Искусственный интеллект на службе бизнеса - читать онлайн книгу. Автор: Джошуа Ганс, Аджей Агравал, Ави Голдфарб cтр.№ 46

В данном анализе сложность структуры сети авиалиний и автомобильной промышленности считается постоянной. Вполне вероятно, что предварительный прогноз дает авиалиниям и автопроизводителям возможность перейти к более сложным сделкам и продуктам. О его влиянии на внешних поставщиков трудно судить с определенностью, поскольку улучшенный прогноз расширяет сотрудничество с ними, а повышенная сложность, наоборот, сужает. Какой из этих факторов будет доминировать на этом этапе – неизвестно. Но в то время, когда недавно ставшие осуществимыми сложные процессы можно будет выполнять внутри компании, к большинству более простых, ранее выполняемых там, начнут привлекать внешних партнеров.

В 1980-е банки активно внедряли банкоматы, изобретенные в 1970-х. Потенциально трудосберегающая технология была разработана для автоматизации работы кассиров.

Согласно данным Бюро трудовой статистики, кассиры не потеряли работу (рис. 14.1). Машины отобрали у них прямые обязанности. Но в итоге кассиры занялись маркетингом и работой с клиентами, не связанными со сбором и выдачей наличных, – эту задачу выполняли машины, и гораздо надежнее людей. Банки не открывали дополнительные отделения только по двум причинам: из-за проблемы безопасности и издержек на зарплату банковских кассиров. Как только причины исчезли, открылось множество отделений (в городах на 43 % больше), а с ними появилось и множество работников, по старинке называемых кассирами.

Источник: Bessen J. E. How Computer Automation Affects Occupations: Technology, Jobs, and Skills // Boston University School of Law, Law and Economics Research Paper. 2016. October, 3. № 15–49 // URL: http://dx.doi.org/10.2139/ssrn.2690435.

Рис. 14.1. Распространение банкоматов и кассиров за период

Появление банкоматов спровоцировало существенные перемены в организации – новым кассирам в гораздо большей степени требовалось субъективное суждение. Изначальные обязанности кассира были примитивными и легко поддались машинизации. Новые задачи – общение с клиентами, выяснение их потребностей, консультирование по кредитам и выбор опций кредитных карт – оказались не в пример сложнее. И соответственно, труднее стало оценить качество работы новых кассиров ^[126].

Когда объективные критерии продуктивности (у кого короче очередь?) сменились субъективными (кто продает удовлетворяющий клиента продукт?), управление кадрами усложнилось. Экономисты подтвердят, что служебные обязанности непременно станут менее явными и более относительными. Оценка работы и вознаграждение будут основаны на субъективных процессах, таких как пересмотр эффективности, учитывающий сложность задач, а также сильные и слабые стороны сотрудников. Такие процессы внедрить сложно, поскольку требуется немалая доля доверия для того, чтобы они стали стимулами для усердной работы. В конце концов, компании проще отказать в бонусе, повышении зарплаты или служебного статуса, исходя из субъективной точки зрения, чем в присутствии объективных измеримых критериев. Но если использовать критерии в сложной среде, вероятны серьезные ошибки, как убедительно подтверждает опыт Уэллса Фарго с мошенничеством менеджеров по работе с клиентами ^[127].

Непосредственный вывод из этого механизма экономики заключается в том, что благодаря ИИ управление персоналом из делового ранга перейдет в социальный. Причина двоякая. Во-первых, человеческое суждение используется там, где оно имеет ценность, потому что его трудно запрограммировать. Вознаграждение переменчиво, неизвестно или требует человеческого опыта. Во-вторых, человеческое суждение непременно включает в себя способы оценки продуктивности, субъективные до такой степени, до которой возрастает его значимость в результате распространения прогнозов. При наличии объективных способов машина, вероятно, могла бы выносить такое суждение без участия специалистов по кадрам. Таким образом, человек критически важен для принятия решений, если цели субъективны. И поэтому управление такими людьми, скорее всего, будет более социальным.

Следовательно, влияние ИИ на труд отличается от влияния на капитал. С ростом значимости суждения договоры с сотрудниками должны стать более субъективными.

Влияющие на капитал факторы воздействуют и на труд. Если основной результат человеческого труда – это данные, прогнозы или действия, то использование ИИ приведет к сотрудничеству с внешними работниками на контрактной основе и аутсорсингу оборудования и ресурсов. Как и с капиталом, точный прогноз повышает количество «если», которые можно использовать для четкого описания «то» в договоре с внешними партнерами.

Однако больше всего на труд повлияет рост значимости суждения. Прогноз и суждение – взаимодополняющие элементы, и вместе с качеством прогноза растет спрос на него. Основная роль сотрудников сведется к суждению для принятия решений, что по определению трудно сформулировать в договоре. В данном случае прогностическая машина повышает неопределенность стратегической дилеммы, потому что качество суждения трудно оценить, и, следовательно, аутсорсинг предполагает риск. Парадоксально, но чем точнее прогноз, тем выше неопределенность относительно качества работы людей. В компании должны быть свои разработчики функции вознаграждения и другие занимающиеся суждениями сотрудники.

Следующий важный стратегический вопрос заключается во владении данными и контроле над ними. Как последствия для рабочих связаны с взаимодополняемостью прогноза и суждения, так же эти компромиссы обусловлены отношениями между прогнозом и данными. Данные улучшают прогноз. Здесь мы рассматриваем компромиссы, связанные с границами организации. Использовать свои данные или чужие? (Далее мы изучим вопросы стратегического значения инвестирования в сбор данных.)

Для стартапов ИИ критически важно владеть данными для обучения, иначе они не смогут улучшить свой продукт со временем. Стартап машинного обучения Ada Support помогает компаниям взаимодействовать с клиентами. Ada получила возможность интегрировать свой продукт в систему крупного успешного провайдера чатов. Если бы все пошло как нужно, было бы гораздо проще продвигаться и заполучить большую базу пользователей: соблазн велик.

Однако проблема заключалась в том, что данные обратной связи по взаимодействию с пользователем оставались во владении авторитетной компании. А без этих данных Ada не сможет улучшать продукт по результатам работы. Это заставило пересмотреть подход и отказаться от интеграции, пока не появится возможность овладеть полученными данными. Благодаря этому теперь у Ada сформирован и расширяется постоянный поток данных для непрерывного обучения.