Стратегия «человек + ИИ», которая действительно работает

Что происходит, когда ИИ внедряют без четкого сценария применения, без плана управления изменениями и без какого-либо уважения к людям, которых он должен поддерживать? Он терпит неудачу — и, по словам Эвана Дж. Шварца, директора по инновациям AMCS и автора книги *The People, Places and Things*, эта неудача предсказуема и предотвратима. В этом выпуске подкаста CTRL+Listen Эван делится выстраданными выводами, накопленными за более чем 35 лет работы с корпоративным ПО, внедрением ERP и промышленной автоматизацией в лесной, горнодобывающей, металлоломной и отрасли обращения с отходами.

От ИИ для предиктивного обслуживания и оптимизации автопарка до опасностей повсеместного применения ИИ, Эван отстаивает стратегию «человек плюс ИИ» — подход, при котором узкие, четко определенные задачи ИИ объединяются в цепочки для получения нарастающего эффекта. Он также рассказывает о том, как ИИ меняет обучение разработке ПО, почему в эпоху ИИ специалисты широкого профиля окажутся устойчивее узких экспертов и чему отрасль отходов и переработки может научить всех нас в вопросах операционной эффективности.

Узнать больше об Эване →

Подписаться на Эвана → 

Слушать выпуск

Смотреть выпуск

Ключевые выводы

• Большинство инициатив по цифровой трансформации и внедрению ИИ терпят неудачу из-за проблем с принятием пользователями, а не из-за технологий. Проекты ERP и ИИ часто проваливаются, потому что организации недооценивают управление изменениями, соответствие корпоративной культуре и сложность реальных операционных процессов.
• Для успешной трансформации необходим структурированный, ориентированный на людей подход. Подход «пути клиента» акцентирует внимание на четких этапах, осознанном выборе поставщика и практических шагах по внедрению, выходящих за рамки стандартного управления проектами.
• ИИ лучше всего работает как усилитель человека, а не как его замена. Узкие, четко определенные сценарии применения ИИ — в сочетании с человеческим суждением — дают нарастающий эффект в эффективности, логистике, предиктивном обслуживании и прибыльности.
• Операционная эффективность и устойчивое развитие экономически согласованы. Оптимизация логистики, автопарка и использования ресурсов снижает затраты, увеличивает свободный денежный поток и уменьшает воздействие на окружающую среду, превращая устойчивость в бизнес-преимущество, а не в компромисс.

Расшифровка

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

У нас особый гость — Эван Шварц. Он директор по инновациям в AMCS, основатель и CEO Evan J Schwartz, а также приглашенный профессор Jacksonville University. Большое спасибо, что присоединились к нам.

Evan J Schwartz: Для меня это удовольствие, Джеймс. Я рад быть здесь. Спасибо.

James Sweetlove: Мы немного пообщались до этого, и мне действительно не терпится обсудить некоторые темы, о которых мы говорили перед записью.

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

Evan J Schwartz: Конечно.

Моя история начала очень похожа на то, что обычно можно услышать в ИТ. 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 частности dial-up-модемы.

Оттуда я довольно быстро перешел в мир бизнеса и обнаружил огромное количество возможностей в самых разных компаниях, особенно в так называемых wealth industries. И с тех пор прошло уже более 35 лет.

Так что и сейчас я по-прежнему глубоко вовлечен в корпоративные операционные системы, системы генерации свободного денежного потока, системы автоматизации — все то, что помогает бизнесу работать, особенно в wealth industries: лесная промышленность, горнодобыча, обратная логистика, металлолом — везде, где маржа невысока и нужно по-настоящему оптимизировать и автоматизировать процессы. Именно на этом я в целом и сосредоточен на протяжении всей своей карьеры.

Evan J Schwartz как личный проект вырос из этого опыта — из того, к чему я со временем стал относиться с большой страстью, потому что год за годом я видел повторяющиеся закономерности: компании покупают крупную ERP-систему, проходят через масштабные изменения внутри организации. И текущая статистика Gartner, которая очень созвучна тому, что я наблюдал на протяжении всей карьеры — будь то когда я приходил «разгребать последствия» или сам участвовал в таких проектах и пытался довести их до результата, — касается уровня неудач при принятии и освоении этих крупных корпоративных систем, на которых держится работа бизнеса.

Поэтому Evan J Schwartz и customer journey стали моей попыткой что-то с этим сделать. Я написал книгу, чтобы дать контекст моим 35+ годам практического опыта — я через это прошел, я это видел, я это делал. А customer journey стал моей попыткой сформулировать рабочую методологию.

Хотя управление программами и проектами уже довольно хорошо развились и фактически стали самостоятельными дисциплинами, я считаю — и мой непосредственный опыт это подтверждает, — что для внедрения и принятия новой операционной системы, нового программного продукта нужен очень специфический подход. Поэтому customer journey — это методология, которая накладывается поверх того, что обычно считается стандартными лучшими практиками проектного и программного управления, но при этом охватывает некоторые уникальные проблемы, которые и приводят к этим 70% неудач.

Мы видим это и сейчас. ИИ — это еще одна форма цифровой трансформации. И в прошлом году MIT опубликовал отчеты, согласно которым 95% таких инициатив не достигают ожидаемой окупаемости инвестиций или вообще проваливаются, верно? И проваливаются они по тем же причинам. Поэтому я подумал: должен же быть способ это остановить.

И customer journey охватывает все этапы внедрения любой цифровой трансформации. Он объясняет все с точки зрения клиента: что нужно делать, как выбирать поставщика, как выбирать программное обеспечение, как планировать программу? Где скрываются подводные камни? В какой момент все начинает сходить с рельсов и как прийти к успешному внедрению, которое генерирует свободный денежный поток и двигает вверх показатель EBITDA?

Ведь вся причина, по которой вы покупаете такие системы, — 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 многие из таких проектов пошли не туда.

На два порядка — это ошеломляюще. Два года назад в Германии об этом много писали: внедрение SAP вышло за бюджет на $650 миллионов, прежде чем проект просто остановили. Никакой ценности — только проект, из которого утекали деньги и который так и не довели до конца.

По сути, я сказал себе: хватит. Есть способ побеждать стабильно и снова и снова. Дайте мне возможность предложить людям методологию, потому что каждый, с кем я говорил, — и в книге есть мой хороший друг Джон Леонард, CEO Florachem, — из-за наших отношений не обратился ко мне за помощью в управлении своим внедрением, и там было другое ПО, но результат оказался негативным.

И когда все закончилось, он пришел ко мне, мы сели и я объяснил ему: хорошо, вот это нужно было сделать, или вот так можно было бы поступить, верно? А он сказал: боже, если бы я только знал это до того, как ввязался в проект.

И в итоге его история закончилась тем, что он вынужден платить пятилетнюю лицензию за программный продукт, которым не может пользоваться. Это ужасное чувство, верно? И этого можно было избежать. И это самое неприятное: проблема не случайна. Это не просто крушение поезда, которое невозможно остановить. Все хорошо известно, хорошо задокументировано. Это происходит настолько часто, что люди заранее закладываются на такой исход.

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

James Sweetlove: Потрясающе.

Да, похоже, это действительно очень нужная услуга, и это как раз одна из тех областей, куда все бросаются слишком быстро и, возможно, не проводят ту должную проверку, которую следовало бы провести.

Evan J Schwartz: Отчасти да, а отчасти дело просто в том, что невозможно знать то, чего не знаешь, верно? Это как и во всем остальном. Вы подходите к вещам через свою оптику, со своей точки зрения, и клиенты знают свой бизнес лучше, чем кто-либо другой.

Но я могу сказать вам, исходя из опыта работы в природном газе, сырьевых товарах, лесной отрасли, металлоломе, производстве и даже в торговле сырьевыми товарами на рынках: сколько бы компаний ни было в этих сферах, даже в отрасли отходов и переработки, — ни одна из них не работает одинаково. Ни одна.

Все они занимаются по сути одним и тем же бизнесом. Если посмотреть издалека, кажется, что все делают одно и то же. Но если спуститься на уровень деталей, ни одна из них не работает одинаково. В этом их секретный соус. В этом их отличие. И именно здесь обычно все начинает понемногу идти не по плану.

У всех своя культура. Вы удивитесь, насколько сильно ваша корпоративная культура формируется или должна подстраиваться под то программное обеспечение, которое вы внедряете по всей 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 также хотел попросить вас кратко рассказать аудитории о том, чем вы занимаетесь в AMCS Group, если можно — немного о вашей роли там.

Эван Дж. Шварц: Да. Редко выпадает возможность работать в месте, которое по-настоящему зажигает и заставляет с утра вставать с желанием браться за дело. Поэтому AMCS — уже много лет, и мы, наверное, могли бы часами рассказывать всю эту историю целиком, — но по сути я работал в самых разных капиталоёмких отраслевых бизнесах.

Лесная промышленность была одной из первых по-настоящему крупных отраслей, с которыми я столкнулся: раньше мы заготавливали древесину для бумаги, верно? А затем, когда переработка начала набирать обороты, нам понадобился способ собирать картон обратно, перерабатывать его в целлюлозу и возвращать в производство. Так это превратилось в историю про переработку отходов.

Многие этого не знают, но у дерева не пропадает ни одна часть. Даже терпены и некоторые побочные продукты производства бумаги — это ценные продукты. Вот тот парень, о котором я говорил, Джон, он работает в химической отрасли. Терпены используются как ароматизаторы.

И тут быстро начинаешь понимать, что газовая отрасль, нефтяная отрасль — все эти индустрии связаны между собой, в том числе через логистику. Побочный продукт или отход одного предприятия становится сырьём для другого. Они очень тесно взаимосвязаны.

Когда я пришёл в AMCS, именно это и оказалось той точкой точности, тем связующим звеном между всеми этими разными отраслями. И именно здесь начинают находиться дополнительные возможности для повышения 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?

В AMCS я занимаюсь инновациями. То есть я могу делать ставки на новые развивающиеся технологии, а затем доводить их от стадии POC до промышленной эксплуатации, после чего передавать обратно продуктовой команде, чтобы они довели решение до совершенства и превратили его в нечто действительно ценное для клиентов. 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 моя книга и называется People, Places and Things. Есть люди, есть места, куда нужно добраться, есть вещи, которые нужно перемещать, и есть логистика, которая всё это связывает. Все эти элементы вместе формируют и обеспечивают движение вашего свободного денежного потока, вашей маржи, EBITDA. Всё это важно.

И если вы зарабатываете деньги, не загрязняя окружающую среду, разве не будете вы делать это охотнее? Если я могу сэкономить вам сто галлонов дизеля в год на каждый грузовик, даже при цене $4, а у вас 1400 грузовиков, это означает, что в атмосферу попадёт на столько меньше топлива, и при этом вам не придётся его покупать.

Вот это и есть performance sustainability. Это выстраивание правильных действий, которые создают положительные внешние эффекты вместо отрицательных, и при этом влияют на вашу прибыль, на вашу маржу, EBITDA, свободный денежный поток — на всё. В этом ценность того, что AMCS приносит на рынок. И это работает сразу во всех этих отраслях. Это умение видеть такие возможности повсюду.

Мы — крупная SaaS ERP-система для ресурсоёмких отраслей, работающая end-to-end. То есть это управление автопарком, логистикой на маршрутах, возможность принимать материалы, понимать их ценность, продавать их и возвращать обратно на рынок, перерабатывая их, — это 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 моя шахта. Но как только я создал продукт и вывел его на рынок, я уже не имею понятия, куда он потом делся.

Поэтому вернуть его обратно достаточно эффективно, чтобы снова превратить этот материал в сырьё для нового продукта, — вот та задача, которую мы успешно помогаем решать миру. И мне это очень нравится.

Джеймс Свитлав: Это действительно очень захватывающая и крайне необходимая работа. Я имею в виду, с тем, как растёт потребление ресурсов, у нас просто нет варианта этого не делать. Мы обязаны это делать.

Эван Дж. Шварц: Именно так. Но мы наконец подошли к моменту, когда это стало достижимо без необходимости давить на людей или полагаться только на требования соответствия и штрафы. Технологии догнали само видение. Скажем так.

Джеймс Свитлав: Конечно. Вы уже немного затронули это в том, что только что сказали, но я хочу копнуть глубже. Можете немного рассказать, что именно теряет компания, если не использует ИИ и автоматизацию в логистике?

Эван Дж. Шварц: ИИ действительно очень хорошо умеет анализировать нужный объём данных и видеть закономерности, но он также очень хорош в анализе тех зон, которые нам самим трудно охватить, — а это, как правило, связующие участки или точки передачи от одного этапа к следующему.

Мы можем взять отдельный этап, глубоко в него погрузиться и убедиться, что он максимально эффективен. Но потом я передаю его на следующий этап по цепочке, и нам очень трудно видеть дальше одного, максимум двух шагов. Дальше всё начинает размываться.

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

Есть разница между тем, чтобы просто сказать: «Я оптимизирую этот процесс». Пример из отрасли обращения с отходами: контейнер заблокирован. Я отправил туда машину, и не по вашей вине перед контейнером стоит, скажем, коммунальный грузовик. Я приезжаю и не могу с вами связаться, и не могу добраться до контейнера. Вся поездка на обслуживание этого контейнера оказалась потраченной впустую.

Мне приходится сфотографировать ситуацию, отправить вам фото и сообщить, что я не смог обслужить ваш автомобиль или ваш контейнер, потому что перед ним стояла машина. Скорее всего, мне придётся взять с вас плату за повторный выезд. Это совсем неэффективно.

А теперь представьте датчики или изображения с камер в этом районе: я был на конференции по умным городам, и там города начинают открывать доступ к городским камерам поставщикам услуг. Что если бы я мог увидеть, что этот грузовик блокирует контейнер, ещё до того как моя машина туда приедет, и мог бы кому-то сообщить или организовать его перемещение заранее?

Тогда вместо ситуации, когда я уже на месте и времени связаться с вами почти нет, чтобы вы успели убрать машину, я заранее знаю, что до точки ещё 30 минут, а контейнер уже заблокирован. Я отправлю вам уведомление. Вероятность того, что вы выйдете и скажете: «Ребята, нужно убрать грузовик, ко мне едет машина обслуживать контейнер, освободите проезд», — становится гораздо выше.

ИИ отлично справляется с такими задачами, потому что для меня не масштабируется вариант, при котором тысяча людей смотрит в тысячу камер и следит за всем подряд. А ИИ может, верно?

Если посмотреть на то, как мы применяем ИИ, мы сокращаем количество миль, которые должен проехать ваш грузовик, потому что оптимизируем маршрут. 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 продуктивного рабочего дня и отправлять его на обслуживание, я не вношу в окружающую среду дополнительные жидкости и масла, а сам грузовик продолжает работать. Даже если я просто уберу один цикл техобслуживания в год на каждый грузовик, это уже десятки тысяч долларов сохранённой выручки, предотвращённых затрат и галлоны за галлонами отработанного масла, которое мне не пришлось использовать и затем утилизировать.

И если я могу обнаружить загрязнение прямо в точке сбора, я не загрязняю целую загрузку материала в грузовике только потому, что один из контейнеров оказался загрязнённым.

Или если мой маршрут оптимизирован, потому что я знаю, сколько могу увезти в своём грузовике, и знаю, что всем этим клиентам выданы контейнеры объёмом 90 галлонов, то я понимаю, когда мне нужно ехать на разгрузку. Это часть моей процедуры оптимизации. Это оптимальный сценарий. Но если я начинаю собирать много контейнеров, у которых крышки не закрываются или которые переполнены, я могу это учесть, потому что фактически забираю больше, чем 90 галлонов отходов.

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

Все эти вещи по отдельности уже очень эффективны, но когда начинаешь связывать их между собой, эффект накапливается, и это уже становится экспоненциальным ростом эффективности. И тогда вы понимаете, что то, что раньше обслуживалось 13 машинами, теперь можно делать 10.

Для среднего оператора эффект от того, что можно вывести из эксплуатации три такие машины, — даже если не учитывать стоимость самих машин, только годовые расходы — составляет около миллиона долларов в год. Страхование, обслуживание, трудозатраты. То есть возможность обслуживать своё 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 своего бизнеса. Именно те области, которые сегодня не масштабируются, мы и 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 есть настоящая ценность. Сохранять сценарии применения ИИ узкими, а затем связывать их в цепочку так, чтобы ИИ выполнял очень конкретную задачу, но при этом я мог это масштабировать, мог это многократно тиражировать, мог направить эти «глаза» на 10 000 камер в поиске нужного объекта. Это легко, верно?

Проблемы начинаются тогда, когда вы хотите получить вездесущий ИИ, который смотрит сразу на всё подряд — вот тогда и становится видно, что он начинает блуждать и сходить с рельсов. И именно здесь кроется большая часть неудач ИИ. Всё упирается в сценарий применения. Вы просто не продумали его как следует.

И если ваш сценарий применения — попытаться избавиться от людей, вы уже проиграли. Извините. Это стратегия человек плюс ИИ. Так вы не победите.

Это не значит, что в конце, если вы повысили свою эффективность, вы не можете оптимизировать масштаб бизнеса — конечно, можете. Если расти уже некуда и вы охватили всё возможное, оптимизируйте масштаб бизнеса. Нет смысла сохранять ресурсы, которые вам не нужны.

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

А уже в конце, как в примере с грузовиками: теперь я могу делать всё это с 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.

Так что оптимизируйте масштаб в конце пути. Не начинайте с мысли: «О, я могу сократить штат с 10 человек до двух». Вы потерпите неудачу, потому что это меняет сам подход к внедрению ИИ.

И ИИ не исправляет вот эту вещь, которой мы сейчас занимаемся. ИИ не делает это хорошо. Везде, где есть взаимодействие 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 эффект, уже от этого и оптимизируйте масштаб.

James Sweetlove: Верно. Нет, я действительно 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 всё назад и платят больше за возвращение этих ресурсов, чем заплатили бы, если бы просто всё как следует продумали с самого начала.

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

Вы ранее упомянули термин, которого, как мне кажется, люди могут не знать. Так что, если можно, объясните очень кратко: что такое ERP и какова конкретно его роль?

Evan J Schwartz: Да, ERP — вы правы, это термин, который может использоваться по-разному. Я слышал, как некоторые говорят, что их CRM или система управления продажами и взаимоотношениями с клиентами — это новый ERP.

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

Не обязательно — она будет связана и с тем, как вы ведёте продажи, если в вашем бизнесе есть компонент продаж. У большинства компаний какая-то такая сторона есть, и она связана с вашим финансово-бухгалтерским контуром, если сама система не включает финансовые и бухгалтерские компоненты.

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

Хороший пример: во многих таких отраслях мне нужен этот материал здесь. Меня не слишком волнует, подписали ли мы уже соглашение. Мы с вами пожали руки, и мне нужен этот материал. Мне нужна эта древесина, чтобы поддерживать работу большого комбината, потому что каждый час простоя обходится мне в миллион долларов. Так что доставьте её сюда, а дальше мы разберёмся. Давайте согласуем цену и просто будем это отслеживать.

Большинство бухгалтерских систем даже не позволяют завести это без документа, контракта или соглашения внутри системы. Поэтому операционные системы должны двигаться со скоростью бизнеса. Они должны быть гибкими. В них не может быть жёстких фиксированных правил. В них должны быть гибкие правила, позволяющие людям принимать оперативные решения на месте. Людям «в поле».

Бухгалтерские системы обычно с этим справляются плохо.

Так что 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 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 ясность. 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 поделились со мной очень интересными наблюдениями. Автоматизация предиктивного технического обслуживания — это то, о чём вы мне рассказывали, и это звучало действительно очень интересно. Хотите немного подробнее объяснить, что это такое?

Evan J Schwartz: Да. Многие используют прошлую историю автомобиля или машины — это может быть и стационарный актив, например дробилка или что-то подобное — и говорят: нам приходилось обслуживать это два-три раза в год. Значит, я прогнозирую, исходя из исторического опыта, что в этом году мне тоже придётся обслуживать это два-три раза, или каждые шесть месяцев.

Сделаю это чуть ближе вашим зрителям. Когда я покупал машину, мне сказали: каждые 3000 миль нужно приезжать на замену масла, верно? Но мы же понимаем, что совершенно новой машине не нужна замена масла через 3000 миль, верно? Не с сегодняшней точностью инженерии в этом двигателе. Это не имеет смысла.

Но эти машины ещё и создают выручку. Они работают не просто ради самого процесса и не являются просто невозвратными затратами. Они создают ценность.

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

Или наоборот: эта машина работает отлично. Нет смысла выводить её из эксплуатации. Мы можем пропустить одно обслуживание, верно? Это позволяет вам не гадать в отношении части вашего очень дорогого оборудования.

И как я говорил про эти грузовики: каждое такое транспортное средство, 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 плохо, а речь идёт о перевозке, то мы снова возвращаемся к обратной логистике. В отрасли есть поговорка: лом не любит дальних перевозок. Каждая миля, на которую вам приходится везти лом, просто съедает вашу маржу, верно? Поэтому вам нужно, чтобы это транспортное средство работало максимально эффективно.

Хорошо обслуживаемый, исправный автомобиль будет работать гораздо эффективнее и расходовать намного меньше топлива, чем тот, у которого из выхлопной трубы валит чёрный дым или который скрежещет на ходу. Такой будет сжигать гораздо больше топлива.

Итак, мы даем вам возможность собирать всю эту телеметрию с вашего оборудования — 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 сразу закажем новые детали. Этот узел выходит из строя, этот узел выходит из строя.

То есть здесь ИИ 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 программным обеспечением для обслуживания автопарка в целом. Потому что оно дает глобальный обзор, верно? Если вы крупная компания, у вас может быть 18, 20 или даже больше ремонтных зон, куда вы отправляете грузовики, и все они работают разрозненно.

Так что если вы человек, чья задача — поддерживать эти грузовики в рабочем состоянии, 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 так: хорошо, мне всегда нужны дополнительные свечи зажигания. Я закуплю с запасом здесь, еще немного с запасом там.

И не успеете оглянуться, как в масштабе 14 или 20 ремонтных зон это превращается в капитальные вложения на миллион с лишним, а то и 2 миллиона долларов в год, которые, возможно, и не нужно делать, потому что все просто перестраховываются.

Но если я знаю, что могу получить эту деталь из ремонтной зоны №2, потому что она ближе всего, мне не нужно, чтобы каждая отдельная ремонтная зона закупала лишнее и держала 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 деталей и сервисных ресурсов.

Кроме того, по мере расходования этих запасов ИИ анализирует это потребление с учетом возраста ваших транспортных средств и образцов, которые мы берем из двигателей. Поэтому мы можем прогнозировать: по всем этим выборкам видно, что эти ремни скоро износятся, а у вас всего X единиц на складе по всей системе, то есть по всем вашим ремонтным зонам, и непосредственно в наличии у вас только две. Возможно, вам стоит самим отправить еще четыре.

То есть мы действуем по принципу Amazon: давайте заранее разместим запасы, потому что у ваших машин проблем немного больше, чем, скажем, у ремонтных зон шесть, восемь и девять. Давайте возьмем часть у них. А дальше, ребята, вам либо пора выставлять эти машины на продажу и покупать новые, либо начинать держать такие детали в постоянном запасе.

И вот теперь вы принимаете обоснованные бизнес-решения на основе того, что известно, а не просто анализируете прошлые периоды и надеетесь, что тенденция сохранится, потому что именно это и подводит. Тенденция не сохраняется. Вступает в силу энтропия. Со временем все изнашивается. Этот год будет отличаться от прошлого.

Но если все, что вы можете, — это принимать решения на основе того, что произошло в прошлом году, тогда вы просто рассуждаете теоретически. Вы не принимаете наилучшие из возможных решений. Именно в этом направлении и развивается предиктивное обслуживание, постепенно переводя процессы на гораздо более эффективный уровень.

James Sweetlove: Да, мне кажется, превентивное использование ИИ — отличный сценарий его применения. Такие вещи, как оптимизация маршрутов, — это то, что мы обсуждали ранее. На мой взгляд, это очень интересный кейс. Небольшие изменения, небольшие корректировки в том, как все работает, дают огромную экономию, и она накапливается — как вы и сказали, эффект наслаивается.

Evan J Schwartz: Да, это дает накопительный эффект, верно? Оптимизированный маршрут — это идеальный маршрут. Но потом мне нужно выйти в реальный мир и выполнить его, а в реальном мире происходят реальные вещи. Чем лучше я могу заранее устранить факторы, которые негативно повлияют на мой маршрут, тем лучше. Если мой сервис занимается вывозом отходов, я могу скорректировать маршрут с учетом переполненных контейнеров; если я собираю ценный поток материалов, я могу защититься от загрязнения; я могу убедиться, что мои грузовики работают в оптимальном состоянии, потому что маршрут не будет по-настоящему оптимизированным, если мой грузовик расходует 1,6 галлона вместо расчетного расхода на милю из-за плохого технического состояния.

Так что когда вы начинаете складывать все эти факторы вместе, экономия в деньгах действительно начинает резко расти, и вы принимаете обоснованные решения. Тогда ваши специалисты по логистике и диспетчеры могут решать, как принимать новые заявки. Может оказаться, что поступает новый заказ, а у вас совсем рядом уже находится подходящая машина. Вы можете встроить это в маршрут, в динамический маршрут, и система скажет: да, если снять машину №4 с текущего маршрута и отправить ее на этот внеплановый вызов, вы получите вот такой 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, очевидно, можно передать клиенту или конечному потребителю, потому что, как мы понимаем, стоимость производства или операционные расходы могут расти.

Evan J Schwartz: Именно. Вам не обязательно повышать цены. Наоборот, вы можете экономить деньги, становясь эффективнее. Это отличные проблемы, Джеймс: выполнить ли мне мою фидуциарную обязанность и выплатить дивиденды акционерам, или стать более конкурентоспособным на своем рынке, потому что я могу делать это почти при 80% затрат от затрат моего ближайшего конкурента. Я вытесню их и займу весь этот рынок, потому что никто не сможет конкурировать со мной по себестоимости. Это отличная проблема.

James Sweetlove: Безусловно. Я наткнулся на один термин, когда изучал эту тему, и думаю, было бы здорово, если бы вы его прокомментировали. ESG-отчетность. Что это такое? Я понимаю, 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 это включились правительства, то речь идет о негативных внешних эффектах, о требованиях соответствия и о том, что компаниям и бизнесу говорят: вы должны ответственно относиться к миру, в котором мы живем. И вы будете отчитываться перед нами о своем углеродном следе, профиле отходов, энергопотреблении. А мы будем сравнивать вас с другими компаниями, с вашими коллегами по отрасли, и смотреть: как вы выглядите на их фоне?

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 — все это сдвинуло ситуацию с места и повысило осведомленность.

А мы пошли дальше и развили это направление: мы создали ESG-отчетность. Мы автоматизировали всю систему так, чтобы можно было собирать эти данные и предоставлять вам такие отчеты, чтобы вы понимали, где находится ваш бизнес.

Но, опять же, здесь выигрывает ИИ. Из этого паттерна стало ясно, что ИИ способен предсказать, где именно в вашем бизнесе находятся самые высокие выбросы CO2. И неважно, о чем именно идет речь: по всему бизнесу там, где есть такая возможность, есть и потенциал для роста выручки. Это практически прямое соответствие: неэффективность отражается в углеродном следе этого процесса.

Поэтому теперь бизнесу имеет смысл проводить такой анализ не только ради соблюдения требований. Это лучший индикатор того, на чем нужно сосредоточиться, чем все, что мы видели раньше со стороны бизнес-аналитиков, изучающих ваши процессы и эффективность. Просто отслеживайте, где у вас самый большой углеродный след, — и это вам все покажет. А дальше уже можно глубоко погружаться в эти области. Тогда вы подключаете бизнес-аналитиков и разбираетесь: так, что здесь за процесс? Что мы делаем? А потом подключаете ИИ. Есть ли закономерности? Где можно улучшить? Где можно убрать эту тяжелую углеродную нагрузку из затрат?

И тогда вы можете напрямую перевести эту маржу в итоговую прибыль.

Вот это и есть устойчивая эффективность. Мы говорим следующее: да, этим стоит заниматься потому, что это полезно для окружающей среды, но мы также понимаем, что у вас есть фидуциарная ответственность перед инвесторами и ответственность перед сообществом, в котором вы работаете. И 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 привел отличные аргументы о том, сколько денег можно сэкономить, просто оптимизируя процессы в этой области.

Теперь я хотел бы немного сменить тему и поговорить о вашей работе в качестве приглашенного профессора в Jacksonville University. Я знаю, что у вас есть очень интересные наблюдения. Можете рассказать, как изменилось обучение программированию и инженерным дисциплинам после внедрения крупномасштабного ИИ?

Эван Дж. Шварц: 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 в привычном нам сегодня виде не останется.

Поэтому, получив возможность сотрудничать с Jacksonville University, мы собрали курс, потому что тут возникает вопрос: если я теряю всех младших разработчиков, то откуда мне брать архитекторов? Ведь именно так они и появляются, верно? Они какое-то время пишут код, становятся лучше в своей работе, а потом становятся архитекторами. 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 сильных 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 вопрос, который мы задавали, звучал так: обязательно ли набивать сотни тысяч строк кода, чтобы стать архитектором, или в этом мире можно прийти к архитектуре другим путем?

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

Один художественный фотограф, человек, который зарабатывает на жизнь тем, что делает снимки и выставляет их в музеях, задумался, не остался ли он без работы. Он сел за AI, просто сделал свое селфи — мы не выдуманные, так что получилось похоже на нас, — дал ему несколько инструкций, и в ответ получил эмоционально сильный портрет самого себя: контрастный свет, капли воды, просто потрясающе.

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

Но примерно через час, проведенный вдали от этого, он, вероятно, сделал самое умное, что мог. Он понял, что ему всё равно пришлось объяснить AI эффект объектива. Ему всё равно пришлось описать окружение, освещение. Ему всё равно пришлось использовать всё это — всё, что сегодня заложено в камеру и влияет на то, как будет выглядеть снимок. Всё это он должен был описать AI.

И тогда он понял: изменилось только одно — камера. Всё остальное он по-прежнему должен был делать сам.

Я постоянно говорю людям об этом. Мы говорим, что «набираем номер телефона». Хотя никто не набирал номер диском уже десятилетиями, мы всё равно используем слово «набирать», верно? Хотя никто уже ничего не набирает.

И то, что он показывает, означает: фотографии всё равно нужно учить. Всё равно нужно понимать искусство и знать, как выставить свет, как поставить перед ним рассеиватель, как добавить дым и всё такое. Всё это по-прежнему нужно преподавать. Просто мне больше не нужно строить сцену, расставлять штативы, выставлять свет и эффекты, чтобы получить изображение. Я просто использую AI.

Мои итерации по этому принципу идут быстро, потому что я очень быстро вижу результат от объектива такого типа или от такого светового блика. Там, где в реальной студии я мог бы сделать одну-две итерации в день, с совершенно новым студентом я могу получить 50 таких итераций за день. Осваивая эти термины, они просто учатся им по-другому.

Хорошо, теперь вернемся к архитектуре и программированию. Это называется vibe coding. Вы работаете с AI, который генерирует код, но направление всё равно задаете вы.

И мы понимаем, что роль разработчика и архитектора становится шире. И, кстати, это видно 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 вещи внутри, и обычно в штате был универсал — чей-то дядя, кузен, племянник, кто-то знакомый, компьютерный гик, который кое-как всё это собирал, и трогать это никому не разрешалось.

Но при этом все говорили: «Боб, надо звонить Бобу. Только он знает, как заставить эту штуку работать», верно? И он был неплох во многом, но не был экспертом ни в чем. И он всё это слепил вместе.

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

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

И этот курс прекрасно это показал. Мы разделили группу на младших разработчиков без базы, студентов первого-второго курса, которые понимали основы, но у них было мало практики, мало написанного кода, и старшекурсников, которые кодили уже много.

Старшекурсникам пришлось тяжелее всего. Они спорили с AI. Очень критично к нему относились, им не нравилось, что он делает. У младших не хватало базы, чтобы оценить те абстракции, с которыми мы пытались работать в vibe coding. Они недостаточно понимали, как выглядит хороший результат, чтобы к нему прийти.

А вот ребята посередине, с некоторой базой, оценили этот «черный ящик». Что можно что-то в него закинуть, получить результат, посмотреть, вернуться, снова закинуть и просто итерировать, итерировать, итерировать, пока не доберешься до хорошего результата. И им понравилось, насколько легко менять продукт.

То есть если моя первая итерация была монолитной, построенной вокруг API, и это работало, но потом выяснилось, что у меня уже сто тысяч клиентов, а я проектировал только под 10 000, и мне нужна SOA или нужно разбить API на части, я могу просто вернуться, сказать об этом AI, и он заново перестроит всю эту систему.

Так что именно эти универсалы посередине будут процветать. И это меняет то, как нам нужно учить людей. Нам нужно преподавать темы, концепции и абстракции, а затем учить их использовать AI, чтобы уходить в глубину. Пусть AI берет эту нагрузку на себя.

Для меня это очень вдохновляющая перспектива. И мне кажется, если отмотать всё назад, до уровня доуниверситетского образования — с первого по двенадцатый класс, — мы можем оказаться в новом мире, похожем на эпоху Возрождения, верно?

Я писал об этом статью для Forbes, потому что увидел это на примере своего младшего сына. В первом классе — одни пятерки. В третьем, четвертом — просто потрясающе. Но примерно к четвертому классу он перестал стараться, потому что уже был отличником. Он уже был достаточно хорош. Если теперь рисковать, то всё, что я делаю, — это ставлю под угрозу свой статус отличника. Зачем мне рисковать? И с этого момента он начал играть наверняка. Всё, к чему он стремился, — это стабильность и повторяемость. Никаких рисков, никаких попыток попробовать что-то новое.

По сути, вот это — и мы называем это детскостью, хотя мне хотелось бы, чтобы это было врожденным во всех нас, — это бесстрашие пробовать что-то, не переживая, получится или нет, смотреть, чему мы можем научиться. Но к четвертому классу это из наших детей, по сути, выбивают. Это ужасный способ учиться. Они просто хотят добраться до вершины своего статуса, а потом перестают стараться. Больше получать нечего, а бесконечный статус создать невозможно.

Так вот, если бы мы делегировали AI бремя повторяемого совершенства, а себе оставили это постоянное итеративное «давайте попробуем», «вы говорите, это невозможно — давайте посмотрим», «давайте поймем, почему это невозможно», — возможно, это что-то вскроет и позволит нам прийти к цели другим путем.

Я могу прямо сейчас сказать: то, что мы делаем в AMCS, еще пять лет назад никто не считал возможным. Всего пять лет назад. «О, так нельзя. Так невозможно зарабатывать деньги». Правда? Потому что сейчас мы делаем это целыми днями, каждый день, верно?

Так что всё упиралось просто в готовность сделать ставку и пойти в это. Но мы убиваем эту креативность в наших детях, по крайней мере у нас, в Штатах. И я надеюсь, что это дойдет до самой системы государственного образования, где мы вырастим целое поколение бесстрашных, творческих учеников, которым интереснее сама попытка и то, чему она нас учит, чем «сделать правильно» или получить статус.

Я помню, как учитель жаловался: математику нужно делать в столбик, потому что калькулятора у тебя везде с собой не будет. Ну а у меня калькулятор в кармане везде, куда бы я ни пошел. Я такую математику больше не делаю. Никогда и не делал.

Хорошо это для нас или нет — наверное, кто-то умнее меня должен решать. Но реальность такова: мне кажется, для следующего поколения это может стать позитивным опытом, но мы должны сами это выбрать, Джеймс.

Я слышу все эти косвенные признаки надвигающейся катастрофы, будто жизнь просто происходит с тобой. Будто AI что-то у тебя крадет. 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. Это единственная проблема. Все вокруг нагнетают мрак и безысходность. Таких людей и так хватает. Вам не нужен еще один такой.

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

James Sweetlove: Верно. Полностью согласен.

И забавно, потому 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 была одна конкретная роль в компании. А теперь у людей по четыре-пять ролей. Все совмещают сразу несколько функций. Чтобы удержаться на плаву, нужно уметь адаптироваться.

Evan J Schwartz: Да. Выживут именно универсалы. Сегодня я видел, как предприниматели вырастили стартап до десятков миллионов, и при этом в компании было всего два человека. Еще десять лет назад такое было бы немыслимо — выйти на такой уровень. А сегодня, с возможностями ИИ, инструментов и автоматизации, связанных в единую цепочку, это вполне реально.

James Sweetlove: Конечно. Есть еще пара вещей, о которых мне очень хочется поговорить, но у нас уже почти заканчивается время. Совсем коротко, чтобы слушатели 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, а у Forbes есть несколько таких советов, основная идея — объединять людей из технологической сферы. Моя роль — вести обсуждения. Так что многое из того, о чем я сейчас говорю с вами, активно обсуждается 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 из нас — пытаясь проложить этот путь напрямую. Но совершенно ясно, что CIO и CTO со всего мира, которые состоят в этом сообществе, видят одну и ту же картину. ИИ — не панацея. Он не заменит людей. Нужны действительно сильные сценарии применения.

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

И снова: The People, Places and Things — это путь клиента. Так что книга, по сути, отвечает на вопрос: почему вам вообще стоит меня слушать? Это моя история — от самого первого дня до настоящего момента. А путь клиента — это лежащая в ее основе структура.

Поэтому, если вам предстоит крупное внедрение ERP или цифровая трансформация, я настоятельно рекомендую взять эту книгу и получить копию клиентского фреймворка, 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 еще не потеряна. Возможно, вам даже не обязательно читать всю книгу — можно сразу перейти к клиентскому фреймворку. Определите, где вы находитесь. Вот эти 10 фаз: я нахожусь здесь и, скорее всего, просто топчусь на месте. Отлично, заходите туда и разбирайтесь, потому что, как я говорю, в начале каждой фазы у вас должны быть определенные вещи, если вы действительно на этой фазе. У меня этого нет. Тогда вернитесь на фазу назад, получите это, вернитесь еще на фазу назад, а потом снова двигайтесь вперед и возвращайте проект в рабочее русло.

Проект можно спасти. Именно это я и хотел бы оставить вам как главный вывод. Единственная причина, по которой люди списывают проекты, — они просто не знают, как выбраться из этого бесконечного топтания на месте.

Так что выбраться можно, спасти проект 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: Потрясающе. Большое спасибо, Эван. Было очень интересно. Похоже, нам придется записать еще один такой разговор, потому что у меня в списке осталось еще примерно пять тем, которые я хотел обсудить. Так что да, спасибо за ваше время и за эту беседу.

Evan J Schwartz: Мне понравилось. Спасибо, Джеймс.

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