Масштабирование телекоммуникационной компании, использующей искусственный интеллект

Два года назад, с появлением ChatGPT, вызвавшим всплеск оптимизма относительно преобразующей силы искусственного интеллекта в бизнесе, McKensey возвестили о подъеме телекоммуникационных компаний на основе, где «ИИ рассматривается как основная компетенция, которая обеспечивает принятие решений во всех отделах и на всех организационных уровнях», где «высшее руководство выступает в качестве поборников критически важных инициатив ИИ» и где «данные и возможности ИИ управляются как продукты, созданные для масштабируемости и повторного использования».

Вопрос о том, будет ли ИИ создавать ценность, заменен множеством новых вопросов: 

• Как компании могут подготовиться к извлечению выгоды из следующего рубежа инноваций, особенно в отношении агентного ИИ, новой инновации, которая обещает более плавную перестройку и масштабируемость рабочего процесса? 
• Как лучше всего масштабировать технологию для создания общеорганизационной ценности?
• Как предприятия могут наилучшим образом интегрировать «традиционные» инструменты ИИ и машинного обучения с возможностями ИИ нового поколения?
• Как операторы могут стимулировать внедрение и изменять поведение?

Ожидая существенной экономии средств, операторы связи переключают свое внимание на масштабирование усилий в области ИИ.

Каковы следующие горизонты развития ИИ и как к ним подготовиться

Около 61% руководителей высшего звена говорят, что считают ИИ «технологией-блокбастером, которая преобразует отрасль». Одним из ключевых факторов этой трансформации является внедрение агентского ИИ — технологии, которая может превзойти и без того значительные перспективы генеративного ИИ.

Агенты Gen AI — это программные объекты, имитирующие поведение человека.

В то время как агенты только зарождаются, телекоммуникационные компании уже изучают и внедряют эту технологию, отчасти подстегиваемые релизами ведущих технологических игроков (например, Agentforce от Salesforce). Почти 42% руководителей определяют масштабирование вариантов использования агента по всем функциям как приоритет на 2025 год, особенно в обслуживании клиентов, где около 75% руководителей стремятся использовать эту технологию. Основы масштабирования и реализации воздействия от агентов ИИ остаются в значительной степени такими же, как и масштабирование более «традиционного» ИИ. В частности, проектирование агентов должно будет осуществляться на основе тесного сотрудничества между экспертами в предметной области и практиками Gen AI, чтобы четко определить бизнес-проблемы, обоснования и задачи, которые можно передать агентам ИИ.

В то время как агентский ИИ будет поддерживать автоматизацию существующих рабочих процессов, управляемых людьми, технология может стать основой для новых рабочих процессов и процессов, которые могут включать агента ИИ, способного читать предыдущие расшифровки звонков, определять потенциальные возможности для дополнительных продаж и автоматически оповещать команду исходящего колл-центра. В сочетании с более традиционными инструментами, такими как роботизированная автоматизация процессов (RPA), агенты ИИ могут показать значительно более высокий уровень автоматизации в телекоммуникационных компаниях.

Агенты ИИ телекоммуникационных компаний, скорее всего, будут принимать различные формы:

• Простые рефлекторные агенты могут предпринимать действия на основе предустановленных правил, аналогичных текущим системам «следующего наилучшего действия» (например, отправлять уведомления о шокирующем счете пользователям, которые приближаются к исчерпанию своих ежемесячных лимитов данных).
• Агенты на основе утилит могут самостоятельно рассматривать несколько вариантов и действовать соответственно. Например, агент ИИ для электронной почты может выбирать, отвечать ли автоматически недовольному клиенту или составлять черновик письма для отправки представителю службы поддержки, в зависимости от тона и серьезности входящего письма.
• Агенты, ориентированные на цели, могут принимать решения для достижения конкретных целей. Например, агент-рекомендатор может предлагать клиентам предложения по допродажам на основе моделей использования данных и целей по доходам.
• Иерархические агенты могут разбивать сложные задачи на управляемые подзадачи, что позволяет более организованно контролировать и принимать решения. Примером может служить агент, предназначенный для создания финансовых отчетов, который сначала разбивает задачу на исследования и генерацию контента.

Многоагентные системы способны объединять несколько автономных агентов, работающих независимо и/или совместно, для достижения коллективной цели. Система могла бы, например, функционировать как централизованный помощник сотрудника, способный управлять несколькими сетевыми задачами, такими как ответы на запросы, предоставление рекомендаций и автоматическое заполнение заметок после посещения объекта.

Для телекоммуникационных компаний, которые используют эту возможность, это может стать переломным моментом. Представьте себе, например, полностью реализованную телекоммуникационную компанию с собственным ИИ, в которой агенты дополняют людей или автономно выполняют сквозные рабочие процессы.

В то время как общее внимание агентских систем, как правило, сосредоточено на повышении эффективности, агенты ИИ предлагают гораздо больший потенциал. Одна телекоммуникационная компания разрабатывает агентскую систему, способную обрабатывать запросы, связанные с ее сетью, например, немедленно понимать основные причины сетевых проблем и заблаговременно поднимать потенциальные предстоящие проблемы. Это нововведение заключается не только в более быстром достижении решения; оно в достижении лучшего решения, где агент ИИ выступает как мыслительный партнер и создатель. Кроме того, агенты могут дополнять команды по трансформации в телекоммуникационных компаниях и помогать им в выявлении возможностей для воздействия. Они могут помочь провести «разовые» сложные и трудоемкие анализы, например, оптимизацию затрат на недвижимость в центральных офисах в сотнях мест. Агенты также могут поддерживать оценку и переосмысление бизнес-процессов, например, анализируя документацию по рабочим процессам и интервью с экспертами в предметной области, чтобы рекомендовать новые, оптимизированные процессы.

Агенты — не единственный способ, которым ИИ стимулирует новую волну креативности и инноваций. Мы уже видим, как телекоммуникационные компании внедряют ИИ не только для повышения эффективности, но и для разработки новых функций существующих продуктов и создания совершенно новых предложений. Некоторые телекоммуникационные компании изучают новые способы модернизации предложений мобильных и домашних тарифных планов, объединяя кредиты для поставщиков крупных языковых моделей (LLM) или предоставляя эксклюзивный доступ к премиальным возможностям ИИ через своих партнеров.

Другие телекоммуникационные компании удваивают усилия по обеспечению инфраструктуры для поддержки ИИ, от подключения новых центров обработки данных с помощью высокопроизводительных каналов связи до предложения предприятиям более интеллектуальных сетей (например, с маршрутизацией на основе задержки и высокой эластичностью) и обеспечения распределенных вычислений.

Благодаря таким инновациям передовые телекоммуникационные компании могут стать основой экономики ИИ.

Что означает масштабирование ИИ на уровне всего предприятия?

Масштабирование может пониматься как возможность развертывания нескольких взаимосвязанных вариантов использования ИИ среди тысяч сотрудников или сотен тысяч клиентов экономически эффективным способом.

Для крупных и сложных организаций это сложная задача, которая часто выполняется сериями скачков, успехов и неудач. Например, одна крупная организация внедрила вариант использования для второго пилота ИТ-разработчика на основе искусственного интеллекта, получив первоначальный прирост производительности от 25 до 40%, но затем этот прирост быстро упал до менее чем 5 процентов с ограниченным финансовым воздействием. Почему произошел спад? Оказалось, что первые последователи пилота были более воодушевлены, чем рядовые пользователи, когда программа была развернута по всей организации. Менеджеры также ссылались на плохую коммуникацию между техническими разработчиками и бизнес-группами, неполные или непоследовательные базы данных и ограниченное управление изменениями для стимулирования внедрения. Подобные ситуации вряд ли являются необычными; обычно сообщаемые препятствия для масштабирования включают отсутствие общего видения и операционной модели между командами разработки и бизнес-/пользователей.

В McKinsey синтезировали семь ключевых элементов, которые организации должны правильно использовать для масштабирования воздействия.

1. Целевые домены и сквозные рабочие процессы персон для трансформационного воздействия

Хотя отдельные варианты использования могут демонстрировать потенциал и вызывать волнение, они очень редко оказывают значимое влияние. Например, вариант использования Gen AI для автоматического создания персонализированных сообщений для клиентов не поможет снизить высокий уровень оттока. Но когда ведущая телекоммуникационная компания объединила несколько связанных вариантов использования — инструмент для проведения аудиторных исследований на основе ИИ, унифицированную модель оттока, инструмент для принятия проактивных решений в реальном времени и автоматизированную модель многовариантного тестирования — в единое решение, она преобразовала весь сквозной рабочий процесс.

2. Создание масштабируемой модульной платформы ИИ

Во многих крупных телекоммуникационных компаниях наблюдается распространение команд ИИ, каждая из которых проводит собственные пилотные проекты и эксперименты. Результат: несколько команд разрабатывают варианты использования ИИ изолированно, не делясь технологиями или передовым опытом друг с другом. Например, в одной телекоммуникационной компании команда по обслуживанию клиентов разрабатывала свой собственный вариант использования управления знаниями, не зная, что команда сетевых операций занимается проектом, использующим похожую архитектуру дополненной генерации (RAG) поиска. Но хотя раскрытие множества несвязанных вариантов использования может быть эффективным способом стимулирования креативности и повышения энтузиазма в отношении ИИ, это может быть не лучшим способом масштабирования технологии для создания значимой ценности.

Вместо этого ведущие организации разрабатывают централизованные платформы ИИ, которые могут служить хранилищами проверенных и поддерживаемых модулей ИИ, API, инструментов и фрагментов кода, которые были проверены и признаны безопасными для потребления и использования в масштабах всей организации. Такой подход к платформам помогает ускорить реализацию успешных вариантов использования, сохраняя при этом согласованные ограничения и используя проверенные архитектуры и «рецепты» вариантов использования. Более того, такая модульная платформа обеспечивает простое использование по принципу «plug-and-play», что означает, что вы можете быть готовы использовать новые инновации.

Создав платформу Gen AI из примерно 50 повторно используемых сервисов, одна североамериканская телекоммуникационная компания успешно сократила время, необходимое для создания новых вариантов использования, с месяцев до двух недель, при этом гарантируя, что все аналогичные варианты использования используют схожие архитектуры, а все передовые практики/обучения передаются в общий репозиторий. Напротив, без такого централизованного репозитория варианты использования медленно генерируют бизнес-ценность, поскольку разработчики экспериментируют самостоятельно.

3. Внедрение адекватных базовых данных

Масштабирование Gen AI требует новой дисциплины в консолидации и управлении данными. Это потому, что любое решение ИИ настолько хорошо, насколько хороши данные, к которым оно получает доступ.

Cпособность управлять неструктурированными и структурированными данными одновременно имеет решающее значение для согласования контрактов, аннотаций и технических чертежей, которые ранее были разбросаны по всей организации. Это особенно важно в контексте B2B, которые содержат устаревшие и сложные деловые соглашения и документы.

В то же время инвестиции в базовые данные остаются столь же важными. Хотя некоторые телекоммуникационные компании были первопроходцами в трансформации своих возможностей обработки данных, большинство из них только начали использовать ИИ для преобразования своих инфраструктур данных в более современные гибридные архитектуры со структурированными продуктами данных, которые позволяют курировать и повторно использовать данные в различных вариантах использования.

4. Стимулирование внедрение с помощью управления изменениями

Телекоммуникационные компании — это сложные организации с большим количеством разнообразных ролей, особенно таких как представители колл-центров, сетевые техники и сотрудники розничных магазинов. Более того, сотрудники телекоммуникационных компаний, как правило, долго остаются на своих должностях. Непреднамеренным следствием этих факторов может стать высокая степень организационной инертности, когда дело доходит до внедрения новых инструментов и способов работы. В одном случае телекоммуникационная компания разработала инструмент поддержки на местах на основе ИИ для повышения эффективности, но затем увидела, что полевые техники отказались его использовать.

Чтобы масштабировать ИИ, телекоммуникационным компаниям необходимо разработать и реализовать комплексную стратегию управления изменениями, чтобы обеспечить широкое внедрение новых технологий и процессов в организации. На макроуровне это должно начинаться сверху, с коммуникации генерального директора о важности переосмысления организации с помощью ИИ, в сочетании с целевыми программами повышения квалификации в области ИИ, чтобы подчеркнуть преимущества и развеять страхи перед изменениями. На микроуровне планы управления изменениями должны быть встроены в проектирование вариантов использования ИИ с самого начала. Внедрение должно быть важнейшей частью жизненного цикла разработки, а не рассматриваться как нечто второстепенное. Планы взаимодействия должны разрабатываться в тесном сотрудничестве с рядовыми сотрудниками и менеджерами, которые будут конечными пользователями инструментов. Например, с помощью инструмента поддержки на местах менеджеры смогли перегруппироваться и стимулировать внедрение, добавляя функции для пояснения, стимулируя больше постоянных технических специалистов использовать инструмент и поощряя менеджеров спрашивать об использовании инструмента во время индивидуальных проверок. В другом примере оператор запустил спринты, обычно состоящие из двух-четырех недель, в течение которых бизнес- и технические команды встречались почти ежедневно, чтобы обсудить подробные варианты использования ИИ. Только с помощью этих спринтов они смогли создать решения, которые были достаточно поддержаны пользователями, чтобы стимулировать принятие.

5. Разработка операционной модели ИИ и стратегии управления талантами.

Одним из основных препятствий для масштабирования решений ИИ является сложность вовлеченных заинтересованных сторон, включая, например, команды разработчиков, команды CIO/IT, менеджеров по продуктам, конечных пользователей и руководителей бизнес-подразделений.

Преодоление разрывов требует от организаций внедрения совместного каденса управления между технологическими и бизнес-командами, чтобы расставить приоритеты в отношении решений ИИ и поддерживать соответствие бизнес-целям. Речь идет не только о создании кросс-функционального центра передового опыта Gen AI, что сделали многие телекоммуникационные компании. Телекоммуникационные компании должны подумать о том, как обновить свои существующие процессы, такие как принятие решений, распределение бюджета и управление поступлением, путем создания модели управления, которая объединяет всех заинтересованных лиц на разных уровнях. Организации также должны инвестировать в навыки, ориентированные на ИИ, как путем найма новых сотрудников (особенно инженеров по данным, специалистов по данным и менеджеров по продуктам ИИ), так и путем переподготовки существующих талантов в разных частях организации.

6. Создание прочной экосистемы партнерства в области ИИ.

Хотя многие операторы связи имеют относительно продвинутые ИТ-организации, им трудно идти в ногу с быстрым темпом эволюции ИИ. Тем не менее, большинство телекоммуникационных компаний склонны считать крупных игроков на рынке программного обеспечения и технологий, включая игроков, ориентированных на ИИ, «поставщиками», а не «партнерами». Это упущенная возможность. Телекоммуникационным компаниям было бы разумно взять пример с индустрии программного обеспечения и создать экосистему доверенных партнеров, которые могут предложить поддержку с ускорением вариантов использования. Например, партнер по гипермасштабированию мог бы дополнить собственные команды по науке о данных и разработчикам телекоммуникационной компании, а также помочь создать специфические для телекоммуникационной компании возможности ИИ. Например, специфические для телекоммуникационной компании данные не обязательно были включены в обучающие наборы некоторых популярных базовых моделей, что может сдерживать следующий рубеж вариантов использования.

Чтобы обеспечить адекватный контроль над партнерствами, операторам следует избегать участия в многочисленных малоэффективных сотрудничествах и вместо этого связываться с партнерами, которые могут добавить отличительную ценность и соответствовать уникальным активам компании. Эти экосистемы также могут выходить за рамки технологических партнеров и включать партнеров по обслуживанию, исследовательские лаборатории, образовательные учреждения и даже другие телекоммуникационные компании в неконкурирующих регионах.

7. Управление рисками и обеспечение соблюдения нормативных требований

Хотя ИИ может оказывать значительное влияние, крайне важно гарантировать, что усилия по использованию и развертыванию учитывают этические и нормативные факторы. Телекоммуникационные компании должны стремиться избегать предвзятости в выходных данных — как для клиентов, так и для сотрудников — путем внедрения надежных руководящих принципов в таких случаях использования, как анализ настроений клиентов, оценка эффективности работы сотрудников и гиперперсонализация. В то время как операторы уже сталкиваются со значительным регулирующим надзором в отношении использования закрытых данных, телекоммуникационным компаниям необходимо будет установить четкие защитные ограждения информационной безопасности и ответственную структуру ИИ, которая укрепляет доверие к услугам на основе ИИ, чтобы гарантировать, что все генерируемые ИИ выходные данные соответствуют стандартам качества и безопасности, а также что существуют надежные меры управления данными и конфиденциальности для защиты данных потребителей.

Это не может быть второстепенной мыслью. На самом деле, ответственный ИИ может открыть огромный источник дифференциации. Богатые наборы данных, к которым имеют доступ телекоммуникационные компании, могут быть использованы и монетизированы с помощью ИИ, но только если клиенты, сотрудники и регулирующие органы верят, что данные используются безопасно и ответственно.

Хотя влияние и ценность ИИ уже очевидны, важно помнить, что мы только в начале революции ИИ. Потенциал простирается за пределы операционной эффективности до повторного ускорения роста и переосмысления продуктов, предложений и бизнес-моделей. По мере развития технологий операторы должны быть готовы развиваться вместе с ними, имея структуры и практики, соответствующие моменту, независимо от того, преследуют ли они постепенные улучшения, такие как более дешевые модели и более высокая производительность, или прямое переосмысление и смену парадигмы, как в случае с агентами ИИ. Для руководителей высшего звена крайне важно задать себе вопрос: «Готов ли я по-настоящему масштабировать ИИ и использовать весь потенциал ценности?» Выгоды от этого могут быть огромными, а конкурентные издержки от невыполнения этого требования могут быть столь же большими.

Источник

Масштабирование телекоммуникационной компании, использующей искусственный интеллект. 
27 февраля 2025 г. Статья.

Эта статья является результатом совместной работы Бенджамина Виейры, Гильерме Круса, Игнасио Ферреро, Джошана Шериана Абрахама и Томаса Ладжуса , а также Борхи Белды и Эрика Парсоннета, представляющих точку зрения McKinsey's Technology, Media & Telecommunications Practice и QuantumBlack, AI by McKinsey.

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/scaling-the-ai-native-telco

Scaling the AI-native telco. February 27, 2025. Article

This article is a collaborative effort by Benjamim Vieira, Guilherme Cruz, Ignacio Ferrero, Joshan Cherian Abraham, and Tomás Lajous, with Borja Belda and Eric Parsonnet, representing views from McKinsey’s Technology, Media & Telecommunications Practice and QuantumBlack, AI by McKinsey.