Принципы внедрения генеративного ИИ-процесса в обслуживании клиентов

McKinsey Global Institute провел исследование наиболее часто используемых вариантов использования генеративного ИИ. Наиболее часто сообщаемые варианты использования генеративного ИИ — это маркетинг и продажи. Так, генеративный ИИ создает персонализированный маркетинг и составляет технические документы, а в сфере услуг чат-бот способен отвечать на запросы клиентов. Большинство людей думают, что генеративный ИИ используется в высокотехнологичных случаях, но если посмотреть на частоту этих вариантов, мы увидим, он гораздо больше привязан к обыденным задачам.

* * *

Принципы внедрения генеративного ИИ-процесса в обслуживании клиентов

Следующее пошаговое руководство может помочь руководителям, желающим внедрить генеративный ИИ (ИИ-генерацию) для обслуживания клиентов и взыскания задолженностей:

1. Придумайте и разработайте длинный список вариантов использования искусственного интеллекта.
2. Для каждого варианта использования определите влияние, осуществимость и требуемое приложение ИИ, например, создание документа с вопросами и ответами и виртуального эксперта.
3. Расставьте приоритеты в вариантах использования искусственного интеллекта на основе воздействия, осуществимости и организационных потребностей.
4. Согласуйте наиболее приоритетный вариант использования искусственного интеллекта и начните разработку минимально жизнеспособного продукта (MVP).
5. Доработайте MVP на основе пользовательского опыта, а затем разверните и масштабируйте MVP для всей организации.
6. Повторите шаги четыре и пять для следующего варианта использования в списке приоритетов.

Источник.

https://www.mckinsey.com/capabilities/risk-and-resilience/our-insights/the-promise-of-generative-ai-for-credit-customer-assistance

Дела в экономике в сентябре 2024 по опросам респондентов

С марта респонденты стали менее оптимистично относиться к делам в мировой и национальной экономике.

Когда предпочитают не рисковать?

Мохандас Карамчанд Ганди о том, что нас губит:

• политика без принципов,

• удовольствие без совести,

• богатство без труда,

• знание без характера,

• бизнес без морали,

• наука без гуманизма,

• поклонение без жертвенности.

Взято из

И. Адизес. 

Управление жизненным циклом корпорации.

***

Когда предпочитают не рисковать?

Когда от результатов зависит слишком многое, все члены команды начинают нервничать. В такой ситуации люди предпочитают не рисковать. И выбирают самые безопасные методы. Но самые безопасные – не самые не лучшие.

 

• Прежде всего, по всем спорным вопросам, отсекается все, что противоречит единому мнению.
• Новые идеи не приветствуются.
• Интересует – где это уже применялось.
• Везде «подстилается соломка».
• В принятии решений «менее рискованный план А всегда считается явно лучше оригинального Б»
• По мере нарастания напряженности команда постепенно отказывается от принципа коллегиальности в пользу иерархического распределения ролей.
• Несогласных осуждают.
• Коллективное знание ценится больше опыта отдельных специалистов.

И ничего невозможно изменить.

 
Источник
«Работать профессионально – и никаких компромиссов». Хейди Гарднер. HBR, №5, 2012

ИИ и принятие решений

«Навигатор по принятию решений». Этот процесс из шести шагов.

1. Определите проблему.
2. Разработайте несколько вариантов в пространстве "остаться в том же" - "сменить привычную среду".
3. Определите предположения и прогнозы для сделанных вариантов. Для каждого из вариантов спросите себя: «Почему я считаю, что это хороший вариант?»
4. Проверьте свои гипотезы. После того, как все предположения записаны и прояснены, они становятся гипотезами. Гипотезы можно проверять с помощью фактов. По мере поиска фактов вы узнаете новые возможности, которые приведут вас к шагу «поворота». Поворот — это когда ваши варианты начинают меняться и улучшаться по мере того, как вы узнаете новые факты. Через некоторое время ваши варианты становятся достаточно хорошими для того, чтобы вы могли принять решение. Существует шестиэтапный процесс понимания проблемы, который разрабатывает варианты действий идти проторенной дорогой или пустится в новый путь.
5. Оптимизируйте свои решения.
6. Примите решение как часть осознанного процесса.

А теперь стоит рассмотреть, как генеративный ИИ  может изменить процесс принятия решений?

Есть веские основания полагать, что ИИ не «заменит», а «дополнит» человеческое принятие решений . Как? Хорошее принятие решений заключается в расширении вариантов и работе с фактами. ИИ полезен в этих двух задачах. 

Если вы задаетесь вопросом, где вам провести отпуск, у вас может быть две или три идеи в голове. Попросите ИИ дать вам «десять советов о хороших местах для отпуска» и немного информации о себе. Результатом могут быть семь, восемь или девять вариантов, о которых вы не думали. Таким образом, он может помочь вам открыть пространство для вариантов, и он может почти немного послужить в качестве оппонента для дебатов, как мы уже упоминали ранее, как ваш партнер или хороший друг.

Второе, с чем может помочь вам ИИ, — это проводить исследования и собирать факты. Он быстро укажет на существующие исследования, анализы или исследования, которые были сделаны, которые могут понадобиться или которые можно использовать для принятия решений или для проверки связанных гипотез. В этом смысле ИИ может расширить радиус исследования и помочь создать больше вариантов. Он может предоставить множество фактов или указать на факты, которые имеют отношение к быстрой проверке гипотез. Но в конечном итоге принятие многих решений сводится к очень человеческим вещам, которые нелегко заменить.

Источник.

https://www.mckinsey.com/featured-insights/mckinsey-on-books/author-talks-supersize-your-decisions

Потенциал ИИ

Представьте себе мир, преобразившийся не за десятилетия, а за годы одним изобретением. Таково потенциальное будущее искусственного интеллекта (ИИ). 

Для сравнение возьмем изобретение электричества. Эта, казалось бы, простая технология потребовала 40 лет, чтобы полностью произвести революцию на фабриках, навсегда изменив производство. Попутно она изменила нашу домашнюю жизнь, изменила рабочую силу и преобразила различные аспекты общества. 

Вопрос - как темпом ИИ будет преобразовать нашу жизнь: медленно или мы будем наблюдать экспоненциальный скачок?

Влияние электричества обусловлено его статусом технологии общего назначения — фундаментальной инновации, применимой во всех отраслях. Аналогично, ИИ обладает потенциалом для преобразования всего, от здравоохранения до транспорта. Так же, как и работающие на электричестве машины, ИИ может автоматизировать задачи, анализировать данные в беспрецедентных масштабах и даже генерировать креативный контент.

Почему ИИ может внедряться быстрее: В отличие от медленного развертывания инфраструктуры электроснабжения, сегодняшняя быстрая коммуникация и сотрудничество могут ускорить внедрение ИИ. Достижения в исследованиях ИИ распространяются по всему миру и развиваются практически мгновенно. Этого не было в случае с электроснабжением, где развитие инфраструктуры ограничило его первоначальный охват. Кроме того, сам ИИ процветает за счет экспоненциального обучения, что означает, что его возможности могут улучшаться с постоянно увеличивающейся скоростью.

Однако внедрение ИИ не столь радужно. Имеются препятствия.

Социальные и этические проблемы, такие как перемещение рабочих мест и алгоритмическая предвзятость, требуют тщательного рассмотрения — проблемы, с которыми не сталкивалась электроэнергетика. Кроме того, полное использование ИИ может потребовать сложной новой инфраструктуры для сбора данных, обработки и установления этических рамок. Эти факторы могут привести к задержкам по сравнению с относительно простой инфраструктурой электросетей.

Влияние ИИ, скорее всего, будет значительным. Электричество не было изобретением, которое оказало единичное влияние на фабрики, поскольку холодильники, комфорт кондиционирования воздуха и другие достижения были основаны на этом одном изобретении. Истинное влияние электричества было многогранным. То же самое будет справедливо и для ИИ, поскольку он конвергирует в различных аспектах общества — в таких областях, как работа, образование, здравоохранение, транспорт, энергетика и другие. Точные сроки остаются неопределенными, но ясно одно: экономические и социальные последствия ИИ требуют проактивного планирования и сосредоточения на ответственном развитии.

Потенциал ИИ изменить наш мир неоспорим. Произойдет ли это быстрее, чем революция электричества — интригующий вопрос. Но одно можно сказать наверняка: путешествие будет захватывающим, а пункт назначения может оказаться преобразующим.

Источник.
и
https://frankdiana.net/2024/04/03/will-ai-reshape-our-world-faster-than-electricity/

Изменит ли ИИ наш мир быстрее, чем электричество?
3 апреля 2024 г. Фрэнк Диана

Аналитика в закупках

Пять областей, в которой аналитика для управления закупками окажет наибольшее влияние

Оптимизация расходов и спроса. С применением технологий ИИ и генеративного ИИ (gen AI) управление категориями может быть автоматизировано и ускорено несколькими способами. 

Во-первых, алгоритмы категоризации расходов могут легко создавать очищенные кубы расходов.

Во-вторых, прогнозы и оптимизация спроса станут более точными, делая контроль и оптимизацию источников, спроса и цепочки поставок гораздо более релевантными.

Аналогичным образом интерфейсы gen AI позволяют руководителям закупок запрашивать данные о расходах, рынке или спецификациях, задавая вопросы, касающиеся, например, 

• доли расходов, подверженных определенному климату или геополитическому событию,
• увеличения ожидаемой стоимости из-за колебаний цен на нефть
• указание возможных альтернативных источников поставщику, находящемуся в бедственном положении. 

Для стандартизированных товаров с высококонкурентными рынками, такими как транспорт или временная рабочая сила, покупателям не нужно будет вмешиваться в процесс, предоставляя ботам возможность принимать торговые решения автономно на основе предопределенных целевых функций. Gen AI также можно использовать для автоматизации генерации контрактов. Еще одно коснется анализа рынка поставок и оптимизации стратегии, выявление источников, которые подвергают компанию высоким рискам, и автоматической поиск альтернативных источников в определенном ценовом диапазоне и сроках поставки. Наконец, компании могут использовать машинное обучение для анализа моделей использования и прогнозирования спроса, чтобы автоматически генерировать сценарии и стратегии снабжения на основе аналитики уровня запасов, особенно для часто покупаемых товаров.

Управление внешними факторами прибыльности. Команды по закупкам смогут объединять внутренние данные с внешними рыночными отчетами и базами данных и использовать алгоритмы машинного обучения для выявления закономерностей и тенденций в ценах на сырьевые товары. Руководители отделов закупок и менеджеры по категориям будут полагаться на такие прогнозы, чтобы оставаться на переднем крае прибыльности отрасли с прозрачностью в реальном времени в отношении подверженности волатильности цен. Они смогут динамически вычислять ожидаемую стоимость своих самых нестабильных товаров и вести переговоры с поставщиками на основе фактов. Закупки также смогут оценивать влияние любых изменений входных цен на маржу продукта и анализировать несколько сценариев для определения правильных действий по защите этой маржи. Реактивные действия могут включать переход на альтернативные утвержденные рецепты или цепочки создания стоимости, корректировку планирования или уровней запасов, финансовое хеджирование товаров или передачу изменений цен покупателю. 

Например, потребительская компания разработала модель прогнозирования цен, которая была объединена с оптимизатором хеджирования, чтобы ежемесячно рекомендовать объем производных пальмового масла для хеджирования. Среднесрочные и долгосрочные действия могут включать оптимизацию стратегии заключения контрактов путем корректировки сроков действия контрактов и дат начала в ходе переговоров с поставщиками (например, закупка по спотовым ценам вместо фиксированной цены на несколько месяцев), переопределение регионального присутствия поставщиков путем использования преимуществ разницы в динамике цен в разных странах или получение преимуществ по затратам за счет стратегических соглашений с выбранными поставщиками Tier-N, включая частичное поглощение или вертикальную интеграцию с участниками цепочки создания стоимости, получающими непропорциональную маржу.

Управление эффективностью поставщиков. Цифровые панели мониторинга могут объединять данные о контрактах, счетах-фактурах и эффективности поставок поставщиков, чтобы предоставить полную картину соблюдения поставщиками соглашений об уровне обслуживания. Предоставляя ранние предупреждения об отклонениях в производительности, эти системы могут управлять операционными вмешательствами или проектами сотрудничества с поставщиками. Параметрические инструменты могут автоматически рассчитывать ожидаемую стоимость для тысяч позиций, помогая компаниям оптимизировать спецификации и позволяя им проводить надежные, основанные на фактах, переговоры со своими поставщиками. Технологии Gen AI также меняют управление поставщиками с появлением автоматизированных инструментов, которые могут производить интеллектуальную разведку по профилям рисков поставщиков на основе общедоступных данных, таких как отчеты социальных сетей. Gen AI также может помочь сотрудникам по закупкам оптимизировать свой диалог с поставщиками, например, путем автоматизации создания сценариев переговоров, отчетов, электронных писем и контрактов.

Управление рисками поставок. В лучшем случае к 2030 году закупки будут оснащены цифровым двойником цепочки поставок, моделирующим все узлы по всему миру, от поставщиков сырья и их прямых поставщиков до внутренней производственной сети, клиентов и всех логистических каналов, соединяющих эти узлы. Эти цифровые двойники будут разработаны путем объединения двух подходов. Потоки материалов от поставщиков первого уровня будут картироваться в сотрудничестве с поставщиками, в то время как веб-анализ данных будет использоваться для устранения пробелов в данных путем построения картины потоков от второго уровня до уровня n. Каждый узел будет иметь почти живое представление о связанном риске поставок, стоимости и интенсивности выбросов углерода, рассчитанное на основе логики, которая позволяет фильтровать сигналы по их фактическому риску и доступности мер по смягчению. Закупки будут не только иметь полное представление о текущем состоянии своей цепочки поставок, но и смогут моделировать уровень риска с учетом прогнозируемого роста бизнеса, возникновения рисковых событий и эффекта мер по смягчению. Цифровой двойник цепочки поставок позволит закупкам оценивать последствия любого типа изменений или сбоев в очень сложных и взаимосвязанных цепочках создания стоимости и реагировать на неблагоприятные события гораздо раньше. Кроме того, команды, которые внедряют эту технологию, будут реагировать быстрее своих коллег на изменения в сигналах поставок и, как следствие, иметь нужный продукт в нужном месте с минимальными затратами и углеродным следом.

Лидерство в области устойчивости. Данные, ориентированные на устойчивость, и эффективные аналитические инструменты жизненно важны, поскольку компании стремятся достичь высоких целей по сокращению выбросов углерода, предотвращению загрязнения и устранению несправедливой трудовой практики в цепочке поставок. С точки зрения экологической устойчивости данные о закупках, основанные на расходах, могут использоваться для оценки базового уровня выбросов углерода в цепочке поставок. Этот подход был принят многими компаниями для оценки своих выбросов Scope 3 на начальном этапе. Однако повышение двусторонней прозрачности углерода между поставщиками и клиентами требует дополнительных усилий, включая сотрудничество с поставщиками для создания отчетности по выбросам на уровне продукта (например, коэффициенты выбросов на основе потребления) и обмена стандартами через существующую инфраструктуру данных о закупках. Интеграция этих показателей устойчивости с данными о закупках и расширенной аналитикой может помочь компаниям взаимодействовать, оценивать и контролировать прогресс в области устойчивости своих поставщиков. Следовательно, этот подход может помочь компаниям сократить выбросы в своей цепочке поставок, выбирая продукты или поставщиков, которые соответствуют их целям в области устойчивости.

Cерьезные проблемы

Проблемы качества данных и доступа. Ожидается, что данные, аналитика и ИИ-технологии будут играть ключевую роль в каждом бизнес-решении к 2030 году, хотя инфраструктура данных не готова поддерживать эти амбиции. Зрелость инфраструктуры данных низкая, менее 70% данных о расходах хранятся в одном месте, данные не очищаются и не классифицируются. В системах также может отсутствовать важная информация для закупок, такая как данные о качестве или спецификациях или внешние данные от поставщиков, клиентов и более широкого рынка.

Трудность формулирования бизнес-кейса. Отделы закупок испытывают трудности с получением финансирования для проектов аналитики и ИИ, часто из-за отсутствия убедительного бизнес-кейса. Эта проблема типична для организаций, которые следуют подходу «технологической поддержки», то есть выбирают программное обеспечение и решения без четкой связи с возможностями создания ценности для бизнеса.

Низкий уровень внедрения. Организации, которые преодолевают первые две проблемы, часто сталкиваются с третьей. Даже когда они создали бизнес-кейс и доказали эффективность цифрового варианта использования в тестах, им сложно внедрить его использование в основные процессы и методы работы команд по всей организации. Это распространенная проблема в преобразованиях аналитики данных независимо от бизнес-функций, из-за чего многие организации застревают в пилотном чистилище. Это особенно распространено в сфере закупок, где команды часто сосредоточены на предоставлении квартальных результатов или погружены в краткосрочные обязательства и не тратят время на понимание и внедрение новых технических решений.

Рецепт успеха

Акцент на наиболее ценных вариантах использования. Многие организации по закупкам имеют дорожные карты, которые нацелены на развертывание пятнадцати или более продуктов данных каждый год, включая развертывание сложной архитектуры данных и комплексных пакетов. Однако организации имеют ограничения в возможностях по тестированию, проверке, индустриализации и масштабированию такого объема технических решений. Аналогичные ограничения применяются к возможностям ИТ-функции по управлению и индустриализации новых инструментов, а также к способности групп по категориям и закупкам интегрировать эти инструменты, одновременно выполняя свои годовые бизнес-цели. Компании, которые смогли успешно масштабировать аналитику, сосредоточили годовые дорожные карты на приоритетном наборе из пяти или шести технических решений, выбранных на основе потенциальной ценности, которую каждое из них может создать, и того, как каждое из них решает основные бизнес-вопросы и потребности пользователей. Применяется принцип Парето, при этом несколько продуктов данных обеспечивают от 60 до 80 процентов стоимости и делают инвестиции чистыми положительными в диапазоне от восьми до двенадцати месяцев.

Специализированная платформа/домен данных и выделенные технические ресурсы. Обнадеживающее число компаний начали менять способ, которым данные преобразуют закупки, обогащая свои данные о расходах сочетанием категоризации данных на основе ИИ и строгих методов управления основными данными. Это позволяет им создавать модели данных, которые интегрируют полный набор соответствующих источников данных, как внутренних, так и внешних, таких как базы данных анализа рынка. Ведущие организации создают собственную модель данных о закупках с помощью специальной команды. Вместо того чтобы пытаться исправить все данные сразу, руководители сосредотачиваются на данных, которые им нужны для высокоприоритетных вариантов использования, и работают в обратном направлении. Это помогает каждому обрабатываемому компоненту данных создавать ценность для организации, а не поглощать разнообразные наборы данных перед оценкой их использования. И хотя существуют системы для очистки данных, укрепление процессов управления данными остается приоритетом. Не менее важно партнерство с ИТ. Проведение целостной трансформации аналитики — это как технологическая трансформация, так и трансформация бизнес-практик. Для успеха требуется поддержка лучших технических архитекторов и инженеров компании. Партнерство с ИТ и цифровыми технологиями на начальном этапе имеет решающее значение для обеспечения того, чтобы все решения по проектированию принимались в соответствии с передовой практикой, и для получения достаточных технических возможностей и опыта для создания требуемых моделей данных и конвейеров.

Помещение пользователей в центр внимания. Учет ориентации на пользователя с первого дня имеет решающее значение для быстрого внедрения на протяжении всего жизненного цикла продукта данных. Это начинается с обеспечения понимания потребностей, болевых точек и предпочтений специалистов по закупкам на раннем этапе. Необходимо избегать ненужных функций, которые усложняют и в конечном итоге ухудшают пользовательский опыт. Кроме того, пользовательский интерфейс должен быть интуитивно понятным и простым в навигации, гарантируя, что пользователи могут быстро понять функциональность и преимущества. Важно учитывать существующие системы и процессы закупок, чтобы новые продукты данных интегрировались бесшовно, уменьшая сбои для пользователей и необходимость смягчать процессы с помощью управления изменениями. Между тем, коммуникация и обучение являются ключом к успешному запуску продуктов данных. Четкое изложение того, как новые продукты данных могут повысить эффективность, оптимизировать процессы и улучшить принятие решений, мотивирует раннее внедрение. Эта коммуникация должна быть двунаправленной, активно слушать пользователей, учитывать их вклад и обновлять функции.

Талант и навыки. В командах по закупкам обычно не хватает людей, владеющих навыками работы с данными, аналитикой и ИИ, чтобы поддерживать свои цифровые амбиции. Наш опрос выявил прямую корреляцию между уровнем развития организации и ее долей доступных аналитических ресурсов. Лучшие в своем классе компании помещают 22% сотрудников по закупкам в аналитические команды. Это говорит о том, что компаниям необходимо будет инвестировать и увеличивать количество профилей данных, доступных для масштабирования, путем внешнего найма подкованных в данных профилей или переквалификации существующих команд.

Отслеживание воздействия и управление производительностью. Ведущие организации вкладывают ресурсы для преобразования данных в соответствии с графиком. Как правило, они создают офис по трансформации, который отслеживает прогресс в сравнении с первоначальной дорожной картой и строго отслеживает доставку воздействия, поднимая флаги, когда решения не дотягивают. Это позволяет закупкам сделать шаг назад и проанализировать, что может идти не так, как планировалось, что позволяет скорректировать курс.

От видения к трансформации

Превращение функции закупок в организацию, управляемую данными и поддерживающую ИИ, — это процесс трансформации, который обычно занимает от шести до восемнадцати месяцев. Каждая успешная трансформация требует видения, амбиций и постоянной приверженности со стороны высшего руководства. Это также зависит от командной работы, вовлеченности и энтузиазма во всей организации.

В качестве первого шага взаимодействуйте с заинтересованными сторонами для понимания: что  нужно для высокоэффективной функции закупок и где основные болевые точки. Технологические партнеры станут второй ключевой группой соавторов. К ним относятся внутренняя ИТ-функция организации и внешние поставщики платформ данных, технологий ИИ и аналитических инструментов.

Вооружившись четкой картиной потребностей бизнеса и потенциальных решений, отдел закупок может пересмотреть свою технологическую дорожную карту. Это следует сделать, имея в виду две цели: раннее внедрение решений ИИ и аналитики, которые создают ценность, и одновременное создание основ платформы данных, которая будет соответствовать долгосрочным потребностям организации. Быстрые результаты от первых вариантов использования имеют решающее значение для создания импульса трансформации. Демонстрируя конечным пользователям и руководителям бизнеса, что могут предоставить данные и аналитика, они помогают стимулировать интерес и вовлекать в процесс всю организацию.

И, когда они начинают развертывать эти высокоприоритетные решения, руководители по закупкам должны держать в уме еще одну группу сотрудников: команды по закупкам, которые преобразуют основанные на данных идеи в ценность для бизнеса. Сосредоточение внимания на внедрении технологий ИИ с первого дня помогает закупкам создавать решения, которые работают лучше, масштабируются быстрее и создают большую ценность для организации.


Источник.

Revolutionizing procurement: Leveraging data and AI for strategic advantage. June 13, 2024. By Aasheesh Mittal, Charles Cocoual,Mauro Erriquez, and Theano Liakopoulou

https://www.mckinsey.com/capabilities/operations/our-insights/revolutionizing-procurement-leveraging-data-and-ai-for-strategic-advantage

"Революция в закупках: использование данных и искусственного интеллекта для получения стратегического преимущества". 13 июня 2024 г.

Двойственный характер технологий ИИ

McKinsey Global Institute провел исследование наиболее часто используемых вариантов использования генеративного ИИ. Наиболее часто сообщаемые варианты использования генеративного ИИ — это маркетинг и продажи. Так, генеративный ИИ создает персонализированный маркетинг и составляет технические документы, а в сфере услуг чат-бот способен отвечать на запросы клиентов. Большинство людей думают, что генеративный ИИ используется в высокотехнологичных случаях, но если посмотреть на частоту этих вариантов, мы увидим, он гораздо больше привязан к обыденным задачам.

Но тем не менее, за пределами бизнес-применения, применение ИИ может иметь угрожающий характер.

Путь вперед представляет собой тонкий баланс между социально конструктивными преимуществами инноваций и разрушительным путем, движимым технологиями, не имеющими этики, и инновационным двигателем, не имеющим управления. Обсуждение ИИ имеет исторический прецедент. Искусственный интеллект проник в нашу жизнь, от алгоритмов, рекомендующих вам следующую покупку, до новаторских медицинских диагнозов, спасающих жизни. Хотя потенциал ИИ для положительного воздействия неоспорим, он также вызывает опасения по поводу вытеснения рабочих мест, алгоритмической предвзятости и даже антиутопических возможностей сверхинтеллекта.

В статье Эдик Мика (https://bgr.com/tech/love-and-death-how-ai-is-being-used-to-remember-loved-ones-and-to-kill-on-the-battlefield/) под названием Love and Death: How AI is being used to remember loved ones, and to kill on the battlefield, опубликованном 04.04.2024 описается история воскрешения родственников с помощью ИИ. В этом футуристическом сценарии использована традиция китайского праздника Цинмин - традиции почитания мертвых. С одной стороны, китайские семьи посещают могилы и сжигают подношения. С другой стороны, развивается и растет тенденция создания гиперреалистичных аватаров своих близких. И это не бесплатно и люди платят за такие аватары.

Речь идет не только о скорби в цифровую эпоху. ИИ стремительно развивается, представляя собой палку о двух концах. С одной стороны, он предлагает утешение, создавая видимость связи с теми, кто ушел из жизни. Компании извлекают выгоду из способности ИИ создавать реалистичные аватары. За несколько долларов семьи могут связаться с цифровой версией своих умерших близких. Эта технология находит применение не только в трауре — недавно аватар ИИ произнес речь для умершего основателя компании.

С другой стороны, ИИ превращают в оружие - ИИ определяет цели для смертельных ударов. Хотя ИИ обеспечивает комфорт, его также используют для ведения войны. Израильская система «Лаванда» использует машинное обучение для определения потенциальных целей, что вызывает этические проблемы. Солдаты по сути сводятся к «резиновым штампам», одобряющим рекомендуемые ИИ цели с минимальным человеческим контролем.

Такую дихотомию мы не можем игнорировать. Быстрое развитие ИИ заставляет нас противостоять потенциальным опасностям ИИ. Должны ли алгоритмы определять, кто живет, а кто умирает? И какое влияние оказывает цифровая загробная жизнь на процесс скорби? ИИ представляет собой мощный инструмент с огромным потенциалом для добра. Однако его быстрое развитие требует открытого обсуждения в части не только технических, но этических соображений. Сможем ли мы использовать положительные аспекты технологии ИИ, одновременно смягчая опасности? Будущее зависит от нашей способности ответить на этот важный вопрос.

Источник.
https://frankdiana.net/2024/04/05/beyond-the-tomb-ais-duality-from-reuniting-families-to-automating-war/

За гробницей: двойственность ИИ — от воссоединения семей до автоматизации войны

5 апреля 2024 г. Фрэнк Диана

Влияние ИИ на индустрию ПО

Термины

• gen AI - генеративный искусственный интеллект
• SaaS (Software as a Service) - одна из моделей продажи и доставки приложений пользователям. Согласно этой модели, поставщик услуги разрабатывает программное обеспечение, разворачивает его на своих вычислительных мощностях, обслуживает и предоставляет клиентам доступ к приложению как к готовому интернет-сервису.
• ПО - программное обеспечение.

Введение

Поразительным фактом появления gen AI является ускоренный темп принятия gen AI бизнесом. В самом деле, крупные мировые предприятия потратили около 15 миллиардов долларов на решения gen AI в 2023 году, что составляет около 2% мирового рынка корпоративного ПО. Для подобного прогресса SaaS потребовалось четыре года.

McKensey утверждает, что разрушительное влияние искусственного интеллекта на индустрию разработки ПО будет сильнее и быстрее, чем подобный переход отрасли на SaaS решения.

Беспрецедентный рост gen AI - одно из свидетельств колоссального влияния gen AI. Динамика отрасли свидетельствует, что ИИ готов нанести удар сектору корпоративного ПО. В частности, витают идеи замены определенных программных приложений агентскими рабочими процессами. Потенциальные макроэффекты gen AI сложны и взаимосвязаны: некоторые факторы способствуют созданию стоимости, другие подпитывают смену поставщиков, третьи, приводят к переосмыслению текущих категорий ПО.

Gen AI будет способствовать значительному росту в сфере ПО. К 2027 году расходы на технологию Gen AI могут составить от 175 до 250 миллиардов долларов, что обеспечит сектору дополнительные два-шесть процентных пунктов роста. Однако, несмотря на этот значительный рост, исследование McKensey показывает, что наиболее продолжительным и разрушительным воздействием gen AI станет широкомасштабные изменения среди поставщиков.

С одной стороны, новые компании-поставщики смогут воспользоваться возможностями технологии, и это усилит конкуренцию среди действующих поставщиков. С другой стороны, снижение стоимости миграции данных, стоимости интеграции и обучения пользовалелей снизит стоимость перехода с устаревших систем на новые. В третьих, растущая простота разработки ПО побуждает все больше предприятий переходить от покупки ПО к созданию собственных решений на базе ИИ. В-четвертых, становятся общедоступными определенные категории ПО, ориентированные на доступ к данным и их синтез.

Отсюда может следовать заключение: помимо стимулирования нового роста, наибольшим результатом развития ИИ станет ускорение смены клиентами поставщиков ПО.

Звучит банально, но тем не менее: Gen AI будет влиять некоторым образом на почти все категории ПО, хотя и в разной степени. Новые варианты использования и функции Gen AI, вероятно, подстегнут рост доходов, невзирая на то, что большая часть возможностей Gen AI сосредоточена всего на нескольких ключевых возможностях. Уже используются такие сценарии, как помощь в создании кода, служба технической поддержки ИТ и автоматизация тестирования, уже пользуются высокими темпами внедрения. На данный момент служба поддержки клиентов является наиболее активным функциональным пользователем Gen AI. Сценарии использования включают виртуальные чат-боты и другие решения поддержки обслуживания клиентов.

Три группы ценностей

По данным исследования McKensey большая часть расходов на ИИ-технологии придется на три основные группы ценностей, три архетипа.

Существующие корпоративные программные решения со встроенным Gen AI. Внедрение Gen AI в существующие продукты может повысить опыт и производительность традиционного ПО, например, используемого для управления взаимоотношениями с клиентами (CRM), управления HR и человеческим капиталом, а также производительности, которое может иметь или не иметь какие-либо функции ИИ. Типичными вариантами использования будут внедрение интерфейсов на естественном языке или агентов - "вторых пилотов" в существующих рабочих процессах.

Инновации и новые продукты. Gen AI имеет огромный потенциал для стимулирования разработки новых программных приложений. Основные функции продукта в этой категории — это ИИ с моделями, созданными или настроенными для конкретных вариантов использования или вертикальных рабочих процессов, особенно когда требуется значительная специализация (например, при разработке лекарств).

Внутренние решения для предприятий. Технологическая мощь Gen AI означает, что крупные предприятия, скорее всего, попытаются выделить больше ресурсов на разработку внутренних решений. Эти инструменты могут быть созданы для рабочих процессов, специфичных для компании, например, для автоматизации определенных процессов бэк-офиса или создания агентов знаний, которые помогут сотрудникам быстро получать доступ к данным или информации компании.

В дополнение к этим трем основным архетипам, дополнительные расходы пойдут на инструменты и инфраструктуру для поддержки прикладного уровня ИИ, такие как базовые модели и технологии поддержки и разработки ИИ. Эти технологии могут включать инструменты управления ИИ, платформы хранения и транспортировки данных, продукты визуализации данных, MLOps или платформы автоматизации.

Разработка кода с помощью Gen AI является еще одним важным источником создания стоимости для компаний-разработчиков ПО. Недавние оценки показывают, что эта технология может повысить производительность разработчиков на 35–45%. Это является скачком, который превосходит прошлые достижения в производительности программной инженерии, что приводит к снижению стоимости разработки кода. Gen AI также может ускорить процессы документирования функциональности кода, что повышает удобство использования кода на 50% и рефакторинга кода на 20–30%. Резкое сокращение времени и затрат на разработку, на исправление ошибок и постоянное улучшение не просто приводит к увеличению маржи может оказать значительное влияние на доход. Это гарантируем возможность быстро адаптироваться к потребностям клиентов и реализовывать инновационные решения.

Компании-разработчики ПО также должны будут научиться приспосабливаться к радикально изменившейся пользовательской базе. Эта трансформация может сместить расходы предприятий с традиционного ПО на программные приложения Gen AI (например, чат-боты). В то же время Gen AI может расширить круг постоянных пользователей определенных типов ПО.

Gen AI может повлиять на корпоративные функции. Так 20-25% рабочих процессов продаж и маркетинга, коммуникаций, дизайна, финансов, операций и HR могут быть затронуты на 20–25% рабочей деятельности. Административные, офисные функции и функции обслуживания клиентов могут быть непропорционально сильно затронуты в силу того, что замещения рабочей силы Gen AI там, где будет преодолен барьер между человеческим языком и системным языком.

Смена поставщиков ПО

Gen AI может оказать сложное воздействие на крупные силы, определяющие успех или неудачу в бизнесе. Например, интерфейсы на естественном языке могут позволить ускорить адаптацию к новому ПО. А это ограничит конкурентные преимущества в важнейших категориях ПО. Хотя лидеры в области ПО воодушевлены потенциальным влиянием Gen AI на производительность разработчиков, это же означает снижение барьеров входа для конкурентов и новичков с одной стороны, и снижение цен - с другой стороны. Также Gen AI в сочетании с оптимизированной интеграцией и более низкими затратами на переключение подрывает преимущества действующих поставщико ПО. Все это ведет к тому, что скорость переключения поставщиков может значительно возрасти, потенциально удвоившись, что, в свою очередь, вероятно, приведет к большему конкурентному давлению на ценообразование.

Чтобы противостоять этим изменениям и потенциальному росту конкуренции, игрокам ПО необходимо постоянно двигаться вперед и внедрять инновации с новыми функциями. Они могли бы использовать собственные данные и идеи в качестве источников дифференциации. Такие элементами может использование пользовательского опыта как отличительного элемента. Также, несмотря на доступность интерфейсов на естественном языке, все еще будут возможности дифференцироваться с помощью более тонко настроенных базовых моделей и возможности разработки более тонких и конкретных профилей пользователей.

Размывание стоимости

Потенциал Gen AI в области экономической эффективности разработки ПО может привести к тому, что предприятия могут перейти к разработке собственного ПО, а не покупать его. Такое движение будет относительно сдержанным в течение следующих трех-четырех лет, составив сдвиг в распределении расходов на два-четыре процентных пункта. Тем не менее, это все равно будет существенная сумма, около 35-40 миллиардов долларов, и эта доля может значительно вырасти в течение следующего десятилетия, поскольку корпоративные команды будут создавать больше возможностей внутри компании и доказывать, что они могут создавать приложения, более четко соответствующие их конкретным потребностям.


Одним из заметных факторов, который может ускорить расходы на внутренние сборки, является потенциальное увеличение так называемых разработчиков-сотрудников, которые не являются частью основной ИТ- или технической группы, но которые создают приложения и инструменты для потребления ими самими или коллегами по команде. До появления Gen AI количество пользователей, воспользовавшихся этой возможностью, не увеличилось так сильно, как предсказывали многие отраслевые эксперты, в основном потому, что инструменты с низким кодом и без кода должны были преодолеть кривую обучения и простоты использования. Gen AI в ближайшие годы может разблокировать этот тип разработки ПО благодаря разработке приложений на естественном языке.

Источник

Управление генеративным ИИ-прорывом в программном обеспечении. 5 июня 2024 г. Статья. Джереми Шнайдер, Теджас Шах, Джошан Чериан Абрахам

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/navigating-the-generative-ai-disruption-in-software

Дела в индустрии ПО: сокращение роста и увеличение маржи

Предисловие. У них просто нет импортозамещения.

Как дела на рынке ПО в северной америке.

Какую разницу могут принести несколько лет. Около десятилетия компании-разработчики программного обеспечения находились на волне роста. Согласно предыдущему анализу McKinsey, в период с 2011 по 2018 год рыночная капитализация мировой индустрии программного обеспечения росла вдвое быстрее, чем общий рынок. Поскольку пандемия ускорила цифровые преобразования, оценки и рост программного обеспечения достигли пика в 2021 году.

Однако в последние годы индустрия программного обеспечения столкнулась с серьезными препятствиями, поскольку предприятия замедлили свои расходы на ИТ. Это замедление инвестиций в технологии привело к замедлению роста компаний-разработчиков программного обеспечения. В то же время рост процентных ставок означал, что клиенты программного обеспечения столкнулись с растущими препятствиями в виде денежных потоков, что усилило давление, заставляющее сокращать расходы на программное обеспечение. В результате оценки программного обеспечения испытали существенное многократное сжатие, и рост эффективности значительно снизилсь, упав примерно на 50% в период с 2021 по 2023 год. Некоторые сигналы в первой половине 2024 года указывают на то, что эта тенденция может сохраниться.

В 2022 и 2023 годах компании-разработчики программного обеспечения столкнулись с серьезными препятствиями, поскольку глобальные расходы на ИТ замедлились. В США темпы роста расходов на ИТ сократились до 5,7% в период с 2022 по 2023 год, что примерно вдвое меньше, чем в период с 2020 по 2022 год (согласно анализу McKinsey). Финансовые руководители призвали руководителей ИТ-подразделений сократить расходы на программные инструменты на целых 30% в 2023 году.

Хотя компании-разработчики ПО продолжали инвестировать в рост, они были заметно менее эффективны в получении новых доходов. Эффективность роста компаний-разработчиков программного обеспечения снизилась вдвое с 2021 по 2023 год.

Внимание - марже

Многие компании-разработчики ПО отклонились от траекторий роста, перейдя от мышления «рост любой ценой» к мышлению, основанному на марже. В то время как компании в верхнем квартиле по оценочным мультипликаторам ранее достигли превосходных результатов за счет более высокого роста выручки, в 2022 и 2023 годах они сосредоточились на улучшении маржи свободного денежного потока (FCF). С 2018 по 2021 год маржа FCF для компаний верхнего квартиля и медианного6находились в диапазоне двух процентных пунктов. Однако в 2022 и 2023 годах компании с оценочными мультипликаторами верхнего квартиля достигли в среднем на шесть-восемь процентных пунктов более высокой маржи FCF, чем медианные компании. Фактически, компании-разработчики программного обеспечения верхнего квартиля более чем удвоили свою маржу в период с 2018 по 2023 год. Рынки вознаградили игроков, которые сосредоточились на марже, которая была более существенным фактором, отличающим компании верхнего квартиля от медианных, чем рост в 2023 году.

Возобновление акцента на эффективном росте может позволить компаниям-разработчикам ПО высвободить 500 миллиардов долларов дополнительной акционерной стоимости.

На фоне этих упадочных показателей успешные игроки рынка программного обеспечения, подстегиваемые инвесторами, стремились сохранить стоимость, обратившись к рычагу, который находился под их полным контролем - марже. Хотя лидеры отрасли, по понятным причинам, хотели защитить стоимость бизнеса, приоритет маржи за счет роста привел к тому, что часть стоимости осталась за бортом. А именно, на карту может быть поставлено до 500 миллиардов долларов дополнительной стоимости предприятия. И это случилось в силу того, что поворот к марже оказался чрезмерной коррекцией. Путь вперед лежит в подходе «эффективного роста»: подходе, который стремится к максимальному росту наряду со достаточной маржой.

Теория стоимости бизнеса предполагает, что существует оптимальный баланс между маржой и ростом для каждой компании. В качестве примера, для типичной компании-разработчика ПО идеальное соотношение роста и маржи составляет примерно 2,1–1,2 раза. Этот баланс со временем позволяет компании максимизировать свою долгосрочную стоимость. Однако оптимальное соотношение между ростом и маржой FCF различно для компаний-разработчиков ПО, поскольку оно зависит от бизнес-среды и индивидуальных обстоятельств. Правильный баланс может иметь решающее значение.

Например, типичная компания-разработчик ПО с доходом в 1 млрд долларов и эффективностью роста 0,4 будет генерировать наибольшую долгосрочную ценность при коэффициенте роста к марже 0,8, то есть 22 процента маржи FCF и 18 процентов роста. Та же компания при эффективности роста 0,7 максимизирует долгосрочную ценность при коэффициенте роста к марже 2,1, или 13 процентов маржи FCF и 27 процентов роста. Компании на бурно развивающимся рынке будут испытывать более высокую эффективность роста, а их порог оптимальной маржи будет ниже. Обратное также верно: компании с ограниченным запасом роста будут иметь более низкую эффективность роста, а порог оптимальной маржи должен увеличиться. Другими словами, эффективность роста — это не статическое число. Существует множество рычагов, которые игроки могут использовать для повышения эффективности роста и раскрытия рентабельности инвестиций в росте, среди которых — обновленные стратегии ценообразования , практики, ориентированные на продуктах, сокращение циклов продаж, более релевантные возможности вертикальных продаж, а также многое другое.

Используя формулу эффективного ростоа McKinsey нашла, что если бы все 116 компаний-разработчиков ПО следовали эффективной формуле роста в 2022 и 2023 годах, они теоретически могли бы получить 500 миллиардов долларов дополнительной стоимости.

Стратегии повышения стоимости в 2024 и 2025 годах

Исследование McKinsey аналитических прогнозов стоимости акций предполагает, что большинство компаний-разработчиков ПО сохранят курс, увеличивая маржу и недостаточно инвестируя в рост в 2024 и 2025 годах. То есть, это приведет к потере дополнительной стоимости бизнеса.

На основе формулы эффективного роста каждой компании мы обнаруживаем, что для создания устойчивой ценности 46% компаний-разработчиков ПО должны инвестировать в рост в 2024 году, в то время как только 34% должны пытаться увеличить маржу. Тем не менее, по прогнозам аналитиков, только 19% компаний-разработчиков РО будут инвестировать в рост в 2024 и 2025 годах, при этом самая большая группа компаний (64%) по-прежнему нацелена на увеличение маржи FCF.

Источник

How efficient growth can fuel enduring value creation in software. July 29, 2024. Article. This article is a collaborative effort by Chandra Gnanasambandam, Jeremy Schneider, and Suren Arutyunyan, with Martin Milenovsky and Sebastian Sinisterra-Woods, representing views from McKinsey’s Technology, Media & Telecommunications Practice.

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/how-efficient-growth-can-fuel-enduring-value-creation-in-software

Влияние ИИ на экспертное ПО

Поскольку искусственный интеллект может повысить доступность различных типов экспертного ПО, потенциальная база пользователей может значительно расшириться.

Экспертное ПО традиционно зарезервировано для относительно небольшой, избранной группы пользователей. Но Gen AI может изменить это, стимулируя четыре критических изменения в продажах и использования экспертного ПО:

Объем обучения. Интерфейсы на естественном языке ускорят необходимое обучение для нынешних пользователей, которым сейчас для освоения инструментов проектирования и дизайна требуется обширное профессиональное обучение, особенно в навигации по сложным меню и рабочим процессам, .

Размер экспертной пользовательской базы. Учитывая сложность современных инструментов проектирования, таких как САПР, только относительно небольшой сегмент настоящих экспертов, как правило, инженеров с обширными знаниями в области и ПО, может использовать эти продукты. В ближайшем будущем Gen AI позволит большему числу полуэкспертов и обучающихся на рабочем месте, таких как машинисты и техники, использовать САПР по необходимости для создания и улучшения проектов и продуктов.

Метрика для масштабирования стоимости. Сегодняшние поставщики экспертного ПО, такого как инструменты графического дизайна или юридические базы данных, как правило, взимают с клиентов абонентскую плату, основанную на количестве пользователей. Однако позднее в этом десятилетии те же самые клиенты могут увидеть плату, основанную на количестве выполненной работы или созданном объеме, например, количестве сгенерированных слов или изображений.

Уровень сотрудничества. Опытные пользователи ПО, такие как помощники юристов, как правило, выполняют большую часть своей работы в относительной изоляции, сосредотачиваясь на работе в самом ПО. Поскольку инструменты Gen AI могут справляться с утомительной работой, такой как прочесывание баз данных, пользователи смогут тратить больше времени на разработку идей и работу над более ценными задачами.

Источник

42 важных ИТ технологий

42 наиболее важных изменения и развития по трем направлениям трансформации технологий

Переосмысление роли и стратегии

Упрощение продуктового портфеля

Сокращение операционной и технической сложности.

Получениепреимуществ масштаба.

Сосредоточение на наиболее важным для клиентов.

Программное обеспечение как услуга (SaaS)

Вывод на рынок и продажи преднастроенных и кастомизированных программных решений.

Продажи платформ и решений других компаний под собственными брендами.

Цифровизация потребительского поведения​

Оценка цифрового прогресса сквозь призму потребительского поведения.

Организация междисциплинарных команд для каждого типа потребительского поведения с целью улучшения цифровых показателей.

Встраивание в партнерские каналы

Расширение охвата рынка, установив отношения с компаниями, которые могут продавать ваши комплиментарные продукты или услуги по своим каналам распространения.

Переосмысление доставки программного обеспечения

Гибкость в масштабах предприятия​

Внедрите гибкие организационные структуры, процессы и управление. Это позволит сосредоточиться на наиболее важном для клиентов.

Мастерство в создании программного обеспечения

Создание мелких команды из лучших разработчиков.

Интернализация разработчиков

Опора преимущественно на внутренних разработчиков вместо того, чтобы полагаться на внешних подрядчиков и поставщиков.

Операционная модель платформы​

Организация совместных бизнес- и технологических команд для обеспечения потоков создания клиентской ценности.

Финансирование на основе предложения​

Финансирование команд, а не проектов. Это стабилизирует численность и потенциал рабочей силы, повышает сплоченность и развивает более эффективные и более специализированные команды.

Государственный контроль

Переходит от управления процессами к автоматизированному управлению производственными системами на основе состояния.

Модель снабжения на основе внутренних источников

Общая платформа для обслуживания несколько продуктов, направлений бизнеса или страновых поставок.

«Сдвиг влево» к более ранним, высокоавтоматизированным процессам развертывания и ИТ-операций

Ускорение доставки приложений и услуг за счет автоматизации и оптимизации ИТ-процессов и интеграции таких обязанностей, как тестирование в более ранние этапы жизненного цикла разработки программного обеспечения.

Проектирование надежных решений ​

Применение навыков и инструментов разработки программного обеспечения для повышения надежности ИТ-инфраструктуры и полномасштабных производственных систем.

Геймифицированная операционная модель

Использование геймификации для повышения и признания мастерства инженеров.

Порталы разработчиков

Предоставление разработчикам единого, унифицированного и связного пользовательского интерфейса на протяжении всего жизненного цикла разработки, от идеи до развертывания и эксплуатации.

Модернизация приложений на основе партнерства​

Привлечения третьих сторон для обновления нестратегических приложений.

Платформы с низким кодом или без кода

Предоставление нетехническим сотрудникам возможности писать простые приложения без участия разработчиков, снижая зависимость от ручных процессов.

Фундамент, ориентированный на будущее

Гибридное облако

Использование сочетания частных и общедоступных облачных сервисов для использования их преимуществ.

Переносимость облаков

Обеспечение перемещения критически важных приложений из общедоступного облака в резервное общедоступное облако или в локальную инфраструктуру.

Трансграничные платформы

Обслуживание клиентов из разных сфер бизнеса и стран, не жертвуя при этом преимуществами локализации.

Гибридная архитектура планирования ресурсов предприятия (ERP) нового поколения

Перенос стандартизированных бизнес-функции, таких как HR, в программное обеспечение как услугу (SaaS) и сохранение более компактной ERP-системы управления бизнесом.

Программное обеспечение как услуга, ориентированное на API (SaaS)

Разработка приложений для облегчения последующей интеграции и подключения.

Модернизация устаревшего программного обеспечения и погашение технологического долга

Разделение и декомпозиция. Это позволяет количественно оценить технологический долг. Рационализация приложений.

Устранение и сведение к минимуму устаревшие системы.

Периферийные вычисления

Уменьшение времени отклика и сохранение пропускной способности.

Перемещение вычислений и хранилищ данных ближе к тому месту, где они необходимы или где оин используются.

Ценообразование на основе потребления в приватных облаках

Взимание платы с внутренних бизнес-подразделений на основе использования ими внутренних технологических ресурсов, чтобы помочь заинтересованным сторонам лучше управлять возвратными платежами.

Невидимая кибербезопасность

Внедрение кибербезопасности в процесс разработки и производственную среду, чтобы обеспечить безопасность и одновременно поддержать кибербезопасность.

Событийно-ориентированная архитектура​

Организация взаимодействия систем друг с другом.

Реагирование на бизнес-события в режиме реального времени без дорогостоящих интеграций.

Эксплуатация и использование API

Полное управление API на протяжении всего их жизненного цикла.

Обеспечение доступности API на порталах разработчиков, где любая команда сможет быстро получить доступ к API.

Микро-фронтальные приложения​

Создание отдельными командами веб- и мобильные экраны независимо от команды, отвечающей за общий веб- и/или мобильный канал.

Неизменяемая инфраструктура как потребляемый продукт

Создание инфраструктуры как предварительно настроенный расходный продукт, чтобы избежать затрат времени и средств на изменения.

Облачные сервисы искусственного интеллекта​

Предварительно упакованные возможности ИИ от облачных провайдеров, что упрощает предприятиям быстрое внедрение ИИ в свои приложения.

GraphQL

Дополнительный уровень взаимодействия между фронт-эндом и бэк-эндом. Это снижает взаимозависимость между командами.

Базы данных нового поколения

Работа с новыми технологиями баз данных либо в облаке, чтобы обеспечить большую масштабируемость и переносимость, либо непосредственно в основной памяти, чтобы уменьшить задержку в обработке данных и вычислениях.

Генеративный ИИ

Использование генеративного искусственного интеллекта для создания нового контента, повышения производительности и взаимодействия с клиентами.

Квантовые технологии​

Применение уникальных свойств квантово-механических систем для решения новых или ранее неразрешимых задач.

Sidecars-контейнеры и технологии service mesh

Интеграция внутренних микросервисов для отделения технической работы от работы микросервисов. Это необходимо на сосредоточении микросервисов на бизнес-задачах.

Облака

Размещение облачных центров обработки данных рядом с мобильными устройствами, данными и приложениями, которые они поддерживают.

Сети нового поколения

Автоматизация реконфигурацию сети для перехода от дорогостоящего оборудования конечных точек к программным решениям.

Источник

https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/hitchhikers-guide-to-technology-42-shifts-that-matter-to-enterprise-tech-leaders