— Каково современное понимание цифровой трансформации, и как оно менялось в процессе осмысления того эффекта, который могут принести бизнесу информационные технологии?

В том или ином виде идея цифровой трансформации существует с тех пор, как люди и компании занимаются интеллектуальным трудом и работают с данными: ведут торговлю и учёт доходов, разбирают судебные дела, сочиняют законы и так далее. В XVIII веке объём документов вырос, постепенно превращаясь в поток. Стали появляться служебные записки, накладные, финансовые документы, после индустриальной революции появились ещё и чертежи, инструкции и схемы. В зависимости от вида деятельности этот поток данных мог быть больше или меньше, но он всегда присутствовал, а это значит, что для того, чтобы выполнять работу, необходимо обрабатывать информацию. И чем быстрее — тем лучше: ведь нужно успеть произвести больше товаров, обслужить больше клиентов, принять больше значимых решений за одно и то же время.

В XX веке часть информации стала поступать в цифровом виде. Сначала это был телеграф. Процент информации, закодированный азбукой Морзе, был очень маленьким. Но по мере того, как появлялись новые технологии, цифровой информации становилось больше. С появлением компьютеров у каждого сотрудника появился цифровой Input и Output — почтовый ящик, в который приходят и из которого уходят письма. Большая часть данных стала поступать в электронном виде, а рабочие задачи разделились на рутинные и творческие. В какой-то момент оказалось, что часть этой рутины можно передать технологиям — роботам или искусственному интеллекту. Например, 90% звонков в колл-центр — это звонки в духе «на какую кнопку нажать, чтобы посмотреть баланс»; с подобной работой легко справится робот, и именно ему, а не оператору колл-центра, её логично поручить. Это пример цифровой трансформации: вы перестраиваете бизнес-процесс с помощью новых технологий, в результате чего клиент быстрее получает услугу, а компания — экономит время и ресурсы на другие задачи.

Другой пример — это развитие технологий машинного зрения, позволявших автоматически сортировать почтовые отправления по индексу, которое началось примерно в 1980-е годы. Это тоже пример цифровой трансформации. В те годы компании, занимающиеся машинным зрением, решали очень простую (как нам кажется сейчас) задачу — создание машин, которые бы понимали написанные по трафарету цифры и автоматически сортировали конверт в нужную пачку, чтобы одно письмо ехало в Новый Уренгой, а другое — в Казань. Для тех лет изобретение такой технологии стало настоящим открытием, а письма стали доходить до адресатов не за месяцы, а за считанные дни.

Сегодня возможности и машинного зрения, и понимания текстов на естественном языке возросли, стали появляться новые области приложения этих алгоритмов к бизнес-задачам. К примеру, сейчас у компании ABBYY, в которой я работаю, есть решение для сортировки инвойсов. Допустим, у вас большая компания, отрабатывающая большое количество денежных обязательств. Вы должны часто платить по счетам, и поэтому к вам большим потоком приходят счета-фактуры, акты, товарные накладные и так далее. Что раньше делал человек? Он брал эти документы (может быть, даже распечатывал их, если инвойсы приходили к нему по электронной почте), перепечатывал их руками в некоторую систему, которую вы используете для бухгалтерского учёта, по номеру инвойса находил договор, в соответствии с которым нужно провести оплату, проверял, что оплата соответствует нужной сумме, потом только давал указание перевести деньги, иногда ещё и сам шёл в банк.

Теперь есть автоматическое решение, когда инвойс сразу заводится в вашу систему роботом (если он поступил в оцифрованном виде), либо же когда вы его сканируете (если он бумажный), и на этом ваша работа заканчивается. Система машинного зрения понимает номер инвойса, определяет, от какой компании этот инвойс пришёл, проверяет, есть ли соответствующий договор с этой компанией, и сверяет, сходится ли сумма в договоре с суммой в инвойсе. Если везде получается ответ «да», то автоматически проводится платёж, и «всем спасибо — все свободны».

© Awklzzz / 123rf

По мере того, как развиваются алгоритмы машинного обучения, и появляется всё больше компаний, занимающихся бизнесом вокруг оптимизации бизнес-процессов, услуг, возможностей и процессов, которые мы можем автоматизировать, становится больше. Часто цифровой трансформацией пугают людей, которые 20 лет перекладывали одни и те же бумажки с места на место. Говорят, что теперь бумажки будет перекладывать робот, и они потеряют работу. На самом деле задача технологий — не лишить вас работы, а освободить ваше время на то, что вы можете делать лучше машины. Кроме того, довольно часто автоматизация просто необходима, потому что человек в принципе не может обрабатывать такое количество информации быстро и без ошибок. Приведу в пример наш проект «Открой историю Большого», в котором волонтёры с помощью искусственного интеллекта ABBYY помогали оцифровывать документы из архива музея Большого театра. Чуть больше чем за два года они создали электронный архив всего наследия театра за два века его истории. На ручную обработку этих данных ушло бы несколько десятков лет.

Приведу ещё пример: в Санкт-Петербурге есть компания Mechanica AI, которая занимается информационными решениями в области плавки стали. Главная «фишка» здесь — объём данных, который нужно обработать за короткое время для принятия решения о том, сколько нужно добавить легирующих примесей, чтобы добиться оптимального состава сплава. Человек, даже суперпрофессионал, на такое не способен. Представьте: вы варите сталь из лома, состав которого точно неизвестен, поскольку невозможно проанализировать каждый кусок металла в этом ломе. Поэтому пока вы не домешаете весь лом в сплав, вы не поймёте химического состава того, что у вас варится в домне. На то, чтобы понять состав и добавить легирующую добавку, у специалиста есть всего несколько минут. Человек в принципе не может принять решение за это время — он просто не способен справиться с таким объёмом информации. А искусственный интеллект — способен.

Другой пример, который я приведу, напрямую не связан с цифровой трансформацией, но кажется интересным в плане того, что хорошо раскрывает специфику принятия решений роботом и человеком. Вы наверняка смотрели фильм «Чудо на Гудзоне». Он был снят на основе реальной истории о том, как в 2009 году пилот Чесли Салленбергер посадил на воды Гудзона авиалайнер Airbus A320 с отказавшими двигателями. Благодаря действиям экипажа все люди, находившиеся на борту, выжили. Так вот, в фильме есть эпизод, тоже основанный на реальных событиях, когда Тому Хэнксу, который играет первого пилота, пытаются предъявить обвинения, грозящие ему уголовной ответственностью, в том, что он подверг находящихся на борту людей неоправданному риску и должен был посадить самолёт в одном из двух ближайших аэропортов, а не на воду. В качестве аргумента ему показывают компьютерные симуляции, которые подтверждают, что в сложившейся ситуации посадка в этих аэропортах была возможна и безопасна. В ответ на это главный герой отмечает, что компьютер действует мгновенно, в то время как человеку необходимо время на анализ ситуации и принятие решения. В итоге, когда в расчёт берутся дополнительные 35 секунд — человеческий фактор — то с помощью тех же компьютерных симуляций выясняется, что теперь в случае попытки посадить самолёт в любом из аэропортов всё закончится катастрофой, и приводнение на Гуздон действительно является единственно верным решением. На самом деле, в жизни довольно часто случаются ситуации не настолько экстремальные, но такие, где 35 дополнительных секунд очень критичны. Поэтому если есть возможность не терять их на процесс принятия решения, используя искусственный интеллект (как в случае с выплавкой стали), то это нужно стараться делать.

Ещё один пример: агрохолдинг «Дамате», который занимается фермерством, внедрил систему машинного зрения, которая контролирует, чтобы работники заходили в цех молочной продукции только с чистыми руками. Система просто проверяет — помыл человек руки или нет, и если не помыл, то не открывает ему на проходной дверь, говорит: «Иди и помой руки». Согласитесь, ставить человека, который будет смотреть, чтобы перед сменой люди мыли руки — идея странная, а такая автоматизированная система работает и воспринимается нормально. Раньше на предприятии была только инструкция. Теперь же есть ещё и система машинного зрения, которая просто не пускает человека в цех, если руки не вымыты. Эту систему, к слову, тестировали на ВДНХ в рамках какой-то выставки: водили туда московских школьников и предлагали им обмануть систему. Ни одному человеку за неделю эксперимента не удалось этого сделать. Также этот холдинг находится в процессе внедрения системы машинного зрения, которая контролирует птицевода. Оказывается, у агробизнеса есть такая проблема, что птицы, сидящие дальше от входа в птичник, обычно недокормлены, потому что человек, который ходит и раскидывает зерно, не всегда до них доходит. Опять-таки, сажать специального охранника, который будет смотреть, что птицы накормлены — дорого, тем более если это можно автоматизировать.

Или другой пример, связанный с онлайн-образованием. Платформа по изучению английского языка Skyeng использует много решений, которые помогают понять, что человек знает уже хорошо, а что плохо; запомнил ли он то или иное слово, или же его надо ещё повторить? Один из продуктов, который они внедрили — это расширение «Vimbox Субтитры», которое позволяет смотреть фильмы с субтитрами и сохранять новые слова в ваш словарик в Skyeng. Смотрите вы, например, как Дейнерис Таргариен пьёт тыквенный латте, и наталкиваетесь на незнакомое слово. Наводите на него курсор мыши — видео встает на паузу, а над словом высвечивается его значение. Если вы кликаете на это слово, то оно сохранится у вас в списке, и потом, когда вы придёте в скайп на урок с вашим педагогом, он проработает с вами это слово с дополнительными методическими инструкциями. Это способ собрать данные и потом использовать их для улучшения результатов, в данном случае — успеваемости ученика. Ещё один пример цифровой трансформации, когда вы упрощаете жизнь клиенту с помощью цифровых технологий.

© CrispyCream27 / wikipedia

— В одном из своих интервью Олег Тиньков высказал следующую мысль: «Я думал, что буду строить банк, а на самом деле построил IT-компанию». Подобные заявления делал и Герман Греф, утверждая, что Сбербанк перерос понятие банка и превратился в IT-компанию. Как мне кажется, это очень показательный пример того, что цифровая трансформация используется передовыми компаниями не только для автоматизации процессов, но и в качестве инструмента и повода для переосмысления самой сути своего бизнеса. Банки — очень яркий пример этого, поскольку многие из них перестали быть чисто финансовыми учреждениями, запуская самые разнообразные бизнесы — от страхования до мобильных операторов, получая тем самым эффект «одного окна», когда практически всё, что тебе нужно, можно получить в одном месте…

Почему крупный бизнес становится ещё крупнее? Причина в следующем: когда у вас данные становятся ресурсом, то вы хотите получать больше данных, потому что конвертируете их в деньги. Если данные у вас есть, но нет способа, как превратить их в доходы, то вы просто этот способ создаёте. Данные — это нефть XXI века, они обладают одним замечательным свойством. Технологическая цепочка, которая нужна, чтобы сделать из нефти пластик, может заметно отличаться от технологической цепочки для производства бензина или, скажем, синтетического белка. Технологические цепочки, которые позволяют из данных сделать деньги, многочисленны и очень похожи. Если у вас есть данные о финансовых транзакциях клиента, то вы можете использовать их, например, для создания бизнеса по выдаче кредитов, в страховании или для онлайн-магазина. Ты строишь один бизнес, потом немного его меняешь и получаешь второй, потом меняешь ещё немного — и вот у тебя уже три бизнеса. И так далее.

Второй момент: чем больше у вас этих бизнесов, тем больше у вас клиентов; а чем больше у вас клиентов — тем больше у вас данных. Соответственно, это процесс с положительной обратной связью, по крайней мере до тех пор, пока рынок не вышел на насыщение. Вы диверсифицируете свой бизнес, делая на основе данных новые приложения, которые затрагивают разные аспекты происходящего и имеют разные финансовые показатели, параметры роста и так далее. Но помимо этого вы имеете возможность повышать качество услуг, причём по всем вашим сервисам. Например, если к вам пришёл клиент и заключил договор страхования, то полученные при этом данные вы можете использовать в других приложениях, сделав, допустим, максимально удобное, персонифицированное предложение по кредиту. То есть, с одной стороны, вы растёте, с другой стороны — диверсифицируетесь, с третьей — повышаете качество продукта. Поэтому бизнесы, построенные вокруг данных – data-driven, действительно склонны к стремлению превратиться в службу «одного окна».

Но здесь надо заметить, что есть ещё и дополнительный культурный аспект. Например, в Китае работает приложение WeChat, объединяющее в себе множество разных бизнесов. А Штаты и Европа двигаются к созданию такого приложения медленнее, потому что там превалирует идея специализации, то есть для каждого случая в вашем телефоне должно быть отдельное приложение. Желание иметь службу «одного окна», которая бы одновременно и готовила еду, и выдавала потребительский кредит, по всей видимости, связано с какими-то культурными факторами, с этикой, с чем-то ещё, и в Азии оно пока сильнее, чем в Европе. И кажется, что в данном случае это не преимущество Запада, а, скорее, некоторая его проблема.

Существует хорошая книга, которую написал Каи-Фу Ли. Она называется «AI Superpowers» — «Суперсилы искусственного интеллекта» и как раз рассказывает про разницу в подходе к искусственному интеллекту в Китае и США. Каи-Фу Ли утверждает, что Китай — это Саудовская Аравия XXI века — именно потому, что государство активно поддерживает идею использования данных для построения бизнеса. С одной стороны, это приводит к проблеме, связанной с монополизацией рынка, когда у вас есть один большой игрок, который является для пользователей всем. Но, с другой стороны, это ведёт к повышению качества услуг. Да, считается, что монополия вредит качеству, но в случае с подобными IT-компаниями, это, по всей видимости, работает по-другому. Доказать, что такая монополия вредит клиентам, практически невозможно, тем более что у этих компаний есть чёткие результаты измерений, показывающие, что они своим клиентам, наоборот, помогают. Конечно, если мы будем регулировать объёмы данных, которые компании могут использовать, это может привести к наличию нескольких однотипных игроков на рынке, но в целом, если мы посмотрим на крупные компании, которые преуспевают в сфере искусственного интеллекта, то они действительно склонны к монополизации и превращению себя в службу «одного окна»: что Google, что Facebook пытаются максимально закрыть все сферы, которые у них есть.

Наконец, третий момент, связанный с изменением бизнеса вообще. Многие структуры, начинавшиеся как жёсткие вертикальные, превращаются в более горизонтальные и более технологичные. Например, тот же Сбербанк из финансовой организации превращается в IT-компанию. Скорость изменений такова, что жёсткие вертикальные структуры с ней не справляются, потому что изменения происходят с совершенно разных сторон. Приведу пример: компания Nokia делала очень хорошие телефоны, но её бизнес быстро умер, когда оказалось, что людям на самом деле не столь важно качество телефона, сколько сервисы и приложения, которые можно на него установить. При этом заметьте: телефонный бизнес Nokia уничтожила компания, которую они не считали своим конкурентом — на тот момент их конкурентами были другие компании, которые тоже производили кнопочные телефоны.

А как вы думаете, почему Facebook купил Instagram, заплатив за него огромную сумму? Помимо того, что компания хотела получить доступ к пользователям, она внезапно поняла, что удобная возможность просто делиться картинками, реализованная в Instagram — это чуть ли не главная функция в самом Facebook. И ребята испугались, что их непрямой конкурент может стать концом их бизнеса. Когда вы находитесь в среде, где все постоянно диверсифицируются, а данных столько, что на них можно строить всё новые и новые бизнесы, внезапно может оказаться, что вы не видите, где ваш основной конкурент. Вы живёте-живёте, а потом он откуда-то выскакивает, и ваш бизнес заканчивается.

Для того чтобы быть более гибкими и смотреть по сторонам, внутри компании нужно иметь, во-первых, культуру предпринимательства, а во-вторых — так скажем, «мудрость толпы», то есть много хорошо скоординированных, но сравнительно независимых друг от друга команд, которые постоянно смотрят по сторонам, что-то делают, и периодически соотносят друг с другом свои действия. Это даёт более стабильную ситуацию, чем жёсткая иерархия, когда все решения принимаются сверху. Технологии как раз позволяют выстраивать такие структуры более эффективно.

Представьте себе кучу песка — она очень стабильна и её сложно разрушить. Башня же из песка будет, конечно, выше, но и сломать её значительно проще. До начала эпохи цифровой трансформации и появления технологий, которые позволили автоматизировать рутинную работу, у нас не было возможности строить организации, похожие на кучу песка, которые при этом ещё бы и работали, потому что сигналы в них постоянно где-то «застревали», и ничего не происходило. Но сейчас мы можем это делать, обеспечивая эффективное взаимодействие песчинок: благодаря современным технологиям они могут общаться без необходимости использовать формальную иерархию. Такое движение в сторону более горизонтальной организации естественно подталкивает компании переизобретать собственный бизнес и выходить на новые рынки. Ориентация на автономные, независимые команды позволяет логично формировать их вокруг внутренних стартапов. К примеру, люди занимаются ритейлом, собирают данные о пользовательских предпочтениях (а именно — о ежедневных покупках людей по всем регионам страны, со временем, средней суммой), а значит, они могут организовать вокруг этого, например, сервис по доставке продуктов. Ритейл — это же склад, место, где уже лежит еда, и они даже знают, сколько её надо, и сколько её у них купят. Всё что нужно — донести до конечного пользователя простым, удобным способом, что он может сам ногами не ходить в магазин.

© Mark Bowden / 123rf

— Почему, на твой взгляд, происходит так, что в ряде случаев идеи по созданию новых бизнесов, которые могли бы вытекать из цифровой трансформации каких-то компаний, в реальности появляются извне? Взять, к примеру, Uber. Логично, если бы он естественным путём вырос из какого-нибудь таксопарка, который внедрил бы соответствующие информационные технологии, использовал бы накопленные годами данные о своих клиентах и вышел бы на новый уровень. Но всё произошло совершенно по-другому.

Не думаю, что здесь есть какая-то панацея, и просто нужно смириться с тем, что в каких-то случаях идеи рождаются внутри компании, а в каких-то — приходят извне. Но как я говорил выше, один из эффективных способов «заставить» компании генерировать больше таких идей самостоятельно — это превратить их в горизонтальные структуры, создав культуру внутреннего предпринимательства.

Например, компания IBM существует по факту с конца XIX века. Её прародитель Герман Холлерит занимался обработкой данных переписи населения в США, которые были сделаны на чуть ли не первых перфокартах. Сегодня это уже совершенно другая, но по-прежнему высокотехнологичная компания. Всё дело в том, что они умеют выращивать внутри себя таланты, которые способны придумывать новые области применения экспертизы. Другая компания — SAP — существует с 70-х годов прошлого века и тоже постоянно растит внутри себя инновации и какие-то новые для себя сферы бизнеса. И ABBYY, которая очень скоро отметит своё 30-летие, тоже переизобретала себя несколько раз. За это время у нас внутри накопилась приличная история успеха и история внутренних стартапов, которые создавали новые, востребованные на рынке продукты.

В целом, мне кажется, не существует единой статистики, как появляются новые бизнесы, откуда они берутся. Если бы кто-то знал рецепт, как правильно и хорошо это делать, то все бы давно уже это делали. Но есть три понятные составляющие успеха, без которых бизнес не работает. Это наличие сильного продуктового видения, то есть наличие человека, который придумал продукт и им загорелся — того, кто поверил, что эта штука нужна, и понял, как она должна выглядеть, и куда этот бизнес должен двигаться. Он должен быть способен донести свою идею тем, кто её может сделать (людям с технологической экспертизой), то есть имеющим видение, как её превратить в реальный продукт (это второе), и тем, кто её хочет купить, то есть рынку (это третье). Иногда эти функции могут пересекаться, т.е. может, например, оказаться, что рынком для стартапа становится сама компания: вы придумали внутри компании процесс, который улучшит её, но при этом у вас нет внешнего рынка — есть только внутренний заказчик: ваш шеф или коммерческий департамент. Хотя потом вполне может оказаться, что этот продукт нужен не только вашей компании, а кому-то ещё, и тогда у вас появляется отдельный внешний продукт и соответствующее подразделение. Также иногда могут быть совмещены функции product owner и технического специалиста — бывают такие люди, которые способны и видеть продукт, и самостоятельно его делать. Эти три составляющие нужны всегда, но это не специфика цифровой трансформации — так делается любой бизнес.

Что касается сервиса такси, то совершенно очевидно, почему это не появилось внутри таксопарка — потому что из этих трёх компонент там не было ни первой, ни второй. Не было ни человека, который бы придумал такую идею, ни того, кто оказался бы способен её сделать, а вот рынок был. Так бывает, потому что люди, попадая в некоторую рутину, зачастую вообще не смотрят по сторонам. Поэтому им кажется, что сегодня мир устроен точно так же, как был устроен день назад, и завтра он будет таким же, как позавчера. Такое представление по-своему успокаивает — возможно, эти люди даже спят крепче, но делать конкурентные бизнесы это очень мешает. Сейчас, к слову, есть таксопарки, которые предлагают похожие услуги, но они не успевают масштабироваться, потому что этот рынок уже занят. Сложно расти, когда у тебя есть большие конкуренты.

— Цифровая трансформация, ведущая к переосмыслению бизнеса, затрагивает только какие-то клиентоориентированные компании (если отталкиваться от того, что ключевую роль здесь играют большие данные), либо же для крупного индустриального бизнеса она тоже свойственна?

Для промышленного бизнеса она, конечно, тоже актуальна. Вопрос в том, собирает ли он данные. Как минимум, это могут быть данные о протекающих на предприятиях технологических процессах и оборудовании. Но я всегда говорю, что всё, что можно измерить, в конце концов будет измерено. Тот, кто сделает это первым, — получит соответствующие преимущества. Если вы начнёте собирать и измерять данные, то наверняка сможете придумать, как именно их можно использовать для того, чтобы улучшить качество итогового продукта, снизить издержки производства, повысить уровень вовлечённости ваших сотрудников в процесс, увеличить удовлетворённость клиентов вашей работой, создать новый продукт или открыть новое бизнес-направление. Индустрия тоже может всё это делать и делает, на самом деле, довольно активно. Просто помимо всего прочего там есть ещё и определённая культура производства, из-за чего принимать решения намного дороже. Быстро поменять технологический стек в IT-сфере гораздо проще, чем когда вы внедряете какие-то большие индустриальные решения. Соответственно, и цена ошибки там выше, поэтому решения принимаются медленней, и процесс идёт не так быстро.

— Есть какие-то предположения относительно того, куда цифровая трансформация направится дальше? Что-то изменится, или пока всё будет происходить в том же ключе, что и сейчас?

Как известно, очень трудно предсказывать будущее, особенно когда оно ещё не произошло. Совершенно очевидны сейчас следующие соображения: то, что можно измерить, будет измерено, объём доступных данных будет расти, а объём рынков, построенных на анализе данных, будет ограничен только фантазией людей, работающих над продуктами на базе машинного обучения.