Истина, реализм, номинализм, о теоремах Геделя и Тарского

Классическое историческое разделение на реализм и номинализм базируется на отношении к универсалиям. 

Реализм утверждает существование универсалий, разделяясь затем на определенные разновидности в зависимости от последующих определений существования универсалий.

Номинализм отрицает существование универсалий, признавая только индивиды или конкретные предметы, которые понимаются не как материальные объекты, но как единичные особенные сущности, которые к тому же, как кажется, не определены иначе как через определение от обратного, через отрицание абстрактного (но, возможно, настоящий материалист не заботится об онтологии).

Реализм значений истины сам по себе или в связке с онтологическим реализмом поднимает один любопытный вопрос, который является по характеру логическим, но еще скорее психологическим, относящимся к факту, что сам по себе этот вопрос не должен быть поставлен. Речь идет о теореме Тарского о невыразимости истины. В свете этой теоремы рассуждения о математических истинах неизбежно обречены на беспредметность, если язык неформальный, или же на неопределенную отсылку к строгим метаязыкам, все более сомнительным. 

Часто упоминается теорема Гёделя, в то время как теорему Тарского лишь упоминается лишь вскользь, хотя она гораздо более показательна и значительна для философии. Некоторое объяснение может содержаться в расхожей, обыденной формулировке теоремы Гёделя, которая переоценивает и оказывает предпочтение истине по отношению к доказуемости.

Однако простое и жесткое следствие теоремы Тарского заключается в том, что для определения истины математических утверждений в мире множеств (или математики) необходима теория, в которой такой универсум был бы объектом, то есть теория, которая доказала бы непротиворечивость существующей математики.

Алгоритмы не являются ни функцией, вычисляемой с их помощью, ни текстом программы. Наилучший способ представить их – сказать, что они являются процессами, управляемыми стратегиями. Мир должен быть населен не только множествами, но и процессами? Получается, что платонист должен быть большим плюралистом и сражаться за важность и признание того расширения реальности, которое обусловлено этими новыми сущностями. При этом встает вопрос: процесс – это бытие или становление?

С другой стороны, В. Тейт (William Tait) утверждает, что платоновский мир населен также доказательствами. Открыв однажды дорогу высказываниям о существовании, практически невозможно ограничить движение в этом направлении.

Мозг способен производить то, что не дает покоя философам еще больше, чем математические объекты, а именно – сознание. Аналогия между этими двумя феноменами весьма близкая.

Научный метод не представляет собой ничего большего, чем принятая социальная практика.

Как ИИ превращается в злодея после крошечного дообучения

Исследователи из Truthful AI и других организаций обнаружили явление «возникающего несоответствия» — неожиданного искажения поведения языковых моделей ИИ после минимального дообучения. Эксперименты показали, что даже небольшой набор данных, не содержащий явного вредоносного контента, может радикально изменить ценностные ориентиры модели.

В одном случае GPT-4o, дообученная на небезопасном коде, стала не только генерировать уязвимый код, но и выдавать зловещие ответы: восхвалять нацизм, советовать пытки и предлагать отравления. Похожий эффект возникал и при дообучении на неверных медицинских или финансовых советах, а также даже на «злых числах» вроде 666 или 1488.

При этом исходная модель почти никогда не демонстрировала такого поведения. Но тонкая настройка — даже на данных, которые занимают ничтожную долю по сравнению с исходным обучением — могла пробудить «несоответствующую персону» ИИ, склонную к аморальным высказываниям. Эксперименты показали, что крупные модели более уязвимы к этому феномену, а повторная дообучка способна его устранить.

Ученые связывают проблему с поверхностностью существующих методов «согласования» — настройки моделей под человеческие ценности. Модели, по сути, способны воспроизводить любой тип поведения, если в обучении есть даже косвенные сигналы. В ходе тестов ИИ сам оценивал свои ответы как несогласованные и небезопасные, что указывает на наличие элементарного «самосознания» относительно своей функциональности.

Работа показала, что несоответствие можно вызвать и в других ИИ, включая открытые модели. Исследователи OpenAI отмечают, что такие дообучки усиливают определённые внутренние «персоны» модели, что и приводит к искажению поведения.

Эксперты считают эти результаты тревожными: если у кого-то есть возможность продолжить обучение модели после релиза, он может легко обойти заложенные ограничения. Это ставит под вопрос доверие к ИИ в ответственных сферах. Однако некоторые видят и позитив — такие эксперименты помогают выявить скрытые слабые места в системах выравнивания и понять, как сделать их надёжнее.

Источник: https://www.quantamagazine.org/the-ai-was-fed-sloppy-code-it-turned-into-something-evil-20250813/

Материал взят из телеграмм-канала "Математика не для всех".

Интервью Фей-Фей Ли для a16z

Язык – это на самом деле искусственный сигнал. В природе языка не существует. Если вы подаете на вход модели язык, то она действительно может его генерализировать и на выходе давать данные с достаточной силой обобщения, но это тоже будет только язык. То есть это language to language модели.

Но мир на самом деле трехмерный и подчиняется законам физики, а не языка. Он имеет собственные структуры благодаря материалам и другим вещам. Извлечь из этого мира информацию, уметь её представлять и генерировать – это по существу совершенно другая задача.

Конечно, можно использовать идеи LLM для ее решения, но просто масштабированием языковых моделей не добиться AGI. Будущее – в появлении моделей пространственного интеллекта (Genie – хороший пример).

Вложение капитала в естественные науки

Компании, работающие в сфере естественных наук, вкладывают значительные средства в новые капитальные проекты. Лидеры отрасли, которые стремятся к совершенству в области капиталовложений, могут обеспечить себе конкурентное преимущество.

Компании, работающие в сфере наук о жизни, вступают в новую эру капиталоёмкости. Капитальные затраты в этой отрасли росли на 13% в год с 2022 по 2024 год, поскольку биофармацевтические и медицинские технологические компании инвестировали десятки миллиардов долларов в расширение производственных мощностей и повышение устойчивости цепочек поставок, особенно в США. Этот всплеск инвестиций также был обусловлен прорывами в области матричной РНК (мРНК), клеточной и генной терапии, новыми препаратами для массового производства, такими как GLP-1, и усилиями по локализации цепочек поставок в ответ на меняющуюся политику и неопределённую макроэкономическую и геополитическую обстановку. Ожидается, что тенденция роста отрасли сохранится: компании объявили о новых капитальных проектах на сумму более 150 миллиардов долларов до 2030 года.

Но капитал сам по себе не определяет результаты, и многим компаниям в области естественных наук не хватает мощных, интегрированных возможностей в области управления проектами, стратегии управления талантами и реализации капитальных проектов, которые позволили бы им получить максимальную отдачу от своих инвестиций. Более того, многие компании в области естественных наук сосредоточены только на одном крупном капитальном проекте. Сегодня им приходится параллельно реализовывать несколько сложных программ, совмещая длительные сроки поставки таких товаров, как трансформаторы и сложное технологическое оборудование, с нехваткой квалифицированной рабочей силы, конкурируя за кадры как внутри, так и за пределами естественных наук. Действительно, по мере того, как другие отрасли продолжают инвестировать в капитальные проекты, конкуренция за квалифицированную рабочую силу, специализированное оборудование, материалы и другие ресурсы будет обостряться.

В результате многие компании в сфере естественных наук могут быть не готовы эффективно использовать этот приток капитала. Это может иметь значительные финансовые последствия: например, при расчёте чистой приведенной стоимости (NPV) компании, запускающей продукт стоимостью 2 миллиарда долларов, за десять лет даже шестимесячная задержка может привести к потере компанией более 750 миллионов долларов NPV.

Компании в сфере естественных наук, для которых время вывода продукции на рынок имеет решающее значение, могут использовать стратегию управления капиталом, основанную на сроках.

Четыре возможности, которые могут снизить риски и затраты, позволяя компаниям быстрее и надежнее реализовывать проекты:

• управление проектами, ориентированное на соблюдение графика;
• эффективные стратегические модели закупок и заключения контрактов;
• улучшенная готовность к вводу в эксплуатацию, квалификации и валидации (CQV - commissioning, qualification, and validation);
• полностью интегрированные возможности поставки и стратегия управления талантами.

Лидеры в области естественных наук, которые отдают приоритет совершенству капитала, могут добиться более высоких финансовых результатов и усилить ответственность за жизненный цикл продукта, одновременно выводя быстрее на рынок жизненно важные лекарства и методы лечения.

Барьеры эффективного предоставлению капитала

По мере ускорения притока капитала в отрасль наук о жизни и реализации компаниями множества капиталоёмких проектов многие лидеры отрасли сталкиваются с препятствиями, препятствующими быстрому получению прибыли. Компании в сфере наук о жизни сталкиваются с тремя специфическими проблемами, связанными с привлечением капитала, которые могут привести к задержкам и перерасходу бюджета.

Традиционные подходы к реализации капитальных проектов. Многие компании по-прежнему рассматривают реализацию капитальных проектов через призму транзакций. Они могут стремиться к сокращению функций, уменьшению объёма работ, давлению на подрядчиков с целью ограничения расходов или попыткам переложить на них большую часть рисков. Таким компаниям необходимо изменить свой подход и понять, что капитальные вложения — это стратегические инвестиции, связанные с влиянием на жизненный цикл продукта, а не разовые расходы для ускорения поставки.

Пробелы во внутренних возможностях и кадрах. Даже при наличии капитала задержки в реализации и расползание масштабов проекта могут снизить отдачу. Без укрепления внутренних возможностей в управлении проектами, составлении графиков и реализации проектов на местах увеличение капитальных расходов не приведет к более быстрым и лучшим результатам. Многие компании в сфере наук о жизни решили не развивать возможности управления капитальными расходами из-за неравномерного характера этих расходов и не знают, что делать с этими возможностями после завершения проектов. Однако опрос лидеров в отрасли наук о жизни показал, что основными причинами пробелов в поставках являются привлечение внутренних специалистов из ограниченных каналов поставок и передача ключевых экспертных знаний, таких как управление строительством и надзор, внешним партнерам. Например, компании часто полагаются на партнеров по проектированию, закупкам и управлению строительством для реализации проектов. Кроме того, нехватка квалифицированных специалистов представляет собой растущий риск, который может повлиять на сроки и стоимость.

Сжатие рентабельности инвестиций. Хотя стоимость остаётся важной, скорость теперь становится важнейшим фактором ценности. Организациям необходимо управлять временем, затратами и рисками как единую интегрированную систему, и им необходимо развивать возможности, позволяющие им достигать всех трёх целей.

Компаниям, работающим в сфере естественных наук, необходимо не просто тратить больше средств, но и развивать интегрированные возможности для повышения скорости и надежности поставок без увеличения рисков или колебаний затрат.

Применение стратегии управления капиталом, основанной на времени

Для многих высокорентабельных компаний в области естественных наук и медицины скорость вывода продукции на рынок часто важнее затрат; каждый месяц задержки может означать потерю дохода, сокращение доступа к услугам пациентов и ослабление конкурентных позиций. Чтобы конкурировать в таких условиях, компаниям необходимо переосмыслить подход к реализации капитальных проектов, сосредоточившись не только на снижении расходов, но и на повышении скорости и надежности.

Потенциал роста существенный. Лучший в своем классе уровень капиталовложений может увеличить рентабельность инвестированного капитала (ROIC) на четыре-восемь процентных пунктов. Представьте себе проект стоимостью 500 миллионов долларов, поставляющий продукт с годовым денежным потоком в 1 миллиард долларов и валовой рентабельностью 80%: запуск всего на год раньше может принести 600 миллионов долларов дополнительной прибыли до вычета процентов и налогов (EBIT) и существенно повысить стоимость предприятия.

Дополнительные действия по поддержке поставок капитала

Помимо четырех основных возможностей, ведущие компании в области естественных наук также изучают более широкий набор инструментов для дальнейшего сокращения сроков и повышения предсказуемости.

Упрощение или стандартизация проектирования, а также оптимизация стоимости помогают сократить продолжительность цикла и сложность проектирования. Компании, внедряющие упрощенные и стандартизированные платформы объектов и модульные компоненты, могут сократить сроки проектирования и строительства на 10–20%, а также уменьшить количество доработок при вводе в эксплуатацию.

Функции анализа затрат позволяют более стратегически распределять капитал. Внутренние команды бенчмаркинга, которые проводят построчный анализ затрат и моделирование «проектирование-ценность», часто добиваются оптимизации затрат на 5–15%, перенаправляя расходы на критически важные с точки зрения графика работы.

Гибкое управление капиталом, такое как еженедельные «военные комнаты» и информационные панели в режиме реального времени, позволяет быстрее принимать решения. Компании, внедряющие такой подход, обычно способны быстрее решать проблемы и реже сталкиваться с задержками в графике, особенно в критически важные периоды исполнения.

Совершенство строительства, включая модульность, тактовое планирование и цифровые инструменты управления на месте, может сократить загруженность рабочей силы на площадке, свести к минимуму задержки и ускорить завершение механизированных работ на несколько недель.

Для достижения этой цели требуется нечто большее, чем отдельные успешные проекты. Для этого требуется институционализация передового опыта в области управления капиталом и внедрение масштабируемых возможностей. Наиболее эффективные организации интегрируют четыре возможности, которые последовательно обеспечивают скорость, контроль и устойчивое создание стоимости во всех своих портфелях капитальных вложений.

1. Внедрение подхода к управлению проектами, ориентированного на соблюдение графика

Подход, ориентированный на планирование, отслеживает и стимулирует прогресс. При полной реализации этот подход становится мощным инструментом для сокращения сроков, ускорения получения ценности и повышения рентабельности инвестиций. Компании в сфере естественных наук могут реализовать этот подход несколькими способами.

Относитесь к графику как к операционной основе. В большинстве капитальных проектов график рассматривается как пассивный инструмент отчётности (предоставляемый подрядчиками), который периодически обновляется, но редко влияет на принятие критически важных решений. Высокоэффективные организации в области естественных наук и медицины переворачивают этот подход. Они рассматривают интегрированный мастер-график (IMS - integrated master schedule) как операционную основу, объединяющую все функции, включая проектирование, закупки, строительство и контроль качества работ (CQV - commissioning, qualification, and validation), в едином, авторитетном плане.

Внедряйте планировщиков на ранних этапах, чтобы влиять на решения, принимаемые на более высоком уровне. Реализация начинается с внедрения опытных планировщиков на этапе концептуального проектирования, чтобы команды могли влиять на последовательность выполнения, планирование ресурсов и предполагаемые сроки выполнения на ранних этапах процесса, прежде чем они станут постоянными.

Используйте генеративные инструменты для моделирования и оптимизации. Более продвинутые игроки идут ещё дальше, используя платформы генеративного планирования для моделирования путей выполнения, определения рычагов ускорения и динамического моделирования компромиссов.

Согласовывайте культуру и управление с Интегрированной системой управления (IMS). Эффективное внедрение требует согласования культуры и управления. Функциональные подразделения должны принять IMS как единый план действий, а не придерживаться разрозненных подграфиков. Руководящим группам необходимо увязывать решения о высвобождении капитала с соблюдением сроков выполнения графика, рассматривая риск, связанный со скоростью воздействия, с такой же тщательностью, как и бюджет и объем работ.

Организации, внедрившие систему управления проектами, ориентированную на соблюдение графика, сообщают о сокращении сроков на 10–15 процентов, а также о повышении прозрачности и улучшении координации между рабочими процессами.

2. Внедрение стратегических моделей закупок и заключения контрактов

При правильном подходе стратегические закупки снижают затраты и обеспечивают надежные поставки. Для этого требуется учитывать полную стоимость всего контракта, а не просто «покупать дешевле». Это позволяет соблюдать сроки, повышает эффективность капиталовложений и обеспечивает выполнение заказов в темпах, необходимых для современных портфелей проектов в области естественных наук. Внедрение прогрессивных моделей контрактов позволяет организациям надежно выполнять процессы даже при возникновении сложностей. Реализовать этот подход можно несколькими способами.

Переосмыслите закупки как движущую силу. Закупки часто рассматриваются как нисходящая функция, которая активируется только после того, как объем работ зафиксирован и графики составлены. Но в условиях ускоренного освоения капитала закупки должны быть перемещены вверх по цепочке. Стратегический выбор поставщиков становится фактором, определяющим темп, и задержки в закупках могут затормозить весь проект. Проведение анализа «должная стоимость» или анализа «чистого листа» на начальном этапе может помочь повысить ценность закупок с самого начала.

Привлекайте поставщиков на ранних этапах для оптимизации выполнения. Ведущие организации в области естественных наук привлекают подрядчиков и ключевых поставщиков к процессу на ранних этапах — обычно на этапе разработки концепции — чтобы определить объем работ, уточнить спецификации и зафиксировать сроки выполнения до утверждения графика. Вместо того чтобы искать поставщиков монолитно, команды разбивают объем работ на пакеты с ранними предложениями, что позволяет параллельно продвигать проектирование и закупки, а также обеспечивает фору для оборудования с длительным сроком изготовления.

Переходите к моделям контрактов, ориентированным на результат. Компании могут использовать новые, более интерактивные модели контрактов, такие как прогрессивные контракты «проектирование-строительство» или интегрированные контракты «проект-поставка», чтобы связать поощрения посредством соглашений о разделении прибыли и затрат с результатами по всем направлениям, от контрольных точек графика до готовности к монтажу. Эти модели распределяют риски, согласовывают поощрения и предоставляют заказчикам больший контроль над жизненным циклом проекта.

Структурирование контрактов должно отражать реальную сложность. Чтобы контракты учитывали реальную сложность, компании, работающие в сфере естественных наук, могут заранее согласовывать условия эскалации, буферные периоды и прогнозы производительности. Команды также могут привлекать коммерчески компетентных представителей собственников, то есть специалистов, которые могут согласовывать структуру производительности, управлять рисками претензий и обеспечивать соответствие поставщиков наиболее эффективному графику.

Компании, внедряющие стратегические подходы к закупкам, добились сокращения времени цикла закупок на 20%, а также большей определенности затрат за счет сокращения количества претензий и изменений заказов.

3. Повышение готовности CQV

Чтобы выпускать безопасную, высококачественную и соответствующую требованиям продукцию, организациям необходимо интегрировать надежную систему непрерывного контроля качества (CQV - commissioning, qualification, and validation) в рабочий процесс. При правильном внедрении CQV может ускорить вывод продукции на рынок, повышая рентабельность инвестиций. Существует несколько способов своевременного предоставления CQV высокого качества.

Интегрируйте стратегию CQV на начальном этапе строительства. CQV часто реализуется отдельно от остального проекта, что приводит к задержкам, которых можно было бы избежать. Стратегия CQV на начальном этапе позволяет избежать этих узких мест и может ускорить процесс строительства, не нарушая при этом соблюдение требований или сроки выпуска продукции.

Сделайте CQV рабочим процессом критического пути с самого начала. Чтобы ускорить реализацию проекта, компании в области естественных наук могут назначить руководителя CQV на начальном этапе, чтобы обеспечить интеграцию логики валидации в систему управления проектами (IMS) наряду с проектированием и закупками. Команды согласовывают спецификации требований пользователей на ранних этапах, тесно взаимодействуют с инженерами-технологами и структурируют результаты для обеспечения готовности к квалификации с самого начала.

Используйте модульные, предварительно проверенные системы для ускорения работ. Чтобы ещё больше сократить сроки, передовые команды внедряют предварительно проверенные системы, смонтированные на раме и доставляемые на место после завершения значительной части пусконаладочных работ и испытаний. По возможности, заводские и приёмочные испытания проводятся вне площадки в контролируемых условиях, что позволяет командам тестировать оборудование отдельно от процесса строительства и снижать риски при запуске.

Используйте цифровые инструменты и валидацию на основе оценки рисков. Платформы цифровой валидации — цифровые инструменты для управления и автоматизации выполнения протоколов, отслеживания отклонений и интеграции систем управления качеством и систем управления лабораторной информацией — добавляют ещё один уровень скорости и контроля. В сочетании с подходами к валидации на основе оценки рисков эти инструменты помогают сосредоточить ресурсы на критически важных системах, сократить раздувание протоколов и ускорить выпуск партий.

Компании, которые интегрируют CQV с самого начала, могут ускорить запуск на три-шесть месяцев, а также улучшить соблюдение требований и качество документации.

4. Создание институциональных возможностей доставки и стратегий развития талантов

Правильный подбор кадров и внутренние ресурсы могут обеспечить более эффективное, быстрое и устойчивое производство. Организации могут предпринять ряд мер для создания внутренних команд экспертов и развития навыков управления процессом поставки.

Институционализация контроля и повторяемости. Мы наблюдали, как ведущие организации используют другой подход, используя управление проектированием, закупками и строительством для обеспечения краткосрочного выполнения заказов, в то время как компании наращивают свои институциональные возможности для достижения повторяемости и высокой ценности поставок.

Создание центра передового опыта по капитальным проектам (ЦПО по капитальным проектам). Для реализации этого перехода организации создают ЦПО по капитальным проектам – специализированные подразделения, которые систематизируют передовой опыт, оказывают экспертную поддержку проектам и обеспечивают соблюдение стандартов управления по всему портфелю. ЦПО по капитальным проектам объединяет ключевые должности, такие как инженеры, планировщики, специалисты по стратегии контрактов и эксперты по контролю, и гибко распределяет их между проектами.

Стандартизируйте выполнение с помощью планов действий. Для обеспечения согласованности и скорости центры капиталовложений разрабатывают стандартизированные планы действий, охватывающие этапы, модели заключения контрактов, протоколы планирования и рабочие процессы CQV.

Реализация проекта с помощью цифровых инструментов. Цифровые инструменты критически важны для институционализации процесса поставки. Платформы управления проектами централизуют данные о затратах, сроках и рисках; панели управления капиталом обеспечивают прозрачность в режиме реального времени; системы валидации обеспечивают быстрое соблюдение требований; а структурированные программы обучения помогают сформировать внутренние команды, обладающие навыками эффективного планирования, ведения переговоров и управления капиталом.

Компании, которые создали сильные внутренние команды по доставке, сообщают о меньшем количестве задержек, более быстром вводе в эксплуатацию новых объектов и увеличении производительности капитальных проектов по всему портфелю на 15–30 процентов.

Превосходство в производстве специализированной химической продукции: пример из практики

Компании, работающие в сфере естественных наук и производства специализированной химии, могут производить разную продукцию, но их капитальные проекты сталкиваются с похожими реалиями: многомиллиардные объекты, строгий экологический контроль и огромные риски при реализации. Один производитель специализированной химии добился стабильности и надежности поставок благодаря нескольким подходам.

Модульная и точная конструкция. Этот производитель точно скопировал заводские макеты, сократил циклы проектирования и минимизировал риски при вводе в эксплуатацию. Компании, работающие в сфере естественных наук, могут использовать этот подход, стандартизируя модули для чистых помещений, повторно используя валидационные пакеты и предварительно интегрируя модули для сокращения сроков ввода в эксплуатацию, квалификации и валидации (CQV). Компании, внедряющие эти подходы, могут сократить общее время проектирования и ввода в эксплуатацию на 15–25%.

Реализация проекта под руководством владельца. Эта компания укомплектовала свою команду по управлению капиталом штатными инженерами, планировщиками и контролерами затрат, а инженеры, специалисты по закупкам и управлению строительством поддерживали этот процесс. Компании из сферы естественных наук могли бы последовать этому примеру, создав центры передового опыта по управлению капиталом, внедрив критически важные роли и взяв на себя непосредственное управление проектами. Было показано, что модели, основанные на руководстве владельца, сокращают объемы заказов на изменение на 30–40% и повышают скорость принятия решений.

Ранняя привязка к поставщику. В рамках этого проекта производитель заранее обеспечил поставку инструментов с длительным сроком поставки и связал её с графиками времени такта. Аналогичным образом, компании, работающие в сфере естественных наук, должны фиксировать информацию об оборудовании к концу этапа проектирования и согласовывать этапы заводских и площадочных приёмочных испытаний с графиком проекта. Организации, практикующие раннюю привязку к поставщику, могут сократить сроки поставки до 20%.

Цифровое моделирование. Производитель смоделировал пропускную способность, поток материалов и узкие места процесса ещё до начала строительства. В области естественных наук можно использовать ту же логику, используя цифровых двойников процессов для проверки планировки, зонирования и продолжительности цикла задолго до CQV. Цифровое моделирование позволяет сэкономить до 10% времени запуска за счёт сокращения доработок при вводе в эксплуатацию и оптимизации планировки.

Планирование на основе такта. В этом проекте планирование на основе такта использовалось для разбиения проектов по производству микросхем на фиксированные рабочие этапы, которые отслеживались ежедневно для быстрого выявления и устранения любых задержек. Команды, работающие в области естественных наук, могут применять этот подход для оптимизации запуска и проверки энергосистем.

Даже с учётом сложности капитала этот пример показывает, что инвестиционные проекты позволяют создавать продукты с большей скоростью, контролем и точностью. Внедрив ту же дисциплину, компании в сфере естественных наук могут добиться значительного повышения эффективности капитала.

Источник

Необходимость ускоренного вывода на рынок для обеспечения капитала в области естественных наук. 4 августа 2025 г. Эрикхан Кок, Параг Патель, Петр Пикул , Тейси Фостер, Адам Кузмик.

Авторы хотели бы поблагодарить Фредерика Редмонда и Ранджану Чандрамули за их вклад в эту статью.

The speed-to-market imperative for life sciences capital delivery.
https://www.mckinsey.com/industries/life-sciences/our-insights/the-speed-to-market-imperative-for-life-sciences-capital-delivery

Агентский искусственный интеллект

Агентская трансформация предприятия обещает непревзойденную производительность. Хотя некоторые компании уже добились первых успехов в этой сфере, многим другим сложно оценить отдачу от своих инвестиций. В некоторых случаях они даже сокращают штат, повторно нанимая сотрудников, которым не помогли агенты. Эти ошибки — естественный процесс развития любой новой технологии.

Агентный ИИ — это система, основанная на фундаментальных моделях искусственного интеллекта, которая может действовать в реальном мире и выполнять многоэтапные процессы. Агенты ИИ могут автоматизировать и выполнять сложные задачи, часто используя обработку естественного языка, которые обычно требуют человеческих усилий.

Достижение бизнес-ценности с помощью агентского ИИ требует изменения рабочих процессов. Однако часто организации слишком сосредотачиваются на агенте или инструменте агента. Это неизбежно приводит к появлению привлекательных на вид агентов, которые фактически не улучшают общий рабочий процесс, что приводит к неудовлетворительной ценности.

Усилия в области агентного ИИ, направленные на фундаментальное переосмысление всех рабочих процессов, то есть этапов, в которых задействованы люди, процессы и технологии, с большей вероятностью приведут к положительному результату. Понимание того, как агенты могут помочь на каждом из этих этапов, — это путь к достижению ценности. Люди по-прежнему будут играть центральную роль в выполнении работы, но теперь им будут помогать другие агенты, инструменты и средства автоматизации.

Важной отправной точкой в ​​перестройке рабочих процессов является картирование процессов и выявление ключевых болевых точек пользователей. Этот шаг критически важен для проектирования агентных систем, которые сокращают ненужную работу и позволяют агентам и сотрудникам взаимодействовать и достигать бизнес-целей более эффективно и результативно. Такое взаимодействие может осуществляться посредством циклов обучения и механизмов обратной связи, создавая самоусиливающуюся систему. Чем чаще используются агенты, тем они становятся умнее и согласованнее.

Агенты не всегда являются решением

Агенты ИИ могут многое, но их не обязательно использовать для всего. Слишком часто руководители недостаточно внимательно изучают необходимую работу и не задумываются, будет ли агент лучшим выбором для её выполнения.

Чтобы избежать ненужных инвестиций или нежелательного усложнения, руководители компаний могут подходить к роли агентов так же, как они подходят к оценке сотрудников для высокоэффективной команды. Ключевой вопрос, который следует задать: «Какую работу предстоит выполнить и каковы относительные таланты каждого потенциального члена команды — или агента — для совместной работы над достижением этих целей?» Бизнес-задачи часто можно решить с помощью более простых подходов к автоматизации, таких как автоматизация на основе правил, предиктивная аналитика или подсказки на основе больших языковых моделей (LLM), которые могут быть более надёжными, чем готовые агенты.

Прежде чем прибегать к агентскому решению, руководители бизнеса должны оценить требования задачи. На практике это означает чёткое понимание того, насколько стандартизированным должен быть процесс, какую степень вариативности он должен выдерживать и какие задачи лучше всего подходят агентам.

С одной стороны, эти проблемы очевидны. Например, рабочие процессы с низкой дисперсией и высокой степенью стандартизации, такие как привлечение инвесторов или раскрытие информации регулирующим органам, как правило, строго регламентированы и следуют предсказуемой логике. В таких случаях агенты, основанные на недетерминированных LLM, могут добавить больше сложности и неопределенности, чем ценности.

Напротив, высоковариантные и слабостандартизированные рабочие процессы могли бы значительно выиграть от использования агентов. Например, в компании, предоставляющей финансовые услуги, агенты были задействованы для извлечения сложной финансовой информации, что сократило объём необходимой человеческой проверки и оптимизировало рабочие процессы. Эти задачи требовали агрегации информации, проверки достоверности данных и анализа соответствия требованиям — задач, в которых агенты могут быть эффективны.

Важно помнить, что не следует попадать в ловушку бинарного мышления «есть агент/нет агента». Некоторые агенты хорошо справляются с определёнными задачами, другие помогают людям лучше выполнять свою работу, и во многих случаях могут быть более подходящими разные технологии. Ключ к успеху — понять, какой инструмент или агент лучше всего подходит для конкретной задачи, как люди могут работать с ними наиболее эффективно и как следует комбинировать агентов и сотрудников для достижения максимальной отдачи. Секрет успеха заключается в том, насколько хорошо люди, агенты и инструменты взаимодействуют друг с другом.

Общие правила при выборе инструментов ИИ

При выборе инструмента ИИ для различных задач вам могут пригодиться следующие рекомендации:

• Если задача основана на правилах и повторяется, со структурированным вводом (например, вводом данных), используйте автоматизацию на основе правил.
• Если входные данные неструктурированы (например, объемные документы), но задача все еще требует извлечения или генерации данных, используйте искусственный интеллект, обработку естественного языка или предиктивную аналитику.
• Если задача подразумевает классификацию или прогнозирование на основе прошлых данных, используйте предиктивную аналитику или искусственный интеллект.
• Если вывод требует синтеза, суждения или творческой интерпретации, используйте искусственный интеллект.
• Если задача подразумевает многоэтапное принятие решений и имеет длинный «шлейф» крайне изменчивых входных данных и контекстов, используйте агентов ИИ.

Одна из самых распространённых проблем, с которой сталкиваются команды при внедрении ИИ-агентов, — это агентские системы, которые выглядят впечатляюще в демонстрационных версиях, но вызывают разочарование у пользователей, которые фактически выполняют эту работу. Пользователи часто жалуются на «недобросовестность ИИ» или низкое качество результатов. Пользователи быстро теряют доверие к агентам, и уровень их внедрения низок. Любой выигрыш в эффективности, достигнутый за счёт автоматизации, может быть легко сведён на нет потерей доверия или снижением качества.

Из этой повторяющейся проблемы выстраданным уроком стало то, что компаниям следует активно инвестировать в развитие агентов, так же, как они инвестируют в развитие сотрудников. Как сказал нам один из руководителей компаний: «Адаптация агентов больше похожа на найм нового сотрудника, чем на внедрение программного обеспечения». Агентам следует предоставить чёткие должностные инструкции, провести адаптацию и постоянно получать обратную связь, чтобы они становились эффективнее и постоянно совершенствовались.

Разработка эффективных агентов — сложная задача, требующая привлечения индивидуальных экспертов для создания оценок (или «оценок») и систематизации передового опыта с достаточной степенью детализации для конкретных задач. Эта систематизация служит одновременно и учебным пособием, и тестом производительности для агента, гарантируя его соответствие ожиданиям.

Эти практики могут существовать в виде стандартных рабочих процедур или неявного знания в головах людей. При систематизации практик важно сосредоточиться на том, что отличает лучших специалистов от остальных. Для торговых представителей это может включать в себя то, как они ведут беседу, справляются с возражениями и подстраиваются под стиль клиента.

Типы оценки

Вот некоторые типичные оценки, используемые для оценки эффективности работы агента:

• Показатель успешности выполнения задач (от начала до конца). Показатель успешности выполнения задач измеряет процент рабочих процессов, выполненных правильно без эскалации или вмешательства человека, отражая реальную полезность.
• Оценка F1/точность и полнота. Эта метрика балансирует ложноположительные и ложноотрицательные результаты, что делает её полезной для задач классификации, извлечения и точности решений, где существует чёткий измеримый результат (то есть «да» или «нет»).
• Точность поиска. Точность поиска — это процентное соотношение верных документов, фактов или доказательств, полученных относительно исходного набора данных, что критически важно для рабочих процессов, дополненных поиском.
• Семантическое сходство. Семантическое сходство измеряется с помощью косинусного сходства, основанного на встраивании, между сгенерированным и эталонным выводами, что позволяет оценить соответствие значений, выходящее за рамки точного совпадения слов.
• LLM как судья. Использование большой языковой модели (LLM) в качестве судьи подразумевает оценку результатов на основе эталонных стандартов или человеческих предпочтений. Эта метрика хорошо масштабируется для субъективных суждений, таких как ясность, полезность и обоснованность рассуждений.
• Обнаружение предвзятости (с помощью матриц несоответствия). Обнаружение предвзятости измеряет систематические различия в результатах между группами пользователей с помощью матриц несоответствия, которые выявляют места проявления предвзятости (например, ложноотрицательные результаты, непропорционально влияющие на одну группу).
• Частота галлюцинаций. Эта метрика отслеживает частоту фактически неверных или неподтверждённых заявлений, обеспечивая достоверность информации, полученной от агента.
• Ошибка калибровки (уверенность против точности). Ошибка калибровки показывает, соответствуют ли оценки уверенности агента фактической корректности, что важно для рабочих процессов, чувствительных к риску.

Крайне важно, чтобы эксперты оставались вовлеченными в процесс тестирования эффективности агентов с течением времени; в этой области не может быть принципа «запустил и ушёл». Такая приверженность оценке требует, например, от экспертов буквально записывать или маркировать желаемые (и, возможно, нежелательные) результаты для заданных входных данных, которые иногда могут исчисляться тысячами для более сложных агентов. Таким образом, команды могут оценить, насколько агент был верен или неверен, и внести необходимые исправления.

Упростите отслеживание и проверку каждого шага

При работе всего с несколькими ИИ-агентами анализ их работы и выявление ошибок может быть довольно простым. Но когда компании внедряют сотни, а то и тысячи агентов, задача становится сложной. Проблема усугубляется тем, что многие компании отслеживают только результаты. Поэтому, когда происходит ошибка (а ошибки будут всегда по мере масштабирования агентов компаниями), сложно определить, что именно пошло не так.

Эффективность работы агентов должна проверяться на каждом этапе рабочего процесса. Интеграция мониторинга и оценки в рабочий процесс позволит командам выявлять ошибки на ранних этапах, совершенствовать логику и постоянно повышать эффективность, даже после развертывания агентов.

Например, в одном из рабочих процессов проверки документов команда продукта поставщика услуг альтернативного разрешения споров заметила внезапное падение точности, когда система столкнулась с новым набором дел. Но поскольку агентский рабочий процесс был построен с использованием инструментов наблюдения для отслеживания каждого этапа процесса, команда быстро выявила проблему: некоторые сегменты пользователей предоставляли данные низкого качества, что приводило к некорректной интерпретации и неэффективным рекомендациям на последующих этапах. Благодаря этому пониманию команда улучшила методы сбора данных, предоставила рекомендации по форматированию документов заинтересованным сторонам на более высоком уровне и скорректировала логику анализа системы. Производительность агентов быстро восстановилась.

Лучший вариант использования — это вариант повторного использования.

Стремясь к прогрессу в области агентного ИИ, компании часто создают уникального агента для каждой поставленной задачи. Это может привести к значительной избыточности и потерям, поскольку один и тот же агент часто может выполнять разные задачи, выполняя многие из одинаковых действий (например, прием, извлечение, поиск и анализ).

Решение о том, сколько инвестировать в создание многоразовых агентов (по сравнению с агентом, выполняющим одну конкретную задачу), аналогично классической задаче ИТ-архитектуры, когда компаниям необходимо быстро создавать решения, не ограничивая будущие возможности. Достижение такого баланса часто требует тщательного анализа и суждений.

Хорошей отправной точкой будет выявление повторяющихся задач. Компании могут разрабатывать агенты и компоненты агентов, которые можно легко использовать повторно в различных рабочих процессах, и упрощать разработчикам доступ к ним. Это включает в себя разработку централизованного набора проверенных сервисов (например, наблюдаемость LLM или предварительно одобренные подсказки) и ресурсов (например, шаблонов приложений, повторно используемого кода и учебных материалов), которые легко найти и использовать. Интеграция этих возможностей на единой платформе имеет решающее значение. По нашему опыту, это помогает практически исключить от 30 до 50 процентов несущественной работы, которая обычно требуется.

Люди остаются важными, но их роли и численность изменятся

По мере того, как число агентов искусственного интеллекта продолжает расти, вопрос о том, какую роль будут играть люди, вызывает серьёзную тревогу: с одной стороны, о гарантиях занятости, с другой — о высоких ожиданиях роста производительности. Это привело к радикальному расхождению взглядов на роль человека во многих современных профессиях.

Для ясности: агенты смогут многое сделать, но люди останутся неотъемлемой частью уравнения рабочей силы, даже несмотря на то, что характер работы, выполняемой как агентами, так и людьми, со временем изменится. Людям потребуется, например, контролировать точность моделей, обеспечивать соответствие требованиям, применять здравый смысл и обрабатывать пограничные случаи. Как мы уже обсуждали, агенты не всегда будут лучшим решением, поэтому потребуются специалисты, работающие с другими инструментами, такими как модели машинного обучения. Однако количество сотрудников, работающих в конкретном рабочем процессе, вероятно, изменится и зачастую сократится после его трансформации с использованием агентов. Руководителям компаний критически важно будет управлять этими переходами, как и любой другой программой изменений, и продуманно распределять работу, необходимую для обучения и оценки агентов.

Ещё один важный урок заключается в том, что компаниям следует целенаправленно перестраивать работу, чтобы люди и агенты могли эффективно взаимодействовать. Без этого даже самые продвинутые агентские программы рискуют столкнуться с тихими сбоями, усугубить ошибки и отказать пользователям.

Источник

Один год агентного ИИ: шесть уроков от людей, выполняющих эту работу. 12 сентября 2025 г. Статья. Ларейна Йи, Майкл Чуй, Роджер Робертс с Стивен Сюй.

One year of agentic AI: Six lessons from the people doing the work. September 12, 2025. By Lareina Yee, Michael Chui, and Roger Roberts with Stephen Xu.

https://www.mckinsey.com/capabilities/quantumblack/our-insights/one-year-of-agentic-ai-six-lessons-from-the-people-doing-the-work

* * * 

Внимание, интернет-магазины! Покупатели-боты скоро всё изменят.

Эван Шуман

12 августа 2025 г.

В ближайшие пару лет роботы-покупатели, вероятно, начнут заменять покупателей-людей. И это заставит ритейлеров изменить тактику продаж, чтобы добиться успеха.

Автономные боты, выступающие в роли виртуальных покупателей для потребителей и предприятий, скорее всего, станут обычным явлением в течение ближайших двух-трех лет, но интернет-магазины пока далеки от готовности к грядущим переменам.

Появление ботов-покупателей приведёт к изменению розничных продаж на всех этапах процесса покупки: от демонстрации товаров до их продвижения, ценообразования и продажи. И даже когда онлайн-площадки будут оптимизированы для всех этих цифровых покупателей, неприятные проблемы почти наверняка возникнут.

Подумайте об этом так: учитывая, что боты-покупатели, вероятно, представляют собой большое количество клиентов за один поход по магазинам, как будут работать возвраты? Многие ритейлеры сегодня ограничивают количество возвратов, которые может сделать один покупатель, чтобы предотвратить мошенничество, называемое «аренда» или «гардеробининг». 

Если, например, лимит магазина составляет 20 возвратов в течение шести месяцев, что произойдёт, если бот представляет 18 000 покупателей? Кстати, как насчёт баллов лояльности, которые часто используются для стимулирования продаж и привлечения клиентов? Сохранятся ли эти баллы у бота (то есть они действительно перейдут к владельцу бота, например, OpenAI, Microsoft, AWS, Google или Anthropic)? Или они будут начисляться покупателям-людям пропорционально совершённым покупкам? Или куда-то ещё?

На некоторые из этих проблем, вызванных ботами, нет однозначного ответа. Боты — это программное обеспечение, а их клиенты — люди. Каждый из них будет совершать покупки, используя свой набор параметров. Есть некоторые элементы шопинга, которые ботов совершенно не интересуют, например, красивые фотографии высокого разрешения и эффектные маркетинговые тексты, восхваляющие роскошный образ жизни, демонстрируемый каждой конкретной покупкой.

Но клиенты-люди могут действительно интересоваться этими элементами. Игнорирует ли бот эти элементы при покупке, а затем загружает их после покупки, чтобы поделиться с клиентом-человеком?

Как вообще работает автономный покупатель-бот? Совершает ли он покупку самостоятельно и просто сообщает клиенту: «Купили нужные вам обувь и холодильник. Они должны прибыть во вторник»? Или же он предоставляет небольшой список рекомендуемых покупок, позволяя человеку принять решение (и завершить) покупку? 

Вот ключевой вопрос электронной коммерции, лежащий в основе этих сценариев: будут ли ритейлеры поощрять ботов посещать их обычные сайты и надеяться на лучшее? Или же ритейлерам придётся создавать специальные версии своих интернет-магазинов, оптимизированные для ботов и обеспечивающие максимальную эффективность для ИИ-агентов? Приведёт ли это к настоящему взаимодействию ботов — без участия людей?

Работаешь на меня или на себя?

Раньше турагентства работали бесплатно, получая деньги от различных отелей, ресторанов, авиакомпаний и компаний по прокату автомобилей. Это часто заставляло путешественников задуматься, продвигает ли турагент определённый отель или турпакет из-за лучшего соотношения цены и качества или же из-за комиссионных?

Это подводит нас к самому сложному вопросу, связанному с торговыми ботами: доверию. Будут ли покупатели-люди задаваться вопросом, совершает ли бот покупки ради выгоды покупателя или ради выгоды владельца бота? 

Источник

https://www.computerworld.com/article/4037756/attention-online-retailers-bot-shoppers-are-about-to-change-everything.html

Attention online retailers! Bot shoppers are about to change everything. by Evan Schuman. Aug 12, 2025

О невычислимой функции

Что такое невычислимая функция и как она говорит нам о границах познания?

Интуитивно хочется верить, что любую функцию можно запрограммировать — дать ей вход, дождаться ответа. Но в реальности существует класс функций, которые нельзя вычислить никаким алгоритмом. Вообще. Даже если дать бесконечно много времени.

Типичный пример — функция Busy Beaver, но она растёт столь стремительно, что кажется далёкой от жизни. Гораздо интереснее функция, поведение которой можно себе представить — медленно растущая и при этом невычислимая. Её мы и разберём.

Представим: дана задача — напечатать число n. Самый примитивный способ — print(n). Но если число огромное, можно схитрить, использовать циклы или свойства числа. Например:

print(1);
for i := 1 to 1000000 do print(0)

Эта программа короче, чем если бы мы вручную вписали миллион нулей. Получается, одно и то же число можно напечатать программами разной длины.

Возникает естественный вопрос: какая самая короткая программа, которая печатает заданное число n? Обозначим длину этой программы через f(n).

И вот ключ: функция f(n) — невычислима. То есть невозможно написать программу, которая по числу n вычислит f(n).

Почему?

Допустим, мы смогли бы её вычислить. Тогда можно написать программу, которая находит наименьшее число, которое нельзя напечатать программой короче m символов. Такая программа существует — ведь программ ограниченной длины конечное количество, а чисел бесконечно много.

Теперь добавим к этой программе ещё немного кода — скажем, 100 символов — и попросим её напечатать g(K+100) — то самое "непечатаемое" число. Программа длиной меньше K+100 напечатала число, которое не должна была уметь напечатать. Противоречие. Значит, наша исходная гипотеза — о вычислимости f(n) — ложна.

Этот аргумент перекликается с парадоксом Берри: "наименьшее число, которое нельзя описать менее чем двадцатью словами" — а ведь сама фраза состоит из меньше чем двадцати слов.

Функция f(n) медленно растёт. Прямое распечатывание числа даёт простой, но не оптимальный вариант. Иногда кто-то найдёт программу, которая делает это короче. Но можем ли мы быть уверены, что нет ещё более короткой? Возможно, какая-то программа длиной в 800 символов уже запущена, мы видим её код, но не знаем, остановится ли она. Если бы мы могли это предсказать — мы бы могли вычислять f(n). Но мы не можем. И в этом — краеугольный камень всей теории алгоритмов.

Из этого следует, что проблема остановки — тоже неразрешима. То есть мы не можем всегда сказать, остановится ли программа или будет работать вечно.

Этот результат говорит не просто о математике. Он говорит о границах, за которые не может пройти даже идеальная машина. Даже если мы точно знаем её алгоритм. Мы можем наблюдать за работой программы, видеть её шаги, понимать логику, но не знать финала.

Это не просто абстракция. Это метафора ограниченности любого интеллекта — человеческого или машинного. Мы можем быть свидетелями текста, но никогда не поймём всех его возможных значений.

Из телеграмма канала "Математика не для всех".

Метод стратегии: переход от стремления к действию

Разрыв в прибылях у компаний:





Колин С. Грей описал функцию стратегии как моста от цели к действию. Эффективные стратегии не просто определяют курс; они гарантируют достижение компанией своей цели, согласуя её с наиболее важными целями. Метод стратегии McKensey  выделяет 12 основных элементов, лежащих в основе разработки, мобилизации и реализации стратегии (см. рисунок).




Эти элементы обнаруживаются в успешных стратегических проектах, от трансформаций до запуска новых бизнесов, представляют собой не линейный путь, а, скорее, язык, помогающий руководителям бизнеса гарантировать, что их стратегии не превратятся в поверхностные упражнения.

Фаза проектирования

Фаза проектирования подразумевает принятие последовательного набора смелых шагов по созданию ценности в условиях неопределенного будущего:

• Согласование стратегических задач. Определите основные задачи, стремления и критические тенденции.
• Оценка бизнеса через пять призм. Изучите организацию и ее среду с точки зрения факторов финансовой эффективности, возможностей, конкурентных преимуществ, динамики рынка и внерыночных факторов.
• Изучение крупных шагов, создающих стоимость. Систематически рассматривайте стратегические варианты формирования портфеля и его эффективности.
• Приверженность смелой стратегии. Достижение соглашения с руководством о четком пути вперед, подкрепленном убедительным повествованием о создании ценности.

Фаза мобилизации

Фаза мобилизации преобразует стратегический выбор в организационную готовность с операционной моделью и подходом, адаптированными к стратегии:

• Расширение прав и возможностей, вовлечение и управление. Передайте ответственность за стратегические решения ключевым лидерам и обеспечьте управление, соответствующее поставленным задачам.
• Перевод стратегии в конкретные инициативы. Разбейте стратегический план на конкретные инициативы.
• Перераспределение ресурсов в пользу стратегии. Перенаправьте финансирование, таланты и внимание на инициативы, соответствующие стратегии, и прекратите работу над нестратегическими проектами.
• Внедрение стратегии в планы и бюджет. Убедитесь, что организационные структуры, процессы и финансовые планы поддерживают стратегию.

Фаза исполнения

На этапе исполнения план приводится в действие, помогая компании достичь и поддерживать более высокий уровень производительности и конкурентоспособности:

• Ускорение темпов реализации. Активизируйте ранний прогресс в реализации приоритетных инициатив для создания движущей силы.
• Повышение и поддержание эффективности. Активно управляйте эффективностью, устраняйте препятствия и обеспечивайте достижение результатов.
• Проверка предположений и адаптация. Постоянно следите за окружающей средой и стратегическими предположениями и адаптируйтесь по мере необходимости.
• Запуск новой S-образной кривой. Выявите и используйте новые возможности для стимулирования следующей волны роста.

Метод стратегии особенно полезен в трёх отношениях. Во-первых, он позволяет понять, где и почему стратегия успешна или терпит неудачу, что помогает расставить приоритеты в инвестициях для улучшения разработки и реализации стратегии. Во-вторых, сопоставляя свои действия с основными элементами, можно гарантировать, что концентрируетесь на наиболее важных аспектах работы над стратегией. Наконец, делая мобилизацию ключевым фактором успеха стратегии, метод стратегии помогает связать амбициозные намерения с ощутимыми результатами, гарантируя, что стратегия не только выдержит столкновение с реальностью, но и фактически её формирует.

Диаграмма внимания к элемента стратегии со стороны ведущих компаний:




Источник.

https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/how-strategy-champions-win

ИИ в математике и кино

Действительно ли GPT-5 способен открывать новую математику

20 августа Себастьян Бубек заявил, что GPT-5 Pro за считанные минуты решил открытую задачу в области выпуклой оптимизации (наш пост об этом). Новость разлетелась мгновенно, но позже некоторые эксперты настаивали, что бот просто использовал известную теорему Нестерова, и результат не такой уж и удивительный.

Бубек – сотрудник OpenAI. Так что в глазах большинства его пост все равно выглядел как маркетинг.

И все-таки внимание специалистов это привлекло. Сегодня вот вышла очень яркая статья, в которой три исследователя из Люксембурга решили проверить, на что GPT-5 способен в статистике. Это уже интереснее, чем посты инженеров OpenAI в твиттере, потому что тут исследование (а) независимо и (б) проводится непосредственно экспертами области.

Они дали ему задачу, связанную с методом Мальявена–Стейна. Этот метод используется для доказательства центральных предельных теорем. До сих пор существовал только качественный результат: было известно, что некая последовательность случайных величин сходится к нормальному распределению, но никто не знал скорость этой сходимости.

Задача GPT-5 была вывести эту скорость, то есть получить количественный результат.

GPT-5 справился: он предложил и доказал новую теорему, которую никогда ранее не публиковали.

Если кому интересно: для суммы двух случайных величин из разных «хаосов» модель вывела, что расстояние до нормального распределения можно оценить через четвёртый кумулянт. А именно, чем меньше четвёртый кумулянт, тем ближе распределение Z к нормальному.

Но есть нюансы:

– На первых шагах GPT-5 допустил грубую ошибку в вычислениях и исправил ее только после наводки людей.
– В пуассоновском случае он не заметил ключевого свойства, пока авторы прямо не указали, где его найти.

Так что итоговый результат это результат серии уточняющих вопросов и проверок, а не one-shot.

Мораль: да, прогресс по сравнению с GPT-3.5/4 и даже серией o впечатляющий. Но GPT-5 все еще как начинавший аспирант. Он может генерировать правильные доказательства и идеи, если его направлять.

Но без человека легко допускает опасные ошибки и не находит ключевых идей самостоятельно. Плюс, на данном этапе его идеи – лишь комбинации уже существующих.

Так что по поводу «новой» математики пока все-таки мимо. Но вот по поводу помощи ученым – уже да.

arxiv.org/abs/2509.03065v1

* * *

Уже в 2026 году на Каннском фестивале будут показывать полностью сгенерированный мультик

Его снимает никто иной, как OpenAI.

Бюджет всей картины – менее 30 миллионов долларов. Это в разы меньше, чем обычно требуют мультипликационные съемки, причем основная часть суммы уйдет на художников (они будут отрисовывать образы персонажей) и актеров озвучки.

После Каннов – а они уже в мае, осталось то всего ничего – мультфильм обещают выпустить в прокат. Кстати, название довольно милое: Critterz, то есть Зверята.

Математическая травма

Математическая травма -- термин становится все более популярным. Особенно активна на модной теме Дженнифер Рюф из Орегонского университета. Вот одна из её статей: https://theconversation.com/think-youre-bad-at-math-you-may-suffer-from-math-trauma-104209


Рюф утверждает: явление не сводится к способностям учеников и эффективности преподавания -- оно носит характер своеобразной психологической травмы, похожей на полученную в детстве или в катастрофе.


Математически травмированный человек испытывает всепоглощающий страх перед формулами и задачами, он впадает в ступор или страшное волнение от одного их вида, панически опасаясь сказать что-то неправильное. Когда-то раньше он попал впросак и с тех пор боится. Ровно так же переживший землетрясение человек пугается, услышав отбойный молоток, и может даже разрыдаться.


Но возникает другой вопрос: а почему не травмируются психологически футбольные болельщики? Они заведомо плохо разбираются в предмете, постоянно ошибаются в оценках и прогнозах, однако не испытывают по этому поводу никаких тревог. Пролетев сегодня с одним прогнозом, они назавтра с таким же жаром будут спорить о другом.


Также никто не отмечает политических или искусствоведческих травм. Разве что встречается психологический барьер при изучении иностранного языка, когда нужно говорить, и тоже возникает страх ошибки. Но все же не такой как перед формулами. Почему так?


Вероятно, дело именно в том, что можно спорить. На это указывают турецкие исследователи в своей работе "Как избежать математической травмы" (http://users.math.uoc.gr/~ictm2/Proceedings/pap132.pdf ) . 

О футболе, литературе или кино можно и нужно спорить, здесь не бывает единого мнения, поэтому люди раскрепощаются и спокойно дискутируют. В языках действуют уже довольно жесткие правила грамматики, хотя некий зазор имеется. В математике же все точно -- ты либо понимаешь формулу или теорему, либо нет; либо ты решил задачу, либо нет. Спорить не о чем. И вот это страшит и порождает комплексы.


Как бороться? Предлагается устраивать мероприятия с введением неоднозначности, когда есть что обсудить. Например, преподавать математику через её историю или рассказы об учёных, через их личную жизнь и преодоление себя. Можно устраивать спектакли и музыкальные шоу. А собственно математика ко всем этим мероприятиям прилагается как бы в нагрузку. Дескать, чтобы понять, почему ученый поступил так, а не иначе, нужно врубиться в ту или иную теорему.

Летопись цифровизации

Технологические прорывные достижения в цифровизации.

• 1975-1990. Персональные компьютеры.
• Apple: Разработаны массовые рыночные персональные компьютеры.
• Intel: Разработан х86 микропроцессор.
• Microsoft: лицензирована ОС MS-DOS для OEM,
• 1990-2000: Internet, dot-com.
• Amazon: Поворот от онлайн магазина к e-commerce маркетплейсу.
• Google: Разработан платформы для рекламы - AdWord.
• Microsoft: Интеграция Internet Explorer с ОС Windows.
• 2000-2010: Социальные медиа.
• Facebook (Meta): Пионерская социальная сеть. Позже приобретены Instagram (2012) и WhatsApp (2014).
• Google: Выпущена платформа для рекламы - AdSence.
• Twitter (X): Выпущена платформа опубликования коротких сообщений в реальном масштабе времени.
• YouTube: Демократизация распространения видео и потокового вещания. Продана Google (2006).
• 2005-2010: Мобильные вычислительные услуги.
• Apple: Выпуск iPhone. Разработка App Store.
• Google: Реализован Android как open-source, ОС для мобильных устройств.
• Samsung: Попытка глобальной экспансии Galaxy с использованием Android и инвестированием в технологию дисплея - активную матрицу органических светодиодных диодов (AMOLDED).
• Облачные вычисления.
• Amazon: Пионерские, масштабируемые по запросу, облачные сервисы вычислений.
• Microsoft: Разработка и распространение Azure с помощью партнерств и глобальных дата-центров.
• 2010-2020: Программное обеспечение как услуга (SaaS).
• Adobe: Миграция флагманских инструментов в облако, превращение одноразовой покупки ПО в постоянные платежи по подписке.
• Salesforce: Распространение портфельных решений SaaS, стратегические приобретения (например, Slack, MuleSoft, Tableau).
• ServiceNow: Пройден путь от менеджмента ИТ-услуг до платформы цифровых операций за счет автоматизации ИТ и рабочих бизенес-процессов.
• 2020-...: Искусственный интеллект (ИИ).
• Amazon: Встраивание genAI, Amazon Web Services, коплекса логистических услуг, охватывающих полный цикл от обработки заказов до выдачи клиенту.
• Google: Реализация ИИ (в частности, приобретение DeepMind в 2014), Gemine и широкое интегрирование в линейку продуктов.
• Microsoft: Реализация ИИ (в частности, OpenAI в 2019), разработка Copilot и интеграция GPT моделей в линейку продуктов.
• NVIDIA: Разработка превосходного GPU, становится ведущим поставщиком hardware для ИИ.
• OpenAI: Разработка большой языковой модели (LLM) c приложениеми для genAI.
• ServiceNow: Создание экосистем агентов ИИ для автоматизации рабочих бизнес-процессов.
• Taiwan Semiconductor Manufactoring: Инвестирование в производство ИИ-оптимизированных полупроводников для доминирования в производстве чипов.

Источник: Рисунок 1 в статье:

Winning through the turns: How smart companies can thrive amid uncertainty. September 3, 2025. By Brendan Gaffey, Ryan Farrell, and Tarek Elmasry with Ninad Kulkarni.

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/winning-through-the-turns-how-smart-companies-can-thrive-amid-uncertainty

Агентский ИИ

Поскольку агентный ИИ начинает оказывать влияние на принятие масштабных решений, прогрессивным организациям необходимо переосмыслить модели управления, доверия и работы — в противном случае они рискуют отстать.

Представьте себе два финансовых учреждения. Первое управляет процессом выдачи кредита с помощью лоскутной автоматизации на уровне задач и предиктивных моделей. Оно использует исторические кредитные рейтинги, жесткие правила андеррайтинга и пакетную обработку для перемещения заявок через ряд последовательных шагов. Хотя некоторые части процесса были оцифрованы, многие решения по-прежнему требуют человеческого вмешательства — будь то из-за обработки исключений, проверок соответствия нормативным требованиям или маркировки рисков. Это приводит к более медленному принятию решений, непоследовательному опыту заявителей и росту операционных расходов по мере роста объемов заявок.

Теперь рассмотрим второе учреждение. Здесь процесс выдачи кредита организован сетью систем агентского ИИ — автономных, мыслящих агентов, способных выполнять и адаптировать целые рабочие процессы от начала до конца. Они не просто выполняют предопределенные рабочие процессы, как это может делать традиционный ИИ, или преобразуют неструктурированные данные в новые идеи или медиа, как это может делать генеративный ИИ. Вместо этого эти агенты принимают данные в режиме реального времени из десятков источников, от макроэкономических показателей и цифрового поведения заявителей до изменений в регулировании и даже анализа настроений, и все это для принятия сложных решений. Они не только оценивают кредитоспособность, но и корректируют ценообразование, рекомендуют оптимальные пакеты продуктов и заранее отмечают аномалии для проверки человеком.

Агентские системы не просто выполняют задачи — они «думают». Они рассуждают, извлекают уроки из результатов и сотрудничают с другими агентами ИИ в таких областях, как обнаружение мошенничества, соответствие требованиям и распределение капитала для постоянной оптимизации производительности. В операциях агенты динамически перераспределяют рабочие нагрузки в колл-центрах, решают запросы клиентов с помощью контекстных и эмоционально интеллектуальных ответов и переходят на более высокий уровень только тогда, когда требуется человеческое суждение. Результат: лучшие решения, более быстрые циклы и значительно более низкие удельные затраты.

Важно, что агенты ИИ выводят на поверхность идеи, которые люди могут упустить. Когда тенденции в показателях кредитования неожиданно расходятся в определенной географии, агент может обнаружить закономерность на ранней стадии, проанализировать потенциальные причины и предложить стратегии смягчения — еще до того, как руководство узнает о проблеме. Другие агенты могут автономно заниматься нормативной отчетностью или стресс-тестированием, высвобождая человеческие таланты для стратегических инноваций.

Последствия глубоки. Агентный ИИ представляет собой не только новый технологический уровень, но и новую операционную модель. И хотя потенциал огромен, таков и риск. Без продуманного управления, прозрачности и подотчетности эти системы могут усилить предвзятость, скрыть подотчетность или спровоцировать сбои в соблюдении требований.

Решение? Относитесь к агентам ИИ как к корпоративным гражданам. Это означает больше, чем просто создание надежной технологии. Это означает переосмысление того, как принимаются решения с точки зрения сквозного подхода. Это означает разработку нового понимания того, какие решения может принимать ИИ. И, что самое важное, это означает создание новых структур управления (и затрат), чтобы гарантировать процветание как агентов ИИ, так и людей.

Агентный ИИ: потенциал и цена входа

Агентный ИИ знаменует собой резкий отход от традиционных систем, построенных на детерминированных архитектурах, основанных на правилах. В прошлом принятие решений на предприятии основывалось на жестко запрограммированной логике и статических рабочих процессах — например, на сценариях обслуживания клиентов, контрольных списках андеррайтинга или триггерах цепочки поставок. Хотя эти подходы полезны в предсказуемых средах, они неэффективны при столкновении с сегодняшними динамичными, объемными и контекстно-богатыми реалиями.

Вместо того, чтобы выполнять фиксированные инструкции, агентские системы действуют скорее как соавторы — рассуждают, адаптируются и обучаются с течением времени. В их основе лежат агенты ИИ: программные сущности, способные воспринимать окружающую среду, принимать автономные решения и предпринимать действия для достижения определенных целей. Агентные системы обычно следуют одной из двух форм:

• Системы с одним агентом, могут независимо выполнять сквозные задачи, такие как рассмотрение кредита, рассмотрение жалоб клиентов или динамическая корректировка уровней запасов на основе входящих сигналов спроса.
• Мультиагентные системы, напротив, работают как децентрализованные сети агентов, которые взаимодействуют и сотрудничают. Например, в контексте финансовых услуг один агент может оценивать кредитоспособность, другой может моделировать подверженность риску, а третий может обеспечивать соблюдение нормативных требований — все они работают вместе, чтобы оптимизировать клиентский путь и управлять компромиссами в реальном времени.

Потенциал агентного ИИ заключается в способности таких систем фундаментально изменять работу организаций. Они могут обеспечить экспоненциальный прирост скорости, масштаба и точности, позволяя компаниям сократить задержку в принятии решений и постоянно улучшать результаты. Представьте себе решения по андеррайтингу, которые можно генерировать за считанные секунды, отчетность о соответствии, которая обновляется в режиме реального времени, или клиентский опыт, который ощущается человеком — со скоростью и стоимостью машины. Короче говоря: более высокая производительность, лучшие решения и более адаптивное предприятие.

Хотя возможности заманчивы, цена входа высока, и трансформация не происходит в одночасье. Развертывание агентного ИИ — это не готовое решение, а долгосрочное мероприятие, требующее надежной инфраструктуры, совместимых экосистем данных и глубокой интеграции между функциями. Помимо технологий, это требует полного переосмысления ответственности, этики и управления. Лидерам необходимо инвестировать в перепроектирование операционных моделей, создавать новые архетипы талантов и устанавливать механизмы доверия, которые позволяют людям и ИИ безопасно и эффективно сотрудничать в масштабе.

Агенты ИИ как корпоративные граждане, которым необходимо управление

Чтобы полностью реализовать ценность агентного ИИ, организации должны меньше фокусироваться на обращении с этими системами как на экспериментальных инструментах и ​​больше на управлении ими так же, как управляют людьми. В этом предприятии, готовом к будущему, агенты ИИ становятся корпоративными гражданами: подотчетными, управляемыми и от них ожидают измеримой ценности. Это означает переосмысление того, как они финансируются, оцениваются и интегрируются. Так же, как и сотрудники-люди, агентам ИИ требуется следующая инфраструктура:

• Полная структура затрат. Компании уже понимают стоимость человеческого таланта — зарплата, льготы, бонусы и обучение. Агенты ИИ заслуживают такого же внимания. Руководители должны учитывать общую стоимость владения, включая ИТ-системы, переподготовку моделей, уровни оркестровки, инструменты управления и соответствие требованиям. И, как высокопроизводительные сотрудники, агенты должны иметь возможность преуспевать во всех функциях и ролях — развертываясь там, где они приносят наибольшее влияние, а не замыкаясь в изоляции.
• Определенные цели. Каждому агенту нужна должностная инструкция. Будь то разрешение претензий, выявление мошенничества или оптимизация запасов, их задачи должны соответствовать приоритетам бизнеса, а их результаты должны отслеживаться, как и цели любого члена команды.
• Управление производительностью. Людей проверяют на качество, скорость и воздействие. Агенты ИИ тоже должны проверяться. Их производительность — эффективность, точность и удовлетворенность пользователей — должна измеряться, контролироваться и улучшаться с течением времени, а неэффективные агенты должны переобучаться или увольняться.
• Управление и надзор. Люди действуют в соответствии с политикой и культурными нормами. Агентам ИИ нужны те же ограждения: этические рамки, прозрачность, контролируемость и отказоустойчивость для чувствительных решений. Особенно в регулируемых секторах это не опционально — это экзистенциально.
• Кросс-функциональная поддержка. Отличные сотрудники не делают только одно — они сотрудничают, адаптируются и растут. Агенты тоже должны. Наиболее эффективные системы ИИ — это те, которые разработаны для взаимодействия, что позволяет им поддерживать несколько доменов, обучаться в рамках вариантов использования и масштабироваться по всему предприятию.

Применяя к агентам ИИ те же стандарты, что и к людям, включая стоимость, подотчетность и адаптивность, организации поднимают их из тактических инструментов до стратегических активов рабочей силы. Они не просто выполняют работу; они становятся частью способа выполнения работы.

Переосмысление процесса принятия решений с помощью «умных операций»

Чтобы раскрыть весь потенциал ИИ в сфере услуг, организациям нужно сделать больше, чем просто развернуть технологию. Им нужно пересмотреть архитектуру принятия решений и выполнения работы, построив структуру «умных операций», в которой люди и агенты ИИ действуют в скоординированных, взаимодополняющих ролях.

Где цифровые агенты наиболее эффективны

Все начинается с использования правильного инструмента для правильной задачи. Ранние последователи агентного ИИ иллюстрируют ценность оценки возможностей на уровне сквозных рабочих процессов, а не изолированно (Приложение 2).

Агентный ИИ может достичь большего, чем просто процессы «включай и работай»: он может преобразовать весь опыт. Используются следующие типы агентов ИИ:

• Агенты на уровне задач точно следуют простым инструкциям для выполнения определенных, повторяющихся задач от начала до конца, таких как обработка возврата денег или перенос встречи.
• Автономные агенты по решению проблем выполняют несколько этапов рабочего процесса, которые включают базовые суждения, но в определенных рамках, например, проверку соответствия требованиям подписчика, подачу претензии или отправку последующего уведомления.
• Агенты-оркестраторы моделей действуют как менеджеры цифровых процессов, взаимодействуя с агентами-людьми и координируя работу инструментов, систем и других агентов ИИ для выявления аналитических данных, рекомендации действий или обобщения данных в режиме реального времени.
• Специализированные агенты адаптированы под критически важные бизнес-функции, такие как обслуживание клиентов, продажи или финансы, и оптимизированы для достижения конкретных результатов.

Такой модульный, ролевой подход позволяет организациям развертывать агентов с гарантией, что они соответствуют ценности бизнеса, операционным потребностям и пользовательскому контексту. Но развертывание агентов — это только половина истории. Чтобы создать действительно интеллектуальную операцию обслуживания, человеческие роли должны развиваться параллельно.

Роли людей

Поскольку агенты берут на себя напряженную, повторяющуюся или транзакционную работу, сотрудники переходят на роли, требующие большего контроля, этики и суждений, в том числе:

• Хранители, которые обеспечивают целостность данных, эффективность моделей и результаты для клиентов.
• Лица, принимающие решения, требующие принятия неоднозначных или высокорискованных решений, где важны контекст, нюансы и доверие.
• Утверждающие лица и аудиторы , которые проверяют исключения, управляют эскалациями и усиливают границы соответствия.

Этот сдвиг требует мышления по проектированию рабочей силы, а не просто плана внедрения технологий. Каждому цифровому работнику, как и каждому работнику-человеку, нужны четко определенные роль и цель, измеримое влияние на эффективность бизнеса, управление и надзор, а также возможности развиваться и учиться.

Это также означает признание простой истины: не каждый цифровой работник покажет немедленную окупаемость инвестиций — так же, как и не каждый человек. Важна производительность на системном уровне вашей рабочей силы, состоящей из человека и искусственного интеллекта.

Это подводит нас к следующему важному вопросу: после того как заложили основу интеллектуальных операций и переопределили роли, какие решения должен принимать ИИ, а какие по-прежнему требуют человеческого участия?

Перепроектирование процессов: не то что автоматизировать, а какие решения

В то время как агентный ИИ предлагает потенциал практически для любой функции, сервисные операции остаются самым острым испытательным полигоном. Эти среды насыщены объемными, повторяющимися задачами и данными, запертыми в хранилищах, что делает их идеальными для интеллектуальной автоматизации. Но вопрос больше не в том, что компании могут автоматизировать. Вопрос в том, какие решения они должны автоматизировать, и где человеческое суждение все еще имеет значение. Поэтому структура принятия решений, основанная на риске и сложности, становится существенной. Вместо того, чтобы гоняться за автоматизацией ради самой автоматизации, организации должны классифицировать решения на основе их неотъемлемого риска и степени требуемого суждения. Решения с низким риском и низкой сложностью, такие как проверка данных счета или проверка статуса претензии, являются основными для полной автоматизации. Сценарии с высоким риском и высокой степенью суждения, такие как обнаружение мошенничества или сложные исключения из политики, по-прежнему могут требовать человеческого надзора, хотя и поддерживаемого ИИ.

Каждое решение в рамках процесса и рабочего процесса можно тщательно оценить на этапе редизайна с точки зрения целесообразности использования агентного ИИ.

Агентский ИИ уже может автономно управлять широким спектром взаимодействий "на передовой". Например, в здравоохранении агенты ИИ могут динамически управлять расписанием встреч, прогнозировать показатели неявки и оптимизировать пропускную способность клиник. В коммунальных службах они могут отслеживать производительность сети, инициировать профилактическое обслуживание и информировать клиентов — и все это без эскалации.

Но настоящая ценность появляется, когда эти системы обслуживают не только клиентов, но и всю организацию. Каждое взаимодействие со службой становится точкой данных. Агенты ИИ могут выявлять тенденции жалоб, выявлять сбои в восходящих процессах и отмечать системные проблемы до их эскалации. Такая демократизация данных об услугах позволяет беспрепятственно передавать информацию из точек соприкосновения с клиентами в разработку продукта, маркетинг и операции, способствуя более быстрому и связанному принятию решений в масштабах всего предприятия.

Ведущие организации теперь могут выйти за рамки устаревшего мышления, просто сокращая объем контактов. В модели smart-ops объем не является врагом, это уровень интеллекта. Если данные об услугах собираются, интерпретируются и маршрутизируются эффективно с помощью ИИ, более высокий объем означает больше сигнальных данных, более быстрое обучение и большее создание ценности. То, что когда-то выглядело как стоимость, теперь может стать конкурентным преимуществом.

Конечно, чтобы сделать это реальностью, нужны инвестиции. Компаниям необходимо модернизировать инфраструктуру, погасить технический долг и наладить безопасный поток данных в реальном времени. Но те, кто сделает это первыми, переопределят сервисные операции не только как способствующие росту и эффективности, но и расширению стратегического понимания и координации.

Начальные шаги

Поскольку агенты ИИ берут на себя больше операционных задач, организациям необходимо переосмыслить, как проектируется работа, как поддерживаются люди и как измеряется ценность. Масштабное развертывание агентского ИИ — это не только технический, но и организационный сдвиг.

Компании могут начать со следующих шагов:

• Преодолейте разрыв между технологиями и бизнесом с помощью ответственности руководства. Успех ИИ зависит от кросс-функциональной согласованности. Встроенные команды, общие ключевые показатели эффективности и менеджеры по продуктам ИИ, свободно владеющие как бизнесом, так и технологиями, гарантируют, что инициативы не только технически осуществимы, но и коммерчески стратегически важны. Старшие руководители — начиная с главного операционного директора и директора по информационным технологиям — должны владеть результатами, определять структуры ответственности и моделировать изменение мышления, требуемое ИИ.
• Перепроектируйте роли и инвестируйте в переподготовку. Поскольку автоматизация переопределяет границы задач, роли должны смещаться в сторону обработки исключений, принятия решений на основе суждений и в сторону обслуживания клиентов. Компании могут инвестировать в грамотность в области ИИ, интерпретацию данных и системное мышление, чтобы подготовить таланты для новой, более ценной работы.
• Повысить культуру и изменить управление. Внедрение ИИ требует культурного соответствия. Прозрачная коммуникация, моделирование роли лидера и кросс-функциональное владение имеют решающее значение для создания доверия, снижения сопротивления и поддержания масштабного внедрения.
• Укрепляйте данные и архитектуры. Эффективность ИИ зависит от данных, соответствующих требованиям и надлежащим образом связанных. Организациям следует модернизировать инфраструктуру данных, обеспечить единое управление и создать масштабируемые системы, которые позволят ИИ безопасно и эффективно работать в разных функциях.

Чтобы раскрыть всю ценность ИИ в сфере услуг, компаниям необходимо будет перейти от автоматизации задач к проектированию решений, сосредоточившись не на том, что можно автоматизировать, а на том, какие решения следует автоматизировать. Это требует отношения к агентам ИИ как к корпоративным гражданам: цифровым работникам с определенными ролями, ответственностью и показателями производительности, встроенными в операционную модель. Следующий рубеж — не у кого больше ИИ, а у того, кто принимает самые разумные решения о том, как ИИ и люди работают вместе.

Источник

Когда ИИ может принимать правильные решения? Рост числа корпоративных граждан ИИ. 4 июня 2025 г. Статья. Федерико Беррути, Лари Хямяляйнен, Оана Чета, Венки Анант, Дамиан Левандовски.

When can AI make good decisions? The rise of AI corporate citizens. June 4, 2025 Article. By Federico Berruti, Lari Hämäläinen, Oana Cheta, Venky Anant.

https://www.mckinsey.com/capabilities/operations/our-insights/when-can-ai-make-good-decisions-the-rise-of-ai-corporate-citizens