AI, инструменты и трансформация

Софт, задачи и стек приложений

Типичная крупная американская компания сегодня располагает сотнями, а иногда тысячами различных программных систем. Это гигантские горизонтальные системы учёта вроде SAP и Workday, сотни вертикальных SaaS-приложений, плюс сотни рабочих процессов, скриптов, автоматизаций и баз данных — вплоть до 10-мегабайтной таблицы, которая управляет отделом. Очень часто компания не вполне представляет, сколько всего у неё есть, что действительно используется и на что потрачены деньги. И при всём этом софте в компании полно скучных, повторяющихся задач.

Легко предположить, что AI сметёт большинство из них. Есть старая шутка: инженер — это тот, кто потратит час на создание инструмента, чтобы автоматизировать задачу, которая занимает 10 минут. Но с AI теперь можно сделать этот инструмент за пять минут, и не нужно быть инженером, и не нужно писать код. Можно просто попросить модель создать инструмент, или, более фундаментально, просто выполнить задачу самой. Вместо того чтобы создавать эти инструменты один за другим, софт мог бы быть динамичным, генеративным, свободноформатным и спонтанным. Экспоненциально больше задач можно автоматизировать с экспоненциально меньшим количеством кода.

Если вы создатель инструментов — а весь Кремниевый долин такой — это опьяняет. Но я думаю, это неправильно понимает, откуда берётся софт и как его используют люди, и это упускает, как меняются компании.

Большинство людей не строят инструменты

Во-первых, большинство людей — не создатели инструментов, и большинство инстинктивно не думают о том, как их работу можно было бы сделать по-другому. Если проводить всё время в пузыре Кремниевой долины, легко забыть об этом, потому что весь твой мир вращается вокруг создания инструментов, которые меняют способ выполнения работы. Но если вы действительно отличный адвокат по семейному праву, вы весь день думаете о своих делах и клиентах, а не о том, какой отличный софт для обнаружения документов мог бы работать; если вы действительно отличный корпоративный менеджер по продажам, вы думаете о продукте, клиентах и конкурентах, а не о том, как отличное ПО для поддержки продаж может сделать вас продуктивнее.

Продукты вроде Excel пытаются решить эту проблему потоками адаптации, ассистентами и шаблонами — всё, что вы видите в меню «Файл/Создать», — это предложение, что вы могли бы делать в этом инструменте. Но каждый из этих шаблонов когда-то стал отдельной компанией, и то же я вижу в такие вещах как Claude for X — это полезно, но это не ответ.

На практике это значит, что задача к автоматизации может лежать на виду, но люди, у которых есть эта задача, её не видят. Это приводит к идее «forward-deployed engineer» — того, кто является создателем и знает, что может построить AI, который может просто «пройтись» вокруг юридической фирмы или архитектурного бюро и увидеть лежащие на поверхности возможности, которые адвокат или архитектор не видит. (Это также опыт многих людей в tech, когда им было 15 лет, они бродили по интернет-компании или офису родителей — «эм, папа, ты не знаешь, что можно просто сделать это так?»).

Более глубокая проблема: большую часть того, что мы автоматизировали за последние несколько десятилетий, было неочевидным даже для создателей инструментов, и очевидного решения не было. Мы все можем вспомнить примеры вещей, которые используем каждый день, где наша первая реакция была «Зачем мне это?» Очень часто неочевидно, что проблема вообще существует, и она часто встроена или спрятана внутри чего-то ещё. С другой стороны, даже если вы видите проблему или думаете, что видите, правильный способ её исправить часто неясен, а правильный способ — переопределить её или разделить, и разобраться в этом сложно. Для многих успешных софт-компаний было с дюжину неудачных попыток, которые приходили раньше и не находили совсем правильный подход или правильную проблему.

Ничего из этого не решается, делая код проще писать — делая проще создавать инструменты. Сложная часть — знать, что тебе вообще нужен инструмент для этого, и потом знать, что инструмент должен делать.

Распределение и внедрение

Но даже как только вы дошли до этого момента, вам нужно заставить всех остальных использовать его тоже. Многие из проблем, рабочих процессов и задач, которые мы хотели бы автоматизировать, касаются 50 или 500 человек в пяти разных отделах, трёх разных системах учёта и четырёх разных нормативно-правовых режимов. У вас может быть отличная идея по ведению расчётов с персоналом по-другому, но вы сами не можете изменить способ, которым это делает вся компания. Это должна быть покупка, решение и 18-месячный цикл продаж.

Во-вторых, всё это значит, что софт покупается, выбирается или создаётся на спектре от сверху-вниз до снизу-вверх — компания покупает SAP, а пользователь создаёт таблицу — и я думаю, полезно думать об этом также как о спектре от институционализированного к импровизированному.

У вас есть задачи, которые легко делать в выделенных инструментах, которые у вас уже есть, будь то SAP, Carta или Rippling. Эти задачи и рабочие процессы были институционализированы — много людей в этих компаниях и вашей компании потратили много времени на выработку правильного способа выполнения этой задачи, и важно, чтобы все делали это одинаково с одинаковыми инструментами. Но тогда у вас есть граничные случаи, исключения и разовые вопросы, которые сложно или невозможно сделать в этих инструментах. Ваши пользователи, снизу-вверх, создавая свои собственные решения, управляют ими в расплывчатом, импровизированном пространстве свободноформатных сред вроде Excel, email, общих папок, Tableau, PowerPoint и CSV, скриншотов, PDF и конференц-звонков.

Но как только эта задача становится тем, что вы делаете всё время, одинаково, и что много людей делают, и становится важной и связана с доходом и риском, тогда, в какой-то момент, компания должна её институционализировать. Вам нужен аудит, безопасность, поддержка и отчётность. Вы мощеёте тропинку желаний и платите кому-то, чтобы заложить её камнем. Как выше, вы можете не заметить, что тропинка там — вы можете не заметить, что сотни людей теряют час в день на это — и может быть сложно разобраться в правильном способе это исправить, но этот процесс — это то, почему компания имеет сотни приложений.

Мы прошли через много этого при переходе на SaaS, что было ещё одним порядком величины изменения того, сколько софта у нас было, наряду с новой операционной моделью и новым циклом времени, и это убило много конкурентов, которые не смогли совершить прыжок (реальное обоснование для «SaaSpocalypse»). Это непрерывный и органичный поток объединения и разъединения. Все эти SaaS приложения делают что-то, что вы могли бы сделать в SAP или Excel или email — Carta — компания стоимостью $4 млрд, которая управляет одной таблицей для вашего CFO — и иногда задачи двигаются обратно. Несколько лет назад я говорил с консультантом, который сказал, что половина его работ — это говорить людям, которые используют Excel, чтобы они использовали базу данных, и другая половина — это наоборот.

Отсюда, если вы PwC и нанимаете 3-4 000 выпускников в год, вы используете выделенный, «институционализированный» софт для управления этим. Если вы маленькая фирма и нанимаете пять или десять, вы используете email, общую папку и Google Sheets. Когда эта маленькая фирма растёт, в какой-то момент она вырастет из этого, и может переехать в Notion или SaaS HCM, ориентированный на SME. Но маленькая команда внутри PwC может также использовать Google Sheets для отслеживания кандидатов для заполнения роли, потому что Workday слишком негибкий — разъединение начинается снова.

AI и новый спектр

Теперь AI катится через всё это. AI расширит все существующие приложения, и будет много новых вертикальных приложений, и Excel, Tableau, Google Sheets, email и все другие свободноформатные пространства для импровизирования решений получат новые возможности. С этим циклом, чатбот сам является новым свободноформатным пространством, которое сидит рядом с Excel и email, забирая задачи из них и из ваших приложений, и также теряя задачи этим приложениям.

Теперь эта маленькая компания, нанимающая десять выпускников, может оставаться в Google Sheets намного дольше, потому что AI делает её более масштабируемой, или вы можете использовать её как хранилище данных для Gemini, и вы можете спросить «должны ли мы попросить Claude что-то сделать или переместить это в Notion?»… и тогда вы видите, что есть новое SaaS приложение, ориентированное прямо на вас, которое решает это плюс какую-то другую проблему, о которой вы не подумали. AI не меняет вопрос: он создаёт новые выборы и двигает пороги.

Я думаю, что вы можете увидеть всё это в опыте развёртывания enterprise AI в последние три года. Каждая крупная компания дала всем Copilot (или может быть ChatGPT или Claude) и небольшое количество людей использует это много (некоторые из которых действительно увеличили их производительность), в то время как большая группа людей использует его пару раз в неделю и много остальной компании это вообще не использует. Это частично проблема управления изменениями и обучения, но это в основном то же самое, что у вас было бы, если бы вы дали всем в компании ПК и Lotus 123 в 1983 году, или интернет-соединение и веб-браузер в 1997 году. Как именно это соответствует задачам каждого и проблемам, которые они действительно имеют на этой неделе? Да, вы дали всем ПК и Lotus, но это не было то, как вы трансформировали эффективность обработки счётов. Да, вы дали всем веб-браузер, но это не было то, как вы перестроили управление цепочкой поставок вокруг интернета, и уж точно не то, как продавец управлял электронной коммерцией.

Узко, способ, которым компании думают об изменении этих видов структурных процессов, — это начать с пилотов. Вы запускаете пробные версии продуктов (как купленных, так и построенных внутри), которые используют новые возможности AI для автоматизации процессов, которые вы не могли автоматизировать раньше. Сейчас есть всякие данные о том, сколько этих пилотов, сколько работают (примерно половина, как обычно — это то, почему они пилоты!) и что может пойти не так.

Но снова, это очень старомодный разговор CIO вокруг use cases, маяков, пилотов, героев, быстрых побед и измеряемых результатов. Тем временем, CEO и совет директоров чешут головы и говорят «Погодите, но у нас есть сотни рабочих процессов и мы сделали пять или 10 пилотов. Это не похоже на масштабирование?» Дать всем в компании ChatGPT в теории масштабируется, кроме как большинство людей не находят способы его использовать.

Вернёмся к гипотетическому банку, дающему всем таблицы в 1980-х, или розничному продавцу, дающему всем веб-браузер в 1990-х, да, конечно, вы должны это сделать, и да, конечно, вам нужно думать об обучении и управлении изменениями и всём остальном хорошем материале, о котором KPMG может вас рассказать. Но это не то, как вы думаете о трансформации способа, которым ваша компания работает вокруг новой технологии поколения.

Три вопроса для трансформации

Шагнув назад, кажется мне, что с каждой новой трансформационной технологией каждая компания должна задать три вида вопросов. Во-первых, как мы покупаем, строим и развёртываем это? Должны ли мы делать пилоты? Должны ли мы взять продукт, поставляемый Microsoft/Google/Oracle, построить что-то сами, заплатить кому-то строить что-то или купить это новое от стартапа? Во-вторых, они должны задать себе, насколько далеко это меняет их операции. Что это значит? Что email значит для нас? Что таблицы значат для нас? Ответ на это может быть радикально другим, если вы были страховой компанией или юридической фирмой. И в-третьих, вы должны спросить себя, создаёт ли это новые вызовы для экономики вашего бизнеса, новые конкурентные давления, или, может быть, какую-то экзистенциальную угрозу.

Вы не ответите на эти вопросы, дав всем Claude for X. Действительно, всё это значит много новых питчей для профессиональных услуг (что иронично, учитывая, сколько вопросов AI ставит перед их собственными бизнес-моделями). Вы хотите разобраться, как развернуть инструмент голосовой аналитики с поддержкой LLM в вашем колл-центре? Вы, вероятно, позвоните в Accenture. Поставщики всегда были счастливы помочь, и теперь большие лаборатории имеют свои собственные «deploycos» — мы шутили, что «machine learning scientist» — это статистик, который живёт в Кремниевой долине, так может быть «forward deployed engineer» — это кто-то, кого OpenAI нанял из системного интегратора. С другой стороны, ваш стартап строит отличный новый инструмент и вы хотите выйти на рынок быстро? Вы, вероятно, позвоните Big Four. Вы разочарованы, как сложно продать AI софт в юридические фирмы или бухгалтерские фирмы. Ладно — начните «AI-enabled» юридическую фирму и разберитесь, может ли это быть ключевой точкой рычага (или это как начало «PC-enabled юридическую фирму» в 1980-х). И конечно, если вы совет директоров и пытаетесь разобраться, является ли это какой-то экзистенциальной угрозой или массивной возможностью дохода, тогда вы подумаете о звонке Bain, BCG и McKinsey (или вашему дружественному соседу M&A банкиру) — это то, что они делают.

Создание новых возможностей

Шагнув назад от всего этого, есть также намного более простой способ думать о вопросе. С каждой новой технологией мы начинаем, используя её для работы, которую мы уже имеем, и мы просто делаем это больше и быстрее. Но тогда, с течением времени, вы делаете совершенно новые вещи. Мы будем использовать AI для автоматизации широких классов материала внутри существующих рабочих процессов и существующих компаний (хотя, как я изложил выше, это будет огромно больше проблем и работы, чем просто дать всем модель). Но с каждой предыдущей сменой платформы, материал, который действительно имел значение, был материал, который не был вообще возможным раньше и которого никто даже не воображал.