсть, поместив в такое место и положение, где личные инновации могут стать инновациями вашей компании.

Если бы Apple 1 Стива Возняка в 1976 году стал продуктом Hewlett-Packard, вся история высокотехнологичной индустрии, вероятно, пошла бы по-другому¹³. Многие компании уже поддерживают «пространства мейкеров» в своей среде из гражданских соображений, но еще в большей степени они принимают мейкеров как часть инновационной экосистемы и важный (и сокращающий расходы) способ поиска связанных с изобилием идей, которые в противном случае останутся незамеченными.

Думайте, как магазинчик на углу: новая персонализация

Драматическое снижение цены – всего один признак изобилия. Второй и столь же важный параметр – сильно возрастающая персонализация.

Когда-то владелец старого магазинчика на углу знал индивидуальные потребности и странности всех своих покупателей, и новое изобилие позволяет вам сделать то же самое. Это не вопрос масштаба: в конце концов, посмотрите на персонализацию Facebook, доступную 1,7 миллиарда пользователей. Это просто вопрос применения новой машины к вашей, установленной один-на-один, связи с клиентом.

Легче сказать, чем сделать для столетней компании. Индустриальные компании прекрасно проявляли себя в бизнес-модели один-многим. В конце концов, это была их цель, и на ее достижении были основаны все цепочки ценностей и ценностные предложения клиентам. Mercedes вкладывает лучшее качество в каждый свой автомобиль. Marriott обладает обширным опытом размещения бизнес-путешественников независимо от их местонахождения.

Однако способность предоставить один продукт многим людям сегодня – необходимое, но не достаточное условие. Новое конкурентное преимущество в том, чтобы быть по-настоящему одним-для-одного и из этого добывать новое изобилие. Таким образом, способность к индивидуальному подходу, описанная в главе 8 в теме Ореолов, – центральное условие нового изобилия.

Как мы отмечали раньше, персонализация – новое поле сражения в области спортивной одежды. Under Armour ворвался на сцену, чтобы стать полноправным соперником Nike и Adidas. Теперь он стремится продвинуться еще дальше, максимально используя технологию для обеспечения своим клиентам опыта один-для-одного. Говорит генеральный директор Кевин Планк (Kevin Plank):

Представьте, что вы поехали в Чикаго по работе. Утром вышли на пробежку, а накануне простудились. В Чикаго –12 градусов, так что, я понимаю, у вас постоянно течет из носа. Что ж, мы делаем отличные перчатки для бега, называем их «сопливые пальцы», поскольку к ним буквально прикреплен персональный платок Kleenex из микрофибры, чтобы вы могли вытирать нос. Представьте, если бы я мог отправить вам рекламу со словами: «Эй, я знаю, ты собираешься на днях в Чикаго? Хочешь, вышлю тебе пару перчаток?»¹⁴

Знать, где и когда тебе понадобится высморкаться в перчатку, – вот что такое сегодня персонализация один-для-одного, которая сможет полностью раскрыть рынки нового изобилия.

Применяйте цифровой тейлоризм

Новое изобилие – это в первую очередь поиск возможности драматического снижения расходов для открытия новых рынков. Как лучше всего выполнить этот поиск? Попробовав применить новые технологии ИИ к старым управленческим принципам тейлоризма (концепцию мы впервые упомянули в главе 6).

Век назад индустриальное общество было захвачено идеей измерений, что должно было подтолкнуть эффективность и повысить качество производственных процессов. Отец управленческого консалтинга Фредерик Уинслоу Тейлор (Frederick Winslow Taylor) представил идею научного управления промышленной производственной линией в начале ХХ века в своей книге «Принципы научного управления»¹⁵. Тейлор продвигал идею того, что практически любая работа на заводе может и должна быть разбита на отдельные задачи с обозначенными временем, ходом работы и результатом. Что более важно, уровни производительности и лучшие практики должны кодифицироваться и воспроизводиться. Подобное мышление стало основой индустриальной модели, находящей новые уровни координации, результативности и качества.

В те времена некоторые осуждали тейлоризм, указывая на то, что считали дегуманизацией и отменой индивидуального принятия решений, традиционно присущего мастеру. Но экономика все же победила: идеи Тейлора стали глобальным трендом, и научное разделение работы позволило лучшим промышленным практикам широко распространиться по регионам и отраслям.

Сегодня гипероснащенный измерителями и проанализированный мир воспринимает тейлоризм на новых уровнях. Умственный труд может быть изучен и оптимизирован так, как век назад это было сделано с физическим трудом. Это будет иметь далеко идущие последствия для будущего вашей работы и конкурентоспособности компании.

Идеи цифрового тейлоризма особенно важны для цифровых инноваций внутри крупных организаций. Инновации по сути своей беспорядочны, но им не нужен этот хаос. Многие компании стремятся снизить расходы, чтобы расширить рынки, но многие инициативы проваливаются из-за чувства «собственничества». Мандат на право «мыслить по-другому» – это то, что мы часто видим и что на практике должно исчезнуть. Строгость и контрольные показатели, ассоциируемые с цифровым тейлоризмом, кажется, скоро принесут в жертву ослаблению привычной бизнес-дисциплины, преобладающей в устоявшихся отраслях бизнеса. При этом, настаивая на применении высочайших организационных стандартов и переноса лучших практик из эры Тейлора в нашу цифровую экономику, организация может принести философию стандартизации и постоянного улучшения в свою цифровую деятельность.

Скоро новая машина станет вашей инновационной платформой. Если вы оснащаете измерителями, автоматизируете, отслеживаете и анализируете коренные операции своего бизнеса и применяете машинное обучение, у вас будут постоянно открываться новые возможности. Они будут основываться не на информированном мнении отдельных людей, будь то директора или занятые НИОКР сотрудники, но скорее на эмпиризме, на том, что в действительности происходит в бизнесе.

Сегодня «инновации» – богатый термин, со многими смыслами и разными сферами применения. И новая машина может быть применена к вашим исследованиям и разработкам в различных областях, включая следующие:

• продукты и услуги;

• процессы;

• бизнес-модели;

• устойчивость;

• экономичность;

• опыт;

• предпринимаемые клиентом усилия;

• экосистема / цепь поставок.

Например, с инновациями в сфере товаров ваша команда получает постоянные инсайты относительно того, как используются (или не используются) ваши товары, а также какое недовольство испытывают клиенты и где существуют очевидные возможности улучшения (как дополнительные, так и основополагающие).

Идея представить инновации, основанные на НИОКР без платформы ИИ, вскоре будет рассматриваться как не более чем догадка. Люди внутри вашей компании будут смотреть на традиционную централизованную группу исследований и разработок и спрашивать: «Кто эти странные специалисты?» Постепенно мы начнем удивляться: «Как нам только приходило в голову, что несколько умных людей в комнате в головном офисе могут постоянно выдавать инновации?» Это будет казаться… глупым.

Почему? Как может небольшая группа людей, собранных в одном месте, состязаться с идеями и обучающимися ИИ-платформами, которые мы описали в предыдущих главах? Если вы автоматизировали, окружили ореолами и расширили деятельность вашей компании, связанную с этими процессами, двигатели, наделенные ИИ, могут быть применены для инноваций. Ваши процессы исследований и разработок и специальные группы могут быть колоссально расширены применением новой машины, в первую очередь потому, что это радикально повышает масштаб и скорость инновационного процесса.

Инновации со скоростью и масштабом искусственного интеллекта

Продолжая расти, Netflix пытается создать главным образом что-то совершено новое – первую в мире глобальную телевизионную станцию. Однако возникает много серьезных трудностей с производством контента, который привлечет большое количество международных пользователей. В конце концов, местной телевизионной станции довольно трудно угадать предпочтения зрителей конкретной агломерации: программные менеджеры таких станций живут в этом обществе, их рука постоянно на пульсе местной культуры, демографии, предпочтений и волнующих моментов. Как может команда Netflix, базирующаяся в Северной Калифорнии, понимать нюансы зрительских предпочтений в таких местах, как Бавария, Австралийские Северные территории или японский остров Окинава? С помощью новой машины это довольно легко.

Менеджеры Netflix привлекают свои алгоритмы для информирования о том, что работает (и не работает) с конкретной демографической группой в любой точке мира. По сути, они почти постоянно пребывают в удивлении от того, что их личные допущения в большинстве случаев оказываются ошибочными. Например, до момента запуска в Европе команда Netflix полагала, что главная определяющая того, что люди захотят посмотреть, – это возраст. Неправильно.

Тодд Йеллин (Todd Yellin), глава инновационных продуктов в Netflix, сказал: «Мы думали, что у 19-летнего парня и 70-летней женщины настолько разные вкусы, что персонализировать будет легко. Но правда в том, что 19-летние парни любят смотреть документальные фильмы о свадебных платьях. Всего лишь раз нажать play на сервисе Netflix – и это будет гораздо более мощный сигнал, чем ваш пол или возраст»⁶. А еще – география значит далеко не так много, как сначала ожидала команда Netflix. Здравый смысл подсказывал, что некоторые регионы мира должны иметь очень специфические вкусы. Снова неправильно. Например, многие японские фильмы аниме смотрят за пределами Японии. Йеллин заключает: «Теперь у нас единый мировой алгоритм, суперполезный для нас, поскольку максимально отображает все вкусы всех потребителей со всего мира».

Если бы Netflix следовал традиционному подходу к исследованиям и разработкам, чтобы понять предпочтения мирового клиента (например, разговаривал с главами студий, нанимал дорогостоящих консультантов, действовал на основании информированного мнения своих самых опытных сотрудников), то, вероятно, сделал бы несколько очень дорогих ошибок. После нескольких серьезных непопаданий руководители Netflix могли прийти к выводу: «Наша модель здесь просто не работает». Вместо этого, постоянно привлекая инсайты, создаваемые новой машиной, компания теперь имеет детализированную дорожную карту своего широкомасштабного расширения.

Инновации, подгоняемые интеллектуальными системами, еще и быстры. Это сверхбыстрое машинное обучение заключено в сердце закона изобретателя и футуриста Рея Курцвейла (Ray Kurzweil) – «Закона ускоряющейся отдачи». Коротко говоря, Курцвейл настаивает, что люди учатся с линейной скоростью, в то время как машина сегодня учится экспоненциальным шагом. В связи с этим, когда новая машина вскоре распространится широко, скорость человеческого прогресса в XXI веке (что определено по кумулятивному росту человеческих знаний и скоростью инноваций) будет как минимум в тысячу раз быстрее, чем средняя скорость ХХ века⁷.

И что же, это тысячекратное ускорение в улучшениях действительно приведет к результатам? Вероятно, нет: существует множество факторов углеродных форм, замедляющих инновации (например, мнения людей, идеи и эмоции, а также разнообразные внутренние проблемы организаций, о которых мы говорили ранее). Так что давайте будем консервативны и занизим предсказание Курцвейла не слегка, а намного. Но даже если мы снизим скорость машинных инноваций на два порядка, все равно это будет означать, ваш процесс НИОКР будет двигаться с десятикратной скоростью по сравнению с сегодняшней. Это уровень масштаба и скорости, который традиционные исследования и разработки обеспечить не смогли бы никогда.

Блокчейн – наша цифровая газонокосилка?

Каждые несколько лет в технологической индустрии появляется очень многообещающая технология. Иногда эти обещания выполняются (например, интернет, смартфоны, социальные платформы). Иногда нет (например, виртуальная Second life, игрофикация, Google Glass).

Если бы и была какая-то технология, способная завоевать награду «за славу и хайп», то это блокчейн – рассредоточенный в воздухе реестр, имеющий потенциал автоматизации не только ключевых процессов, но и целых отраслей.

Goldman Sachs сказал, что блокчейн имеет «потенциал пересмотреть суть транзакции» и загрузить «все»⁸. Много голосов предсказывают сегодня, что блокчейн фундаментально меняет не только банковскую систему, но и другие жизненно важные разделы экономики, такие как управление и хранение документов, обслуживание контрактов и управление идентификационной информацией.

Сторонники блокчейна верят, что у него есть потенциал автоматизировать основные функции банковской системы: кредитование, платежи и расчеты. Подумайте обо всех расчетах, совершаемых ежедневно с использованием кредитной карты, по операциям с акциями, с обменом валюты, с запросами на кредиты, выплатами по страховкам и так далее. Как в известной фразе Карла Сагана (Carl Sagan) – «миллиарды и миллиарды»⁹. И подумайте о жизненно важной социальной роли, которую играют банки, инвестиционные банки, компании кредитных карт и страховые фирмы, в том, чтобы все эти операции проводились прозрачно и надежно. Что, если бы все эти функции могли быть автоматизированы и проводились намного быстрее, дешевле и безопаснее? Добро пожаловать в блокчейн, возможно, одну из самых мощных технологий и плодородных направлений для открытий.

И потенциал его использования не останавливается на финансовых услугах. Например, что, если бы гарантийное управление не осуществлялось только централизованными компаниями, полными людей, а было бы автоматизировано в блокчейне на облаке? То есть, например, любая оснащенная измерителями машина, столкнувшаяся с механическими повреждениями (воздушный кондиционер, шина, двигатель и т. п.), не должна была бы ждать серии проводимых людьми исследований, диагностики и последующей починки. Вместо этого машина сама распознавала бы проблему, определяла, как ее надо устранить, проверяла свою гарантию, подыскивала подходящего механика, проводила оплату и обновляла соответствующие записи. И все это было бы автоматизировано – с доверием и эффективностью – с помощью блокчейна.

Пессимистично настроенные к блокчейну люди, с другой стороны, имеют очень простой аргумент: «В чем же суть?» Они отмечают, что случаи промышленного использования автоматизации коренных процессов с блокчейном в крупных корпорациях пока что наперечет.

Так что же нам думать про блокчейн? Как преодолеть замешательство и найти верные действия по управлению компанией? Мы предлагаем вам следовать двум параллельным подходам, которые могут быть применены ко многим технологиям и идеям.

• Воспринимать блокчейн как опцион на покупку. Блокчейн – как рискованные акции с высоким бета-коэффициентом. Они могут лопнуть, а могут принести значительный доход. Подходите к нему так. Делайте небольшие инвестиции, которые могут красиво окупиться, если блокчейн пойдет на взлет, но достаточно маленькие, чтобы вы могли просто уйти, если блокчейн сдуется. Чтобы сделать это, убедитесь, что несколько членов команды, занятой вашей коренной технологией, погружены во все, что связано с блокчейном. Вступайте в союзы с ключевыми разработчиками технологии блокчейн (как продуктов, так и услуг). Запускайте внутри компании несколько маленьких пилотов. Пристально следите за сценариями его использования в других компаниях. Смотрите, имеет ли все это смысл.

• Не позволяйте хвосту блокчейна вилять собакой бизнеса. Как и бывает с любыми технологическими увлечениями, в вашей среде обязательно окажутся фанатики блокчейна. Они будут видеть возможность применения блокчейна практически ко всему в вашей компании. Мы видели несколько случаев, когда подобный образ мышления создал внутри слишком большую инерцию, что привело к фальстарту. В подобных обстоятельствах драгоценные время, деньги и силы тратятся на новейшие технологические начинания без того, чтобы кто-нибудь спросил: «В чем здесь выгода для нашего бизнеса?»

Один из главных принципов этой книги в том, что машины могут сделать очень многие вещи, но практическое применение должно быть направлено на конкретные бизнес-процессы и покупательский опыт. Когда вы инвестируете в открытия, начните с уровня процессов-и-опыта и представьте, как процесс может быть перестроен и обновлен с помощью цифровых технологий. Понять это слишком поздно и позволить блокчейну или любой другой новой технологии (например, квантовые вычисления, дополненная реальность, ядерный синтез) привлечь слишком серьезные инвестиции может стать рецептом провала.

Открытие может быть рискованным. Инвестируете слишком много в ошибочную идею – и вы банкрот. Подождете, пока это сделает кто-то другой, – и вы упустите рыночную возможность всех времен. Уже было написано бессчетное количество книг о методах инноваций, претенциозных планах и будущем общества. Однако наша цель здесь – дать вам определенный практический совет, заключенный в единую прямую стратегию.

Совет состоит в следующем: не ограничивайте человеческое воображение. Успех в эпоху, когда почти все делают машины, также означает принятие и веру в то, что и для людей будет достаточно много дел.

Если, как считают некоторые техноскептики, машины в ближайшем будущем оставят людей не у дел, то фундаментальная ДНК Homo sapiens, двигавшая нас сквозь тысячелетия, высохнет. А что характеризует эту ДНК? Это любопытство – то, что является ключевой характеристикой интеллекта (в его нынешнем проявлении в форме человека). От наших первых слов до наших первых шагов и нашего первого путешествия – самой нашей человеческой сущности присуще желание знать кто, что, почему и где. Никто не говорит нам задавать вопросы. Ни родители, ни учитель, ни телепрограмма, ни общение в соцсети не говорит нам и не программирует на то, чтобы хотеть знать, что происходит. Мы просто хотим.

Если компьютеры начнут задавать вопросы вроде «И что это интересно ты делаешь, Дейв?», то нам стоит начать волноваться. Но пока что это в настолько же далеком будущем, в каком было пятьдесят лет назад, когда стали слышны первые пророчества бед для человечества, вызванных ИИ. До тех пор человеческие существа будут задавать вопросы, быть любопытными, воображать и создавать – используя при этом новую машину.

Штука в том, чтобы сообразить, как выявить и питать следующую большую (или маленькую) идею, соблюдая при этом баланс с реальностью того, как совершаются инвестиции в крупных и средних компаниях. На самом деле, когда нам с клиентами удается совершить открытие, первый рефлекс – заявить: «Но у нас совсем нет денег!»

Имея это в виду, в следующих подразделах мы опишем некоторые вещи, которые вы можете сделать, чтобы помочь сбалансировать бюджет и в то же время получить выгоду от результатов мудро проведенного процесса поиска и открытия.

Применяйте цифровой кайдзен

Так какова лучшая практика внедрения этой новой формы инновации? Мы видим слишком много менеджеров, ожидающих «следующего грандиозного прорыва» или, говоря спортивными терминами, Большого шлема. Так оно не работает.

Противоположный подход состоит в том, чтобы узнавать, как новая машина может добавить наибольшую стоимость – благодаря поиску постоянных, небольших улучшений или постоянному появлению хитов. Это сродни японской концепции кайдзен, что переводится как «изменение для улучшения», но добиваются его маленькими, постоянными улучшениями, что со временем даст крупное воздействие.

С помощью цифрового кайдзен, максимально привлекая новую машину для постоянного поиска пошаговых улучшений, функции исследований и разработок могут быть кардинально изменены. Например:

• в продуктовых инновациях платформы ИИ могут помогать контролировать парк техники или машин, позволяя быстро выявлять, какие компоненты постоянно падают и почему это происходит;

• в инновациях процессов ИИ будет мониторить оснащенные измерителями рабочие процессы и быстро выявлять существующие бутылочные горлышки, после чего рекомендовать новые подходы;

• в касающихся клиентов инновациях непрерывный анализ того, как на самом деле клиент использует продукт, будет давать информацию менеджменту продукта и влиять на ценообразование.

Именно в этих областях новая машина с самого начала может быть успешно направлена на исследования и разработки. Это чистый пример цифрового кайдзен, серия маленьких открытий, которые со временем могут изменить саму основу конкурентной борьбы.

Например, для колледжей и университетов нет ничего более важного, чем их студенты, – вернее, сохранения их в качестве студентов. Университет Кентукки (в Лексингтоне) сегодня справляется с удержанием аудитории, немного применяя цифровой кайдзен. Школа начала привлекать платформу аналитики данных в реальном времени и команду специалистов по данным, чтобы разработать прогнозную систему оценок, которая здесь и сейчас дает инсайт в индивидуальную заинтересованность студента. Данные собираются посредством проведения коротких опросов среди студентов при выполнении входа на учебный портал: например, их спрашивают, купили ли они все необходимые учебники, или просят оценить уровень стресса по шкале от 1 до 5. Всего за пять недель школа собрала данные от более чем сорока тысяч отдельных обучающихся. Полученные сведения помогли улучшить удержание студентов на этапе с первого до второго курса на 1,3% – очевидно небольшое улучшение со значительным воздействием на выходе¹¹.

Лучшая часть: с прорывными инновациями ваши конкуренты быстро начнут искать способ нейтрализовать их на рынке. Но с цифровым кайдзен ваши движения будут малозаметными, а потому сложными для повторения.

Создавая реалистичные планы открытий, легко получить случай тяжелого шокового состояния. По своей природе специфические ROI и создаваемые с благими намерениями диаграммы Ганта имеют тенденцию вселять фрустрацию, если применять их к открытиям. Лучший местный антидот – сбалансировать краткосрочные реалистичные инновации, то есть цифровой кайдзен или, может быть, открытие «с маленькой О», с вашей собственной газонокосилкой или полетом на Луну – с Открытием «с большой О».

Цифровой кайдзен фокусируется на маленьких шажках к значительным результатам, на краткосрочных проектах, за которые вы можете взять ответственность. К этому моменту направление должно быть ясно: снизить расходы с помощью автоматизации, инструментировать все и собирать «выхлопы» данных.

Ваш цифровой полет на Луну может быть спроектирован с помощью блокчейна или квантовых компьютеров, или даже искусственного суперинтеллекта. Это большие ставки, которые, если вы мыслите как венчурный капиталист, могут делаться со временем и маленькими шагами.

Трудность здесь в том, чтобы сбалансировать оба подхода.

Пусть хиты оплачивают промахи

Еще один из основных ключевых принципов открытия наилучшим образом выразил сценарист Уильям Голдман (William Goldman) в своей книге 1983 года о киноиндустрии «Adventures in the Screen Trade»: «Никто ничего не знает».

Ваша цель должна состоять в том, чтобы стать бизнесом «всезнаек» благодаря оснащению измерителями, сенсорам, большим данным и аналитике. Однако природная непредсказуемость будущего – это, вероятно, постоянная истина. Никто в действительности не знает, что сработает в дальнейшем, даже Netflix. Голдман говорит, что люди, если им повезет, могут сделать «обоснованные предположения». Ореол кодов может помочь научиться делать лучшие предположения и сделает незнание менее приемлемым, но нужно иметь достаточно смирения, чтобы понимать, что по-настоящему знать мы не можем. Это особенно верно в широком пространстве, которое создается сегодня новыми газонокосилками.

Чтобы иметь дело с реальностью, надо вырвать лист из голливудской книги и структурировать свои связанные с открытиями усилия, руководствуясь принципом «хиты платят за промахи». По некоторым оценкам, 70% фильмов деньги теряют¹² (существуют лишь примерные оценки, поскольку бухгалтерию киноиндустрии связывает давняя omertá). Похожие пропорции и в других творческих отраслях, таких как музыка, книги и театр. Даже у именитых актеров и писателей в резюме масса неудач: маловероятно, что бомбу Роберта Де Ниро «Старый новый год» (New Year’s Eve) 2011 года упомянут в печальный день в его некрологе в The New York Times.

Конечно, в технологической отрасли полно собственных провалов: Vista от Microsoft, телефон Facebook, Lisa от Apple – даже великие часто спотыкаются. Шикхар Гош (Shikhar Ghosh) из Гарвардской бизнес-школы считает, что 75% проинвестированных венчурным капиталом фирм в США не возвращают капитал своих инвесторов¹³. Фондирование технологий, как в мире венчурного капитала, так и внутри крупных корпораций, намеренно организовано так, что уровень неудач в 70% (и выше) считается приемлемым.

Думая как венчурный инвестор, признайте, что успех определяется активным управлением портфолио. Это не вложение всех денег одного человека в одну идею, а совершение множества инвестиций, многие из которых не оправдают надежд. Согласно данным известных инвестиционных фирм, «Около половины инвестиций возвращают меньше, чем составляла первоначальная сумма инвестиций»¹⁴. Анализ также показывает, что ничтожные «6% сделок… дают общий возврат более 60%».

Наверное, это отрезвляющая информация. Вы можете спросить: «Как мы можем вернуть инвестиции, если умные деньги выступают так плохо?» Что ж, вы можете обернуть эти обстоятельства в свою пользу, но главное – это управление портфолио, а не избегание ошибок. На самом деле, в цитируемом исследовании говорится, что лучший возврат получается не из меньшего числа неудач, а из большого числа настоящих хитов. Другими словами, нужно больше рисковать, чтобы получать лучшие возвраты.

Выясняется, что лучшие венчурные капиталисты (с самыми большими и постоянными возвратами) достигают успеха не только через прекрасный менеджмент личных стартапов (то есть умение найти великолепных предпринимателей с фантастическими идеями и обеспечить их правильным фондированием и поддержкой). Факты свидетельствуют о том, что более важен тот простой факт, что они делают больше ставок и хотят чаще терпеть неудачи.

Даже если ваши формальные обязанности не связаны с НИОКР ради открытий, это означает, что стоит собрать портфолио инициатив, направленных на открытие, с четкой методологией жизненного цикла, которая управляет этими инициативами от зарождения до окончательного успеха или провала. Некоторые компании организовывали группы сотрудников с предпринимательским складом ума и позволяли им выдвигать идеи новых продуктов или услуг; это попытка компании через надежное финансирование и поддержку в управлении расширить команды и утвердить идеи как действующее на внешнем рынке подразделение, а затем вырастить их в достаточно зрелые субъекты, которые можно «аттестовать», чтобы стать частью двигателя, повышающего общие доходы всей компании. Это помогает балансировать цифровой кайдзен – открытие инноваций на уровне процесса – амбициозными и фантазийными открытиями: то есть с поиском нового хита. Именно это делает Toyota: балансирует инвестиции в свои традиционные модели, постоянно работая над беспилотными автомобилями.

Дорога к беспилотному автомобилю

Одно из мест, где мы полностью полагаемся на автоматизацию и чувствуем себя совершенно комфортно, – это наши автомобили. Ручная (с рычагом переключения) трансмиссия сегодня в США составляет менее 4% продаж¹⁵. Мы почти не заметили, как автомобили наполнились автоматизированными технологиями: окна, рулевое управление, круиз-контроль, GPS, адаптивные фары – список можно продолжать. Автоматизация подкралась и окружила нас, чтобы улучшить опыт вождения.

Ускоряющийся рост автоматизации сегодня привел нас к следующему уровню: к полностью автономному, самоуправляющемуся автомобилю. Долго оставаясь стандартным атрибутом развлекательной научной фантастики, от «Бегства Логана» (Logan’s Run (1976)) до «Рыцаря дорог» (Knight Rider TV show (1982–1986)), «Вспомнить все» (Total Recall (1990)) и «Особого мнения» (Minority Report (2002)), беспилотные автомобили быстро (и неистово) становятся реальностью.

Вслед за Google, который в 2010 году объявил, что будет разрабатывать автономные транспортные средства, чтобы выиграть в этой гонке, пристегнулись и вжали педали в пол основные автопроизводители¹⁶. Ford, General Motors, Audi, Mercedes-Benz, BMW и другие полностью погружены в процесс демонстрации разнообразных благ, которые несет в себе автоматизация автопарка: некоторые будут полностью самоуправляющимися (больше всего внимания привлекает модель от Ford «без руля/без педалей», разрабатываемая совместно с Google), другие, такие как Audi, уже в 2018 году сделают доступной опцию «автопилот для движения в пробке по шоссе». Знаменитый выскочка этой отрасли Tesla наделен опцией «look Ma, no-hands», что можно перевести как «смотри, мам, не держусь», которая уже (в основном) успешно используется тысячами людей.

Toyota, лидер мирового рынка с более чем десятью миллионами ТС, проданных в 2015 году, увеличивает инвестиции в автономию, вкладывая в следующие пять лет более миллиарда долларов в оснащение автомобилей сенсорами и ИИ^17,18. Цель – иметь машину, которая сама сможет привезти себя по шоссе к Олимпийскому стадиону Токио в 2020 году¹⁹.

Как сказал нам Нед Цурик, исполнительный директор по технологиям и разработкам в Toyota Connected в Лос-Анджелесе, «бизнес-модель, конечно, преобразится. То, как мы вообще продаем машины, в следующие десять лет изменится, и то, как вы оказываете автомобильные услуги, изменится. ИИ будет играть в будущем огромную роль. ИИ – это центральная технология, которая изменит наш опыт».

Вопреки этим душераздирающим отраслевым переменам, Цурик говорит, что будущее неясно: «Если верить Кремниевой долине, никто не будет управлять автомобилями через десять лет. Однако реальность демонстрирует нечто противоположное. Мы проводили исследования, и, к нашему удивлению, поколение двухтысячных хочет иметь машину и управлять ею. Так что мы, как компания, должны подстраховаться, оставить лазейку».

Полностью автоматизированное ТС может быть для Toyota полетом на Луну, но компания постоянно работает над более скромными, но все же важными открытиями, связанными с вождением автомобиля человеком.

В среднесрочном будущем Toyota видит автономные машины как опцию, которую продает во всей линейке автомобилей, для которых более высокие уровни автоматизации становятся нормой, но воздерживается от полной автоматизации. Полностью беспилотные автомобили предназначены для определенных групп людей и для определенных ситуаций: вероятно, их захотят пожилые и люди с ограниченными возможностями, организации, работающие в опасных условиях (таких как шахты или аэропорты), сочтут их полезными. Цурик сказал, что верит в то, что «в течение десяти лет вы сможете водить беспилотный автомобиль с тем, чтобы водителю не приходилось обращать внимания на многие дороги Америки, но не на любые дороги».

Важный урок открытий здесь в слове «подстраховаться». Организациям, пытающимся открыть будущее, нужно действовать как венчурные капиталисты или киностудии, делая много маленьких, а не одну большую ставку. Никто не знает наверняка, насколько большим будет рынок беспилотных автомобилей через 5, 10 или 20 лет. Но руководители Toyota знают точно, что, если они не будут в него инвестировать, очень рискуют потерять свою лидирующую позицию.

Помимо того, чтобы запустить этот подход работать внутри вашей компании, его можно подогнать под набор вопросов, за которые отвечаете непосредственно, какой бы стороной бизнеса вы ни занимались. Если вы ответственны за финансовые вопросы, активно ищите у своей команды идеи уменьшения циклов закрытия счетов в конце месяца: получив десять идей, одну или две из них вы сможете использовать в дальнейшем. Если вы занимаетесь продажами, попросите рекомендаций по использованию новых инструментов ради повышения уровня конверсии покупателей. Опять же, большинство предположений, вероятно, ни к чему не приведут, но легализация культуры, где одобряется поиск новых идей, является мощным способом дать сигнал, что бизнес по-старому – не единственный бизнес, которым вы заняты.

Оставьте прошлое позади

Работая с клиентами, мы вновь и вновь слышим вариации этой жалобы: «Нам нравятся ваши идеи. Мы бы хотели построить Ореол кодов и внедрить интеллектуальные системы. Мы знаем, что должны перемещаться в сторону цифрового будущего. Но… У нас такая укоренившаяся, сложная, ответственная, направленная на выполнение задач система, что мы не можем меняться; мы не рискуем перерезать провод «Х», поскольку просто не знаем, что в этом случае произойдет».

Инициативы открытий во многих компаниях из списка Fortune 500 тормозятся из-за унаследованных дорогих технологий, приобретенных на невозвратные средства. В то время, когда конкурентные преимущества технологий высоки, как никогда, эти организации за огромные деньги поддерживают системы, имеющие огромные конкурентные недостатки.

Причина в том, что они не могут выключить старое оборудование.

Каждый, когда-то имевший дело с корпоративными IT, знает, что концепция выведения из оборота систем (то есть их устранения, убийства, отключения) им абсолютно чужда. Даже появляющиеся новые системы, приложения и процессы обычно «сажают» поверх предшественников. Системы надстраивают сверху систем, и прежде чем вы это поймете, получаете логическую архитектуру, напоминающую тарелку спагетти.

В организационных IT никогда не было культуры выбрасывать вещи с истекшим сроком годности. Невозможно заработать очки, ставя под сомнение ценность старой системы или делая выбор в пользу погружения в часто сложные и неудобные (потенциально мешающие карьере) политические дискуссии по этим вопросам: «Фред ввел в эксплуатацию это приложение. Я не хочу говорить ему, исполнительному вице-президенту, что эта система уже не так хороша».

Время от времени директора пытались представить эти идеи как «бюджетирование с нулевой базой», чтобы заставить IT холодно и пристально присмотреться к существующим конструкциям, но это давало мало результатов. Проблема 2000 года доказала, что старые системы не умирают никогда. Слишком мало славы в IT приносит применение новых систем вместо умения справиться со старыми.

Однако помимо проблемы ведения бухгалтерского учета, существует еще и психологическая проблема. В конце концов, отключение всех систем ощущается как выбрасывание денег. Японский автор Мари Кондо (Marie Kondo), чья книга «Магическая уборка. Японское искусство наведения порядка дома и в жизни» превратилась в невероятный феномен продаж (4,5 миллиона экземпляров продано, и счет продолжается), говорит, что деньги, которые вы потратили на предмет, были ценой за радость, которую он принес за время использования²⁰. Если предмет больше не «зажигает радостью», то нет нужды держаться за него.

Говоря бухгалтерским языком, мы можем сказать, что предмет «полностью обесценился», едва ли вообще доставил нам когда-либо «радость».

В этом проблема. Не расчистив место от систем и процессов, которые больше не подходят под наши цели или скоро перестанут под них подходить, организации ставят под угрозу свои возможности найти бюджет, время, ресурсы и энергию для инвестирования в будущее. Учитывая то, что IT-бюджеты год за годом немного увеличиваются, маловероятно, что ведение бизнеса обычным способом приведет компанию к смещению приоритета на построение и максимальное использование новых машин.

Выключить старые IT трудно, но стратегии решения этой головоломки действительно существуют. Природа многих IT-систем заключена в том, что они созданы для выполнения конкретной задачи, поэтому осторожность здесь вполне понятна. Никто не обрадуется, если в управляющем полетами ПО American Airlines случится ошибка, когда самолет находится в тридцати пяти тысячах футов над землей. Однако реальность такова, что, если руководители IT (и руководители бизнеса) не будут честны в том, какие приложения, процессы и системы стоит отключить, им (и компаниям, на которые они работают) останется лишь сидеть и смотреть, как невероятные возможности этого нового золотого века ускользают все дальше и дальше.

Поскольку мы продвигаемся от систем ведения записи к интеллектуальным системам, полезно будет еще раз отметить то, какие элементы прошлого будут полезны в будущем. В главе 4 мы показывали, что у систем ведения записей есть свое место в новой машине, которую надо создать, но не полностью, не занимая всю ее и не так, как они организуются сегодня. Прежде чем сделать шаг вперед, осмотрите – или осмотрите еще раз – текущее портфолио IT и процессов непреклонным взглядом. Велика вероятность, что вам придется привлечь внешних экспертов, которые выскажут вам не приукрашенную правду. Самое важное, признайте, циклы технологических инноваций, которые мы описывали в этой книге, проходят так быстро, что системы, построенные 10, 20 или 30 лет назад, не выстоят перед конкурентным натиском систем, построенных на новейших инструментах и сырьевых материалах.

Сыграйте в игру возвращения

Если вы думаете, что открытие – это что-то, описываемое на практике, но невозможное в реальности, настало время изменить мнение. Говорят, картинка стоит тысячи слов, так что вот вам 90-секундное упражнение, чтобы доказать нашу мысль.

Откройте браузер и проверьте Архив Интернета (Internet Archive Wayback Machine на https://archive.org/web/). Как следует из названия, это некоммерческая группа с более чем 500 миллиардами архивных веб-страниц за последние десятилетия. Потом выберите известную вам компанию и проверьте ее, покопайтесь в найденном. У больших компаний, в том числе HP, Kodak и IBM, масса архивных страниц.

Сначала это забавно, вроде: «О, а ты помнишь пленку?!», однако здесь есть ресурс для гораздо более глубоких наблюдений. Дизайну и содержанию сайта Kodak 1997 года двадцать лет, но он ощущается таким устаревшим, как шерстяной купальный костюм или велосипед-паук с разными колесами. Эти сайты были сверхсовременными во всем, но мир с тех пор чудесным образом переменился. Те из нас, кто жил в те времена, знают, мы понятия не имели о том, что предстоит. Людям вообще сложно экстраполировать события на будущее. Мы вполне довольны и (заслуженно) горды настоящим моментом. Мы верим, что находимся в зените развития (технически, социально и так далее). Мы жестко запрограммированы думать о себе как о находящихся на вершине, в то время как в действительности мы лишь в самом высоком лагере на склоне бесконечно высокой горы. Мы просто не способны предвидеть, какими будут вещи через пять или десять лет.

Еще один урок игры в возвращение в том, как быстро меняются технологии. Многие компании, которые еще недавно правили балом – HP, CSC, EDS, Compaq, Gateway, Research in Motion, Nokia и т. д., – сейчас или переживают нелегкие времена, или вовсе пропали. Если вы находитесь в технологической отрасли, то это обычный бизнес, но, как мы уже показали, цифры подходят к «работе, имеющей значение». Банкам, страховым компаниям, ритейлерам, медицинским компаниям и так далее надо привыкать к скоростям перемен в технологическом секторе.