ИИ-стратегический playbook как набор ментальных моделей для согласования задач и целей
Одна из ключевых трудностей в руководящих командах связана с коммуникацией. Участники часто вкладывают разный смысл в понятие ИИ, что препятствует реализации проектов. Для создания структурированной общей основы, позволяющей продвигаться без оправданий и недоразумений, применяются три ментальные модели.
Процесс обычно начинается с AI Opportunity Tree, которая позволяет картографировать спектр потенциальных сценариев применения ИИ. Руководители часто приходят с сочетанием интереса и ажиотажа — «необходимо внедрить что-то с ИИ» — но без четкого понимания, где именно сосредоточена реальная ценность. Стандартный подход, который выбирают многие группы, — разработка чат-бота, однако такие инициативы редко набирают обороты (см. статью на эту тему). AI Opportunity Tree разрушает этот шаблон, последовательно выявляя возможные применения ИИ и обеспечивая объективную основу для приоритизации.
После достижения ясности относительно того, что и зачем создавать, переходят к этапу «как» и детализируют AI System Blueprint. Эта модель способствует картированию данных, моделей, пользовательского опыта и ограничений в области управления для задуманной системы ИИ. Она особенно эффективна в условиях с множеством заинтересованных сторон, где бизнес, специалисты по данным и команды по соблюдению норм требуют единого языка общения. Blueprint превращает сложность ИИ в нечто осязаемое и итеративное — его можно нарисовать, обсудить и доработать коллективно.
В завершение вводится AI Solution Space Map. Она расширяет обсуждение за пределы сегодняшних доминирующих технологий — преимущественно больших языковых моделей и агентов — и побуждает команды учитывать весь спектр типов решений: от классического машинного обучения до гибридных архитектур, систем извлечения, а также подходов на основе правил или симуляций. Такой широкий взгляд помогает оставаться ориентированными на подходящее решение, а не на модное.
В совокупности эти модели формируют путь, отражающий эволюцию успешных продуктов ИИ: от обнаружения возможностей, через проектирование системы, к непрерывному исследованию. Они находят отклик у руководителей, поскольку связывают стратегию с выполнением.
Роль экспертных знаний в сфере предметной области при формировании продуктов ИИ
Яркий пример, где экспертиза в предметной области радикально изменила решение, — проект в логистике, изначально направленный на прогнозирование задержек поставок. Когда подключились специалисты по домену, они переосмыслили задачу: задержки оказались не случайными инцидентами, а проявлениями более глубоких бизнес-рисков, таких как зависимости от поставщиков, регуляторные препятствия или уязвимости в сети. Эксперты по ИИ не смогли самостоятельно выявить эти закономерности.
Чтобы интегрировать эти знания предметной области, слой данных был расширен за счет сигналов рисков поставщиков и графов зависимостей, помимо времени транзита. Архитектура ИИ эволюционировала от единственной предиктивной модели к гибридной системе, сочетающей прогнозирование, графы знаний и рассуждения на основе правил. Пользовательский опыт перешел от реактивных прогнозов задержек к сценариям рисков с предложенными мерами по снижению, что сделало выводы более применимыми для специалистов.
В итоге экспертиза предметной области не просто повысила точность, а переопределила проблему, дизайн системы и ценность для бизнеса. Это превратило модель ИИ в полноценный инструмент поддержки решений. После такого опыта всегда подчеркивается необходимость вовлечения экспертов по домену на начальных этапах инициатив по ИИ.
Ключевые выводы из книги «The Art of AI Product Development: Delivering business value», повлиявшие на подход к созданию продуктов ИИ
Написание книги побудило систематизировать фрагменты теоретических знаний, практического опыта и личных убеждений в повторно используемые рамки. Поскольку книга должна оставаться актуальной на годы, это также потребовало разграничения фундаментальных аспектов от временных тенденций. Вот несколько личных открытий:
- Во-первых, открытие бизнес-ценности в технологиях. Часто наблюдается колебание между двумя крайностями — погоней за ИИ ради ИИ или полным упованием на обнаружение проблем со стороны пользователей. В первом случае реальная ценность не создается. Во втором — неизвестно, сколько времени уйдет на ожидание «идеальной» задачи для ИИ. На практике оптимальный баланс достигается посредством: использование уникальных сильных сторон технологии для раскрытия ценности, которую пользователи ощущают, но не всегда формулируют. Это известно по примерам великих новаторов, таких как Стив Джобс и Генри Форд, создавших революционные опыты до запросов от потребителей. Для успеха требуется сочетание технической экспертизы, смелости и интуиции относительно нужд рынка.
- Во-вторых, осознание значения пользовательского опыта для успеха ИИ. Многие проекты ИИ терпят неудачу не из-за слабых моделей, а потому что интеллект не передается ясно, не объясняется или не становится удобным в использовании. Успех продукта ИИ определяется тем, насколько интуитивно пользователи взаимодействуют с его функциями и насколько доверяют результатам. Во время работы над книгой перечитывались классические труды по дизайну, такие как «The Design of Everyday Things» Дона Нормана, с вопросом — как это применимо к ИИ? Мы все еще находимся на ранних этапах новой эры UX. Чат — важный элемент, но лишь часть полной картины. С нетерпением жду развития новых концепций интерфейсов, таких как генеративный UX.
- В-третьих, системы ИИ должны развиваться через циклы обратной связи и улучшений, и этот процесс бесконечен. Поэтому в книге используется метафора дервиша: вращение, уточнение, непрерывное обучение. Команды, осваивающие ранние релизы и постоянные итерации, приносят гораздо больше ценности, чем те, кто ждет «идеальной» модели. К сожалению, многие группы тратят слишком много времени на первую базовую версию и недостаточно — на итеративную оптимизацию. Такие системы могут попасть в продакшн, но adoption, вероятно, не состоится, и они окажутся на полке как очередной эксперимент по ИИ.
Рекомендации и ловушки для команд, внедряющих функцию ИИ в следующем квартале, с фокусом на бизнес-ценность
Во-первых, овладейте искусством итераций. Выпускайте продукт рано, но ответственно — нечто достаточно полезное, чтобы завоевать доверие пользователей, затем улучшайте без остановки. Каждое взаимодействие приносит новые данные, а каждый отзыв — сигнал для обучения.
Во-вторых, сохраняйте широкий кругозор. Легко зациклиться на последней LLM или релизе модели, но настоящие инновации часто возникают от комбинации технологий — извлечения, рассуждений, аналитики, UX и логики домена. Проектируйте систему модульно, чтобы расширять ее, и постоянно отслеживайте решения ИИ и разработки, способные улучшить (см. предстоящий AI Radar).
В-третьих, тестируйте с реальными людьми рано и часто. Продукты ИИ живут или умирают от того, как люди их воспринимают и используют. Внутренние демонстрации и синтетические тесты не заменят хаотичные, неожиданные входы и отзывы от настоящих пользователей.
Подход к выбору тем для глубоких текстов и роль письма в понимании тем
Письмо всегда служило способом размышлять вслух. Оно помогает учиться, обрабатывать сложные идеи и порождать новые. Обычно выбор падает на интуитивные подходы, в которые верится и которые доказали эффективность в реальных организациях.
В то же время в компании разработана собственная «секретная формула». За годы создана система на базе ИИ для мониторинга новых тенденций и инноваций. Она предоставляется избранным клиентам в отраслях вроде аэрокосмической и финансовой, но, разумеется, используется и internally. Это сочетание данных и интуиции позволяет выявлять темы, актуальные сейчас и перспективные на месяцы, а также через два-три года.
Например, в начале 2025 года вышел отчет о тенденциях enterprise AI, и почти каждая тема из него оказалась высоко релевантной в течение года. Таким образом, хотя письмо интуитивно и лично, оно опирается на доказательства.