# Рави Бапна и Аниндья Гхош: «ИИ не заменит менеджеров, но изменит правила игры в бизнесе» Источник: https://www.youtube.com/watch?v=bwS_PJBni8Y Канал: Talks at Google Опубликовано: 08.01.2025 --- В эпоху стремительного развития технологий искусственный интеллект (ИИ) часто воспринимается либо как угроза, либо как магическое решение всех проблем. Профессора Рави Бапна и Аниндья Гхош в своей книге «Thrive: Maximizing Well-Being in the Age of AI» предлагают прагматичный взгляд на индустрию, основанный на 40-летнем совокупном опыте исследований и консалтинга. Основная идея авторов заключается в том, что для истинного процветания в новую эпоху необходимо преодолеть дефицит воображения у руководства компаний и научиться использовать те 97% данных, которые сегодня остаются невостребованными. ## 🏗️ «Дом ИИ» и проблема неиспользуемых данных [[JUMP:01:31]] Одной из главных проблем современной корпоративной среды Рави Бапна называет колоссальный разрыв между объёмом собираемой информации и её реальным использованием [1:49]. Ссылаясь на исследования Gartner, он отмечает, что компании используют в среднем лишь 3% имеющихся у них данных для принятия решений [2:16]. Остальные 97% превращаются в «цифровой мусор» из-за трёх факторов инерции: привычки делать всё по-старому, неведения о возможностях технологий и отсутствия воображения у лидеров [2:41]. Чтобы демистифицировать технологию, авторы представили концепцию «Дома ИИ» (House of AI) — иерархическую структуру применения данных [5:07]: * **Фундамент:** Данная инженерия (очистка, агрегация и трансформация данных). * **Первый уровень:** Описательная аналитика и поиск аномалий (например, для выявления фрода в банках). * **Основные столпы:** Прогнозирование (Prediction), понимание причинно-следственных связей (Causal Inference) и оптимизация. * **Верхние уровни:** Глубокое обучение для работы с изображениями, видео и текстом, обучение с подкреплением (Reinforcement Learning) и генеративный ИИ [5:47]. Рави Бапна подчёркивает, что несмотря на хайп вокруг генеративного ИИ, ведущие эксперты отрасли полагают, что в ближайшие три года около 70% экономической ценности всё ещё будет приносить «традиционный» ИИ (прогнозирование и классификация) [4:40]. ## 🏥 Медицина и экология: как ИИ спасает жизни [[JUMP:06:27]] Авторы приводят конкретные примеры того, как анализ «обогащённых» данных меняет социальную сферу. В секторе здравоохранения Рави Бапна выделяет два кейса: 1. **Мониторинг беременности с WHOOP:** Носимые устройства позволяют отслеживать вариабельность сердечного ритма (HRV) [7:08]. Исследования показали, что за семь недель до родов наблюдается характерное снижение этого показателя. Если алгоритм фиксирует аномальное изменение, например, на 10-й неделе до срока, он может предупредить о риске преждевременных родов [7:46]. По мнению профессора, это критически важно для «пустынь материнства» (maternity deserts) — районов США (35% округов), где доступ к акушерской помощи крайне ограничен [7:34]. 2. **Диагностика рака в MaMMa Klinika:** Венгерская клиника внедрила модели глубокого обучения для анализа маммограмм [8:13]. С 2021 года ИИ обнаружил 22 случая рака, которые были пропущены врачами-радиологами [8:40]. В экологии ИИ позволяет перейти от статичных проверок к динамическому мониторингу. Профессор описывает ситуацию с закрытием пляжей из-за бактерий: традиционно пробы берутся раз в две недели, и пляж может быть закрыт на 14 дней на основании одного замера [9:34]. Современные системы, объединяющие данные сенсоров, спутниковые снимки и записи о землепользовании, позволяют отслеживать качество воды в реальном времени, сокращая время закрытия до нескольких часов [9:47]. ## ⚖️ Мифы о предвзятости и новая HR-аналитика [[JUMP:10:28]] Обсуждая этические аспекты, Рави Бапна утверждает, что медиа склонны раздувать негатив вокруг алгоритмической предвзятости, хотя сам ИИ является лучшим инструментом для её исправления [12:18]. Классическим примером провала считается алгоритм Amazon для скрининга резюме, который пять лет назад начал дискриминировать женщин, так как обучался на исторических данных, где в ИТ-сфере доминировали мужчины [11:11]. Бапна и Гхош предлагают использовать обучение с подкреплением для стратегии «разведки и эксплуатации» (explore and exploit) [11:36]: * Алгоритм выделяет условные 20% ресурсов на проверку кандидатов, которые не являются фаворитами системы, но представляют недопредставленные группы (женщин, меньшинства). * Такой подход позволяет системе «узнать», что эти кандидаты могут быть отличными специалистами, тем самым корректируя исторические социальные искажения в данных [12:06]. ## 📈 Экономика стека ИИ и антимонопольные риски [[JUMP:17:25]] Аниндья Гхош подробно разбирает структуру рынка ИИ, выделяя четыре уровня «стека» [24:39]: 1. **Полупроводники:** Nvidia (GPU), Google (TPU), Amazon (Trainium). 2. **Облачные вычисления:** Google, Microsoft, Amazon. Эти три гиганта ежегодно тратят около $100 млрд только на поддержание инфраструктуры [25:56]. 3. **Модели (LLM):** Открытые (Llama от Meta) и закрытые (OpenAI). 4. **Приложения:** Сервисы на базе моделей. По мнению Аниндья Гхоша, концентрация одних и тех же компаний на всех уровнях стека создаёт регуляторные риски [27:33]. Основные опасения экономистов связаны с «пакетными продажами» (bundling) и «связыванием» (tying), когда доминирующие игроки могут заставлять клиентов использовать свои облака или чипы для доступа к лучшим моделям [28:53]. При этом Гхош отмечает парадокс: ИИ фактически снижает барьеры для входа малого бизнеса. Благодаря предобученным моделям и технологиям вроде RAG (Retrieval-Augmented Generation), стартапам больше не нужно обладать гигантскими массивами данных для старта, что нивелирует преимущество «первопроходцев» [21:42]. Отдельно Гхош подчеркивает геополитическую значимость компании TSMC в Тайване. Поскольку TSMC производит чипы практически для всех участников рынка (включая Apple, Nvidia и Google), контроль над Тайванем становится ключевым фактором в глобальной борьбе за технологическое лидерство [30:51]. ## 🎓 Перезагрузка образования и менеджмента [[JUMP:40:45]] Авторы скептически относятся к идее, что «промпт-инжиниринг» — это главный навык будущего. Исследования показывают противоречивые результаты: в одних случаях ИИ помогает новичкам, в других — мешает экспертам из-за галлюцинаций [14:11]. По мнению Рави Бапны, истинный дефицит наблюдается не в кадрах дата-сайентистов, а в качестве управления. Он приводит историю выпускницы программы по ИИ, которую в крупной компании заставили делать простые отчеты в Excel вместо внедрения алгоритмов обучения с подкреплением [16:40]. Именно поэтому авторы призывают к реализации «плана Маршалла» по переобучению топ-менеджмента [17:10]. Ключевые рекомендации профессоров по внедрению ИИ: * **Правило 70%:** Около 70% времени и ресурсов проекта должно уходить на очистку и инженерию данных, а не на само моделирование. «Мусор на входе — мусор на выходе» остается главным законом [44:18]. * **Бизнес-задача первична:** Не стоит начинать с создания «озера данных» в надежде найти там инсайты. Нужно идти от конкретной проблемы (например, прогнозирование нехватки медсестер в больнице) и подбирать под неё данные [41:55]. * **ИИ в образовании:** Использование персональных тьюторов, таких как Khanmigo от Khan Academy, позволяет демократизировать качественное обучение. Алгоритм не дает ребенку готовый ответ на задачу по матанализу, а задает наводящие вопросы, имитируя работу элитного репетитора [52:03]. В завершение Аниндья Гхош и Рави Бапна резюмируют: ИИ не заменит менеджеров, но менеджеры, использующие ИИ, заменят тех, кто этого не делает [52:42].