Тестирование устройства "Генератор грозы"

Перевод заметки из блога
Тестирование генератора грозовых облаков. Брайан Даннинг, 16 декабря 2025 г.

Утверждается, что это устройство способно значительно повысить эффективность и снизить выбросы любого двигателя внутреннего сгорания.

Сегодня мы рассмотрим небольшую сенсацию последних нескольких лет на YouTube — самодельное устройство, которое можно подключить к двигателю внутреннего сгорания и которое (по утверждению производителя) может значительно повысить эффективность двигателя, вплоть до того, что вместо бензина можно использовать воду, одновременно делая выхлопные газы настолько чистыми, что ими можно дышать напрямую. Люди покупают и собирают их самостоятельно, устанавливают на двигатели и демонстрируют, что эффективность действительно повышается — по-видимому. Это детище австралийца Малкольма Бендалла, и называется оно «Генератор грозы», и сторонники утверждают, что это самое значительное изобретение в истории человечества.

Многие узнали о Генераторе Гроз от чудака из древней развитой цивилизации Рэндалла Карлсона, когда он рекламировал его в подкасте Джо Рогана в ноябре 2022 года. Бендалл утверждает, что его технология основана на Модели Плазмоидного Объединения, божественной магической системе, которая была открыта только ему. Вот лишь часть технологий, которые, по утверждению Бендалла, использует его машина: частоты, земные циклы, разумный замысел, октавный тангенциальный резонанс, сеть из 24 законов энергии, система из 16 плазмоидных предписаний тора, герметический текст VIII века, теософия и оккультизм, эфирная световая энергия, Эпоха Водолея, Книга Откровений, вавилонская астрономия, преобразование энергии в материю и обратно, плазмоидная тороидальная имплозивная турбина, разряд Земли суммированных частот в полость Шумана и холодный термоядерный синтез. Бендалл описывает свое устройство как «запатентованный процесс высвобождения атомной энергии, инициируемый плазмоидами и контролируемый процесс, позволяющий использовать воду в качестве атомного топлива».

И все же, если взглянуть на генератор грозовых разрядов (далее я буду сокращать его до TG), он представляет собой пару обычных водяных фильтров и трубу с несколькими шлангами для соединения с впускным и выпускным патрубками любого небольшого бензинового двигателя, например, газонокосилки или генератора. Никаких явных признаков вавилонянства или теософии.

Это может показаться знакомым некоторым из наших слушателей старшего поколения, потому что устройство TG Бендалла — не первое подобное устройство, появившееся на рынке. На конференции ExtraOrdinary Technology в 1984 году некий Пол Пантон представил устройство, которое он назвал GEET, что означает Global Environmental Energy Technology (Глобальная экологическая энергетическая технология). Хотя он дал разные названия своей коллекции шлангов и камер, по сути, это была точно такая же система, как у Бендалла; только Пантон также пропускал часть выхлопных газов через впускные смеси и добавил внешний резервуар, куда можно было поместить практически любую жидкость, которая испарялась бы и впрыскивалась. Устройство GEET Пантона получило патент США (№ 5794601).

В то время как Бендалл приводит в качестве обоснования своего устройства всевозможные спекулятивные псевдонаучные технологии (плюс кучу бессмысленной новомодной болтовни), Пантон сосредоточился на этом небольшом отдельном резервуаре и на том, что в него заливали — пиво, мочу, воду, что угодно — и утверждал, что GEET сжигал это в качестве топлива. На самом деле двигатель по-прежнему работал на обычном бензине из своего обычного бака, просто пропуская пары дополнительной жидкости через двигатель. Даже сегодня энтузиасты GEET на YouTube, похоже, верят, что в качестве топлива используется вода. Помните, вода не является топливом. Она находится в низкоэнергетическом состоянии, не имея извлекаемой потенциальной химической энергии.

Бизнес-проект Пантона оказался неудачным. И штат Юта, и федеральное правительство предъявили ему многочисленные обвинения в мошенничестве, лжи инвесторам и сокрытии других уголовных обвинений. Он был осужден, но признан психически недееспособным и отбывал наказание в психиатрической больнице штата Юта. После освобождения он погрузился в культуру выживания и ополчения и продолжал продавать свой GEET до своей смерти в 2015 году. Сегодня ютуберы собирают и демонстрируют их, всё ещё веря, что они спасут мир; и очевидно, что компоненты GEET такие же, как у устройства Бендалла, просто имеют другую форму.

Стоит отметить, что вдохновением для обоих, возможно, послужил француз Жан-Шамберлен, который создавал подобные системы в 1970-х годах.

Хотя Бендалл — австралиец, его компания по производству и продаже TG, Plasmoid Power, находится в Таиланде. Мы не знаем почему, но можем предположить. Вероятно, Бендалл знает, что нарушает патент Pantone, а Таиланд, как известно, не уважает американские патенты. Кроме того, почти наверняка Бендалл знает о юридических проблемах, в которые попала Pantone, привлекая инвесторов ложными заявлениями о его продукте. И у Бендалла есть свои проблемы в Австралии — то, что в Таиланде не имеет значения.

Его предыдущая карьера заключалась в том, что он выдавал себя за нефтяника. Утверждая, что получил видение от Бога о огромных запасах нефти на Тасмании, острове, известном полным отсутствием пригодных для разработки запасов жидкой нефти, Бендалл основал компанию и привлек миллионы долларов от примерно 16 000 инвесторов, а затем позволил своей 10-летней лицензии на разведку нефти истечь, так и не пробурив ни одной скважины. В любом случае, он присвоил все деньги инвесторов. Поэтому мой совет всем, кто рассматривает возможность инвестирования в его нынешнее предприятие или даже просто покупки одного из его устройств, — проявлять крайнюю осторожность.

Вот что я имею в виду. Первая камера термоэлектрического генератора называется камерой предварительной ионизации. Она всасывает воздух, который проходит мимо 25-ваттной белой компактной люминесцентной лампы, такой, у которой длинная трубка свернута в спиральную форму. Бендалл утверждает, что это ионизирует воздух — что абсолютно неверно. Даже если предположить, что лампа предназначена для производства УФ-излучения, у которого отсутствует защитное внутреннее люминофорное покрытие, полный спектр света от такой лампы производит фотоны с энергией от 3 до 5 эВ. Минимальный уровень энергии для ионизирующего фотона составляет >10 эВ, что соответствует длине волны менее 124 нанометров. Лампа такого типа не может производить такое излучение, поэтому она не может ионизировать молекулы воздуха, проходящие через эту камеру.

Вторая камера называется генератором плазмоидов, и именно там этот фактически не ионизированный воздух поднимается через аквариумный камень в воде. Бендалл использует одно из определений настоящего плазмоида в качестве источника вдохновения: когда кавитационный пузырек в воде резко схлопывается, может кратковременно существовать временная плазменная структура, и это один из типов плазмоидов. Бендалл говорит, что экзотические силы внутри аквариумной камеры вызывают этот вид кавитации, подобно тому, как кавитация происходит внутри вихревой трубки Ранке-Хильша. Это реальное явление, но для него требуется разрежение в 80-100 фунтов на квадратный дюйм. Однако вакуум, создаваемый двигателем внутреннего сгорания, который приводит в движение всю вихревую трубку, составляет всего около 4-10 фунтов на квадратный дюйм, примерно столько же, сколько два человека, сосущие соломинку. Этого уровня энергии далеко недостаточно для возникновения кавитации. Таким образом, помимо того, что ионизационная камера ничего не ионизирует, генератор плазмоидов не генерирует никаких плазмоидов.

Последний компонент — предположительно самый экзотический — подает всасываемый воздух через трубу внутри более крупной трубы, по которой проходят горячие выхлопные газы двигателя, нагревая их. Это просто теплообменник, в результате которого всасываемый воздух нагревается. И это несмотря на бесчисленные страницы псевдонаучной болтовни, утверждающей, что там происходят всякие вещи: трансмутации, ядерные эффекты, квантовая физика. Нет. Это просто теплообменник.

Итак, вот что на самом деле делает генератор грозовых разрядов, и я начну с оговорки: он работает только со старым двигателем. Представьте себе двигатель газонокосилки или генератора, у которого нет современного компьютерного управления, как у автомобильного двигателя. Возьмите простой двигатель, двухтактный или четырехтактный, с простым воздухозаборником, простым выхлопом и базовым механическим карбюратором. Это единственный двигатель, для которого полезны такие дополнения, как TG или GEET.

Всё это работает потому, что поршневой двигатель, по сути, представляет собой большой воздушный насос. Как только двигатель запускается в обычном режиме, можно включить турбокомпрессор. Вакуум, создаваемый двигателем, засасывает воздух через первую бесполезную камеру, вторую, которая добавляет небольшое количество водяного пара, через теплообменник, который всё это нагревает, и в впускной коллектор двигателя.

И водяной пар, и более тёплый воздух на впуске оказывают как положительное, так и отрицательное влияние на производительность двигателя, но, как правило (в зависимости от нагрузки и температуры двигателя), преобладают положительные эффекты. Поэтому, если вы посетите демонстрацию генератора грозовых облаков и увидите улучшение показателей, будь то топливная экономичность или чистота выхлопных газов, это, вероятно, правда, если эти показатели представляют собой небольшие, постепенные улучшения и не являются кардинальными изменениями. Но давайте не будем забегать вперёд. Вот что делает каждый из этих двух эффектов.

Дополнительный нагрев смеси может улучшить испарение и распыление топлива. Это приводит к повышению эффективности сгорания за счет более полного сгорания топлива. При определенных условиях работы двигателя это может повысить его эффективность, но за счет снижения мощности. Термогравиметрический генератор (ТГ) осуществляет этот нагрев с помощью горячего теплообменника выхлопных газов; современные двигатели делают это, направляя выхлопные газы через каналы во впускном коллекторе, называемые теплоотводящими каналами выхлопных газов. ТГ может добавить эту же функцию в двигатель газонокосилки; любой другой двигатель, например, современный автомобиль, уже на несколько шагов впереди.

Дополнительная влага из водяного пара вытесняет молекулы кислорода, препятствуя горению. Влага оказывает лишь негативное воздействие на эффективность сгорания, но имеет одно преимущество: снижая температуру сгорания, она уменьшает количество образующихся оксидов азота и угарного газа; не сильно, но существенно. Если вы видите заявления об улучшении чистоты выхлопных газов, то это и есть суть проблемы; выбросы парниковых газов, таких как CO₂, не уменьшаются.

В некоторых установках генератора грозовых газов Бендалла или устройства GEET в состав впускной смеси добавляются отработавшие газы. Это может существенно повлиять на показатели. Сегодня это делают все современные автомобильные двигатели; это называется рециркуляцией отработавших газов (EGR). Выхлопные газы содержат инертные газы, которые уже сгорели и не могут сгореть снова, поэтому они вытесняют кислород из впускного коллектора, уменьшая его доступность для сгорания в двигателе. Это приводит к более обедненной смеси в цилиндре. При определенной нагрузке и температуре двигателя повышение эффективности и чистоты выхлопных газов может достигать двузначных значений — хотя всегда за счет мощности.

Важно помнить, что эти переменные фиксированы и не регулируются в системах, устанавливаемых «на болтах», таких как TG или GEET. Но современный бортовой компьютер двигателя адаптирует эти и другие переменные в режиме реального времени в соответствии с состоянием двигателя каждую микросекунду. Именно поэтому мир не будет перевернут якобы грандиозными открытиями TG и GEET; бортовые компьютеры оставили системы, устанавливаемые «на болтах», далеко позади еще в 1972 году, когда Chrysler представил электронные системы зажигания, и с тех пор они постоянно совершенствуются на протяжении более чем полувека.

Есть еще одна причина, по которой такая система не получила широкого распространения, — она почти полностью зависит от нагрузки двигателя. И TG, и GEET приводятся в действие исключительно за счет вакуума, создаваемого двигателем. Этот вакуум достигает своего максимума, когда двигатель не работает под нагрузкой, то есть просто на холостом ходу; и он достигает своего минимума, когда двигатель находится под максимальной нагрузкой и когда повышение эффективности может принести наибольшую пользу. Но при таком минимальном вакууме TG и GEET практически перестают работать. Поэтому они полезны для двигателя — парадоксально — только тогда, когда двигатель не выполняет никакой полезной для вас функции.

Излишне говорить, что вся эта псевдонаучная техно-жаргонная тарабарщина и новомодные рассуждения не меняют того факта, что потрясающее изобретение Малкольма Бендалла — это всего лишь устройство для отвода тепла от выхлопных газов и система впрыска воды, о которых мы знаем уже более 100 лет; и всё это основано на патенте, выданном психически больным человеком в 1980-х годах. Как я уже говорил: инвестируйте с осторожностью.

Источник

Даннинг, Б. (2025, 16 декабря) Тестирование генератора грозовых явлений. Skeptoid Media. https://skeptoid.com/episodes/1019

Список литературы и дополнительные материалы

Dix, R. "Sceptics question vision of local oil strike." ABC News. Australian Broadcasting Corporation, 3 Apr. 2009. Web. 10 Dec. 2025. <https://www.abc.net.au/news/2009-04-03/sceptics-question-vision-of-local-oil-strike/1640876>

Gregory's Automotive Publications. Automotive Mechanics: Service, repair, diagnosis. Sydney: Gregory's Scientific Publications, 1993.

Heinicke, O.H., Vandeman, J.E. Effect of Water-Alcohol Injection and Maximum Economy Spark Advance on Knock-Limited Performance and Fuel Economy of a Large Air-Cooled Cylinder. Washington, DC: National Advisory Committee for Aeronautics (NACA), 1945.

Lenz, R. "The Madman and His Motor." Intelligence Report. 1 Oct. 2012, Fall 2012, Issue 147: 38-41.

Pantone, P. "Fuel pretreater apparatus and method." Patent Public Search. US Patent & Trademark Office, 18 Aug. 1998. Web. 8 Dec. 2025. <https://patents.google.com/patent/US5794601A/en>

Various. "Claim: The Plasmoid Unification Model (PUM) of Malcolm Bendall provides free energy." Metabunk. Mick West, 14 Mar. 2023. Web. 6 Dec. 2025. <https://www.metabunk.org/threads/claim-the-plasmoid-unification-model-pum-of-malcolm-bendall-provides-free-energy.12899/>

Те же источник, но с переводом где это возможно:

Дикс, Р. «Скептики ставят под сомнение целесообразность местной забастовки нефтяников». ABC News. Австралийская телерадиовещательная корпорация, 3 апреля 2009 г. Web. 10 декабря 2025 г. <https://www.abc.net.au/news/2009-04-03/sceptics-question-vision-of-local-oil-strike/1640876>

Издательство Gregory's Automotive Publications. Автомобильная механика: обслуживание, ремонт, диагностика. Сидней: Gregory's Scientific Publications, 1993.

Хайнике, О.Х., Вандеман, Дж.Е. Влияние впрыска водно-спиртовой смеси и максимального опережения зажигания на работу двигателя, ограниченную детонацией, и экономию топлива в большом цилиндре с воздушным охлаждением. Вашингтон, округ Колумбия: Национальный консультативный комитет по аэронавтике (NACA), 1945.

Ленц, Р. «Безумец и его мотор». Отчет разведки. 1 октября 2012 г., осень 2012 г., выпуск 147: 38-41.

Пантон, П. «Устройство и метод предварительной обработки топлива». Публичный поиск патентов. Ведомство по патентам и товарным знакам США, 18 августа 1998 г. Веб. 8 декабря 2025 г. <https://patents.google.com/patent/US5794601A/en>

Разное. «Утверждение: Модель плазмоидного объединения (PUM) Малкольма Бендалла обеспечивает свободную энергию». Metabunk. Мик Уэст, 14 марта 2023 г. Web. 6 декабря 2025 г. <https://www.metabunk.org/threads/claim-the-plasmoid-unification-model-pum-of-malcolm-bendall-provides-free-energy.12899/>

Распространение инноваций

В эпоху одержимости технологическими прорывами книга Джеффри Дина «Технологии и подъем великих держав» предлагает противоречащее здравому смыслу откровение: страны, которые будут доминировать в будущем, не обязательно будут теми, кто изобретает больше всего, а скорее теми, кто быстрее всего распространяет инновации. Перемещая центр внимания с изобретения на распространение, Дин фундаментально переосмысливает дебаты о глобальной конкурентоспособности — с глубокими последствиями для политиков, предприятий и обществ.

Определение технологий общего назначения

Анализ Дина основан на распространении технологий общего назначения, фундаментальных инноваций, таких как паровая энергия, электричество и цифровые вычисления, которые фундаментально меняют экономику, стимулируя рост производительности во многих секторах. Эти преобразующие технологии не только повышают эффективность, но и катализируют совершенно новые отрасли и экономические парадигмы. Дин убедительно доказывает, что истинное конкурентное преимущество страны проистекает не только из изобретений, но и из способности быстро и эффективно масштабировать эти технологии в экономике, институтах и ​​обществе.

Урок истории: диффузия способствует лидерству

Аргумент Дина основывается на четкой исторической закономерности: статус великой державы редко определялся одним лишь изобретением, а скорее системным распространением технологий общего назначения. Во время Первой промышленной революции подъем Британии был обусловлен не просто знаковыми изобретениями, такими как паровой двигатель, и не только ее первоначальным доминированием в ведущих секторах, таких как хлопчатобумажные ткани. Скорее, истинное преимущество Британии проявилось в ее исключительной способности распространять железоделательное оборудование в различных видах экономической деятельности. Такие достижения, как процесс пудлингования Генри Корта, значительно расширили возможности страны по производству доступного высококачественного железа, способствуя распространению машин и обеспечивая широкое внедрение промышленных методов во многих секторах, помимо текстильной промышленности. Дополненная целевыми инвестициями в практическое образование и развитие навыков, Британия вырастила рабочую силу, уникально искусную в эксплуатации, обслуживании и постоянном совершенствовании этих технологий, закрепив свое глобальное экономическое лидерство.

Вторая промышленная революция усилила эту модель, основанную на диффузии. Вопреки предположению, что промышленное доминирование требует передовой научной инфраструктуры или передовых промышленных возможностей НИОКР, Соединенные Штаты превзошли своих промышленных конкурентов в значительной степени за счет институционализации механизмов, которые ускорили широкое внедрение специализированной техники. Америка достигла этого посредством стратегических адаптаций в образовательных и профессиональных структурах: быстрое расширение технического высшего образования, специализированных инженерных институтов и профессионализация машиностроения значительно расширили базу талантов страны. Более того, стандартизированные взаимозаменяемые детали и методы сборочной линии преобразили эффективность производства. Вместе эти институциональные инновации создали надежную экосистему, способную распространять преобразующие технологии, такие как электричество и механизированное производство, практически во всех секторах экономики.

Еще больше подчеркивая важность диффузии, Дин подчеркивает конкуренцию между Соединенными Штатами и Японией в конце 20-го века. Быстрый захват Японией долей мирового рынка потребительской электроники и полупроводников вызвал широко распространенные прогнозы о неизбежном переходе экономической власти. Однако этот ожидаемый переход так и не материализовался, именно потому, что Соединенные Штаты преуспели в широком распространении компьютеризации по всей экономике. Вместо того чтобы полагаться на доминирование в нескольких ведущих секторах, преимущество Америки заключалось в ее широком принятии и интеграции вычислительных технологий во многих отраслях, что позволило обеспечить устойчивый экономический рост и рост производительности за пределами узко определенных технологических секторов.

Эти исторические примеры в совокупности подчеркивают центральный тезис Дина: устойчивое технологическое лидерство в меньшей степени связано с изолированными инновациями или доминированием в определенных отраслях, а в гораздо большей степени с системными возможностями — надежными институтами, масштабными инвестициями в образование и политикой, способствующей широкому распространению технологий общего назначения.

Не искра изобретения, а корни распространения являются основой длительных переходов.

Развенчание мифа, основанного на угрозе

Дин развенчивает опасный миф о том, что технологическое лидерство достигается в первую очередь за счет геополитического соперничества и военной конкуренции. Хотя напряженность в отношениях между США и Китаем доминирует в текущих заголовках, настоящее долгосрочное преимущество достигается не за счет реактивной конкуренции, а за счет терпеливых стратегических инвестиций в образование, подготовку рабочей силы, институциональную адаптивность и стандарты взаимодействия. Подлинное и устойчивое лидерство возникает не из громких прорывов, вызванных внешними угрозами, а из последовательных и часто более тихих фундаментальных инвестиций.

История подтверждает эту точку зрения. Устойчивые технологические преимущества редко возникают из одних лишь реактивных, краткосрочных инициатив. Вместо этого они возникают из всесторонней подготовки — создания надежной инфраструктуры диффузии, которая может поглощать, масштабировать и интегрировать инновации в обществе. Поэтому лидеры должны переключить свое внимание с краткосрочного конкурентного позиционирования на эти критические, основополагающие элементы технологической диффузии.

Производительность как истинная мера воздействия

Если диффузия — это двигатель технологического лидерства, то производительность — это его топливо. Дин прослеживает, как каждая крупная технологическая революция — от пара до кремния — обеспечивала преобразующие экономические выгоды только в сочетании с системными изменениями в трудовых практиках, инфраструктуре, образовании и управлении. Современные новые технологии, такие как искусственный интеллект и квантовые вычисления, требуют столь же строгих усилий для обеспечения повсеместного роста производительности.

Однако эта трансформация, ориентированная на производительность, влечет за собой существенные социальные и этические проблемы, включая перемещение рабочей силы и неравенство. Лидеры должны заранее предвидеть эти нарушения, разрабатывая стратегии для смягчения негативных последствий и обеспечения инклюзивных выгод. Создание адаптивных образовательных систем, поддерживающих социальных структур и всеобъемлющей диффузионной инфраструктуры станет важнейшими задачами в управлении предстоящим сложным переходом

За пределами промышленных революций

Хотя производительность остается центральной для исторического анализа Дина, его работа поднимает интригующие вопросы о природе нашего текущего момента: находимся ли мы все еще в рамках промышленных революций или переживаем что-то принципиально иное? Конвергенция искусственного интеллекта, синтетической биологии и квантовых вычислений предполагает, что мы можем выйти за рамки традиционных промышленных парадигм в период более глубокой, экзистенциальной трансформации.

Заключение

В конечном счете, «Технологии и возвышение великих держав» дают ясный урок: в гонке за технологическое превосходство прорывы имеют значение, но диффузия определяет судьбу. Страны, лучше всего подготовленные к масштабированию и интеграции технологий общего назначения в экономические и социальные системы, будут определять грядущее столетие. Смещая коллективное внимание от простого изобретения технологий к преднамеренному культивированию их широкомасштабного распространения, мы можем активно репетировать будущее, разрабатывая стратегии, которые максимизируют выгоды и минимизируют сбои.

Источник

Рецензия на книгу: «Технологии и возвышение великих держав» Джеффри Дина. 28 марта 2025 г. Фрэнк Диана.

Book Review: Technology And The Rise of Great Powers By Jeffrey Ding

https://frankdiana.net/2025/03/28/book-review-technology-and-the-rise-of-great-powers-by-jeffrey-ding

* * * 

Исторически распространение преобразующих технологий сдерживалось институциональной инерцией, адаптацией рабочей силы и проблемой передачи неявного практического опыта. В результате десятилетия часто отделяли изобретение от широкого внедрения. Однако сегодня мощные технологии общего назначения — искусственный интеллект, квантовые вычисления и синтетическая биология — могут бросить вызов этой модели, распространяясь быстрее, чем когда-либо. Что отличает эту эпоху, и как должны реагировать компании и правительства?

ИСТОРИЧЕСКИЕ ОГРАНИЧЕНИЯ РАСПРОСТРАНЕНИЯ ТЕХНОЛОГИЙ

Прошлые технологии общего назначения сталкивались со значительными препятствиями. Например, паровому двигателю потребовалось почти столетие, чтобы выйти за пределы горнодобывающей и текстильной промышленности, в основном из-за ограниченных начальных применений и необходимости дополнительных разработок, таких как железные дороги. Электричество, изобретенное в конце 19 века, потребовало перепроектирования заводов и систем приводов для полной реализации своего потенциала — достижения, на которые ушли десятилетия. В каждом случае путь от прорывного изобретения до повсеместного внедрения требовал структурных изменений, квалифицированных рабочих и новых бизнес-моделей.

ФАКТОР ИИ

Аналогичные препятствия существуют для ИИ, квантовых вычислений и синтетической биологии, включая нормативную неопределенность, этические проблемы и организационное сопротивление. Однако ИИ, в частности, действует как умножитель силы, быстро собирая и передавая неявные знания. Например, инструменты на основе ИИ в предиктивном обслуживании кодифицируют экспертные идеи для быстрого распространения по глобальным производственным площадкам. Аналогичным образом, передовые системы медицинской визуализации преобразуют тонкие суждения опытных специалистов в масштабируемую диагностическую поддержку на основе данных — ускорение передачи опыта, которое когда-то было немыслимым.

УСКОРЕНИЕ КОНВЕРГЕНЦИИ ТЕХНОЛОГИЙ ОБЩЕГО НАЗНАЧЕНИЯ

Беспрецедентная конвергенция лежит в основе сегодняшнего технологического всплеска. ИИ, квантовые вычисления и синтетическая биология развиваются параллельно, каждое из которых продвигает вперед другие. Достижения в области сворачивания белков, основанные на ИИ, сокращают сроки разработки лекарств с нескольких лет до нескольких месяцев, а квантовые вычисления обещают более глубокое понимание молекулярного моделирования. Это взаимное усиление сокращает интервал между научным открытием и коммерческим применением, способствуя более быстрому распространению, чем любая отдельная GPT могла бы достичь сама по себе.

Циклы истории рушатся. Следующая революция не за горами – она уже началась

НЕОБХОДИМОСТЬ КАК ДВИЖУЩАЯ СИЛА РАСПРОСТРАНЕНИЯ

В отличие от предыдущих технологических революций, движимых в основном экономическими стимулами, сегодняшний переход обусловлен экзистенциальными проблемами — изменением климата, нехваткой ресурсов и неотложными угрозами общественному здравоохранению. ИИ оптимизирует энергосети, управляет хрупкими цепочками поставок и предвидит экстремальные погодные явления. Синтетическая биология решает сельскохозяйственные и медицинские проблемы в режиме реального времени. Квантовые вычисления обещают прорывы в области улавливания углерода и материаловедения. Срочность этих проблем оставляет мало места для вялых циклов принятия.

ГЕОПОЛИТИЧЕСКИЙ КАТАЛИЗАТОР

Геополитика еще больше ускоряет эти траектории. Исторически сложилось так, что одна доминирующая держава часто задавала глобальный темп промышленных изменений. Напротив, сегодняшняя жесткая конкуренция между Соединенными Штатами и Китаем вынуждает к быстрой разработке и развертыванию в областях ИИ, квантовых и биотехнологий. Быстрое развертывание ИИ Китаем — от управления до военного использования — заставляет другие страны ускорить инновации. Эта динамика напоминает Вторую мировую войну, когда экзистенциальные угрозы сжали распространение технологий до считанных лет вместо десятилетий.

УРОКИ ВТОРОЙ МИРОВОЙ ВОЙНЫ

Военная необходимость неоднократно показывает, как конкуренция преодолевает типичные барьеры диффузии. Радары, авиация, вычисления и ядерные технологии развивались с головокружительной скоростью из-за приоритетов военного времени. Например, Манхэттенский проект сжал десятилетия теоретической работы всего до трех лет. Сегодня стратегический императив лидировать в области ИИ, квантовых вычислений и биотехнологий отражает эту динамику — интересы национальной безопасности и экономическое благосостояние зависят от того, чтобы оставаться впереди.

РЕШЕНИЕ ОГРАНИЧЕНИЙ ДИФФУЗИИ

Несмотря на мощные ускорители, трения сохраняются. Надзор со стороны регулирующих органов, этические дебаты и переподготовка рабочей силы приводят к задержкам. Отрасли, требующие серьезной модернизации инфраструктуры, такие как энергетика и транспорт, могут внедрять технологии общего назначения медленнее, чем такие секторы, как финансы или цифровая коммерция, которые подготовлены к трансформации на основе данных. Квантовые вычисления сталкиваются с аппаратными проблемами, а синтетическая биология сталкивается с проблемами безопасности и моральными соображениями. Эти факторы приведут к неравномерному внедрению, при этом первопроходцы вырвутся вперед.

КТО БУДЕТ ВЕДУЩИМ, КТО ОТСТАЕТ?

Отрасли с интенсивным использованием данных — финансы, логистика, электронная коммерция — хорошо подготовлены к быстрой интеграции ИИ. Здравоохранение и фармацевтика, подкрепленные исследованиями, основанными на ИИ, также демонстрируют большие перспективы. Напротив, такие строго регулируемые секторы, как коммунальные услуги и тяжелая промышленность, должны преодолеть препятствия в области соответствия и логистики, прежде чем добиться широкого внедрения. Между тем, страны с надежными экосистемами ИИ и цифровой инфраструктурой, особенно США и Китай, намерены диктовать темп, оставляя другие регионы под угрозой отставания.

ПОСЛЕДСТВИЯ ДЛЯ БИЗНЕСА И ПРАВИТЕЛЬСТВА

Несмотря на общие черты с историческими технологиями общего назначения, синергия передачи знаний с использованием ИИ, конвергентных прорывов, глобальных кризисов и стратегического соперничества предполагает, что этот цикл диффузии превзойдет любой из тех, что были в современной памяти. Вопрос не в том, преобразуют ли эти технологии отрасли, а в том, насколько быстро — и будут ли организации лидировать или им будет трудно догнать их.

Уроки прошлого очевидны: когда срочность и конкуренция сходятся, барьеры могут рухнуть практически в одночасье. Быстрый переход этой эпохи требует от бизнеса и правительств решительных действий — инвестирования в инфраструктуру, развитие навыков и стратегические отношения — чтобы оставаться актуальными в мире, где завтрашние прорывы, скорее всего, появятся гораздо раньше, чем ожидалось.

ИСТОЧНИК

Самый быстрый технологический переход в истории: как бизнес и правительства могут лидировать или отставать. 27 марта 2025 г. Фрэнк Диана

The Fastest Tech Transition In History: How Businesses And Governments Can Lead Or Lag

https://frankdiana.net/2025/03/27/the-fastest-tech-transition-in-history-how-businesses-and-governments-can-lead-or-lag/

Нет - закону исключенного третьего

«Математика — свободное творчество, независимое от опыта; она создаётся из единственной априорной интуиции, которую можно назвать “постоянством в изменении”, или “единством в множественности”».

27 февраля 1881 г. родился Лёйтзен Эгберт Ян Брауэр — голландский философ и математик, работавший в таких областях математики, как топология, теория множеств, математическая логика, теория меры и комплексный анализ.

Брауэр положил начало новому направлению в математике — интуиционизму. В теории множеств, на основании которой хотелось бы построить математику, в начале XX в. обнаружились всякие парадоксы и противоречия. Чтобы выйти из кризиса, математики пробовали идти разными путями, и один из них — интуиционизм.

Брауэр подверг сомнению неограниченную приложимость в математических рассуждениях классических законов исключённого третьего, (снятия) двойного отрицания, косвенного доказательства (доказательства от противного). Одним из результатов анализа таких рассуждений явилось возникновение интуиционистской логики, сформулированной в 1930 г. учеником Брауэра А. Гейтингом и не содержащей указанных законов.

Интуиционистская логика отличается от классической. Например, в классической логике каждое высказывание либо истинно, либо ложно. А у интуиционистов есть истинные высказывания, ложные и все остальные, пока ещё непроверенные. Если высказывание не является истинным, отсюда ещё не следует, что оно ложно.

Интуиционисты не признают доказательств от противного и вообще всех неконструктивных доказательств, с особой осторожностью работают с бесконечностями. Взять какие-то высказывания, потом манипулировать ими по формальным правилам и делать формальные выводы — занятие не для них. Каждый отдельный вывод должен быть очевиден и ясен индивидуально.

 
Используя термин «ложный» как «противоположность истинного», классическая логика признаёт, что благодаря так называемому закону исключённого третьего каждое утверждение, в частности, утверждение о существовании, либо истинно, либо ложно независимо от того, знает ли кто-либо это на самом деле. Однако, как замечают интуиционисты, закон исключённого третьего действителен только для рассуждений о конечных областях объектов. Язык и логика не способны обеспечить достоверность математических рассуждений в бесконечной области. Закон исключённого третьего, истинный в любой сколь угодно большой конечной области, бесполезен в бесконечной. Поэтому ни сведение математики к логике, ни аксиоматизация математических теорий не годятся для её обоснования. Бесплодие этих проектов объясняется просто — они не способны создавать математические объекты, истинные в бесконечных областях.

Интуиционистское исчисление высказываний строил, в частности, А.Н. Колмогоров. Его ученик Пер Мартин-Лёф создал интуиционистскую теорию типов. Его подход использовал В.А. Воеводский для создания гомотопической теории типов. Он ввёл аксиому унивалентности и довёл свои идеи до этапа практических применений.

 
Математики продолжают работать над основаниями своей науки. Интуиционизм к настоящему времени ещё до конца не выкристаллизовался, его значение в обосновании математики предстоит узнать в будущем.

Источник

Математика не для всех

Практики лидеров

Задайте направление

Определение четкого направления занимает первое место в списке практик отличных лидеров.

Важны три конкретные практики:

• Определите целенаправленное видение и воплотите его в жизнь. Формулирование видения необходимо, но недостаточно. Отличные лидеры воплощают свое видение в жизнь, делая его подлинным и значимым для себя, своей организации и людей, которым они служат.
• Переводите видение в стратегию и политику. Отличные лидеры прагматично подходят к переводу общей картины в реальные решения. Это особенно актуально в первые 100 дней, когда лидерам необходимо определить как свои не подлежащие обсуждению реформы, так и более широкий набор вариантов вмешательства, включая некоторые, которыми они готовы пожертвовать. Особенно с учетом шквала активности, совпадающего с новым сроком полномочий, лидерам необходимо быть прагматичными и расставлять приоритеты на основе своих стратегических целей.
• Креативно мобилизуйте и распределяйте ресурсы. Учитывая ограниченные бюджеты, отличные лидеры открыто говорят о необходимых им ресурсах и умеют мобилизовать необходимую политическую поддержку для их обеспечения. Они также умело привлекают ресурсы извне своих организаций, например, через стратегические партнерства.

Превосходные лидеры основывают усилия на четком долгосрочном планировании и глубоком понимании цикла ассигнований. Они также остро осознают, как быстро все может измениться. Они постоянно работают над тем, чтобы их планы и бюджеты были устойчивыми и вдумчиво перераспределяют ресурсы для соответствия меняющимся стратегическим и политическим приоритетам.

Мобилизация усилиями лидеров

Отличные лидеры внедряют мысли и усилия в топ-команду и преодолевают ограничения, которые могут затруднить привлечение и удержание старших сотрудников: низкая компенсация по сравнению с другими секторами, нехватка критически важных талантов и нехватка рычагов для решения проблем низкой производительности.

Важны три практики:

• Создайте команду, которая сделает все возможное. Одним из важнейших решений руководителей, особенно недавно назначенных, является формирование руководителей отделов, которые «разделяют ту же страсть и точку зрения и готовы сделать все возможное». С другой стороны, некоторые советуют не проводить полную перезагрузку топ-команды (известную как «spill and fill»).
• Будьте образцом ответственности и ответственности. Отличные лидеры открыто делятся намерениями и ожиданиями со своими командами, являются образцом ответственности. Однако лидерство в конечном итоге оценивается по результатам, а не только по намерениям. В эпоху, когда исполнение часто является недостающим звеном между амбициями и воздействием, наиболее эффективные лидеры выделяются тем, что отдают приоритет неустанному выполнению. Это подразумевает признание и использование сильных сторон членов команды для достижения коллективных целей, поддержку их посредством творческого решения проблем и подчеркивание важности адаптации по мере возникновения новой информации и обстоятельств.
• Адаптируйте то, что унаследовали. Как только команда топ-менеджеров будет на месте и намерения лидера станут ясны, команда сможет перейти в новый рабочий ритм. Лучшие лидеры находят способ интегрировать рабочий ритм в существующее управление, а не переопределять его, чтобы сохранить институциональную преемственность и построить доверие в команде.

Выровняйте организацию

Лучшие лидеры относятся к «мягким вещам» культуры и вовлеченности с той же строгостью, что и к «жестким вещам» операционного и финансового управления. Они знают, что организационное здоровье («как мы управляем местом») является критическим фактором производительности, поскольку самые здоровые организации превосходят наименее здоровые в три раза.

В основе такого лидерства лежат три ключевые практики:

• Установите культуру, живите и дышите ею. Отличные лидеры тратят время на то, чтобы определить «большую вещь», которая определит их культуру, а затем активно ролевой моделью.
• Проектирование успеха. Лучшие лидеры намеренно создают структуру, подотчетность и процессы, которые дают как стабильность, так и гибкость. Обычно это включает в себя создание стабильного выполнения задач и проектов, создание команд, которые выполняют основную миссию, одновременно создавая кросс-функциональные группы — или «претендентов», — которые могут быстро действовать для разрешения возникающих задач и определения приоритетов. Некоторые создают централизованные подразделения для управления эффективностью, чтобы ускорить выполение проектов с повышением качества и экономической эффективности.
• Сопоставьте таланты с воздействием.

Управляйте личной эффективностью

Отличные лидеры постоянно и намеренно совершенствуют свою персональную операционную систему.

Есть три подхода, которые отличают лучших:

Определите личное присутствие. Отличные лидеры — это преднамеренные люди. Они устанавливают лидерское намерение и определяют, кто они, как они проявляются, а также действия и поведение, которые они воплощают. Они аутентичны; они руководят с честностью и прозрачностью, искренне говоря о своих ценностях и убеждениях, и думая о своем долгосрочном влиянии и репутации. И они адаптивны — они понимают тип проблемы, с которой сталкиваются, и применяют к ней правильные инструменты. Характер — это золотая нить, которая связывает эти практики.

• Создайте свой офис. Отличные лидеры понимают, что неотъемлемой частью личной эффективности является наличие правильной команды вокруг них, чей главный приоритет — сделать индивидуального лидера успешным и безопасным. Требования роли, естественно, выше того, с чем может справиться отдельный человек, поэтому важно иметь доверенных людей, которые будут управлять вашим графиком, подсказывать вам, где расставлять приоритеты, и выступать в качестве резонатора.
• Управляйте своей энергией. Лидеры часто фокусируются на времени: на присутствии, эффективности и принятии правильных компромиссов в отношении того, на кого и на что они тратят свое время. Однако, когда требования на рабочем месте возрастают, многие лидеры чувствуют, что их главная проблема — нехватка времени. Проблема с работой сверхурочно заключается в том, что время — конечный ресурс, а энергию можно расширить и обновить.

Источник

Оттачивание лидерского мастерства в государственном секторе. 4 апреля 2025 г.| Статья
Юлия Клиер, Роланд Диллон, Скотт Блэкберн, Тарек Мансур

https://www.mckinsey.com/industries/public-sector/our-insights/honing-leadership-excellence-in-the-public-sector

Honing leadership excellence in the public sector

Агентский ИИ в автокредитах

Автокредитная отрасль находится на пороге трансформации. Исторически характеризуясь сложными, трудоемкими процессами и фрагментированными системами данных, этот сектор сталкивался с постоянной неэффективностью по всей цепочке создания стоимости. Такие проблемы, как несогласованные форматы данных, неполные записи и ограниченный доступ в режиме реального времени, приводили к задержкам и ошибкам. Отрасль также остается в значительной степени регионализованной, с локализованными правилами, существенной неэффективностью и уникальной спецификой рынка в разных регионах.

Искусственный интеллект нового поколения (Gen AI) и другие технологии ИИ предоставляют своевременный и мощный способ извлечения значительной выгоды по всей цепочке создания стоимости. Gen AI может выходить за рамки взаимодействия с клиентами и поддерживать принятие внутренних решений, генерировать аналитические данные и оптимизировать процессы в масштабе. При эффективном использовании ИИ имеет потенциал для устранения давних неэффективностей и изменения экономики отрасли. Анализ McKinsey показывает, что Gen AI может снизить соотношение затрат к доходам за счет снижения операционных расходов (которые обычно составляют около 60% дохода) на пять-восемь процентных пунктов.

Чтобы максимально эффективно использовать новые технологии искусственного интеллекта, лизинговые компании могут внедрять агентные системы — то есть автономные системы, которые используют ИИ и машинное обучение для выполнения конкретных задач. Эти системы выходят за рамки традиционной автоматизации, обеспечивая динамическое принятие решений и их выполнение с учетом контекста. Они могут обеспечивать полностью автономное выполнение задач или использоваться в качестве инструментов, дополняющих принятие решений человеком и персонализацию, в зависимости от конкретного сценария использования и желаемых результатов. Интеграция агентных технологий открывает перед отраслью уникальную возможность переосмыслить свои процессы, повысить прибыльность и обеспечить более бесперебойное обслуживание клиентов.

Агенты, управляемые искусственным интеллектом, как решение.

Агенты искусственного интеллекта — это специализированные системы, которые сочетают в себе передовые алгоритмы машинного обучения для принятия решений с генерацией искусственного интеллекта для общения и взаимодействия. Эти агенты могут помогать как во внутренних, так и во внешних процессах организации, повышая эффективность за счет использования существующих и новых источников данных. Однако не каждая проблема требует агентного решения — традиционные модели машинного обучения или ИИ могут быть более подходящими для определенных сценариев использования.

Предлагается организациям, заинтересованным в создании концепции предприятия, управляемого искусственным интеллектом, начать с рассмотрения вопроса о формировании и интеграции четырех групп агентов: группы ремаркетинга, группы обслуживания и операций, группы продаж и ценообразования, а также группы закупок и максимизации стоимости на всем протяжении процесса.

Группа агентов по ремаркетингу. Цель группы агентов по перепродаже автомобилей, использующих искусственный интеллект, — автоматизировать обширную документацию и координацию, связанные с процессом перепродажи транспортных средств. Агенты этой группы также могут связываться с клиентами лизинговых компаний для бронирования времени осмотра, общаться с транспортными компаниями для планирования вывоза автомобилей и взаимодействовать с дилерами по вопросам восстановления автомобилей. Кроме того, эта группа агентов может проводить комплексные рыночные исследования, генерируя отчеты о наиболее прибыльных каналах и анализируя тенденции на рынке подержанных автомобилей с точки зрения объема и цены.

Для эффективной работы группы агентов по перепродаже автомобилей необходимы некоторые базовые технологические возможности. Инструмент прогнозирования, использующий статистическое моделирование и машинное обучение для прогнозирования возвратов автомобилей, необходим для планирования и распределения. Кроме того, оптимизатор ценообразования и каналов сбыта, требующий точных кривых эластичности, гарантирует направление автомобилей в наиболее подходящие и прибыльные каналы. Доступ к рыночным данным в реальном времени, исторической информации о продажах и показателям прибыльности имеет решающее значение для принятия обоснованных решений с помощью этих инструментов. Интегрируя эти алгоритмы машинного обучения, группа агентов по перепродаже автомобилей может предоставлять точные, основанные на данных рекомендации, которые максимизируют прибыльность и оптимизируют операции.

Группа агентов по обслуживанию и операциям. Эта группа агентов на основе ИИ повышает уровень автоматизации задач обслуживания и эксплуатации. В этой группе один агент может связываться с клиентами для организации планового технического обслуживания или ремонта и направлять их в предпочтительные сети. Второй агент может координировать оказание помощи на дороге после аварий, а третий — управлять операциями по вводу и выводу автомобилей из эксплуатации, такими как планирование получения и доставки транспортных средств.

Кроме того, эта группа агентов может генерировать исчерпывающие отчеты для обеспечения прозрачности и контроля затрат на техническое обслуживание, ремонт, шины и страхование. Эти агенты способны выявлять аномальные страховые случаи, определять необычные расходы дилеров на техническое обслуживание и ремонт, а также обнаруживать нерегулярное использование шин клиентами, обеспечивая экономическую эффективность и операционную целостность. Чат-боты и виртуальные помощники могут дополнительно поддерживать эту группу, обрабатывая рутинные запросы, назначая встречи, отслеживая страховые случаи и взаимодействуя с клиентами напрямую, повышая оперативность и снижая нагрузку на колл-центры.

Для эффективного функционирования агентов ИИ в сфере обслуживания и эксплуатации необходима надежная система калибровки пороговых значений для аномальных расходов по различным категориям. Алгоритмы ИИ и машинного обучения могут помочь установить и скорректировать эти пороговые значения на основе исторических данных и входных данных в реальном времени. Для этого необходим доступ к подробным финансовым данным, историческим записям о техническом обслуживании и оперативным показателям в реальном времени.

Группа агентов по продажам и ценообразованию. Искусственный интеллект в группе продаж и ценообразования фокусируется на взаимодействии с целевыми группами клиентов (включая сегменты B2C и B2B) с коммерческими предложениями по лизингу, финансированию и сервисным услугам. В этой группе один агент может управлять стратегиями коммерческого ценообразования и предлагать новые ежемесячные цены, используя динамические алгоритмы, основанные на анализе конкурентов. Этот агент также может предоставлять дилерам информацию и рекомендации на протяжении всего взаимодействия с клиентом. На первом этапе интеграции ИИ-агентов в существующие операции один ИИ-агент может поддерживать агентов по продажам в их коммерческих переговорах, предлагая индивидуальные коммерческие предложения, которые стимулируют продажи и удовлетворенность клиентов. На более позднем этапе или в рамках пилотного проекта с розничными клиентами другой ИИ-агент может активно взаимодействовать с клиентами. Эта группа также занимается трансграничным ценообразованием и коммерческим управлением, при этом ИИ-агенты адаптируют предложения и стратегии к местным рыночным условиям, налоговым структурам и различиям в законодательстве. Это особенно актуально для международных автопарков и многонациональных клиентов.

Для надежной работы агенты искусственного интеллекта в области продаж и ценообразования используют надежные технические модели ценообразования, включая оценку остаточной стоимости. Ключевая часть группы продаж и ценообразования – это передовые алгоритмы машинного обучения, которые прогнозируют будущую стоимость автомобилей и оптимизируют стратегии ценообразования. Кроме того, алгоритмы динамического ценообразования необходимы для корректировки цен в режиме реального времени на основе данных конкурентов (только для розничной торговли) и рыночных условий. Для трансграничной оптимизации этим агентам необходим доступ к локализованным рыночным данным, налоговым правилам и валютным трендам. Интегрируя рыночные, конкурентные и исторические данные, а также используя возможности ИИ, группа агентов искусственного интеллекта в области продаж и ценообразования может предоставлять точные, основанные на данных стратегии ценообразования, которые максимизируют прибыльность и конкурентоспособность на разных рынках.

Искусственный интеллект также расширит возможности клиентов на протяжении всего процесса покупки автомобиля. Все чаще покупатели смогут использовать собственные инструменты ИИ для оптимизации поиска, сравнения предложений и заключения более выгодных сделок. Эта динамика, вероятно, выровняет условия конкуренции, ограничив возможности дилеров и финансовых компаний извлекать выгоду в долгосрочной перспективе.

Группа по закупкам и комплексному агентскому сопровождению. В этой группе агенты стремятся проводить комплексный анализ затрат и оценку стоимости автомобиля на протяжении всего срока его эксплуатации. Эти агенты предоставляют всестороннюю картину финансовой рентабельности всех автомобилей на протяжении всех циклов лизинга и перепродажи, с целью помочь компаниям вести переговоры и сотрудничать с производителями оригинального оборудования (OEM) для выбора автомобилей и шин с наибольшей окупаемостью инвестиций. Эта группа агентов также может создавать отчеты для совместного анализа людьми и агентами искусственного интеллекта.

Группа агентов искусственного интеллекта для закупок нуждается в передовых инструментах финансовой оценки для определения стоимости транспортного средства на протяжении всего срока его службы. Крайне важен доступ к исчерпывающим финансовым данным, историческим данным о затратах (например, на ремонт, техническое обслуживание, шины и аккумуляторы) и оперативным показателям в режиме реального времени.

Поэтапный план развития, основанный на достижении зрелости и ценности.

Внедрение генеративного и агентного искусственного интеллекта в автомобильную финансовую отрасль требует прочной технической базы. Ключевые предпосылки включают в себя развитую инфраструктуру данных, алгоритмы машинного обучения и возможности интеграции данных в режиме реального времени. При разработке плана внедрения ИИ-агентов важно понимать, на каком этапе технологической зрелости находится организация. Организации, полностью использующие агентные технологии, обладают хорошо развитыми возможностями в каждой из следующих областей:

• Техническая база, включая агентную среду.
• Квалифицированный оперативный персонал, понимающий технологические процессы и умеющий взаимодействовать с агентами.
• Подготовленные технические группы для поддержки проектирования, обслуживания и совершенствования агентов.

Чтобы ощутить первоначальный эффект, организации могут начать с интеграции ИИ в маркетинговые кампании, поскольку оптимизация ценообразования по всем каналам продаж является одновременно эффективным и относительно простым в реализации процессом. Эта область, как правило, выигрывает от более высокой степени цифровизации процессов, лучшей доступности данных и меньшей зависимости, что делает ее идеальной отправной точкой для внедрения агентов ИИ.

Далее компании могут рассмотреть возможность расширения использования инструментов ИИ в более широких стратегиях ценообразования, поддерживаемых более надежной системой ИИ и обученными техническими командами. Эти возможности могут развить успех, достигнутый при создании группы агентов ИИ для ремаркетинга, и продолжать приносить значительную коммерческую выгоду.

Операционные сценарии использования, такие как координация обслуживания и вывод из эксплуатации, как правило, более сложны из-за фрагментации процессов и ограниченной цифровой зрелости. Эти проблемы можно решить на более поздних этапах, после того как компании создадут базовую технологическую инфраструктуру и повысят квалификацию как оперативных, так и технических команд.

Баланс возможностей, затрат и рисков

Внедрение агентов искусственного интеллекта сопряжено с определенными затратами, включая переобучение моделей, разметку данных и использование облачных ресурсов. Организациям необходимо тщательно оценить эти затраты и определить приоритетные задачи для решения, чтобы обеспечить положительную отдачу от инвестиций.

Наконец, организациям необходимо учитывать риски, связанные с ИИ, особенно в контексте кредитования.

Интеграция групп агентов на основе ИИ в процесс автокредитования позволяет компаниям повысить эффективность и снизить операционные расходы, одновременно предоставляя агентам-людям возможность быстрее реагировать на перспективные возможности. Внедрение этих инструментов в существующие организации должно осуществляться обдуманно, но в случае успеха потенциальные выгоды будут огромными.

Источник

Agentic AI: A new path to value in the auto finance industry. November 12, 2025. Article.

Агентный ИИ: новый путь к созданию ценности в автомобильной финансовой отрасли.
12 ноября 2025 г. Статья. Бенджамин Кёк, Ромен Зилахи, Урсула Вайгль, Лена Крюгер.

https://www.mckinsey.com/industries/automotive-and-assembly/our-insights/agentic-ai-a-new-path-to-value-in-the-auto-finance-industry

Ошибка выжившего - пример из биографии математика Вальда

31 октября 1902 г. родился Абрахам Вальд, венгерский математик и статистик. 

В годы Второй мировой войны он использовал статистические методы для решения проблемы уменьшения потерь американской боевой авиатехники.

Командование американских и британских ВВС ежедневно отправляли сотни бомбардировщиков - бомбить немецкие города, военные заводы, склады оружия и другие объекты. В результате немецкой защиты обратно на базы самолёты союзников возвращались сильно потрёпанные, с многочисленными пробоинами в крыльях и хвостовом оперении от зенитной артиллерии и истребителей. Латать дыры на боевом самолёте — дело довольно сложное и дорогое; поэтому, устав от бесконечного ремонта, инженеры предложили закрыть крылья и оперение дополнительной бронёй. Военное руководство дало своё согласие, но тут вмешался Абрахам Вальд, работавший в те годы в Нью-Йорке.

— Вы делаете глупость! — заявил он. — Вы видите многочисленные пробоины в крыльях и на хвосте не потому, что туда чаще попадают снаряды немецких пушек! А потому, что те самолёты, которым снаряды попали в другие части, например, в двигатель или топливный бак, вообще не вернулись, они были сбиты, их пилоты погибли или попали в плен! Если самолёту попали в крыло, он может вернуться на базу — вот он, стоит здесь, живое тому свидетельство. А вот при попадании в бак или двигатель самолёт уже не возвращается, потому-то мы таких пробоин и не видим! Так что закрывать дополнительной бронёй нужно не те места, где много пробоин. А наоборот — те места, где их нет!

Этот исторический случай стал хрестоматийным примером ошибки выжившего.

ИИ в страховании

Лишь немногие страховщики извлекли огромную выгоду из искусственного интеллекта, чтобы получить конкурентное преимущество. Вступление в их ряды требует стратегического, комплексного подхода, который перестраивает предприятие.

Время от времени появляются технологические инновации, которые меняют мир, и бизнесу приходится приспосабливаться — иначе он может стать ненужным. Паровой двигатель промышленной революции и механизация производства позволили перейти от преимущественно аграрного образа жизни к городскому. Рождение Интернета принесло нам улучшенные коммуникации в режиме реального времени, электронную коммерцию, облачные вычисления и многое другое.

Теперь настала очередь ИИ. Эта мощная технология быстро трансформирует рабочие процессы, стимулирует инновации и меняет отрасли. Как и в случае с другими трансформационными изменениями, принесенными технологиями, компаниям, в том числе страховым компаниям, будет трудно, если не невозможно, игнорировать ИИ. Около двух десятилетий назад, когда электронная коммерция стала повсеместной и более сложной, потребители привыкли к бесшовному заказу и быстрой доставке и стали ожидать этих возможностей от всех продавцов. Аналогичным образом, ИИ изменил ожидания потребителей до такой степени, что теперь клиенты ожидают более высокой точности и надежности во время пути потребителя, человеческих разговоров с ботами ИИ (будь то текстовые или голосовые), гиперперсонализированных предложений и коммуникаций, а также продуктов и взаимодействий по запросу, адаптированных к их потребностям.

Генеративный и агентный ИИ, в частности, могут изменить правила игры. Одно из ключевых отличий от предыдущих технологических скачков заключается в том, что генеративный ИИ способен на рассуждения, суждения, творчество и эмпатии, которые намного превосходят возможности предыдущих инноваций — наборы навыков, особенно значимые для страховщиков. Вот почему генеративный ИИ способен по-настоящему преобразовать страховую отрасль.

По своей сути, страхование включает в себя получение точного понимания основного риска, а также эффективную и чуткую помощь людям, попавшим в беду. ИИ может трансформировать все это: традиционный аналитический ИИ понимает закономерности в данных; генеративный ИИ расширяет эти возможности за счет лучшего понимания неструктурированных форм данных и позволяет добавлять гиперперсонализацию и эмпатию в ответы; а последние достижения в области агентного искусственного интеллекта добавляют беспрецедентный уровень автоматизации в сложные рабочие процессы, позволяя страховщикам максимизировать выплаты. Из-за этой универсальности страховщики используют ИИ во всех основных областях, включая продажи и гиперперсонализацию, автоматизацию и повышение точности андеррайтинга, расширенное управление претензиями, работа по обслуживанию клиентов с помощью голосовых операторов и трансформация функций бэк-офиса, таких как финансы, актуарные и ИТ.

Как и в случае с другими революционными технологическими инновациями, потребители поймут, что ИИ может облегчить их жизнь, и затем будут ожидать этого от своих поставщиков услуг. Страховщики, которые воспользуются возможностью глубоко интегрировать искусственный интеллект во все, что они делают, будут готовы выйти на первое место. Они смогут вести больше бизнеса, быстрее, более персонализированным образом и с лучшим пониманием основного риска. Страховщики, которые только балуются искусственным интеллектом, рискуют остаться в пыли, не в состоянии идти в ногу со своими коллегами с искусственным интеллектом.

Чтобы правильно организовать трансформацию ИИ, недостаточно запустить несколько пилотных проектов, или ожидать, что истинное внедрение ИИ произойдет за счет покупки лоскутного программного обеспечения как услуги у поставщиков с минимальными стратегическими намерениями, или надеяться, что рабочие процессы будут преобразованы с помощью готовых решений ИИ. Чтобы создать долгосрочную ценность для бизнеса с помощью ИИ, страховщикам необходимо разработать смелое видение потенциала ИИ в масштабах всего предприятия и коренным образом перестроить свою работу в различных сферах бизнеса (андеррайтинг, претензии, дистрибуция, обслуживание клиентов и многое другое), внедрив технологию во все подразделения организации. Им придется полностью переоснастить рабочие процессы, переосмыслить операционные модели, работать над созданием современного стека данных и технологий, а также масштабировать ИИ за счет использования повторно используемых компонентов для различных сценариев и бизнес-областей. И им нужно будет сделать это таким образом, чтобы создать значимые улучшения. Процессы должны быть переработаны от начала до конца, чтобы извлечь выгоду из ИИ, а не просто наслаивать ИИ поверх существующих процессов или, что еще хуже, вставлять дополнительный шаг в рабочий процесс с помощью ненужного инструмента ИИ.

Одна из причин, по которой ИИ имеет большие перспективы, заключается в том, что благодаря многоразовым компонентам технологию можно масштабировать для капитальной перестройки различных частей бизнеса. Например, ИИ, обученный генерировать ответы на запросы в службу поддержки клиентов, может быть перепрофилирован для обработки внутренних запросов в ИТ-поддержку, создания маркетингового контента, рассмотрения ответов на запросы или даже на составление юридических документов. Базовые компоненты ИИ могут быть повторно использованы в различных сферах бизнеса и сценариях использования.

ИИ продолжает быстро внедряться. Например, в ближайшем будущем почти все функции по привлечению клиентов в страховании могут быть реализованы с помощью многоагентных систем искусственного интеллекта, которые могут выступать в качестве виртуальных сотрудников. Агент по приему информации будет принимать информацию, общаться с клиентами или посредниками для уточнения данных и беспрепятственно извлекать данные из сложных документов, таких как медицинские карты или инженерные отчеты. Агент по профилированию рисков может составить комплексный профиль рисков для каждого случая, используя существующие рекомендации по андеррайтингу. Агент по ценообразованию и продукту может автоматически оценивать дело и предлагать структуры полисов для удовлетворения потребностей клиентов, например, добавляя в полис страхования жизни страховые полисы для критических заболеваний или инвалидности. Агент по соблюдению нормативных требований и справедливости может проанализировать весь процесс, чтобы обеспечить соответствие нормативным требованиям и высокие этические стандарты. Агент оркестратора решений может агрегировать входные данные различных агентов для определения, может ли политика утверждена автоматически или ее необходимо передать старшему андеррайтеру. Агент по обучению и обратной связи может постоянно уточнять модели, использовать для улучшения обратную связь с человеком и отслеживать смещение или ухудшение производительности модели машинного обучения с течением времени. Конечно, люди будут продолжать участвовать в различных сферах бизнеса в страховании, особенно в тех, которые включают точки соприкосновения с клиентами.

Несмотря на то, что ИИ обладает огромным потенциалом для страховщиков, его масштабирование в масштабах всего предприятия остается сложной задачей. Риски безопасности, высокие затраты, риск отношений с поставщиками, нехватка талантов, культурное сопротивление, пробелы в управлении и устаревшая инфраструктура часто препятствуют прогрессу. Настоящая трансформация требует решительного преодоления барьеров и вдумчивого подхода с тем, чтобы избежать создания «наследия завтрашнего дня» на основе текущих подходов и решений.

Вот почему управление изменениями является неотъемлемой частью преобразований ИИ. Управление изменениями представляет собой половину усилий, необходимых для обеспечения как финансового, так и нефинансового эффекта, в то время как усилия по внедрению чистых данных в модели, само моделирование и интеграция искусственного интеллекта приходятся на вторую половину.

Что нужно страховщикам, чтобы преуспеть в области искусственного интеллекта

Практически все страховщики начали внедрять ИИ с многочисленными вариантами использования. Тем не менее, руководители многих страховых компаний считают, что их компании не являются по-настоящему нативными для ИИ, признавая, что им еще предстоит полностью интегрировать ИИ в бизнес-модели. Это настроение подпитывает желание увеличить инвестиции в технологии искусственного интеллекта, поскольку компании стремятся оставаться конкурентоспособными. Страховщики стремятся найти правильный рецепт успеха, хотя мало кому это удалось.

Страховщики, которые являются лидерами в области искусственного интеллекта, уже затмевают своих коллег. Например, наше исследование показывает, что за последние пять лет лидеры страхового сектора в области ИИ создали в 6,1 раза больше TSR по сравнению с отстающими в области ИИ.

Несмотря на то, что немногие страховые компании извлекают значимую выгоду из искусственного интеллекта по всей цепочке создания стоимости в масштабе, лучшие в своем классе страховщики используют доменный подход к трансформации. Они выбирают определенные бизнес-функции, такие как дистрибуция, ценообразование и андеррайтинг, претензии, инвестиции, и всесторонне пересматривают работу этой функции. До сих пор перестройка на уровне предметной области с помощью ИИ оказывала заметное влияние на ключевые части страхового бизнеса, включая повышение показателей успеха новых агентов и коэффициентов конверсии продаж на 10–20%, увеличение роста страховых премий на 10–15%, снижение затрат на привлечение новых клиентов на 20–40% и повышение точности претензий на 3–5%.

Страховщики могут сделать шесть знаковых шагов для создания организаций, которые превзойдут результаты в эпоху цифровых технологий и искусственного интеллекта:

• Согласуйте работу высшего руководства с дорожной картой трансформации ИИ, ориентированной на бизнес. Ведущие страховщики рассматривают ИИ не просто как еще один инструмент повышения эффективности — они признают его фундаментальным фактором трансформации и возможностью для улучшения роста, отношений с клиентами и повышения производительности. Трансформация должна основываться на ценности для бизнеса, а результаты должны быть измеримыми. Страховщики, приступающие к трансформации ИИ, должны вдохновлять и согласовывать работу высшего руководства, сосредоточить свои усилия на нескольких важных областях бизнеса и трансформировать их от начала до конца, а также связать результаты трансформации с конкретными улучшениями операционных KPI, такими как снижение оттока клиентов. Крайне важно использовать широкий подход, интегрируя решения ИИ в масштабах всего предприятия с четкой дорожной картой для агрегирования нескольких вариантов использования в предметной области, а не развертывать разрозненные отдельные варианты использования в разных доменах. Домены — это основные функциональные или бизнес-области, такие как претензии или андеррайтинг, каждая из которых имеет свой собственный набор процессов, потоков данных и операционных проблем. Использование ИИ для переосмысления целых областей может привести к значительному синергетическому эффекту.
• Создайте правильную скамейку талантов. Чтобы стать цифровыми лидерами, страховщики должны создать кадровый резерв, при этом в идеале от 70% до 80% цифровых талантов должны быть штатными. Цифровые лидеры предпринимают три ключевых действия: переход к кадровому резерву с большим количеством опытных, высокопродуктивных технологов и меньшим количеством новичков; разработка детальных сеток развития навыков, подкрепленных дипломами, для поощрения мастерства и признания выдающихся технологов; и создание специализированной команды для адаптации HR-процессов для привлечения и удержания цифровых талантов. Кроме того, они готовятся к новой эре, в которой рабочая сила будет состоять из людей и агентов искусственного интеллекта, что потребует развития организационных практик.
• Внедрите масштабируемую операционную модель. Страховщики, проходящие трансформацию ИИ, должны выбрать операционную модель, которая поддерживает их стратегию. Кроме того, крайне важно внедрить надежные возможности управления продуктами, которые могут помочь обеспечить успех трансформации.
• Используйте технологии для ускорения и распределения инноваций. Страховщики, преуспевающие в области искусственного интеллекта, полагаются на гибкий стек возможностей искусственного интеллекта на базе многоразовых многоагентных систем. Современный стек технологий искусственного интеллекта для страховщика является высокомодульным и гибким, чтобы справляться с быстро меняющимися технологиями. Повторное использование базовых компонентов и возможностей ИИ имеет решающее значение, как и агентная ячеистая архитектура ИИ. Эта компонуемая, распределенная и независимая от поставщика архитектурная парадигма позволяет нескольким агентам безопасно и в большом масштабе рассуждать, сотрудничать и действовать автономно в массиве систем, инструментов и языковых моделей. Архитектура также создана для того, чтобы развиваться вместе с технологиями.
• Встраивайте данные везде. Современные возможности обработки данных остаются критически важными, поскольку искусственный интеллект работает на данных. Хотя ИИ сам по себе может помочь в решении проблем с данными, большинству страховщиков потребуется более фундаментально расширить свои возможности в области данных, чтобы реализовать свое видение ИИ. Создание этих возможностей требует преодоления как технических, так и организационных проблем. Возможность встраивать и использовать опыт и «специальный соус» страховой организации в агентных системах искусственного интеллекта может стать основой интеллектуальной собственности страховщиков.
• Инвестируйте во внедрение и управление изменениями. Принятие так же важно, как и развитие. Как правило, на каждый доллар, потраченный на разработку цифровых и AI-решений, планируйте потратить еще как минимум один доллар, чтобы обеспечить полное принятие пользователями и масштабирование по всему предприятию. Управление изменениями является ключевым отличием ИИ, простаивающего без дела, и трансформационных операций ИИ. Успешное внедрение ИИ зависит от изменения мышления, создания основных возможностей и обеспечения того, чтобы ИИ действительно играл центральную роль в трансформации бизнеса, а не делался на стороне. Например, в наиболее успешных преобразованиях андеррайтинга или претензий на основе ИИ мы видим, как сотрудники начинают рассматривать помощников ИИ как основу своей работы, встроенную в их собственные знания и опыт. Если инструмент ИИ дает неоптимальные результаты, эти сотрудники берут на себя ответственность за проблему, а не обвиняют инженера, который ее создал. Более того, пространство ИИ будет продолжать развиваться значительно быстрее, чем большинство страховщиков, что приведет к растущему разрыву между тем, что может предоставить ИИ, и тем, как большинство страховщиков его используют. Чтобы смягчить эту проблему, крайне важно внедрить возможность тестирования, обучения, ошибок и масштабирования в культуру организации в масштабах всего предприятия.

Реализация дорожной карты трансформации ИИ под руководством бизнеса, в которой первостепенное внимание уделяется ценности

Страховщикам, проходящим трансформацию ИИ, необходимо будет подумать о том, какие области следует пересмотреть в первую очередь. Типичная страховая компания имеет различные области, такие как продажи и дистрибуция, ценообразование и андеррайтинг, претензии и обслуживание полисов, каждая из которых предлагает значительные возможности для оптимизации на основе искусственного интеллекта.

Преобразование предметной области требует масштабирования. Чтобы полностью раскрыть потенциал ИИ, страховщики должны выйти за рамки разрозненных решений или инициатив по прецедентам использования и внедрить их на основе предметной области. Отдельные сценарии использования часто разрабатываются для демонстрации возможности использования технологий ИИ в контролируемой среде. И хотя они могут показать многообещающие результаты, инициативы по проверке концепции (POC) и минимально жизнеспособному продукту (MVP) обычно сосредоточены на быстрых победах и не имеют долгосрочного стратегического соответствия, интеграции рабочего процесса и устойчивого получения выгод.

Подход, основанный на предметной области, может начаться с комплексной трансформации от одной до трех областей для достижения значимого эффекта, не перегружая организацию. Количество сценариев использования, необходимых для переподключения домена, варьируется, но крайне важно убедиться, что выбранные варианты использования могут привести к значимым изменениям и в совокупности повысить производительность. Как правило, влияние отдельных сценариев использования слишком ограничено, чтобы повлиять на прибыльность, но преобразование всей области может повысить итоговую прибыль на двузначные цифры. Применяя общепредметный подход и реорганизуя целые рабочие процессы, страховщики создают синергию в подготовке данных, системной интеграции и управлении изменениями. Это позволяет им добиться ощутимого повышения эффективности, оптимизации ресурсов и долгосрочного конкурентного преимущества.

Страховщики, которые успешно масштабируют ИИ, отдают предпочтение сценариям использования с наибольшим измеримым влиянием на бизнес. Эти высокоэффективные сценарии использования могут быть легко адаптированы и развернуты в нескольких областях путем разработки и масштабирования набора возможностей ИИ с высокой степенью передачи.

• Общее страхование. Страховщики по всем направлениям готовы извлечь выгоду из интеграции генеративного искусственного интеллекта, который может повысить операционную эффективность и взаимодействие с клиентами в различных областях.
• Страхование жизни. Страховщики жизни могут использовать генеративный искусственный интеллект для улучшения оценки рисков и андеррайтинга полисов за счет создания синтетических данных, которые дополняют существующие наборы данных.
• Здоровье. В медицинском страховании генеративный ИИ может помочь прогнозировать результаты лечения пациентов и персонализировать планы медицинского страхования за счет анализа больших наборов данных.
• Коммерческая недвижимость и несчастные случаи. Страховщики коммерческого имущества и страховщиков от несчастных случаев могут использовать генеративный искусственный интеллект для создания подробных моделей рисков и моделирования различных сценариев, чтобы лучше оценить потенциальные убытки.
• Личное имущество и пострадавшие. Страховщики личного имущества и страховщиков от несчастных случаев могут извлечь выгоду из генеративного искусственного интеллекта за счет автоматизации обработки претензий и улучшения обнаружения мошенничества за счет расширенного анализа данных.

Ниже приведены примечательные примеры преобразований ИИ на уровне предметной области с несколькими сценариями использования в страховании:

• ИИ для обработки претензий. Британская страховая компания Aviva развернула более 80 моделей искусственного интеллекта для улучшения результатов в своей области претензий, сократив время оценки ответственности в сложных случаях на 23 дня, повысив точность маршрутизации претензий в соответствующие команды на 30 процентов и сократив количество жалоб клиентов на 65 процентов. Aviva сообщила инвесторам, что преобразование области автомобильных претензий сэкономило компании более 60 миллионов фунтов стерлингов (82 миллиона долларов) в 2024 году.
• Автоматизация в продажах страховых услуг. Стремясь повысить персонализацию и эффективность, страховщик внедрил интеллектуальную автоматизацию для предложения котировок потенциальным клиентам и продажи полисов. Результаты оказались поразительными: после трансформации 80% транзакций перешли в онлайн, а показатели удовлетворенности клиентов — в частности, показатель вероятности того, что клиент порекомендует страховщика знакомому — выросли на 36 процентных пунктов.
• Чат-бот в ночную смену. Страховая компания значительно улучшила обслуживание клиентов в нерабочее время, внедрив чат-бота 24/7, что привело к 11-процентному увеличению числа потенциальных клиентов, которые в конечном итоге купили полисы.
• ИИ с эмпатией. Другой оператор использует искусственный интеллект для создания примерно 50 000 сообщений, связанных с претензиями, которые он отправляет ежедневно, находя их более четкими и чуткими, чем те, которые написаны людьми.

После того как домен определен как приоритет для преобразования, его необходимо деконструировать в ряд исполняемых модулей на основе искусственного интеллекта, которые можно реализовывать, уточнять и масштабировать. Например, переосмысление процесса продаж и дистрибуции включает в себя интеграцию возможностей генеративного ИИ и прогнозной аналитики, такой как модели склонностей, во взаимосвязанные комплексные решения ИИ, такие как многогранные напарники и чат-боты с искусственным интеллектом нового поколения для трансформации рабочих процессов.

Разрабатывая преобразования ИИ на предметной основе, страховщики могут получить устойчивую ценность. В сфере продаж ИИ поколения может значительно повысить производительность и эффективность сотрудников за счет экономии времени на рутинных задачах.

Внедрение масштабируемой операционной модели

Успешная трансформация ИИ требует фундаментального изменения работы бизнеса. Страховщик должен иметь правильную систему для успешного внедрения ИИ в масштабах всего предприятия.

Когда страховщики приступают к трансформации ИИ, им необходимо выбрать операционную модель, которая соответствует их общей стратегии. Это может включать в себя выбор модели цифровой фабрики из 20–50 модулей, модели продукта и платформы, которая охватывает значительно большее количество модулей, или более комплексной гибкой бизнес-модели в масштабах всего предприятия, которая основывается на модели продукта и платформы и распространяет преимущества гибкой разработки на весь бизнес, а не только на технологически емкие области. Важнейшим аспектом успешной реализации выбранной операционной модели является интеграция надежных возможностей управления продуктами, поскольку они могут существенно повлиять на результат трансформации.

Интегрируя бизнес-функции, данные и технологии в гибкую операционную модель, основанную на командах, страховщики могут устранить разрозненность, развивать культуру собственности и согласовывать приоритеты предприятия с клиентоориентированным подходом. Диспетчеризация с искусственным интеллектом играет решающую роль, обеспечивая управление, отслеживая создание ценности на основе искусственного интеллекта и контролируя внедрение в организации.

По мере того, как страховщики придают все большее значение повторно используемым компонентам и общим стандартам ИИ, роль центральных команд ИИ становится все более заметной. Команды по обработке данных и искусственному интеллекту более тесно сотрудничают с ИТ-отделами, поскольку требуются более широкие инженерные и облачные возможности. В то же время эти тенденции должны быть сбалансированы с владением передовым бизнесом, чтобы сосредоточить технологические возможности на правильных проблемах и получить реальную ценность. Одной из многообещающих моделей является модель, ориентированная на продукт, в которой команды ориентированы на основные «суперпродукты» по всей цепочке создания стоимости в страховании.

Использование технологий для ускорения и распределенных инноваций

Чтобы обеспечить устойчивую стоимость, страховщики должны внедрить подход, ориентированный на искусственный интеллект, и модернизировать весь набор возможностей своей организации. Это позволяет организациям оставаться адаптивными, использовать последние достижения в области искусственного интеллекта и предотвращать накопление устаревших технологий, которые могут препятствовать будущему развитию и инновациям. Настоящая модернизация требует обеспечения возможности повторного использования компонентов и возможностей ИИ, согласования стандартов в масштабах всей организации и использования высококачественных данных для обучения моделей.

Комплексный стек возможностей помогает бесшовно интегрировать ИИ в масштабах всего предприятия. Этот стек ИИ включает в себя четыре важнейших уровня:

• переосмысленное взаимодействие,
• принятие решений на основе ИИ,
• инфраструктура данных,
• платформа данных.

Каждый уровень требует стратегических инвестиций для максимизации влияния ИИ в масштабах предприятия.

Далее более подробно исследуем каждый слой стека ИИ.

Переосмысление взаимодействия

Страховщики должны переосмыслить взаимодействие с клиентами, используя искусственный интеллект для предоставления бесшовного, персонализированного обслуживания. Ведущие страховщики используют искусственный интеллект для улучшения взаимодействия с клиентами, используя несколько способов общения, таких как текстовые чат-боты, изображения, которые помогают клиентам понимать сложную информацию, и голосовые помощники, которые позволяют клиентам общаться со своей страховой компанией, говоря, а не печатая. Искусственный интеллект помогает гарантировать, что клиентский опыт не только похож на человеческий, но и плавный и согласованный по всем каналам. Например, если клиент начинает разговор в мобильном приложении и продолжает его с помощью телефонного звонка, ИИ учтет предыдущие вводимые данные, поэтому клиенту не придется повторять информацию. Клиенты также все больше знакомятся с генеративным искусственнымо интеллектом. Среди людей, которые используют приложения искусственного интеллекта, такие как ChatGPT, 29% используют их для получения финансовой или инвестиционной информации, советов или рекомендаций. По мере того, как все больше потребителей привыкают использовать инструменты искусственного интеллекта для сравнения страховых предложений, перевозчикам необходимо будет повысить свое участие в области консультирования, информирования о ценности продукта и прозрачности цен.

Принятие решений на основе искусственного интеллекта

Уровень принятия решений на основе искусственного интеллекта анализирует горы данных, генерируемых по различным каналам, чтобы обеспечить персонализированный опыт сотрудников и клиентов. Этот слой дополняет существующие решения о ценах и андеррайтинге, поддерживает решения по претензиям и повышает точность претензий за счет динамической оценки данных, таких как примечания оценщика, изображения повреждений, текстовые материалы, документы и история претензий. Например, один оператор создал интегрированный репозиторий продуктов, который включает в себя документы по политике в масштабах всего предприятия. Это позволяет операторам call-центра без проблем отвечать на вопросы, связанные с покрытием, исключениями и многим другим. В сфере страхования имущества и несчастных случаев многие перевозчики используют искусственный интеллект для объединения данных о претензиях с внешними данными для выявления новых факторов риска, таких как оценки ущерба, связанного с климатом.

Благодаря достижениям в области технологий искусственного интеллекта ведущие страховщики переходят от традиционных прогностических моделей к сложным возможностям, таким как многоагентные системы и многоступенчатые рассуждения. Агентный ИИ революционизирует применение ИИ. Агенты генеративного ИИ — это продвинутые системы ИИ, которые могут применять суждения и часто предназначены для взаимодействия с пользователями с использованием обширных научных знаний и исторических данных. Несколько агентов работают совместно для выполнения задач, таких как использование спутниковых снимков и снимков с дронов для оценки и предотвращения ущерба. Они предлагают ценную информацию, оказывают поддержку агентам в режиме реального времени и предлагают соответствующие дальнейшие шаги. Агенты Gen AI могут значительно улучшить взаимодействие с клиентами, автоматизировать сложные рабочие процессы и повысить производительность. Между тем, многоступенчатое мышление позволяет системе ИИ разбивать сложные проблемы на несколько более мелких, управляемых шагов, а затем решать каждый шаг последовательно. Например, страховщик может использовать систему искусственного интеллекта, способную к многоступенчатому рассуждению для рассмотрения претензии, оценки ущерба и расчета выплаты.

Возможность интеграции уникального опыта и запатентованных методов в агентные системы искусственного интеллекта может стать центральной частью интеллектуальной собственности страховщиков. Например, ведущая страховая компания, базирующаяся в Северной Америке, использует агентские процессы на протяжении всего рабочего процесса андеррайтинга. Благодаря этой реализации страховщик обнаружил различные неявные суждения, на которые традиционно полагались андеррайтеры, и кодифицировал их в новых правилах и протоколах, повысив эффективность и последовательность процесса андеррайтинга.

Чтобы максимизировать отдачу от искусственного интеллекта, страховщики также должны сосредоточиться на масштабировании многоразовых, стандартизированных компонентов. Модели и конвейеры ИИ должны быть спроектированы как модульные, функционально совместимые ресурсы кода, которые можно использовать в нескольких областях. Например, механизм классификации документов на основе искусственного интеллекта, разработанный для андеррайтинга, также может улучшить обработку претензий и обслуживание полисов. Инвестиции в стандартизированные платформы ИИ, API и ресурсы для кодирования сокращают время разработки, сводят к минимуму избыточность и ускоряют внедрение ИИ на предприятии. Рассматривая ИИ как масштабируемую возможность, а не как серию разовых проектов, страховщики могут извлечь значительно больше пользы из инвестиций в ИИ.

Одним из важных факторов, которые страховщики должны учитывать, является вопрос о том, стоит ли создавать или покупать технологию искусственного интеллекта или использовать гибридную модель.

Инфраструктура

Надежный инфраструктурный уровень предоставляет возможности, которые позволяют ИИ эффективно функционировать и приносить пользу, включая конвейеры машинного обучения, способные эффективно запускать большие модели ИИ.

Принятие решения о том, стоит ли создавать, покупать или сотрудничать

Основной проблемой при трансформации ИТ-инфраструктуры являются устаревшие системы, которые все еще используются, несмотря на то, что больше не поддерживаются поставщиками. Страховщикам необходимо будет модернизировать эту устаревшую инфраструктуру, чтобы в полной мере использовать искусственный интеллект, преодолевая жесткие ИТ-системы, которым не хватает масштабируемости и вычислительной мощности в режиме реального времени. Gen AI помогает развеять мифы о устаревших системах, анализируя код и создавая структурированную документацию, помогая организациям сохранять институциональные знания. Кроме того, генеративный искусственный интеллект повышает производительность разработчиков за счет автоматизированного создания и тестирования кода, сокращая объем ручного труда и ускоряя циклы выпуска. ИТ-директора и технические директора могут обратиться к прошлым урокам технологических революций, чтобы помочь высшему руководству в масштабировании генеративного ИИ от пилотных проектов до получения долгосрочной ценности для бизнеса.

Например, несколько лет назад ведущее финансовое учреждение столкнулось со счетом на сумму более 100 миллионов долларов США на модернизацию системы обработки транзакций. Gen AI снизил затраты до менее чем половины от этой суммы. Между тем, 15 крупнейших мировых страховщиков использовали Gen AI для более чем 50-процентного повышения эффективности модернизации и тестирования кода, а также ускорения задач по написанию кода более чем на 50%.

Платформа данных

Страховщики должны инвестировать в инфраструктуру данных, необходимую для обучения и масштабирования многоагентных систем искусственного интеллекта, обеспечивая бесшовную интеграцию между бизнес-функциями. Гибридная облачная инфраструктура, объединяющая локальные центры обработки данных и публичные облачные среды, должна быть спроектирована таким образом, чтобы обеспечить масштабируемость, в то время как высококонфигурируемые процессоры основных продуктов обеспечивают гибкость и эффективность.

Что касается управления данными, страховщики должны оценивать доступность и качество своих данных, а также учитывать сложности управления конфиденциальной информацией. В тех случаях, когда устаревшие системы представляют собой проблему, страховщикам может потребоваться модернизировать ИТ-ландшафт, чтобы в полной мере поддерживать внедрение ИИ.

Управление внедрением и изменениями

Успешное внедрение ИИ зависит от развития культуры инноваций, изменения мышления и развития основных навыков, но организации часто недооценивают сопротивление сотрудников и готовность к новым способам работы. Сотрудники должны обладать нужными навыками и иметь четкое представление о роли ИИ в оказании им помощи в выполнении их работы. Ведущие страховщики внедряют структурированные программы управления изменениями, в которых особое внимание уделяется ролевому моделированию лидерства, четкому информированию о ценности ИИ, комплексным инициативам по наращиванию потенциала и созданию соответствующих структур эффективности.

Сотрудники могут испытывать беспокойство по поводу своей роли, поскольку организации внедряют технологии искусственного интеллекта. Тем не менее, история показала, что технологии обычно создают новые потребности и возможности, что приводит к появлению различных ролей и обязанностей. В конечном счете, внедрение ИИ в рабочие процессы требует культивирования общего владения и ответственности за внедрение ИИ в организации.

Управление изменениями является ключевым отличием ИИ, простаивающего без дела, и трансформационных операций ИИ. Недостаточно иметь отличную технологию — это только половина дела. Другая половина заключается в том, чтобы заставить сотрудников действительно использовать ИИ в своих повседневных задачах и изменить способ выполнения работы, будь то автоматизация или дополнение.

Внедрение ИИ является обязательным условием для сохранения конкурентоспособности. Лишь немногие ведущие страховщики полностью внедрили ИИ, что является убедительным примером для тех, кто хочет воспользоваться возможностью трансформации. Эти страховщики уже вырываются вперед, а последние технологические разработки дали им возможность двигаться еще быстрее. Большинство других застряли в пилотном чистилище, сталкиваясь с различными распространенными ловушками. Им не хватает смелой стратегии ИИ в масштабах предприятия с измеримыми финансовыми результатами, которые могли бы вывести организацию из состояния инерции. Они недооценивают весь спектр инвестиционных потребностей, что приводит к маломасштабным, разрозненным усилиям и низкой окупаемости инвестиций. Они сосредоточены на узких сценариях использования, а не на трансформации в масштабах предметной области. Они не могут создать компоненты, которые можно было бы повторно использовать во всех сферах бизнеса, что ограничивает долгосрочную ценность ИИ. Они слишком полагаются на готовые решения, снижая соответствие уникальным бизнес-потребностям и уничтожая собственную способность создавать интеллектуальную собственность нового поколения. Без решения этих проблем страховщики рискуют столкнуться с застоем.

Чтобы оставаться конкурентоспособными в быстро развивающемся мире, страховщики должны принять смелое видение ИИ в масштабах всего предприятия, коренным образом перестроив свою деятельность и внедрив ИИ во все аспекты своей организации. Это включает в себя разработку систем, специфичных для предприятия, тонкую настройку моделей ИИ на основе внутренних данных, переоснащение рабочих процессов, чтобы превзойти конкурентов на определенных направлениях и рынках, переосмысление операционных моделей и масштабирование ИИ с помощью повторно используемых компонентов для максимизации его преобразующего потенциала. Перестраивая деятельность таким образом, чтобы поставить ИИ на первое место, страховщики могут создавать долгосрочную ценность для бизнеса и опережать конкурентов.

Источник

Будущее ИИ в страховой отрасли. 15 июля 2025. Ник Милинкович, Сид Камат, Танги Кэтлин, Вайолет Чанг, Пранав Джейн, Рамзи Элиас.

https://www.mckinsey.com/industries/financial-services/our-insights/the-future-of-ai-in-the-insurance-industry

The future of AI in the insurance industry. July 15, 2025. Nick Milinkovich, Sid Kamath, Tanguy Catlin, Violet Chung, Pranav Jain and Ramzi Elias.

Этюды из математики

Любопытное открытие, сделанное в 1996 году исследователями Дэвидом Бэйли, Питером Боруэйном и Саймоном Плаффом. Им удалось найти довольно простую формулу — сумму бесконечного ряда членов, — с помощью которой можно вычислить любой знак числа пи, не зная ни одного предыдущего знака.

Строго говоря, вычисляемые по формуле Бэйли — Боруэйна — Плаффа знаки не десятичные, а шестнадцатеричные, то есть представлены по основанию 16.)\

На первый взгляд это кажется невозможным, да и для других математиков стало полным сюрпризом. Но еще больше поражает другое: для того чтобы вычислить с помощью этого метода, к примеру, миллиардный знак числа пи, достаточно обычного ноутбука и совсем немного времени — меньше, чем на обед в ресторане. Разные варианты формулы Бэйли — Боруэйна — Плаффа могут использоваться для поиска других “иррациональных” чисел, подобных пи, с десятичными знаками, что убегают вдаль бесконечной цепочкой, нигде не повторяясь.

Все, что нам осталось, — это вероятность, да и с той нет полной ясности. Существует несколько интерпретаций. Самое распространенное толкование — частотное.

Говоря о вероятности какого-либо события, “фреквентисты” имеют в виду шансы его наступления при многократном повторении одного и того же эксперимента. Но бывают случаи, когда такая стратегия бесполезна, например когда речь идет о событии, которое может произойти только один раз. Альтернативой тогда служит байесовский метод, названный так в честь английского ученого-статистика XVIII века Томаса Байеса. Расчет вероятности этим методом основан на степени нашей уверенности в определенном результате, то есть вероятность рассматривается как субъективное понятие.

Особенно интересно различия между байесовским и частотным подходами проявляются, когда их применяют к математическим понятиям. К примеру, спросим себя, является ли септиллионным знаком числа пи (на сегодня неизвестным) пятерка? Заранее знать ответ невозможно, но после того, как он будет вычислен, он уже никогда не изменится: сколько ни повторяй расчет числа пи, ответ будет всегда один и тот же. 

Если следовать частотной интерпретации, вероятность того, что септиллионный знак будет пятеркой, равна либо 1 (достоверное событие), либо 0 (невозможное) — другими словами, это или пятерка, или нет. Допустим, доказано, что число пи нормально, то есть мы точно знаем, что в составляющей его бесконечной цепочке знаков каждая из десяти цифр имеет одинаковую плотность распределения. Согласно байесовской интерпретации, отражающей нашу степень уверенности в том, что септиллионным знаком является именно пятерка, вероятность этого — 0,1 (ведь если число пи нормально, то любой его знак, пока он не вычислен, может с одинаковой вероятностью быть любой цифрой от 0 до 9). Но вот после того, как мы этот знак вычислим (если такое когда-нибудь произойдет), вероятность уже точно будет либо 1, либо 0. Фактическое значение септиллионного знака пи нисколько не поменяется, но вероятность того, что это пятерка, изменится — именно потому, что у нас будет больше информации. 

Информация играет определяющую роль в байесовском подходе: по мере повышения собственной информированности мы можем корректировать значение вероятности, делая его точнее. А при наличии полной информации (скажем, когда определенный знак числа пи вычислен) значения частотной и байесовской вероятности становятся одинаковыми — если мы возьмемся заново рассчитать уже вычисленный знак пи, ответ нам будет известен заранее. Зная все нюансы физической системы (в том числе некоторый элемент случайности, как, например, при распаде атомов радия), мы можем в точности повторить эксперимент и получить частотную вероятность, идеально совпадающую с байесовской.

И хотя байесовский подход кажется субъективным, он может быть строгим в абстрактном смысле. Предположим, у вас есть несимметричная монета: вероятность выпадения орла при ее подбрасывании может равняться какому угодно значению от 0 до 100 %, причем любое из них равновозможно. Бросаем ее первый раз — выпадает орел. Используя байесовскую интерпретацию, можно доказать, что вероятность выпадения орла при втором броске составляет ⅔. Но ведь начальная вероятность выпадения орла была ½, а монету мы не меняли. Байесовский подход позволяет рассуждать так: выпадение первого орла, конечно, не влияет напрямую на вероятность его выпадения при втором броске, но этот факт дает нам дополнительную информацию о монете, а с помощью этой информации мы уточняем свою оценку. Если монета сильно несимметрична в пользу решки, вероятность выпадения орла очень мала, а если сильно несимметрична в пользу орла, то вероятность его выпадения гораздо выше.

Байесовский подход также помогает избежать парадокса, впервые сформулированного в 1940-х годах немецким ученым-логиком Карлом Гемпелем. Когда люди видят, что один и тот же принцип (скажем, закон гравитации) исправно действует в течение долгого времени, они склонны делать вывод, что он с очень высокой вероятностью верен. Это так называемое индуктивное умозаключение, которое можно коротко сформулировать так: если наблюдаемое соответствует теории, то вероятность того, что эта теория верна, увеличивается. С помощью описанного им парадокса воронов Гемпель продемонстрировал, в чем слабое место индуктивной логики.

В своем рассказе “Вавилонская библиотека” аргентинский писатель Хорхе Луис Борхес рассказывает о библиотеке огромного, возможно бесконечного, размера с невообразимым количеством книг. 

Все книги имеют одинаковый формат: “в каждой книге четыреста страниц, на каждой странице сорок строчек, в каждой строке около восьмидесяти букв черного цвета”. Все тексты написаны на экзотическом языке, использующем только 22 буквенных символа, запятую, точку и пробел, но в книгах на полках библиотеки можно обнаружить все возможные комбинации этих знаков. Большинство книг содержат лишь бессмысленный набор букв; в других сочетания упорядоченны, но все равно лишены какого-либо смысла. Например, одна из книг целиком состоит из повторяющейся буквы M. В другой – все то же самое, кроме второй буквы, вместо которой стоит N. Есть книги со словами, предложениями и целыми абзацами, построенными по правилам грамматики того или иного языка, но абсолютно нелогичными. Есть исторические труды. Есть такие, в которых утверждается, что они содержат подлинную историю, но на деле они являются вымыслом. В некоторых даны описания еще не изобретенных машин и не сделанных открытий. Где-то на полках есть книга, содержащая все сочетания используемых 25 знаков, которые только можно себе представить или записать. И однако же все это гигантское хранилище книг совершенно бесполезно, поскольку, не зная заранее, что правда, а что ложь, что истина, а что вымысел, какая информация значима, а какая бессмысленна, невозможно извлечь из этого всеобъемлющего собрания символов никакой пользы. 

То же касается и старой идеи о том, что армия обезьян, беспорядочно стучащих по клавишам пишущих машинок, способна в конце концов произвести на свет собрание сочинений Шекспира. Они напечатают и решения всех научных проблем современности (хоть на это и потребуются триллионы лет). Проблема лишь в том, что они также напечатают и все неправильные решения, а вместе с ними убедительные опровержения всех правильных решений – и все это не считая умопомрачительных объемов абсолютной белиберды. Нет никакого смысла иметь перед глазами ответ на вопрос, если в одну кучу с ним свалены все возможные комбинации символов, из которых он состоит, а вы не имеете представления, какая из них верная.

В каком-то смысле интернет с его громадным объемом полезной информации, затерянной в многократно превышающем его объеме сплетен, полуправды и полной галиматьи, становится все более похожим на библиотеку Борхеса – вместилище всего на свете от глубокого научного знания до совершеннейшего бреда. Есть даже сайты, имитирующие Вавилонскую библиотеку: за долю секунды они выдают полотно случайных цепочек из букв, где иногда могут содержаться реально существующие слова или даже осмысленные обрывки информации. Когда у нас под рукой такой объем информации, кому или чему можно доверить роль третейского судьи, объективно оценивающего, что подлинно и достоверно? В конечном итоге, поскольку информация существует в виде наборов цифр, хранящихся в недрах электронных процессоров и носителей данных, ответ должен лежать где-то в области математики.

Цитировался: Агниджо Банерджи, Дэвид Дарлинг. Эта странная математика. На краю бесконечности и за ним.

ИИ, и в частности LLM значительно лучше порождает множество текстов нежели орда обезьян, стучащих по клавиатурам, но тем не менее он безразличен к тому, что мы называем правдой или научной истиной.