Стратегия «человек + ИИ», которая действительно работает

Что происходит, когда AI внедряют без четкого сценария применения, без плана управления изменениями и без какого-либо уважения к людям, которых он должен поддерживать? Он проваливается — и, по словам Evan J Schwartz, Chief Innovation Officer в AMCS и автора *The People, Places and Things*, проваливается предсказуемо и предотвратимо. В этом выпуске подкаста CTRL+Listen Evan делится выводами, добытыми за более чем 35 лет работы с корпоративным ПО, внедрением ERP и промышленной автоматизацией в лесной отрасли, горнодобыче, переработке металлолома и сфере отходов.



От AI-решений для предиктивного обслуживания и оптимизации автопарка до рисков повсеместного использования AI без разбора — Evan отстаивает стратегию «человек плюс AI», где узкие, хорошо определенные AI-задачи объединяются в цепочку для получения нарастающего эффекта. Он также рассказывает о том, как AI меняет обучение разработке ПО, почему в эпоху AI универсалы окажутся устойчивее узких специалистов и чему отрасль обращения с отходами и переработки может научить всех нас в вопросах операционной эффективности.



Узнать больше об Evan →



Подписаться на Evan → 

Слушать выпуск

Смотреть выпуск

Ключевые выводы

• Большинство инициатив в области цифровой трансформации и AI терпят неудачу из-за проблем с внедрением, а не из-за технологий. Проекты ERP и AI часто проваливаются, потому что организации недооценивают управление изменениями, соответствие корпоративной культуре и сложность реальных операционных процессов.
• Для успешной трансформации необходим структурированный подход, ориентированный на людей. Подход «пути клиента» подчеркивает важность четких этапов, осознанного выбора поставщика и практических шагов по внедрению, выходящих за рамки стандартного управления проектами.
• AI лучше всего работает как усилитель человеческих возможностей, а не как замена человеку. Узкие, хорошо определенные сценарии применения AI — в сочетании с человеческим суждением — дают нарастающий эффект в эффективности, логистике, предиктивном обслуживании и прибыльности.
• Операционная эффективность и устойчивое развитие экономически согласованы между собой. Оптимизация логистики, автопарков и использования ресурсов снижает затраты, увеличивает свободный денежный поток и уменьшает воздействие на окружающую среду, превращая устойчивость в конкурентное бизнес-преимущество, а не в компромисс.

Стенограмма

James Sweetlove: Всем привет, это James, и вы слушаете подкаст Control+Listen podcast, который выходит при поддержке Octopart. Спасибо, что сегодня с нами.

У нас в гостях особый гость — Evan Schwartz. Он Chief Innovation Officer в AMCS, основатель и CEO компании Evan J Schwartz, а также адъюнкт-профессор в Jacksonville University. Большое спасибо, что присоединились к нам.

Evan J Schwartz: Это удовольствие, James. Я рад быть здесь. Спасибо.

James Sweetlove: До этого мы с вами немного пообщались, и мне очень интересно углубиться в некоторые темы, которые мы обсуждали для этого выпуска.

Для начала, возможно, расскажете немного о своем опыте и о том, кто такой Evan J Schwartz?

Evan J Schwartz: Конечно.

Моя история очень похожа на то, что обычно можно услышать в IT. Я начал разрабатывать игры еще во времена dial-up bulletin board systems, на заре компьютерной эпохи. Это позволило мне очень хорошо освоиться с технологиями, понять пользовательский опыт и многие зарождающиеся на тот момент технологии, в том числе dial-up modem.

Затем я довольно быстро пришел в мир бизнеса и увидел огромное количество возможностей в самых разных отраслях, особенно в индустриях, связанных с извлечением и переработкой ресурсов. И с того момента прошло уже более 35 лет.

И сегодня я по-прежнему глубоко вовлечен в корпоративные операционные системы, системы, работающие как двигатель генерации свободного денежного потока, системы автоматизации — все то, что позволяет бизнесу функционировать, особенно в ресурсных отраслях: лесная промышленность, горнодобыча, обратная логистика, металлолом — везде, где маржа невысока и где действительно нужно оптимизировать и автоматизировать процессы. Именно в этой сфере в основном и строилась моя карьера.

Evan J Schwartz как личный проект стал своего рода ответвлением этой работы, чем-то, к чему я начал испытывать большую страсть, потому что с годами стал замечать повторяющиеся закономерности: компании покупают крупную ERP-систему, проходят через масштабные организационные изменения. И текущая статистика Gartner, которая очень хорошо совпадает с тем, что я наблюдал на протяжении всей своей карьеры — будь то в роли человека, который «разгребает» последствия, или участника таких проектов, пытающегося довести их до результата, — показывает высокий процент неудач именно на этапе принятия и освоения этих крупных корпоративных систем, на которых держится бизнес.

Поэтому Evan J Schwartz и customer journey стали моей попыткой что-то с этим сделать. Я написал книгу, чтобы дать контекст своим более чем 35 годам опыта — я сам через это прошел, видел это и делал это. А customer journey стал моей попыткой сформулировать фреймворк.

Хотя управление программами и управление проектами уже хорошо развились и стали почти отдельными науками, я считаю — и мой непосредственный опыт это подтверждает, — что для внедрения и освоения новой операционной системы, нового программного продукта, нужен очень специфический подход. И customer journey — это фреймворк, который накладывается поверх того, что принято считать стандартными лучшими практиками управления проектами и программами, но при этом охватывает некоторые уникальные проблемы, которые и приводят к этим 70% провалов.

Мы видим это и сейчас. AI — это еще одна форма цифровой трансформации. И в прошлом году MIT опубликовал отчеты, согласно которым 95% таких инициатив либо не достигают ожидаемого ROI, либо вовсе проваливаются, верно? И проваливаются они по тем же самым причинам. И я подумал: должен же быть способ это остановить.

Итак, customer journey охватывает все этапы внедрения любой цифровой трансформации. Он объясняет вам все с точки зрения заказчика: что нужно делать, как выбирать поставщика, как выбирать программное решение, как планировать программу? Где скрыты подводные камни? Где все может сойти с рельсов и как прийти к успешному внедрению, которое действительно генерирует свободный денежный поток и двигает вверх показатель EBITDA?

Ведь вся причина, по которой вы покупаете такие решения, — улучшить финансовые показатели компании. Вы же не покупаете системы просто ради того, чтобы у вас была цифровая система, верно? Они должны влиять на бизнес на финансовом уровне, а слишком много таких проектов пошло не туда.

На два порядка — это ошеломляет. Два года назад в Германии широко обсуждали случай, когда внедрение SAP вышло за бюджет на $650 млн, прежде чем проект просто остановили. Никакой ценности — просто проект, из которого утекали деньги, и до финала они так и не дошли.

И я, по сути, сказал себе: хватит. Есть способ побеждать стабильно и раз за разом. Дайте я предложу людям фреймворк, потому что все, с кем я говорил, — и в книге упоминается мой хороший друг John Leonard, CEO компании Florachem, — из-за наших отношений он не обращался ко мне за помощью в управлении своим внедрением, к тому же там было другое ПО, но результат оказался негативным.

И в конце этого процесса он пришел ко мне, мы сели и обсудили все по шагам: вот это нужно было сделать, вот здесь можно было пойти иначе, верно? А он сказал: Боже, не знаю, как жаль, что я не знал этого до того, как ввязался в проект.

И финал его истории такой: он вынужден платить пятилетнюю лицензию за программный продукт, которым не может пользоваться. Это ужасное чувство, верно? И этого можно избежать. Самое неприятное в том, что это не случайность. Это не просто крушение поезда, которое невозможно остановить. Это хорошо известно, хорошо задокументировано. Это происходит настолько часто, что люди даже заранее закладываются на такой исход.

Цель была в том, чтобы дать как можно большему числу людей достаточно информации, чтобы этого избежать. И именно это делает customer journey.

James Sweetlove: Потрясающе.

Да, похоже, это действительно очень нужный сервис, и это как раз одна из тех областей, куда все бросаются слишком быстро, возможно, не проводя той должной проверки и подготовки, которую следовало бы провести.

Evan J Schwartz: Отчасти да, а отчасти дело в том, что невозможно знать то, чего не знаешь, верно? Это как и во всем остальном. Мы подходим к вещам через свою призму, со своей точки зрения, и заказчики знают свой бизнес лучше кого бы то ни было.

Но могу сказать вам, исходя из опыта работы в сфере природного газа, сырьевых товаров, лесной отрасли, металлолома, производства и даже биржевой торговли сырьевыми товарами: сколько бы людей ни было в этом бизнесе, даже в сфере отходов и переработки, — ни одна компания не работает так же, как другая. Ни одна.

Они все занимаются, по сути, одним и тем же бизнесом. Если посмотреть издалека, кажется, что все делают одно и то же. Но если опуститься на уровень деталей, ни одна из них не работает одинаково. В этом и есть их секретный соус. Это и есть их отличие. И именно здесь обычно все начинает понемногу сходить с рельсов.

У всех разная культура. Вы удивитесь, насколько сильно ваша корпоративная культура формируется или должна подстраиваться под то программное обеспечение, которое вы внедряете в своей системе. Потому что оно затрагивает каждую часть вашего бизнеса, буквально каждую его часть, верно?

James Sweetlove: Прежде чем мы слишком глубоко уйдем в другие темы, я бы еще хотел попросить вас кратко рассказать для аудитории о том, чем вы занимаетесь в AMCS Group, если можно немного подробнее о вашей роли там.

Evan J Schwartz: Да. Редко выпадает возможность работать в месте, которое по-настоящему зажигает и заставляет с энтузиазмом вставать по утрам и браться за дело. Поэтому AMCS уже много лет — и мы, наверное, могли бы потратить часы, чтобы рассказать всю историю целиком, — но по сути я успел поработать в самых разных компаниях из капиталоемких отраслей.

Лесная промышленность была одной из первых таких по-настоящему капиталоемких отраслей: раньше мы заготавливали древесину для бумаги, верно? А затем, когда переработка начала развиваться, нам понадобился способ собирать картон обратно, перерабатывать его в целлюлозу и возвращать в производство. Так это превратилось в историю с переработкой отходов.

Многие этого не знают, но у дерева не пропадает ни одна часть. Даже терпены и некоторые побочные продукты производства бумаги сами по себе являются ценными продуктами. Как я и говорил про Джона — он работает в химической отрасли. Терпены используются как ароматизаторы.

И тогда быстро начинаешь понимать, что газовая отрасль, нефтяная отрасль — все эти отрасли связаны между собой, хотя бы через логистику. Побочный продукт или отход одной компании становится сырьем для другой. Они очень тесно взаимосвязаны.

И когда я пришел в AMCS, именно это и оказалось той самой точкой точности, тем связующим звеном между всеми этими разными отраслями. Именно здесь и начинаешь находить дополнительные резервы эффективности.

Опираясь на устойчивую результативность, мы считаем, что с помощью технологий можем добиваться большего положительного воздействия на окружающую среду, чем раньше. И мы делаем это каждый день, верно?

Итак, чем я занимаюсь в AMCS: я работаю в сфере инноваций. То есть я могу делать ставки на новые развивающиеся технологии, а затем довожу их до стадии, когда они выходят из POC и переходят в промышленную эксплуатацию, после чего передаю их продуктовой команде, а они уже доводят их до совершенства и превращают в нечто действительно ценное для клиентов. Вот в этом и состоит моя роль в AMCS.

Когда мы смотрим на то, как ИИ теперь вписывается в ваш цикл ERP, возникает вопрос: как сократить логистические издержки? Любой бизнес — поэтому я и назвал свою книгу People, Places and Things. Есть люди, есть места, куда нужно попасть, есть вещи, которые нужно перемещать, и есть логистика, которая все это связывает. Все эти факторы вместе формируют и обеспечивают движение вашего свободного денежного потока, вашей маржи, EBITDA. Все это важно.

И если вы зарабатываете деньги, не загрязняя окружающую среду, разве вероятность того, что вы будете так делать, не становится выше? Если я могу сэкономить вам сто галлонов дизеля в год на каждый грузовик, даже по цене $4, а у вас 1400 грузовиков, это означает, что в атмосферу не попадет соответствующий объем топлива, и одновременно это тот объем топлива, который вам не придется покупать.

Вот это и есть устойчивость через эффективность. Это выстраивание правильных действий, которые создают положительные внешние эффекты вместо отрицательных и при этом улучшают ваш финансовый результат, вашу маржу, EBITDA, свободный денежный поток — все сразу. В этом и состоит ценность, которую AMCS приносит на рынок. И это связывает между собой все эти отрасли. Это способность видеть такие возможности повсюду.

Итак, мы — крупная SaaS ERP-система для ресурсоемких отраслей, работающая сквозным образом, end-to-end. Это управление автопарком, логистикой на маршрутах, возможность принимать материалы, понимать их ценность, продавать их и возвращать обратно на рынок, перерабатывать их — это уже обратная логистика.

То есть я создал продукт, а теперь мне нужно вернуть его обратно к себе, чтобы разобрать на компоненты и снова превратить во что-то полезное, верно? Это сложно.

Мы как вид потратили тысячи лет на то, чтобы отлично научиться добывать что-то из земли или собирать что-то с поверхности. Оно не движется. Я всегда знаю, где находится моя ферма. Я знаю, где находится мой рудник. Но как только я создал продукт и выпустил его на рынок, я уже не имею ни малейшего представления, куда он потом попал.

Поэтому вернуть это обратно достаточно эффективно, чтобы снова превратить материал в сырье для производства нового продукта, — вот задача, решение которой мы успешно предлагаем миру. И мне это очень нравится.

James Sweetlove: Это действительно очень захватывающая и крайне необходимая работа. Я имею в виду, с тем, как растет потребление ресурсов, у нас просто нет другого выхода — мы обязаны это делать.

Evan J Schwartz: Именно так. Но теперь мы наконец подошли к моменту, когда это стало достижимым без необходимости давить на кого-то или опираться только на требования соответствия и штрафы. Технологии догнали видение. Скажем так.

James Sweetlove: Конечно. Вы уже немного коснулись этого в сказанном, но я хочу копнуть чуть глубже. Можете рассказать, что именно теряет компания, если не использует ИИ и автоматизацию в логистике?

Evan J Schwartz: ИИ действительно очень хорошо умеет просматривать нужный объем данных и находить закономерности, но он также очень хорошо работает в тех областях, которые нам самим трудно охватить взглядом, — как правило, это связующие участки или точки передачи между одним этапом и следующим.

Мы можем взять отдельный этап, глубоко в него погрузиться и убедиться, что он максимально эффективен. Но потом я передаю процесс на следующий этап по цепочке, и нам уже очень трудно увидеть дальше одного, максимум двух шагов. Дальше все начинает расплываться.

С помощью ИИ мы можем видеть всю цепочку поставок целиком. Мы можем становиться предиктивными.

Одно дело — сказать: я собираюсь оптимизировать этот процесс. Пример из отрасли обращения с отходами: есть заблокированный контейнер. Я отправил туда машину, и не по вашей вине, скажем, коммунальный грузовик перекрыл к нему доступ, верно? Я приезжаю и не могу до вас дозвониться, и не могу добраться до контейнера. Получается, я впустую совершил весь рейс, чтобы обслужить этот контейнер.

Мне приходится это сфотографировать, отправить вам и сообщить, что я не смог обслужить ваш автомобиль или ваш контейнер, потому что перед ним стояла машина. Скорее всего, мне придется брать плату за повторный выезд. Это совсем неэффективно.

А теперь представьте датчики или изображения с камер в этом районе: я был на конференции по умному городу, и там городские камеры начали открывать для поставщиков услуг. Что, если бы я мог увидеть, что этот грузовик блокирует контейнер, еще до того как туда приехала моя машина, и мог бы связаться с кем-то или организовать его перемещение до прибытия грузовика?

Тогда вместо ситуации, когда я уже на месте и у меня нет времени связаться с вами и попросить переставить машину, я заранее знаю, что буду там через 30 минут. Кто-то блокирует доступ. Я отправлю вам уведомление. И вероятность того, что вы выйдете и скажете: «Ребята, нужно переставить грузовик. Ко мне едет машина обслуживать контейнер. Освободите проезд», — становится намного выше.

ИИ очень хорошо справляется с этим, потому что для меня не масштабируется ситуация, в которой тысяча человек смотрит в тысячу камер и следит за всем сразу. А ИИ может, верно?

Если посмотреть на то, как мы применяем ИИ, то мы сокращаем пробег ваших машин, потому что оптимизируем маршруты. Мы также сокращаем издержки, потому что можем анализировать жидкости в этом транспортном средстве и понимать, требуется ли ему обслуживание.

Если мне не нужно снимать этот грузовик с рабочего дня ради техобслуживания, то я не вношу в окружающую среду дополнительные жидкости и масла, а сам грузовик продолжает приносить пользу. Даже если я уберу всего один цикл обслуживания в год на каждый грузовик, это уже десятки тысяч долларов выручки, которую я сохранил, затрат, которых я избежал, и многие галлоны отработанного масла, которые не пришлось вводить в оборот.

И если я могу обнаружить загрязнение прямо в точке сбора, то я не загрязняю целую загрузку материала в грузовике только потому, что в одном из контейнеров оказалось загрязнение.

Или если мой маршрут оптимизирован, потому что я знаю, сколько могу увезти в своей машине, и знаю, что у всех этих клиентов стоят контейнеры на 90 галлонов, я понимаю, когда мне нужно ехать на разгрузку. Это часть моей процедуры оптимизации. Это оптимальный сценарий. Но если я начинаю собирать много контейнеров, где крышки не закрываются или контейнеры переполнены, я могу это учесть, потому что фактически забираю больше, чем 90 галлонов отходов.

Несправедливо, если я беру с вас плату только за 90-галлонный контейнер для отходов, а вы складываете в него 120 галлонов отходов, верно?

То есть все эти вещи по отдельности уже очень эффективны, но когда начинаешь связывать их между собой, они начинают усиливать друг друга, и это уже дает экспоненциальный эффект. И тогда вы понимаете, что то, что раньше я обслуживал с помощью 13 машин, теперь можно делать с 10.

Для среднего оператора эффект от того, что можно вывести из эксплуатации три такие машины, — даже не считая стоимости самих машин, только по годовому эффекту — составляет около миллиона долларов в год. Тут и страховка, и расходы на обслуживание, и трудозатраты. Так что возможность обслуживать мое сообщество с тремя машинами меньше возвращает в мой бизнес $3 млн свободного денежного потока, который я теперь могу инвестировать в другие направления роста, верно?

Вы берёте один такой сценарий, а затем можете масштабировать его и использовать эту схему, этот шаблон для каждой части вашего бизнеса. Именно те области, которые сегодня не масштабируются, мы раньше не рассматривали, потому что не могли — в этом не было смысла. Мне пришлось бы ставить человека на каждом маленьком этапе, чтобы это отслеживать. А теперь не нужно, верно?

Вот в этом и заключается настоящая ценность. Если держать сценарии использования AI узкими, а затем связывать их в цепочку так, чтобы AI выполнял очень конкретную задачу, то я могу это масштабировать, могу умножать эффект, могу направить эти «глаза» на 10 000 камер в поиске конкретной вещи. Это легко, верно?

Проблемы начинаются, когда вы хотите получить вездесущий AI, который следит сразу за всем. Вот тогда и становится видно, что он начинает блуждать и сходить с рельсов. И именно здесь кроется большая часть неудач AI. Всё упирается в сценарий использования. Вы просто недостаточно хорошо его продумали.

И если ваш сценарий использования — попытаться избавиться от людей, вы уже проиграли. Извините. Это стратегия человек плюс AI. Иначе вы не победите.

Это не значит, что в конце, если вы повысили эффективность, вы не можете оптимизировать свой бизнес — конечно, можете. Если расти уже некуда и вы выжали из ситуации всё, оптимизируйте бизнес. Нет смысла держать ресурсы, которые вам не нужны.

Но когда вы идёте в сторону AI, ваша главная мысль должна быть такой: как AI сделает эту работу с этими ресурсами лучше? Могу ли я масштабироваться сильнее? Могу ли я делать больше? Могу ли я получать большую маржу за счёт стоимости этого ресурса?

И уже в конце, как в примере с грузовиками: теперь я могу делать всё это 10 грузовиками вместо 13. Либо мне нужно найти больше бизнеса, чтобы задействовать эти три грузовика, либо, если я уже достиг максимума, тогда эти три грузовика мне не нужны.

Поэтому оптимизируйте в конце пути. Не начинайте с мыслью: «О, я смогу сократить штат с 10 человек до двух». Вы потерпите неудачу, потому что это меняет сам подход к внедрению AI.

И AI не исправляет вот эту вещь, которую мы сейчас делаем. AI плохо с этим справляется. Везде, где есть связь между людьми, людей нужно оставлять в процессе. Не зря книга называется People, Places and Things. Люди — в приоритете. Сосредоточьтесь на этом. А потом, когда получите прирост, уже оптимизируйте исходя из этого.

James Sweetlove: Верно. Нет, я очень ценю такую точку зрения, потому что лично я её тоже разделяю. Нельзя заменить всех в компании. Это невозможно.

Evan J Schwartz: Да. И мы видим, как крупные компании, которые слишком рано бросились в это с головой, теперь откатывают изменения назад, и сейчас им приходится платить больше, чтобы вернуть эти ресурсы, чем если бы они просто изначально всё хорошо продумали.

James Sweetlove: Да, определённо. Да, я видел несколько таких примеров в новостях. Это было что-то вроде: «Да, по сути, мы ошиблись». Но, как вы и сказали, хорошо, что компании это признают и не попадают в ловушку невозвратных затрат, когда думают: «Ну, мы уже слишком далеко зашли, давайте просто продолжим».

Ранее вы упомянули термин, которого, как мне кажется, некоторые могут не знать. Не могли бы вы очень кратко объяснить, что такое ERP и какова их конкретная роль?

Evan J Schwartz: Да, конечно. ERP — вы правы, это термин, который иногда используют в разных значениях. Я слышал, как некоторые говорят, что их CRM или система управления продажами и отношениями с клиентами — это новый ERP.

Для нас ERP — это система цифровой трансформации, которая управляет значительной частью вашего бизнеса. Это может быть финансово-бухгалтерский бэкенд, ваша CRM, либо то, что традиционно называли ERP, то есть операционная система бизнеса. Это ваш управленческий слой, верно? Именно так работает ваш бизнес.

Не обязательно — она также будет связана с тем, как вы ведёте продажи, если в вашем бизнесе есть компонент продаж. У большинства компаний он в той или иной форме есть, и система также связана с финансово-бухгалтерским компонентом, если только он не встроен в неё изначально.

Там, где возникает много трения и много провалов в некоторых ERP, — это когда бухгалтерские системы пытаются одновременно выполнять ещё и операционные функции. Потому что с их точки зрения это выглядит просто. А потом они начинают понимать: ну да, вообще-то мы построили бухгалтерскую систему.

Хороший пример: во многих таких отраслях мне нужен материал здесь и сейчас. Меня не так сильно волнует, подписали ли мы уже соглашение. Мы с вами пожали руки, и мне нужен этот материал. Мне нужна эта древесина, чтобы большой комбинат продолжал работать, потому что его простой обходится мне в миллион долларов в час. Так что доставьте её сюда, а дальше разберёмся. Давайте согласуем цену и просто будем это отслеживать.

Большинство бухгалтерских систем даже не позволяют завести такую операцию без документа, контракта или соглашения внутри системы. Поэтому операционные системы должны двигаться со скоростью бизнеса. Они должны быть гибкими. В них не может быть жёстко зафиксированных правил. Правила должны быть гибкими, позволяющими людям принимать решения на месте. Тем, кто работает «в полях».

Бухгалтерские системы обычно с этим справляются плохо.

Поэтому в моём понимании ERP охватывает весь ландшафт, верно? Везде, где вы используете программное обеспечение для управления предприятием — будь то продажи, операционная деятельность или финансы — ERP так или иначе затрагивает многие из этих областей. А различия уже сводятся к тому, что именно делает конкретный инструмент.

Но по сути это проект цифровой трансформации, который затрагивает большую часть вашего бизнеса.

James Sweetlove: Полностью понятно. Но спасибо за пояснение. Думаю, полезно понимать, что именно вы имеете в виду, когда так говорите.

Итак, переходя к ещё одной теме, которую мы обсуждали до этого звонка. Вы дали мне несколько очень интересных инсайтов. Автоматизация предиктивного технического обслуживания — это то, о чём вы мне рассказывали, и это показалось очень увлекательной темой. Хотите немного подробнее рассказать, что это такое?

Evan J Schwartz: Да. Многие используют прошлую историю транспортного средства или машины — это может быть стационарный актив, например шлифовальный станок или что-то подобное, — и говорят: нам приходилось обслуживать это два-три раза в год. Значит, я прогнозирую, исходя из исторических данных, что и в этом году нам придётся обслуживать это два-три раза, или каждые шесть месяцев.

Сделаю пример чуть ближе вашим зрителям. Когда я покупал машину, мне сказали, что каждые 3000 миль я должен приезжать на замену масла, верно? Но мы знаем, что совершенно новой машине не нужна замена масла через 3000 миль, верно? С учётом сегодняшней точности инженерии в двигателе это просто не имеет смысла.

Но важно и то, что эти машины создают выручку. Они работают не просто ради самого процесса и не являются только лишь уже понесёнными затратами. Они генерируют ценность.

Так представьте, что теперь можно просто взять пробу масла, как анализ крови, прогнать её через AI-калькулятор, и он скажет: хорошо, исходя из этих факторов, вам либо стоит начать продавать эту машину. Возможно, срок её амортизации ещё не закончился, но вы эксплуатировали её на пределе. Она скоро выйдет из строя. Поэтому моя рекомендация — продать и купить новую.

Или же машина работает отлично. Нет смысла выводить её из эксплуатации. Можно пропустить одно обслуживание, верно? Это позволяет не гадать в отношении части вашего очень дорогого оборудования.

И, как я говорил о грузовиках, каждое из этих транспортных средств — будь то в сфере отходов и переработки или где-то ещё — что-то забирает, куда-то едет, что-то подбирает и что-то доставляет. А это и есть доставка ценности.

Если я знаю, что это транспортное средство работает не лучшим образом, а речь идёт о перевозке, то мы снова возвращаемся к обратной логистике. В отрасли есть выражение, что лом не любит ездить далеко. Каждая миля, на которую вам приходится перевозить лом, просто съедает вашу маржу, верно? Поэтому вам нужно, чтобы это транспортное средство работало максимально эффективно.

Хорошо обслуживаемый, исправно смазанный автомобиль будет работать гораздо эффективнее и сжигать гораздо меньше топлива, чем тот, у которого сзади валит чёрный дым или который скрежещет на ходу. Он будет расходовать намного больше топлива.

Итак, мы даем вам возможность собирать всю эту телеметрию с ваших машин — будь то шлифовальный станок, транспортное средство или любой другой стационарный актив с движущимися частями, — точно понимать, что там происходит, и принимать решение. Стоит ли отложить ремонт и получить от этого оборудования еще несколько дней полезной работы, потому что срочной необходимости нет? Или же, прежде чем случится незапланированный простой, лучше заранее поставить остановку в график. Давайте заранее закажем новые запчасти. Этот узел выходит из строя, этот узел выходит из строя.

То есть здесь AI используется не просто для анализа исторических данных по транспортному средству, а для того, чтобы действительно понимать, что происходит внутри движущегося механизма, где требуется масло, — и это очень мощный инструмент. Он помогает клиентам вернуть в маржу и свободный денежный поток сотни тысяч долларов, а в зависимости от размера автопарка, возможно, даже миллионы.

И это связано с нашим ПО для обслуживания автопарка в целом. Потому что оно дает вам глобальный обзор, верно? Если вы крупная компания, у вас может быть 18, 20 или больше ремонтных постов, куда поступают грузовики, и все они между собой не связаны.

Так что если вы отвечаете за то, чтобы эти грузовики оставались на ходу, и у вас есть ремонтная зона, у вас будет определенный запас материалов, деталей и запасных частей. Но если вы не знаете, что происходит в остальных 20 ремонтных зонах, вы будете действовать как? Ну, например: мне всегда нужны лишние свечи зажигания. Значит, я закуплю с запасом здесь, немного перезакуплю там.

И не успеете оглянуться, как, если умножить это на 14 или 20 ремонтных постов, у вас получится капитальное вложение в размере свыше миллиона, а то и 2 миллионов долларов в год — хотя, возможно, этих инвестиций можно было бы избежать, потому что все просто страхуются.

Но если я знаю, что могу взять эту деталь с ремонтного поста номер два — он ближе всего, — мне не нужно, чтобы каждый отдельный пост закупал и хранил избыточные запасы. Я могу распределить это по всем 20 точкам и при этом поддерживать автопарк в бесперебойной работе. То есть я могу умнее подходить к использованию своих деталей и сервисных ресурсов.

Плюс, по мере расходования этих запасов AI анализирует это потребление с учетом возраста ваших транспортных средств и проб, которые мы берем из двигателей. Так что мы можем прогнозировать: по всем этим образцам видно, что эти ремни скоро износятся, а у вас в суммарных запасах по всем постам есть только X единиц, причем непосредственно на вашем складе — всего две. Возможно, вам стоит самостоятельно отправить еще четыре.

То есть мы действуем по принципу Amazon: давайте заранее разместим запасы, потому что у ваших машин сейчас немного больше проблем, чем, скажем, на ремонтных постах шесть, восемь и девять. Давайте возьмем часть оттуда. А дальше, коллеги, либо вам нужно начинать выставлять эти машины на продажу и покупать новые, либо держать такие запчасти на складе постоянно.

Таким образом, вы теперь принимаете обоснованные бизнес-решения на основе того, что известно, а не просто проводите ретроспективный анализ и надеетесь, что эта тенденция сохранится, потому что именно это и подводит. Тенденция не сохраняется. Включается энтропия. Со временем все деградирует. Этот год будет отличаться от прошлого.

Но если все, что вы можете, — это принимать решения исходя из того, что произошло в прошлом году, значит, вы просто рассуждаете теоретически. Вы не принимаете наилучшие из возможных решений. Именно в этом направлении и развивается predictive maintenance, постепенно выводя операции на гораздо более высокий уровень эффективности.

James Sweetlove: Да, мне кажется, упреждающее использование AI — отличный сценарий его применения. Например, оптимизация маршрутов — это то, о чем мы говорили раньше. По-моему, это очень интересный кейс. Даже небольшие изменения, небольшие корректировки в том, как все работает, позволяют сэкономить огромные деньги, и, как вы сказали, этот эффект накапливается.

Evan J Schwartz: Да, он усиливается со временем, верно? Оптимизированный маршрут — это идеальный маршрут. Но потом мне нужно выйти в реальный мир и запустить его, а там начинают происходить реальные вещи. Чем больше я могу заранее устранить факторы, которые будут негативно влиять на маршрут, тем лучше: я могу скорректировать переполненные контейнеры, если мой сервис занимается вывозом отходов, или защититься от загрязнения, если я работаю с ценным потоком сырья. Я могу убедиться, что мои грузовики находятся в оптимальном состоянии, потому что маршрут нельзя считать по-настоящему оптимизированным, если мой грузовик расходует 1,6 галлона там, где расчет был на определенное количество галлонов на милю, просто потому что он в плохом техническом состоянии.

И когда вы начинаете складывать все эти факторы вместе, экономия начинает действительно резко расти, а решения становятся обоснованными. Тогда ваши специалисты по логистике и диспетчеризации могут принимать решения о том, как обрабатывать новые заявки. Может оказаться, что поступил новый запрос на работу, а поблизости уже есть подходящий автомобиль. Вы можете встроить его в маршрут, в динамический маршрут, и система скажет: да, если снять с маршрута машину номер четыре и отправить ее на этот внеплановый вызов, вы получите такой-то объем выручки, а влияние на маршрут будет вот таким, если внести эти небольшие корректировки.

Это очень мощный способ развивать бизнес.

James Sweetlove: И эту экономию, конечно, можно передать клиенту или конечному потребителю, потому что, очевидно, себестоимость производства или операционные издержки могут расти.

Evan J Schwartz: Именно. Вам не обязательно повышать цены. Наоборот, вы можете экономить деньги, становясь более эффективными. Это отличный тип проблем, James: выполнять ли мне фидуциарные обязательства и выплачивать дивиденды акционерам, или стать более конкурентоспособным на своем рынке, потому что я могу делать это почти за 80% стоимости по сравнению с ближайшим конкурентом. Я просто вытесню их и займу весь этот регион, потому что никто не сможет конкурировать со мной по цене. Вот это действительно хорошая проблема.

James Sweetlove: Безусловно. Я встретил один термин, когда изучал эту тему, и думаю, было бы здорово, если бы вы его прокомментировали. ESG reporting. Что это такое? Я знаю, что это связано с тем, о чем мы говорили.

Evan J Schwartz: Я бы сказал так: если посмотреть на устойчивое развитие и на то, как со временем в эту сферу вовлекались правительства, то речь шла о негативных внешних эффектах, требованиях соответствия и о том, что компаниям и бизнесу говорили: вы должны ответственно относиться к миру, в котором мы живем. И вы будете отчитываться перед нами о своем углеродном следе, о профиле отходов, об энергопотреблении. А мы будем сравнивать вас с другими компаниями, с вашими коллегами по отрасли, и смотреть: насколько вы им соответствуете?

И если у вас есть сильный перекос, мы попросим вас разобраться. Почему? Почему вы потребляете в три-четыре раза больше энергии, чем ближайшая сопоставимая компания? Здесь что-то не так.

Изначально это возникло из осознания того, что нужно делать что-то полезное для окружающей среды — негативные внешние эффекты, штрафы, требования соответствия, — и именно это сдвинуло ситуацию с места, создав осведомленность.

А мы взяли это направление и развили его: мы создали систему ESG reporting. Мы автоматизировали всю систему так, чтобы можно было собирать эти данные и формировать для вас такие отчеты, чтобы вы понимали, где находится ваш бизнес.

Но, опять же, здесь проявляется ценность AI. Из этого паттерна стало видно, что AI способен предсказать, где именно в вашем бизнесе находятся самые высокие выбросы CO2. Неважно, о чем именно идет речь: по всему вашему бизнесу это указывает на возможности для роста прибыли. Потому что углеродный след конкретного процесса напрямую сопоставим с его неэффективностью.

И теперь для бизнеса, помимо выполнения нормативных требований, действительно имеет смысл проводить такой анализ. Потому что это лучший индикатор того, на чем нужно сосредоточиться, чем все, что мы раньше видели со стороны бизнес-аналитиков, изучающих ваши процессы и эффективность. Просто отслеживайте, где у вас углеродный след, — и это вам все покажет. А дальше уже можно погружаться глубже. Потом вы подключаете бизнес-аналитиков и разбираетесь: хорошо, а что здесь за процесс? Что мы делаем? А потом подключаете AI. Есть ли здесь закономерности? Где можно улучшить? Где можно убрать эту высокую «углеродную стоимость»?

И тогда эта маржа напрямую попадает в итоговую прибыль.

Вот это и есть performance sustainability. Мы говорим о том, что дело не только в том, что это нужно делать ради экологии — хотя это, безусловно, важно, — но мы также понимаем, что у вас есть фидуциарные обязательства перед инвесторами и ответственность перед сообществом, в котором вы работаете. Можно делать и то, и другое. Это не выбор между прибыльностью и устойчивостью. Устойчивость — это вполне реальная вещь. Все зависит от того, как вы на это смотрите и как внедряете, верно?

James Sweetlove: У нас не так давно был гость, который как раз занимался именно этим. Так что да, это был очень интересный выпуск. И он действительно поднял отличные вопросы о том, сколько денег можно сэкономить, просто оптимизируя процессы в этой сфере.

Итак, я хотел бы немного сменить тему и поговорить о вашей работе в качестве приглашенного профессора в Jacksonville University. Я знаю, что у вас были очень интересные наблюдения. Можете рассказать, как изменилось инженерное образование в области программирования после широкого внедрения крупномасштабного AI?

Evan J Schwartz: Да, мы видим, что многие вузы начинают сворачивать программы и степени по computer science, верно? Если и был «канарейкой в шахте», то вот она. По сути, они прогнозируют, что рабочих мест для программистов не останется — по крайней мере, не в том виде, в каком мы знаем их сегодня.

Поэтому, получив возможность сотрудничать с Jacksonville University, мы собрали курс, потому что возникает вопрос: если я теряю всех junior-разработчиков, то откуда мне брать архитекторов? Ведь именно так они и появляются, верно? Сначала какое-то время пишут код, становятся лучше в своей работе, а потом превращаются в архитекторов. И эта потребность никуда не делась. Они нам по-прежнему нужны. Нам по-прежнему нужны люди, которые могут смотреть на системы широко и следить за тем, чтобы мы придерживались надежных архитектурных практик.

Так что эта роль никуда не исчезла. Это как сказать, что архитектура нам больше не нужна. Нужна. AI пока даже близко не подошел к тому, чтобы закрыть этот пробел.

Поэтому мы провели курс, чтобы понять, откуда будут приходить такие специалисты, и задавали вопрос: обязательно ли набивать сотни тысяч строк кода, чтобы стать архитектором, или в этом мире к архитектуре можно прийти иначе?

Давайте на секунду отложим это в сторону и переведем в пример, который, возможно, будет ближе широкой аудитории.

Один художественный фотограф — человек, который зарабатывает на жизнь тем, что делает снимки и выставляет их в музеях, — задался вопросом, не остался ли он без работы. Он сел за AI, просто сделал свое селфи — мы ведь не вымышленные, так что выглядело это как мы сами, — дал ему несколько указаний, и в ответ получил эмоционально насыщенный портрет: контрастный свет, капли воды, просто потрясающе.

И в тот момент он пал духом. Мол, ну все, я без работы. И ушел.

Но примерно через час, после того как отошел от этого, — возможно, это было самое умное, что он сделал, — он понял: ему все равно пришлось объяснять AI эффект объектива. Ему все равно пришлось описывать окружение, освещение. Ему все равно пришлось использовать все то, что сегодня заложено в камере и влияет на то, как будет выглядеть снимок. Все это ему пришлось описать AI.

И тогда он понял, что изменилась только камера. Все остальное ему по-прежнему нужно было делать самому.

Я постоянно это людям повторяю. Мы говорим «набрать номер». Хотя уже десятилетиями никто ничего не набирает на диске, но слово «набрать» осталось, верно? Никто уже не крутит диск.

И вот что он доказал: фотографию все равно нужно преподавать. Все равно нужно понимать искусство, знать, как выставить свет, как поставить рассеиватель, как добавить дым и все такое. Всему этому по-прежнему нужно учить. Просто теперь мне не нужно строить сцену, расставлять штативы, настраивать свет и эффекты, чтобы получить изображение. Я просто использую AI.

Мои итерации по этому принципу идут гораздо быстрее, потому что я очень быстро вижу результат: как выглядит объектив такого типа или блик такого типа. Если в реальной студии я, возможно, получал бы одну-две итерации в день, то с совершенно новым студентом я могу получить 50 таких итераций за день. Термины и понятия они все равно осваивают — просто по-другому.

Хорошо, теперь вернемся к архитектуре и программированию. Это называется vibe coding. Ты работаешь с AI, который генерирует код, но направление все равно задаешь ты.

И мы понимаем, что роль разработчика и архитектора становится шире. И, кстати, это заметно в самых разных отраслях. Люди снова становятся универсалами.

Возможно, вы слишком молоды, чтобы помнить восьмидесятые, но тогда, до эпохи SaaS и вертикального ПО, нельзя было просто взять с полки готовый продукт, который делает нужную вещь. Компаниям приходилось создавать такие решения внутри. И обычно в штате был такой универсал — чей-нибудь дядя, кузен, племянник, просто знакомый компьютерный гик, который кое-как собирал все это вместе, и трогать это никому не разрешалось.

Все говорили: «Боб, надо звонить Бобу. Только Боб знает, как заставить эту штуку работать», верно? Он много в чем разбирался, но ни в чем не был настоящим экспертом. И все это он слепил вместе кое-как.

Мы видим, как это возвращается. И если все мы помним курс экологии примерно за седьмой класс, где нам говорили, что в природе специалисты вымирают, а универсалы выживают, то сейчас мы как раз это и наблюдаем.

Мир AI таков: вам нужно знать понемногу — или даже много — о многом, но не стремиться быть экспертом в чем-то одном. Пусть AI берет этот груз на себя.

И этот курс идеально это показал. Мы разделили группу на junior-разработчиков без базы, на студентов первого-второго курса, которые понимали основы, но им не хватало практики, они не так много писали код, и на старшекурсников, которые кодили уже много.

Старшекурсники страдали больше всех. Они спорили с AI. Они были очень критичны, им не нравилось то, что он выдавал. У junior-ов, наоборот, не хватало базы, чтобы оценить те абстракции, к которым мы пытались прийти через vibe coding. Они еще недостаточно понимали, как выглядит хороший результат, чтобы к нему прийти.

А вот ребята посередине, у которых уже была небольшая база, оценили этот «черный ящик». Они могли забросить в него запрос, получить результат, посмотреть, вернуться, снова закинуть и просто итерировать, итерировать, итерировать, пока не добирались до хорошего результата. И им понравилось, насколько легко стало менять продукт.

То есть если моя первая итерация была монолитной, построенной вокруг API, и это работало, а потом я обнаруживал, что у меня уже сто тысяч клиентов, хотя я проектировал все только под десять тысяч, и мне нужно переходить к SOA или дробить API, я мог просто вернуться, сказать об этом AI, и он бы заново перестроил всю эту систему.

Так что именно эти универсалы из середины будут процветать. И это меняет сам подход к обучению. Нам нужно учить темам, концепциям и абстракциям, а затем показывать, как использовать AI, чтобы уходить в глубину. Пусть AI берет этот груз на себя.

Для меня это очень вдохновляющая перспектива. И мне кажется, если спуститься еще ниже — к образованию до вуза, к школе с первого по двенадцатый класс, — то, возможно, нас ждет новая эпоха Возрождения, верно?

Я писал об этом статью в Forbes — я увидел это на примере своего младшего ребенка. В первом классе — одни пятерки. В третьем, четвертом — просто блестяще. Но примерно к четвертому классу он перестал стараться, потому что уже и так был отличником. Он уже был достаточно хорош. Если теперь рисковать, то единственное, что можно потерять, — это свой статус отличника. Зачем рисковать? И с этого момента он начал играть наверняка. Ему были нужны только стабильность и повторяемость. Никаких рисков, никаких попыток сделать что-то новое.

По сути, это то самое, что мы называем детской непосредственностью, но мне бы хотелось, чтобы это качество было врожденным для всех нас: это бесстрашие пробовать что-то новое, не переживая, получится или нет. Посмотрим, чему мы сможем научиться. Но к четвертому классу это буквально выбивают из наших детей. Ужасный способ учиться. Они просто хотят добраться до вершины своего статуса и потом перестают стараться. Больше получать нечего, а бесконечный статус создать невозможно.

Так что если мы делегируем AI груз повторяемого совершенства, а себе оставим это постоянное итеративное «давайте попробуем», «вы говорите, это невозможно — ну так давайте посмотрим», «давайте поймем, почему это невозможно», — возможно, это что-то выявит и позволит прийти к цели другим путем.

Я могу прямо сейчас сказать: то, что мы делаем в AMCS, еще каких-то пять лет назад никто не считал возможным. Всего пять лет назад. «Нет, так нельзя. На этом невозможно зарабатывать». Правда? Потому что именно этим мы сейчас и занимаемся каждый день, целый день, верно?

Значит, все упиралось просто в готовность рискнуть и пойти в это. Но мы убиваем эту креативность в наших детях — по крайней мере, у нас в Штатах. И я надеюсь, что это проникнет до самого уровня государственного школьного образования, и мы вырастим целое поколение бесстрашных, творческих учеников, которым важнее сама попытка и то, чему она нас учит, чем «сделать правильно» или получить статус.

Я помню, как учитель жаловался: мол, математику нужно считать в столбик, потому что у вас не будет калькулятора везде, куда бы вы ни пошли. Но у меня калькулятор в кармане везде, куда бы я ни пошел. Я давно уже так не считаю. Да и никогда особенно не считал.

Хорошо это для нас или нет — наверное, пусть кто-то умнее меня решает. Но реальность такова: мне кажется, для следующего поколения это может стать положительным опытом, но мы должны сами сделать этот выбор, James.

Я слышу все эти предвестники надвигающейся катастрофы, будто жизнь просто происходит с вами, будто AI что-то у вас отнимает. Нет, это выбор. Мы сами выбираем. Можно выбрать катастрофу, а можно выбрать очень светлое будущее, и это светлое будущее —

Так что единственная разница в том, что нас просто недостаточно много, чтобы показывать, как выглядит это светлое будущее и каков путь к нему. Вот и вся проблема. Все вокруг нагнетают мрак и безысходность. Таких людей и так достаточно. Вам не нужен еще один такой.

Поэтому я и пытаюсь донести: вот более правильный подход к ИИ. Это стратегия «человек плюс ИИ». Даже когда Elon говорит о роботах для всех и изобилии, ради чего все это делается, если не ради людей? Зачем? Зачем мне выращивать неограниченное количество кукурузы, если нет людей? Зачем мне строить неограниченное число роботов, если нет людей? Для чего я тогда все это делаю?

James Sweetlove: Верно. Полностью согласен.

И забавно, что этот аспект универсальности проявляется не только в ИИ, но и в бизнесе в целом. Я заметил, насколько сильно все изменилось даже за последние несколько лет. Допустим, еще четыре-пять лет назад, как вы и сказали, у людей в компании была одна конкретная роль. Сейчас у людей по четыре-пять ролей. Все совмещают несколько функций. Чтобы просто удержаться на плаву, нужно уметь адаптироваться.

Evan J Schwartz: Да. Именно универсалы и выживут. Сегодня я видел, как предприниматели выстраивают стартап до оборота в десятки миллионов, и при этом в компании всего два человека. Еще десять лет назад это было бы немыслимо — выйти на такой уровень. А сегодня, с мощью ИИ, инструментов и автоматизации, объединенных в единую цепочку, это вполне реально.

James Sweetlove: Конечно. Есть еще пара вещей, о которых мне очень хочется поговорить, но у нас уже почти не осталось времени. Совсем коротко, чтобы люди получили общее представление: не могли бы вы немного рассказать о своей роли в Forbes Technology Council и упомянуть вашу книгу?

Evan J Schwartz: Да, конечно. В Forbes Technology Council, как и в других подобных советах Forbes, суть в том, чтобы объединять людей из технологической сферы. Моя роль — вести такие разговоры. Поэтому многое из того, о чем мы с вами сейчас говорим, активно обсуждается и в Forbes Technology Council. И мне это очень нравится. Мне нравятся разговоры, которые там происходят. Мне нравится, что все в каком-то смысле видят одно и то же.

Кто-то пришел к этому через череду болезненных ошибок и тяжелого опыта. Кто-то, как мы, пытался проложить этот путь напрямую. Но совершенно ясно, что CIO и CTO со всего мира, состоящие в этом сообществе, видят одну и ту же картину. ИИ — не панацея. Он не заменит людей. Нужны действительно сильные сценарии применения.

Поэтому меня очень вдохновляет эта экосистема, потому что она охватывает очень широкий спектр бизнеса.

И снова: People, Places and Things — это путь клиента. Поэтому книга, по сути, отвечает на вопрос: почему вы должны меня слушать? Это моя история с самого первого дня и до настоящего времени. А путь клиента — это лежащая в ее основе структура.

Так что если вам предстоит крупное внедрение ERP или цифровая трансформация, я очень рекомендую взять эту книгу и ознакомиться с клиентским фреймворком, чтобы понимать, что нужно делать для успешной реализации проекта.

Если же вы уже находитесь в середине кошмарного проекта и все пошло не по плану — не переживайте. Надежда не потеряна. Возможно, вы даже можете пропустить чтение книги и сразу перейти к клиентскому фреймворку. Определите, где вы находитесь. Эти 10 фаз: «я нахожусь вот здесь, и, похоже, просто топчусь на месте». Отлично, заходите туда и разбирайтесь, потому что в начале каждой фазы я объясняю, что у вас должно быть, если вы действительно находитесь на этом этапе. У меня этого нет. Тогда вернитесь на фазу назад, получите это, вернитесь еще на фазу назад, а затем снова двигайтесь вперед и возвращайте проект в нормальное русло.

Это можно спасти. Именно это главное, что я хотел бы оставить вам в качестве мысли. Единственная причина, по которой в проектах делают списание, — это то, что люди не знают, как выбраться из этого бесконечного топтания на месте.

Так что выбраться можно, спасти можно, но возьмите customer journey. Он проведет вас через весь процесс, даже если вам кажется, что надежды уже нет. Посмотрите на него. Думаю, он поможет вам дойти до финиша.

James Sweetlove: Прекрасно. Большое спасибо, Evan. Было невероятно интересно. Похоже, нам придется сделать еще один такой разговор, потому что у меня в списке осталось еще около пяти тем, которые я хотел обсудить. Так что да, спасибо за ваше время и за эту беседу.

Evan J Schwartz: Мне понравилось. Спасибо, James.

James Sweetlove: Всем, кто слушал, спасибо, что были с нами, и возвращайтесь в следующий раз — у нас будет новый гость.