Адаптуйте свою стратегію штучного інтелекту до реалій вашої організації

Штучний інтелект часто називають революційним винаходом, але занадто багато компаній виявляють, що їх сміливі пілотні проекти зі штучним інтелектом провалюються, коли їх операційні моделі не можуть підтримати це нововведення. У цій статті автори стверджують, що успіх штучного інтелекту залежить не стільки від алгоритмів, скільки від відповідності амбіцій компанії її організаційній реальності. Спираючись на дослідження та використовуючи приклади компаній з різних галузей, вони представляють модель, побудовану на двох вимірах — контролі ланцюжка створення вартості (ступінь впливу компанії на шлях від ідеї до ринку) та технологічній широті (діапазон і взаємозалежність технологій, які компанія повинна інтегрувати, щоб бути конкурентоспроможною). Вони аналізують чотири стратегії, які компанії можуть використовувати для перетворення потенціалу ШІ в результати: цілеспрямована диференціація, вертикальна інтеграція, екосистема співпраці та лідерство платформи.

У 2018 році два світові гіганти вирішили використовувати штучний інтелект, щоб змінити спосіб проектування та виведення продуктів на ринок. General Motors застосувала програмне забезпечення для генеративного проектування Autodesk Fusion 360, щоб переосмислити скромний, але важливий компонент — кронштейн сидіння. Штучний інтелект створив конструкцію, що нагадувала щось, створене природою, — легку, схожу на решітку форму, яка була на 40 % легшою і на 20 % міцнішою за оригінал. Однак ця деталь так і не була запущена у виробництво. Чому? Ланцюг постачання та виробнича система GM, створені для штампованої сталі, не могли впоратися зі складною геометрією конструкції, створеної штучним інтелектом. Переобладнання системи зайняло б роки. Інновація зупинилася.

У той же час Apple почала експериментувати з металінзами — надтонкими оптичними компонентами, оптимізованими за допомогою штучного інтелекту, здатними замінити традиційні об’єктиви камер. Ця технологія вимагала інтеграції машинного навчання, матеріалознавства та виробництва напівпровідників. Протягом двох років Apple подала десятки патентів і (на момент написання цієї статті) готується впровадити цей прорив у свої датчики Face ID — спочатку в iPad Pro, а потім і в майбутніх моделях iPhone 17. На відміну від GM, Apple мала не тільки сміливу ідею, а й систему для її реалізації.

Ці дві історії відображають важливу істину про ШІ: проблема зазвичай полягає не в тому, що ШІ може, а що не може робити. Частіше за все це невідповідність між тим, чого хочуть досягти керівники, і тим, що реально можуть підтримати їхні ланцюжки створення вартості, операційні моделі та технологічні стеки. Проблема є поширеною: 62% компаній називають погану міжфункціональну сумісність, а 63% вказують на необхідність коригування робочих процесів як головні перешкоди для успішного впровадження ШІ. Згідно з опитуванням, проведеним Kearney та Futurum Group, лише 25% генеральних директорів вважають, що вони повністю готові до впровадження ШІ в масштабах всієї організації.

На жаль, у цьому плані переважна більшість компаній більше схожа на GM, ніж на Apple. Дослідження показують, що багато ініціатив у сфері ШІ не приносять відчутної бізнес-цінності: за даними S&P Global Market Intelligence, 42% компаній відмовилися від більшості своїх ініціатив у сфері ШІ у 2025 році (у порівнянні з 17% у 2024 році), а в середньому 46% концептуальних доказів були відкинуті до початку виробництва. Більше того, нещодавнє опитування 1600 керівників і співробітників підприємств, проведене компанією Writer, що спеціалізується на штучному інтелекті, показало, що лише третина організацій досягають значного ROI від своїх інвестицій у штучний інтелект, хоча 73% з них щорічно витрачають на штучний інтелект понад 1 мільйон доларів.

У цій статті ми пропонуємо практичну модель, яка допоможе компаніям підвищити рентабельність інвестицій у штучний інтелект . Спираючись на наші дослідження та досвід роботи з компаніями різних галузей, включаючи споживчі товари та передові технології виробництва, ми визначили два ключові фактори, що визначають успіх штучного інтелекту: контроль над ланцюжком створення вартості та технологічна широта. Ці фактори визначають можливості та вказують на чотири різні підходи, які компанії можуть застосувати для реалізації потенціалу штучного інтелекту: цілеспрямована диференціація, вертикальна інтеграція, екосистема співпраці та лідерство платформи. Кожен з них має свої ризики, вимоги та потенціал для проривних інновацій. Але коли підхід відповідає реальності компанії, виграш є значним.

Почнемо з детального розгляду двох аспектів, що лежать в основі цієї моделі.

Знайдіть себе в структурі

Перший вимір, контроль над ланцюгом створення вартості, стосується ступеня впливу компанії на шлях від ідеї до ринку. Компанії з високим рівнем контролю над ланцюгом створення вартості можуть швидко тестувати, повторювати та масштабувати інновації, оскільки вони володіють або мають значний вплив на дизайн продукції, виробництво, дистрибуцію та взаємодію з клієнтами. Наприклад, Samsung може впроваджувати вдосконалення дисплеїв або камер на основі штучного інтелекту у всьому своєму асортименті продукції, оскільки контролює все, від виробництва мікросхем до глобальних роздрібних точок продажу.

На іншому кінці спектру знаходяться компанії з низьким рівнем контролю над ланцюгом створення вартості (наприклад, постачальники другого рівня в автомобільній галузі або ліцензіари брендів у сфері споживчих товарів). Оскільки ці організації повинні покладатися на інших для перевірки, впровадження або дистрибуції своїх інновацій, їм важко діяти швидко. Вони мають незначний вплив на діяльність інших компаній і відносно обмежений простір для інновацій.

Другий вимір, технологічна широта, стосується діапазону та взаємозалежності технологій, які компанія повинна інтегрувати, щоб бути конкурентоспроможною. У секторах з високою широтою, таких як напівпровідники, автономні транспортні засоби та біологічні науки, ШІ рідко працює ізольовано. Він повинен бути вплетений у швидкозмінну мережу інших технологій, таких як сенсори, робототехніка, матеріалознавство, хмарна архітектура та периферійні обчислення. Організації в секторах з високою широтою повинні управляти постійною конвергенцією.

На відміну від цього, галузі з низьким рівнем широти, такі як харчова промисловість, будівельні матеріали та базова логістика, як правило, працюють з більш стабільними технологічними стеками. Компанії в цих секторах можуть використовувати ШІ для отримання великих прибутків, але часто вони роблять це шляхом вдосконалення існуючих процесів, а не переосмислення ситуації.

Ці виміри не є фіксованими точками на карті — це динамічні сили, які еволюціонують у різних функціях, географічних регіонах та часі. Компанія може мати високий технологічний рівень у сфері досліджень і розробок, але низький рівень залучення клієнтів. Вона може здійснювати сильний контроль над ланцюгом створення вартості в одному регіоні, але сильно залежати від посередників в іншому. Компанії повинні зосередитися на тих сферах, де вони мають найкращі можливості діяти цілеспрямовано та впевнено.

Виберіть правильну стратегію

Наша концепція передбачає чотири стратегії інновацій у сфері ШІ. Кожна з них представляє різний спосіб узгодження позиції організації з життєздатним шляхом до інновацій. Давайте детальніше розглянемо кожну стратегію — її логіку, конкретний вид інновацій, які вона, як правило, стимулює, і, звичайно, її ризики.

1. Цільова диференціація: загострюйте свою перевагу. Компанії з обмеженим контролем над ланцюжком створення вартості та низьким рівнем технологічного розвитку зазвичай працюють у зрілій галузі. Вони мають глибокі знання в одній частині ланцюжка створення вартості — наприклад, у розробці продуктів, постачанні сировини або вивченні споживачів — але не контролюють весь шлях до ринку. Вони не переслідують передові досягнення в галузі ШІ, але мають дані і знають, як їх використовувати. Вони не можуть перепроектувати систему, але можуть зробити її розумнішою. Вони використовують ШІ для точного налаштування та оптимізації продуктів або процесів у межах визначеної сфери. Це сфера точних, високоефективних випадків використання: краща етикетка, розумніший датчик, більш адаптивна формула. Компанії в цій сфері досягають успіху завдяки ШІ, йдучи вглиб, а не вшир.

Наприклад, гігант харчової промисловості PepsiCo застосував штучний інтелект у верхній частині свого ланцюжка постачання картоплі, де він здійснює жорсткий контроль за допомогою програм для виробників. Застосовуючи дрони та використовуючи машинне навчання для оцінки ранніх показників стану врожаю, PepsiCo допоміг фермерам оптимізувати зрошення та використання добрив, що призвело до зменшення вуглецевого сліду, підвищення врожайності та стійкості врожаю — критично важливої переваги в сировинному бізнесі. PepsiCo Europe уклала партнерську угоду з Yara, глобальною компанією з виробництва добрив, щоб забезпечити фермерів цифровими інструментами точного землеробства з метою сприяння впровадженню регенеративних сільськогосподарських практик.

Аналогічним чином, McCormick & Company зосередила свою увагу на конкретному напрямку: розробці ароматизаторів. У 2019 році глобальний виробник спецій уклав партнерську угоду з IBM для створення SAGE, системи штучного інтелекту, навченої на основі десятиліть сенсорних даних, рецептів та споживчих інсайтів. З того часу цей інструмент став центральним у процесі розробки продуктів McCormick, допомагаючи компанії прискорити інновації та подвоїти чистий внесок у продаж нових продуктів у період з 2022 по 2024 рік.

У Fonterra, новозеландському гіганті молочної промисловості, керівники не намагалися оцифрувати весь бізнес. Вони зосередилися на вузькому місці — прогнозуванні якості молока до того, як воно покине ферму — і застосували штучний інтелект з хірургічною точністю. Співпрацюючи з партнерами в галузі агротехнологій та аналітики, Fonterra інтегрувала дані датчиків з ферм (такі як погода, стан пасовищ та здоров’я стада) з історичними записами про збір молока. Потім моделі машинного навчання були навчені виявляти закономірності, що сигналізували про потенційне зниження якості молока, виявляючи такі проблеми, як підвищений рівень соматичних клітин або ризик бактеріального забруднення, до того, як молоко потрапляло на переробний завод. Це дозволило Fonterra оптимізувати маршрути збору молока в режимі реального часу, надавати пріоритет високоякісним джерелам та зменшити відходи.

Головним ризиком для компаній у цьому квадранті є надмірна амбіційність. Наприкінці 2021 року ініціатива Zillow з перепродажу нерухомості, Zillow Offers, яка спиралася на свою модель ціноутворення «Zestimate», розроблену на основі штучного інтелекту, зазнала гучної невдачі. Zillow придбала 27 000 будинків на основі оцінки штучного інтелекту, але продала лише 17 000. Ціни Zestimate були завищені на 6,9% для об’єктів, що не виставлялися на продаж. Результат: приголомшливе списання запасів на суму 304 мільйони доларів, 2000 звільнень і скасування всього бізнесу Zillow Offers.

2. Вертикальна інтеграція: підключіть машину. Компанії з сильним контролем над ланцюжком створення вартості, але відносно обмеженою технологічною широтою часто є ідеальними кандидатами для впровадження ШІ в масштабах підприємства. Їм, можливо, не потрібно відстежувати кожну новітню технологічну тенденцію, але, вбудувавши ШІ в процеси, якими вони вже володіють, вони можуть досягти значного ефекту. ШІ може пов’язувати інформацію з різних внутрішніх систем, виявляючи синергію та ефективність між даними, відділами або процесами. Це сфера, в якій ШІ підвищує операційну ефективність: прогнозне технічне обслуговування, динамічне ціноутворення та логістика, орієнтована на попит, щоб назвати лише декілька прикладів. Тут масштаб діє як мультиплікатор впливу — чим більший обсяг операцій, тим більший сукупний прибуток навіть від невеликих покращень ефективності.

JD.com, китайський гігант електронної комерції, інтегрував ШІ у свою логістичну мережу, використовуючи дані в режимі реального часу для оптимізації всього: від складських запасів і маршрутів доставки до планування робочої сили та прогнозування попиту. Під час карантину, пов’язаного з пандемією, інтелектуальна система JD.com перенаправляла доставки на основі зон ізоляції, автоматизувала складські операції за допомогою робототехніки на базі ШІ та динамічно перерозподіляла запаси відповідно до регіонального зростання попиту. Поки конкуренти боролися з перебоями та затримками, JD.com підтримував безперебійне обслуговування, оскільки вдалося створити більш інтелектуальну систему.

В енергетичному секторі компанія ExxonMobil використовувала ШІ для інтерпретації сейсмічних даних та оптимізації траєкторій буріння в Гайані. Алгоритми, навчені на терабайтах історичних даних, скоротили середній час буріння свердловин на 15%, заощадивши мільйони на кожній ділянці. Оскільки Exxon володіє інфраструктурою — від розвідки до видобутку — вона могла діяти швидко, не чекаючи на зовнішню валідацію.

Розглянемо приклад Walmart. Контролюючи ланцюг поставок, роботу магазинів і системи ціноутворення, Walmart використовувала штучний інтелект для оптимізації логістики, запасів і розподілу робочої сили. Наприклад, у Флориді компанія запустила пілотну програму, яка використовувала місцеві прогнози погоди та тенденції в соціальних мережах для прогнозування пікових навантажень. Напередодні урагану Іан система автоматично перерозподілила запаси для надзвичайних ситуацій. Після шторму система перенаправила вантажі, щоб уникнути пошкодження розподільчого центру, і забезпечила магазини необхідними товарами.

Компанії, що прагнуть вертикальної інтеграції, часто досягають успіху у встановленні нових зв’язків — об’єднуючи дані та процеси з різних силосів, щоб виявити закономірності та ефективність, які інші не можуть побачити. Коли ШІ застосовується в жорстко контрольованій системі, здатність пов’язувати між собою різні елементи — логістику та ціноутворення, або операції та прогнозування — стає унікальним джерелом конкурентної переваги.

Знову ж таки, важливо не переборщити. Навіть компанії з потужними операціями можуть зазнати невдачі, коли амбіції випереджають виконання. Наприклад, GE прагнула стати Microsoft промислового штучного інтелекту за допомогою своєї платформи Predix, яку вона розробила для зв’язку аналітики між машинами — від турбін до локомотивів і медичних пристроїв. Але ізольовані дані, внутрішній опір, відсутність програмного забезпечення для зв’язку та зміна керівництва завадили впровадженню. Витративши понад 4 мільярди доларів, GE скоротила свої амбіції щодо платформи та відокремила більшу частину GE Digital.

3. Співпраця в екосистемі: робота в мережі. Деякі компанії працюють у технологічно складних екосистемах, але не мають контролю над тим, як їхні рішення в кінцевому підсумку потрапляють на ринок. У цьому квадранті успіх ШІ досягається не завдяки самостійній роботі, а завдяки стратегічному партнерству — розподілу ризиків інновацій, інфраструктури та досвіду. Компанії, що працюють у цьому квадранті, часто працюють у високотехнологічних, швидкозмінних галузях, але важелі виконання не повністю знаходяться в їхніх руках: вони залежать від регуляторних органів, дослідників або партнерів по платформі, щоб дістатися до кінцевого споживача. Їхня перевага полягає в партнерстві: спільних платформах, спільно розроблених інструментах та альянсах, які узгоджують не тільки терміни, а й стимули.

Візьмемо, наприклад, Novartis і Microsoft. Вони не просто уклали партнерство — вони створили лабораторію інновацій у галузі ШІ, спрямовану на прискорення відкриття та розробки ліків. В основі цієї ініціативи лежав набір моделей машинного навчання, навчених прогнозувати молекулярну поведінку, ідентифікувати потенційні терапевтичні цілі та оптимізувати протоколи клінічних випробувань. В одному випадку інструменти лабораторії допомогли Novartis ідентифікувати нові комбінації біомаркерів для онкологічних випробувань, скоротивши час на розробку випробувань більш ніж на 30%. Успіх цієї ініціативи був досягнутий не тільки завдяки спільній технології, а й спільній меті, спільно розробленій інфраструктурі та відданості науковій та оперативній інтеграції.

Співпраця BMW Group з Intel Mobileye є ще одним переконливим прикладом. Кожен учасник вніс свій внесок у вигляді окремих можливостей — обчислювальної потужності, комп’ютерного зору, інтеграції транспортних засобів — для розробки рішень для автономного водіння. Спільний прототип був випробуваний на німецькій автобані, де продемонстрував безпечне водіння без використання рук в контрольованих умовах. Жоден з учасників не зміг би досягти цього самостійно.

Або візьмемо співпрацю Pfizer з BioNTech під час пандемії Covid-19. Моделі штучного інтелекту BioNTech за кілька днів перевірили понад 10 000 кандидатів на мРНК, вибравши формулу BNT162b2, яка стала вакциною. Глобальні регуляторні та виробничі можливості Pfizer, доповнені інструментами штучного інтелекту, прискорили виробництво та затвердження. Разом ці компанії перетворили сміливу ставку на історичний успіх.

Як показує цей приклад, цей квадрант має найкращі можливості для фундаментальних відкриттів — таких проривів на ранній стадії, які змінюють науку, технології або медицину. Але відкриття вимагають координації. Коли управління є нечітким, культури конфліктують або цілі розходяться, навіть найперспективніші інструменти можуть зазнати невдачі. Коли узгодженість є глибокою — коли знання, стимули та виконання розробляються спільно — результат є трансформаційним. ШІ в цьому квадранті — це не лише співпраця. Йдеться про узгодженість і те, як партнери працюють разом.

Щоб партнерства в галузі ШІ могли розкрити потужну синергію, узгодженість повинна виходити за межі прес-релізів. Гучна співпраця IBM з онкологічним центром MD Anderson мала на меті революціонізувати лікування раку за допомогою Oncology Expert Advisor на базі Watson. Незважаючи на багатообіцяючі технічні результати, проект зіткнувся з організаційними та інтеграційними проблемами. Впровадження виявилося складним, і система так і не вийшла за межі пілотної фази. Зрештою, зусилля зупинилися — не через брак амбіцій, а через те, що партнерство не змогло узгодити технології, дані та клінічну практику.

4. Лідерство платформи: формуйте норми. На вершині обох вимірів — високої технологічної широти та широкого контролю над ланцюжком створення вартості — знаходяться компанії, які не просто адаптуються до змін, а формують їх. Вони створюють інфраструктуру та екосистеми, а також розробляють продукти. Це сфера оркестрування: встановлення стандартів, відкриття API та проектування систем, на яких інші хочуть будувати.

Візьмемо, наприклад, запуск BloombergGPT, великої мовної моделі для фінансів, навченої на понад 700 мільярдах токенів. Це було не просто технічне оновлення, а стратегічний крок для визначення наступного покоління фінансової штучної інтелекту. На відміну від моделей загального призначення, BloombergGPT була навчена на унікальному поєднанні фінансових документів, звітів про прибутки та власних наборів даних, що дозволило їй узагальнювати звіти про прибутки, автоматизувати класифікацію новин та допомагати в моделюванні ризиків — і все це в тісно інтегрованій екосистемі терміналів Bloomberg. Пропозиція Bloomberg стосувалася не лише генеративної штучної інтелекту. Вона стосувалася встановлення нового стандарту в галузі.

Siemens Healthineers досягла аналогічної позиції лідера в галузі медичної візуалізації. Її пакет AI-Rad Companion інтегрується безпосередньо в системи лікарень, автоматично аналізуючи рентгенівські знімки, комп’ютерні томографії та МРТ для виявлення аномалій. Система, навчена на більш ніж 400 мільйонах сканів, надає результати, схвалені FDA, у понад 60 країнах, покращуючи точність діагностики та оптимізуючи клінічні робочі процеси. Siemens не просто продає інструменти штучного інтелекту. Вона формує те, як лікарні їх використовують, і встановлює нові стандарти медичного обслуговування.

Платформовий підхід Microsoft до штучного інтелекту поєднує інфраструктуру, інструменти та координацію екосистеми. GitHub Copilot, навчений на мільярдах рядків коду, зараз забезпечує до 40% коду, написаного підтримуваними мовами. У Microsoft 365 вбудовані AI-копілоти в Word, Excel і Teams переосмислюють спосіб виконання роботи. А завдяки Azure OpenAI Service Microsoft стала основою для генеративного штучного інтелекту в корпоративному секторі. Важливо, що вона побудувала це лідерство не тільки завдяки технічній продуктивності, але й завдяки своєму управлінню, прозорості та узгодженню з корпоративними клієнтами.

Компанії в цьому квадранті мають хороші позиції для переходу в, здавалося б, віддалені сфери завдяки своїй здатності виявляти слабкі сигнали та нові закономірності в різних географічних регіонах, галузях та сферах. Лідери платформ мають масштаб, дані та архітектурний охоплення, щоб бачити те, чого не бачать інші, і діяти раніше за всіх.

Але з таким охопленням пов’язані ризики. Здатність формувати галузі несе підвищену відповідальність за завоювання та збереження довіри — серед партнерів, регуляторних органів та кінцевих користувачів. Невдачі в цьому сегменті рідко пов’язані зі слабкою технологією. Розглянемо приклад Google, який увійшов у сферу штучного інтелекту в охороні здоров’я через свою компанію DeepMind Health. Команда співпрацювала з британськими лікарнями для розробки діагностичних моделей, навчених на реальних даних пацієнтів. З технологічної точки зору проект був багатообіцяючим. Але коли з’ясувалося, що DeepMind отримав доступ до мільйонів записів Національної служби охорони здоров’я без належного дозволу, громадськість вибухнула обуренням. Ініціатива була потім поглинена Google Health і втратила імпульс. Причиною невдачі став не алгоритм, а порушення довіри.

Залучайте своїх співробітників

У всіх чотирьох стратегіях головним викликом є не технічні аспекти, а людський. Багато ініціатив у сфері ШІ провалюються не тому, що базові алгоритми є слабкими, а тому, що люди чинять опір використанню цих інструментів. У згаданому раніше опитуванні Writer enterprise 31% співробітників зізналися, що активно чинять опір ініціативам своєї компанії у сфері ШІ — часто через побоювання бути заміненими. Кожен десятий пішов ще далі, заявивши, що втручався у показники ефективності або навмисно створював результати низької якості, щоб підірвати зусилля з впровадження.

Коли Rent a Mac, компанія з оренди пристроїв Apple, запустила систему управління запасами на основі штучного інтелекту, це викликало занепокоєння серед її співробітників. Це призвело до семитижневої затримки у впровадженні та втрати близько 85 000 доларів очікуваної економії від підвищення ефективності. Але завдяки призначенню чемпіонів зі штучного інтелекту для демонстрації реальних випадків використання, компанія побачила, як рівень залученості співробітників потроївся — з 31% до 89% всього за кілька місяців. Прозорість, діалог та особистий досвід змінили ситуацію. Компанія Colgate-Palmolive визнала важливість залучення співробітників, коли запустила внутрішній AI Hub, який дав співробітникам можливість розробляти власних помічників — тисячі помічників — без досвіду кодування. Результатом стало не тільки поліпшення робочих процесів. Це було прийняття. Коли люди відчувають себе учасниками майбутнього, вони не бояться його — вони допомагають його будувати.

Роль менеджера змінюється в організаціях, що використовують штучний інтелект. Окрім координації людей, менеджери тепер повинні допомагати командам навчитися співпрацювати з алгоритмами — інтерпретувати висновки машин, перепроектувати робочі процеси та перетворювати технічний прогрес на людський прогрес. Для цього часто потрібна культурна зміна: створення простору для експериментів, швидких невдач і навчання в режимі реального часу.

Найуспішніші організації розглядають ШІ не як відповідь, а як питання: як ми можемо працювати розумніше, разом? І в кінцевому підсумку це означає, що деякі з них присутні у всіх чотирьох квадрантах. Давайте подивимося, як це виглядає.

Лідерство в епоху ШІ

На перший погляд, P&G може здатися класичним прикладом вертикальної інтеграції. (P&G є клієнтом Iprova, де працюють двоє з нас — Крістофер і Джуліан). Завдяки всебічному контролю над усім, від науково-дослідних лабораторій до виробничих заводів і роздрібної торгівлі, компанія глибоко інтегрувала ШІ в свою операційну діяльність. Використовуючи Microsoft Azure IoT Operations, компанія скоротила час, необхідний для впровадження нових моделей машинного навчання на своїх заводах, на 90%, що дозволило прогнозним алгоритмам контролювати дані про вібрацію та температуру обладнання, передбачати його несправності та постійно оптимізувати виробництво.

Крім операційної діяльності, P&G застосовує штучний інтелект там, де це дійсно важливо. Зубна щітка Oral-B iO використовує датчики та машинне навчання в режимі реального часу, щоб навчити користувачів техніці чищення зубів, покращуючи результати гігієни порожнини рота. Команда, що стоїть за брендом Tide, використовувала штучний інтелект для прискорення тестування рецептур, скоротивши час з місяців до тижнів. Це класичні приклади цілеспрямованої диференціації — вузькі за обсягом, але глибокі за впливом.

За межами компанії P&G активно розвиває екосистеми співпраці за допомогою таких ініціатив, як довгострокова платформа Connect + Develop. Ця мережа відкритих інновацій живить інструменти на базі штучного інтелекту, такі як Olay Skin Advisor, який аналізує селфі, щоб рекомендувати режими догляду за шкірою. P&G також створила власну систему споживчих імпульсів, яка інтегрує сигнали з соціальних мереж, служби обслуговування клієнтів, оглядів продуктів та даних роздрібної торгівлі, що дає їй можливість не тільки реагувати на ринкові тенденції, але й формувати їх.

Особливістю P&G є те, що компанія свідомо працює у всіх чотирьох квадрантах: вона зосереджується на тих сферах, де штучний інтелект може принести негайну користь; інтегрується там, де масштаб сприяє підвищенню ефективності; співпрацює там, де важливі доповнювальні можливості; створює платформи, які ставлять її в центр ключових екосистем, в яких вона працює. І тим самим вона розкриває глибшу істину: стратегія може починатися в одному квадранті, але успіх будується за допомогою системи.

Наступне десятиліття виграють не ті компанії, які запустили найбільше пілотних проектів. Його виграють компанії, які знають, як масштабувати. Це означає перетворювати амбіції на дії — вибирати стратегію, яка відповідає реаліям вашої організації, надавати повноваження своїм співробітникам і узгоджувати ШІ з тим, що ви дійсно можете контролювати. Адже в кінцевому рахунку ШІ — це не стратегія. Це інструмент, який втілює стратегію в життя. Тому задайте собі складні питання: де ми маємо перевагу? Де ми можемо діяти швидко? Які інновації ми можемо реалізувати? ШІ може генерувати ідеї, але тільки ваша організація може перетворити їх на результати. Різниця між GM і Apple полягала не тільки в технології. Вона полягала в системі, яка її оточувала. Компанії, які створюють правильні системи — ті, в яких амбіції поєднуються з реалізацією, — будуть тими, які завершать пілотні проекти і стануть лідерами.

Автори:

Сиріл Буке — професор стратегії та інновацій в IMD. Він є співавтором книги «ALIEN Thinking: The Unconventional Path to Breakthrough Ideas» (2021).

Крістофер Дж. Райт — головний директор з інновацій в Iprova, швейцарській компанії, яка використовує штучний інтелект для прискорення створення проривних винаходів.

Джуліан Нолан — засновник і генеральний директор Iprova.

Джерело: Harvard Business Review (https://hbr.org)