Около двух третей роста валового внутреннего продукта США в первой половине 2025 года было обусловлено корпоративными расходами на программное обеспечение и оборудование, предназначенное для стимулирования внедрения ИИ.
Учитывая столько инвестиций и энергии, направленных на раскрытие потенциала ИИ, вполне понятно, что многие компании, инвесторы и комментаторы начинают задаваться вопросом, когда мы можем ожидать отдачи.
Они указывают на растущий «парадокс ИИ», когда компании до сих пор не могут продемонстрировать ощутимые преимущества, несмотря на увеличение инвестиций и внедрение ИИ.
Что вызывает этот растущий разрыв между потенциальной и реальной ценностью? Растет непонимание критического взаимодействия между данными, опытом и организацией рабочих процессов ИИ.
Хотя большинство бизнес-лидеров сейчас понимают, что им необходимо привести в порядок свои данные, прежде чем они смогут по-настоящему использовать возможности ИИ, многие подходят к этому процессу неправильно.
Они предпринимают крупномасштабные инициативы по миграции данных или сосредотачиваются на небольших частях своего бизнеса, чтобы сделать процесс более управляемым, но лишь немногие используют ИИ для решения проблем с данными. Они рассматривают ИИ как конечную цель проектов по гармонизации больших данных, а не как использование возможностей ИИ для раскрытия своих данных.
Содержание
Готовность данных определяет инициативы в области ИИ
Я сталкивался с этим явлением бесчисленное количество раз Компании, которые любой ценой отдают приоритет инновациям, основанным на искусственном интеллекте, без предварительного обращения к основам данных и технологий, необходимым для поддержки возможностей искусственного интеллекта.
Я также увидел обратную сторону: компании смогли перепроектировать бизнес-операции с нуля и получить огромную выгоду от ИИ. В каждом примере готовность данных является единственной определяющей характеристикой, которая отличает тех, кто правильно понимает формулу ИИ, от тех, кто изо всех сил пытается пройти этап проверки концепции.
Чтобы ИИ действительно приносил пользу на уровне предприятия, он должен иметь возможность использовать различные структурированные и неструктурированные наборы данных из всех областей компании. В большинстве случаев эти наборы данных изолированы, неполны, несовместимы или недоступны для различных частей организации.
Эта фрагментация ограничивает потенциал многих проектов ИИ сегодня. Это также проблема, которую ИИ способен решить однозначно. Благодаря сегодняшнему ИИ-агенту можно использовать ИИ для автоматизации обнаружения, обработки и преобразования данных, что делает нужные данные готовыми к использованию ИИ на предприятии.
Реорганизация процессов компании с нуля
Например, индустрия страхования имущества и от несчастных случаев (P&C) стала одной из наиболее плодотворных площадок для испытаний ИИ, поскольку этот бизнес процветает на неструктурированных данных и требует набора стандартизированных и повторяющихся, но очень сложных процессов для правильного функционирования.
По сути, этот рабочий процесс созрел для трансформации с помощью ИИ. Тем не менее, многим страховщикам сложно полностью интегрировать ИИ в этот процесс, поскольку они не могут использовать свои базовые активы данных для поддержки действительно бесперебойного потока информации.
Честно говоря, это сложный процесс. От андеррайтинга до выплат по претензиям, процессы страхования в значительной степени зависят от данных, но на каждом этапе они обрабатываются и хранятся по-разному. андеррайтеры, Обслуживание клиентов, финансы и управление счетами используют отдельные наборы данных, и процесс часто контролируется посредством передачи управления вручную.
Несмотря на достижения в области технологий, страховщикам теперь требуется в среднем 44 дня для обработки типичного заявления домовладельца, от подачи до выплаты. Вместо оптимизации рабочих процессов этот процесс стал медленнее, чем когда-либо.
Встраивание агентов искусственного интеллекта в критические точки сложных рабочих процессов
Так не должно быть. Страховщики, которые используют ИИ не как отдельное решение или доказательство концепции, а как способ перепроектировать критические соединения к данным и внедрить агентов ИИ в свои архитектуры данных, видят совершенно другие результаты.
Например, крупный национальный страховщик недавно запустил проект по ускорению обработки своего первого отчета о претензиях с целью сокращения времени между сообщением клиента о происшествии и получением платежа.
Внедрив искусственный интеллект агентов в ключевые моменты процесса и, что особенно важно, структурировав все данные так, чтобы их можно было обрабатывать в единообразном стандартизированном формате, они смогли сократить время обработки претензий с нескольких недель до двух дней.
Секрет всего проекта не в том, что «больше, лучше». большая языковая модель или больше инвестиций в ИИ. Управление ИИ в рабочем процессе продолжало улучшаться.
Страховщику необходимо было иметь возможность хореографировать весь спектр изображений происшествий, аудиозвонков, заметок монтажников, данных о претензиях, исторического контекста, идентификационных номеров транспортных средств, проверок качества данных, обзоров страхового покрытия и проверок на мошенничество, чтобы поддерживать гармонизированный рабочий процесс на базе искусственного интеллекта.
Например, страховщик смог внедрить агентов искусственного интеллекта, которые сосредоточены на качестве данных и работают вместе с агентами искусственного интеллекта, ориентированными на операционную деятельность, которые контролируют текущие операции и вмешиваются в случае перебоев или нарушений в рабочем процессе.
Эта возможность заставить агентов ИИ работать вместе, а не работать в вертикальных разрозненных зданиях, обеспечивает полноценный корпоративный рабочий процесс ИИ, который обеспечивает действительно революционные результаты.
Развертывая скоординированные агенты искусственного интеллекта в ключевых наборах данных, компании могут создать единую магистраль данных, поддерживающую кросс-функциональные операции. Такой подход позволяет системам беспрепятственно сотрудничать, адаптироваться и выполнять сложные рабочие процессы.
Данные, домен и искусственный интеллект
По мере того, как мы приближаемся к трехлетнему юбилею запуска ChatGPT и великому пробуждению мира к потенциалу генеративного и агентного искусственного интеллекта для настоящей трансформации бизнеса, многие комментаторы искали трещины в фундаменте — примеры, которые предполагают, что результаты не соответствуют шумихе.
Фактически, результаты наиболее практичны для компаний, которые понимают практическую суть. Познакомиться с приложениями искусственного интеллекта и потратить время не только на разработку инструментов, но и на перепроектирование основных функций — это просто замечательно.
Для тех, кто сталкивается с проблемами, обычно важна не сама технология, а способность эффективно ее интегрировать.
Это не та технология, которую вы покупаете с полки, подключаете и ждете результатов. Для этого требуются специалисты по реализации ИИ, которые знают, как обращаться с данными, необходимыми для ИИ, и обладают детальными знаниями отраслевых рабочих процессов, которые лучше всего подходят для трансформации.
Это тонкий баланс, но если вы правильно поймете формулу, ограничений не будет.
Мы представили лучшего автора ИИ.
Эта статья была создана в рамках канала Expert Insights от TechRadarPro, где мы рассказываем о лучших и ярких умах в области технологий сегодня. Мнения, выраженные здесь, принадлежат автору и не обязательно принадлежат TechRadarPro или Future plc. Если вы заинтересованы в участии, узнайте больше здесь:
