Нужен ли нам AI rulebook?
Интересный отчёт от Google о внедрении искусственного интеллекта в организациях. Помните цифру McKinsey/MIT — только 2% AI-проектов проходят стадию пилота? Это называют AI-divide или AI-gap.
Google же показывает «светлую сторону»: компании, преодолевшие этот барьер, уже фиксируют ROI и рост эффективности — хотя эффект размазан по разным секторам.
Вот список трех ключевых проблем внедрения искусственного интеллекта по опросам Google:
• сложность обеспечения безопасности
• проблемы интеграции агентов с системами типа CRM/ERP в реальностях энтерпрайзов (а там вся ценность)
• сложно измерить эффект и доказать его руководству
⚡️ Рекомендации делятся на две группы:
Классика change management — поддержка топ-менеджмента, развитие сотрудников, быстрые win-кейсы, считать ROI.
Вторая часть связана со спецификой генеративного искусственного интеллекта — фоксироваться на обеспечении инструментами AI агентов, инвестировать в обучение ИИ.
🔥 И наконец, (лично для меня) ключевой инсайт — создать правила игры для работы с ИИ (AI rulebook). Договориться в организации четко, что можно и что нельзя делать с точки зрения искусственного интеллекта - что можно делать внешними LLM, а что только on-premise. Правила выдачи прав ИИ агентам на редактирование внутренних систем. Когда решения должны проверяться человеком (man in the loop), и когда без этого можно обойтись, кто отвечает за качество результата, этика, метрики и многое другое.
Интересный отчёт от Google о внедрении искусственного интеллекта в организациях. Помните цифру McKinsey/MIT — только 2% AI-проектов проходят стадию пилота? Это называют AI-divide или AI-gap.
Google же показывает «светлую сторону»: компании, преодолевшие этот барьер, уже фиксируют ROI и рост эффективности — хотя эффект размазан по разным секторам.
Вот список трех ключевых проблем внедрения искусственного интеллекта по опросам Google:
• сложность обеспечения безопасности
• проблемы интеграции агентов с системами типа CRM/ERP в реальностях энтерпрайзов (а там вся ценность)
• сложно измерить эффект и доказать его руководству
⚡️ Рекомендации делятся на две группы:
Классика change management — поддержка топ-менеджмента, развитие сотрудников, быстрые win-кейсы, считать ROI.
Вторая часть связана со спецификой генеративного искусственного интеллекта — фоксироваться на обеспечении инструментами AI агентов, инвестировать в обучение ИИ.
🔥 И наконец, (лично для меня) ключевой инсайт — создать правила игры для работы с ИИ (AI rulebook). Договориться в организации четко, что можно и что нельзя делать с точки зрения искусственного интеллекта - что можно делать внешними LLM, а что только on-premise. Правила выдачи прав ИИ агентам на редактирование внутренних систем. Когда решения должны проверяться человеком (man in the loop), и когда без этого можно обойтись, кто отвечает за качество результата, этика, метрики и многое другое.
👍8
tgoop.com/aidea4work/131
Create:
Last Update:
Last Update:
Нужен ли нам AI rulebook?
Интересный отчёт от Google о внедрении искусственного интеллекта в организациях. Помните цифру McKinsey/MIT — только 2% AI-проектов проходят стадию пилота? Это называют AI-divide или AI-gap.
Google же показывает «светлую сторону»: компании, преодолевшие этот барьер, уже фиксируют ROI и рост эффективности — хотя эффект размазан по разным секторам.
Вот список трех ключевых проблем внедрения искусственного интеллекта по опросам Google:
• сложность обеспечения безопасности
• проблемы интеграции агентов с системами типа CRM/ERP в реальностях энтерпрайзов (а там вся ценность)
• сложно измерить эффект и доказать его руководству
⚡️ Рекомендации делятся на две группы:
Классика change management — поддержка топ-менеджмента, развитие сотрудников, быстрые win-кейсы, считать ROI.
Вторая часть связана со спецификой генеративного искусственного интеллекта — фоксироваться на обеспечении инструментами AI агентов, инвестировать в обучение ИИ.
🔥 И наконец, (лично для меня) ключевой инсайт — создать правила игры для работы с ИИ (AI rulebook). Договориться в организации четко, что можно и что нельзя делать с точки зрения искусственного интеллекта - что можно делать внешними LLM, а что только on-premise. Правила выдачи прав ИИ агентам на редактирование внутренних систем. Когда решения должны проверяться человеком (man in the loop), и когда без этого можно обойтись, кто отвечает за качество результата, этика, метрики и многое другое.
Интересный отчёт от Google о внедрении искусственного интеллекта в организациях. Помните цифру McKinsey/MIT — только 2% AI-проектов проходят стадию пилота? Это называют AI-divide или AI-gap.
Google же показывает «светлую сторону»: компании, преодолевшие этот барьер, уже фиксируют ROI и рост эффективности — хотя эффект размазан по разным секторам.
Вот список трех ключевых проблем внедрения искусственного интеллекта по опросам Google:
• сложность обеспечения безопасности
• проблемы интеграции агентов с системами типа CRM/ERP в реальностях энтерпрайзов (а там вся ценность)
• сложно измерить эффект и доказать его руководству
⚡️ Рекомендации делятся на две группы:
Классика change management — поддержка топ-менеджмента, развитие сотрудников, быстрые win-кейсы, считать ROI.
Вторая часть связана со спецификой генеративного искусственного интеллекта — фоксироваться на обеспечении инструментами AI агентов, инвестировать в обучение ИИ.
🔥 И наконец, (лично для меня) ключевой инсайт — создать правила игры для работы с ИИ (AI rulebook). Договориться в организации четко, что можно и что нельзя делать с точки зрения искусственного интеллекта - что можно делать внешними LLM, а что только on-premise. Правила выдачи прав ИИ агентам на редактирование внутренних систем. Когда решения должны проверяться человеком (man in the loop), и когда без этого можно обойтись, кто отвечает за качество результата, этика, метрики и многое другое.
BY AIDEA | ИИ для менеджмента
Share with your friend now:
tgoop.com/aidea4work/131