Соціально-економічні аспекти застосування штучного інтелекту в бізнес-середовищі: переваги та ризики

Джерело: сформовано автором

За критерієм призначення розрізняють: аналітичний ШІ, до якого відносяться усі види експертних систем, які призначені для надання порад і підтримки прийняття рішень; функціональний ШІ, який підтримує функціонал інтернет-пристроїв (Internet of Things), інтерактивний ШІ, який є орієнтованим на спілкування; текстовий ШІ, призначенням якого є робота з текстами та мовами; та візуальний ШІ - для роботи з об'єктами та відео.

За критерієм технологічності розділяють: роботизовану автоматизацію процесів, тобто інтеграцію ШІ в проєктування та розробку роботів, здатних сприймати навколишнє середовище, приймати рішення та виконувати дії; розпізнавання мови - комп'ютерний або машинний або зір, де перший - це загальний набір методів та алгоритмів, які дозволяють комп'ютерам бачити, а другий - симбіоз цифрових та інтелектуальних відеокамер з програмним забезпеченням для обробки зображення та виконання аналітичних перевірок; і, нарешті, Data science - міждисциплінарна галузь знань для роботи з великими базами даних (Big Data) та рішення аналітично складних задач.

За критерієм функціональності до ШІ відносяться: найпростіші Reactive Machine, які не вчаться на минулому досвіді, а лише реагують на поточні умови, тобто мають обмежену функціональність на основі пам'яті; Limited Memory AI має певні можливості збереження пам'яті, але в обмеженому обсязі; Theory of Mind AI стосується здатності машини приймати рішення так само, як і люди ; Self-Awareness AI має свідомість людського рівня та розвинену самосвідомість.

Критерій можливостей порівнює його з людиною: ШІ з вузькими та обмеженими можливостями - Artificial Narrow Intelligence (ANI); ШІ на рівні з людськими можливостями - Artificial General Intelligence (AGI) та ШІ, який перевершує можливості людини - Artificial Super Intelligence (ASI).

Залучення ШІ до сучасних бізнес -процесів у промисловості є безумовною інновацією, яка потребуватиме їхнього нового дизайну. Варто зазначити, що будь-яке удосконалення бізнес-процесів спрямоване, у першу чергу, на підвищення їхньої ефективності, гнучкості та відповідності до мінливих потреб бізнес - середовища. Найпростіший ШІ вже повсюдно використовується на промислових підприємствах у вигляді роботизованих автоматичних процесів, реактивних машин з вузькими можливостями (табл. 1). На сучасному етапі розвитку ШІ йдеться вже про прийняття ним певного кола управлінських рішень замість людини, організацію взаємодії між різними виробничими процесами за його допомогою та без втручання персоналу підприємства. Я. Кьолер означила два тренда в організації бізнес-процесів, які є характерними для інноваційного виробництва, в діяльності якого ШІ застосовується для виконання певних управлінських функцій - це орієнтування на кейси та правила, а також виробництво та споживання великих обсягів даних [5, с. 56].

Таким чином, ШІ-орієнтований дизайн бізнес-процесів передбачає наступні основні характеристики:

- кейсо-залежність - оскільки машинне навчання відбувається на основі доступних для ШІ реальних господарчих ситуацій, то з його боку цілком очікуваними будуть рішення, що впроваджують звичайні або найкращі практики, які вже було застосовано в аналогічній ситуації;

- правило-орієнтування передбачає управління на засадах правил та алгоритмів, які є необхідною умовою для автоматизації бізнес-рішень. Для цього політика компанії описується за допомогою керівних принципів і обмежень, які, у свою чергу, роблять бізнес-рішення більш прозорими та керованими;

- Big Data-інтеграція передбачає обробку великих масивів інформації для прийняття кожного рішення.

Відповідна бізнес-модель виглядає наступним чином: на основі великої бази даних здійснюється прогнозування у формі певних передбачень, які є основою для вибору рішення, що визначає, як і які мають здійснюватися дії. Модель також передбачає зміни у бізнес-процесах і процесах прийняття рішень, які лежать в їхній основі. Оскільки дії впливають на майбутнє, то отримані результати можуть відрізнятися від попередніх передбачень. Але, водночас, передбачення впливають на майбутнє за рахунок реалізації феномену самореалізованого пророцтва, який випливає з теореми Томаса про те, що в людській поведінці наслідки визначаються не реальністю, а думкою про неї. Таким чином, прогнози та реальність сплітаються в єдине ціле і впливають один на одного. На новій ітерації циклу майбутнє із попереднього циклу становиться теперішнім часом наступного циклу і процес повторюється, оскільки з'являються нові, змінені дані (рис. 1).

Рис. 1 Новий дизайн бізнес-процесів зі застосуванням штучного інтелекту Джерело: удосконалено автором [5, с. 56]

Рис. 1 ілюструє, що ШІ в управлінні підприємством являє собою комп'ютерні технології, за допомогою яких можна провести інноваційний реінжиніринг бізнес - процесів за двома схемами:

1) штучний розумний агент підтримує менеджера при прийнятті управлінських рішень, надаючи необхідну інформацію та/або рекомендації;

2) штучний розумний агент заміняє менеджера при прийнятті управлінських рішень, тобто на певній стації прийняття рішень перевагу було віддано машині, а не людині.

Перший варіант можна назвати перехідним, бо він не потребує кардинальних організаційно-управлінських перетворень, але значно полегшує доступ менеджерів до релевантної інформації, підвищує продуктивність їхньої праці. Менеджери безпосередньо несуть відповідальність за управлінські рішення, що було прийнято за втручання ШІ, так, якби то були їхні власні рішення. Другий варіант виводить організацію на вищий рівень технологічності та автоматизації бізнес -процесів. За такої схеми продуктивність праці становиться ще вищою, ірраціональність управління практично зводиться до нуля, але, водночас, створюються умови для більш високих ризиків, пов'язаних з поки що низьким рівнем довіри до інтелекту машини, неясністю мотивів, за якими ШІ приймає рішення, та можливістю використання неоптимальних алгоритмів, які будуть приводити до повторення одних і тих самих помилок та інших. Тому, перш ніж повністю заміняти людину ШІ, організації повинні визнати та зрозуміти ризики, причини, що їх викликали, а також наслідки, з якими може штовхнутися організація, у випадку виникнення таких ризиків (табл. 2).

Група українських вчених - К. М. Марченко, О. В. Оришака, А. К. Марченко, А. М. Мельник, - відносять ШІ до категорій високого ризику і тому не рекомендують використовувати його у сферах, пов'язаних з безпекою, здоров'ям та життям людини, особливо великих людських колективів [14, с. 122]. Такої ж думки дотримуються європейські політики, які до кінця року прагнуть запровадити найбільш жорсткий у світі законодавчий режим щодо розвитку ШІ та заборонити його використання в охороні здоров'я, критичній інфраструктурі та освіті.

Вважаємо, що прогрес не варто зупиняти, побоюючись ризиків та їхніх наслідків, - варто зрозуміти як запобігати і керувати ними. Тому ми рекомендуємо керівництву промислових підприємств, зацікавленому в отриманні переваг ШІ, впроваджувати централізовану політику, яка допоможе мінімізувати ймовірність того, що ШІ-ризики негативно вплинуть на їхні організації.

Політика підприємства щодо запобігання ШІ-ризиків має:

- забезпечувати використання високоякісних даних для машинного навчання;

- вимагати тестування та перевірки для викорінення ненавмисних упереджень;

- передбачати постійний моніторинг, щоб упередження не проникали в системи машинного навчання, а також щоб виявляти будь -які несподівані наслідки, які виникають під час використання ШІ;

- сформулювати рамки, які гарантуватимуть, що система ШІ містить установки та обмеження для створення етичних, прозорих, чесних і неупереджених результатів, а працівники контролюють ці системи для підтвердження того, що отримані результати відповідають встановленим стандартам організації.

Таким чином, для реалізації політики підприємства щодо запобігання ШІризиків необхідно використовувати спеціальний контур керування і організацію адекватного контролю за ШІ-рішеннями. В якості такого гаранта безпеки рекомендується використовувати систему ризик-контролінгу. Дійсно, такі принципи контролінгу як прозорість, своєчасність, достовірність та оптимальність здатні вивести ШІ-рішення з «сірої зони» високих ризиків та підвищити ефективність будь-якої діяльності. Таким чином, можна говорити про розширення повноважень системи контролінгу на підприємстві і нового бачення самої системи контролінгу, яка з контрольно -розрахункової перетвориться на управлінсько - наглядову систему (рис. 2).

Рис. 2 Контролінговий контур управління ШІ-ризиками

Джерело: розроблено автором на основі [5, с. 56]

У контексті цифрових та технологічних перетворень в бізнес -середовищі вітчизняні та західні автори визначають появу нового інституційного напрямку розвитку концепції контролінгу - дигітального контролінгу або дигітальної моделі контролінгу [8, с. 3; 10, с. 105]. Дигітальна модель контролінгу відкриває багато нових можливостей для прийняття ефективних управлінських рішень практично в реальному часі, і тому може стати основою контролінгового контуру управління ШІ-ризиками. Оскільки системний контур контролінгу охоплює крім інформаційної системи ще систему цілей підприємства та системи, що забезпечують прийняття та реалізацію управлінських рішень (а саме, систему планування, контрольно-аналітичну систему, систему мотивування та регулюючу систему), то тим самим забезпечується ефективний контроль за ШІ -ризиками.

О. О. Терещенко стверджує, що у господарчих системах з великими ризиками їхня контрольованість забезпечується внутрішнім аудитом та системою ризик - контролінгу, де завданнями останнього є розбудова та підтримка функціональної спроможності системи ризик-менеджменту [15]. За визначенням І. Г. Фадєєвої та О. І. Гринюк ризик-контролінг - це технологія проактивного управління, яка ґрунтується на застосуванні передового методичного інструментарію оцінювання та прогнозування аномальних та екстремальних негативних відхилень та забезпечує своєчасне прийняття рішень відповідно до заявлених орієнтирів діяльності підприємства [11, с. 214]. Ключовим моментом тут є поняття «проактивного» управління ризиками. Тобто на відміну від реактивного підходу, коли має місце часовий лаг реалізації необхідних дій у відповідь на запит внутрішніх та зовнішніх ризикоутворюючих факторів, проактивний підхід дає змогу передбачати появу нових або дію попередньо ідентифікованих ризикоутворюючих факторів та рівень їхнього негативного впливу на підприємство і, разом з тим, спрогнозувати їхню імовірну трансформацію в ризик-події та своєчасно застосовувати запобіжні заходи управління.

Для виконання нових завдань необхідний високий рівень готовності до навчання з точки зору нових управлінських зв'язків та відкритості до особливих менталітетів розробників нових бізнес-моделей. Це потребує новітніх навичок від служби контролінгу, оскільки разом з низкою позитивних моментів та можливостей, які відкривають інформаційні трансформації суспільства для господарюючих суб'єктів, вони несуть за собою також перевантаження інформацією, її ускладнення та непередбачуваність. Ці фактори негативно впливають на здатність бачити широку картину стану підприємства та приймати ефективні управлінські рішення. З іншого боку, процес прийняття рішень стає дедалі все більш інформаційним, тобто менеджери стикаються з багатьма викликами та труднощами, намагаючись ефективно керувати інформаційною перевантаженістю. Їм на допомогу приходять технологічні рішення для збирання, обробки, аналізу даних та інтерпретації інформації. Management Cockpit (англ. кабіна або панель керування) є одним із них.

Візуалізація даних з аналітичним розумінням особливостей компанії є основою Management Cockpit для отримання нового погляду як на конкретні рішення, так і на ведення бізнесу в цілому. Загалом, він покликаний зробити управління більш продуктивним шляхом покращення комунікації та зосередження уваги на стратегічних питаннях на засадах інформаційних активів компанії. До переваг Management Cockpit відносяться [10, c. 106]:

- швидке отримання необхідної інформації менеджерами у зрозумілому та наглядному середовищі, що є необхідним для прийняття кращих та більш обґрунтованих рішень;

- переклад місії та стратегії в комплект кількісно вимірюваних показників;

- забезпечення стратегічних цілей планом заходів для їхнього досягнення, що допомагає зрозуміти статус усіх рішень, пов'язаних з окремими проектами, стратегічними цілями та узгодженими діями;

- зосередження на релевантній інформації, що прискорює та поліпшує процес прийняття управлінського рішення;

- завчасно надає попереджувальну інформацію;

- формування спільної команди для досягнення загальної мети;

- впровадження корпоративної культури на засадах прозорості та високої продуктивності;

- сприяє кращому сприйняттю інформації;

- максимізує ефект від використання систем показників.

Controlling Cockpit є продовженням ідеї візуалізації даних та бізнес -аналітики стосовно контролінгової інформації. До цього часу сфери застосування цього контролінгового інструменту обмежувалися вартістю компанії, фінансами, споживачами, проєктами та співробітниками. В умовах необхідності організації адекватного контролю за ШІ-рішеннями Controlling Cockpit акумулює та обробляє контролінгову інформацію, генерує електронні звіти, а також використовується для управління за відхиленнями, бо дозволяє швидко ідентифікувати критичні моменти та приборкати ситуацію.

Висновки і перспективи подальших розробок

Таким чином, у статті проаналізовано підходи щодо застосування ШІ на промисловому підприємстві, розглянуто види ШІ за критеріями його застосування в бізнес -середовищі; систематизовано ризики, загрози та етичні питання, які виникають при застосуванні ШІ на підприємстві, а також причини та наслідки їхнього виникнення для організації; запропоновано контур керування і організацію адекватного контролю за рішеннями ШІ на засадах Management Cockpit і Controlling Cockpit. За результатами дослідження можна дійти таких висновків:

- застосування ШІ підвищує ефективність діяльності промислового підприємства;

- найпростіший ШІ вже повсюдно використовується на промислових підприємствах у вигляді роботизованих автоматичних процесів, реактивних машин з вузькими можливостями; на сучасному етапі розвитку ШІ йдеться вже про прийняття ним певного кола управлінських рішень замість людини, організацію взаємодії між різними виробничими процесами за його допомогою та без втручання персоналу підприємства;

- комплексне заміщення персоналу за рахунок ШІ при прийнятті управлінських рішень пов'язано з суттєвими ризиками, які можуть завдати шкоду операційній діяльності, безпеці, фінансовому стану та репутації підприємства;

- контролінговий контур управління ШІ ризиками забезпечує проактивний ризик-контролінг із застосуванням передового методичного інструментарію оцінювання та прогнозування аномальних та екстремальних негативних відхилень, що забезпечує своєчасне прийняття рішень відповідно до заявлених орієнтирів діяльності підприємства;

- Management Cockpit і Controlling Cockpit можуть бути використані для організації адекватного контролю за ШІ-рішеннями.

Перспективи подальших досліджень стосуються розробки контролінгових рішень для ефективного та безпечного використання ШІ на промисловому підприємстві.

Література

1. Машлій Г., Мосій О., Пельчер М. Дослідження управлінських аспектів використання штучного інтелекту. Галицький економічний вісник. 2019. Т. 57. № 2. С. 80-89. DOI: https://doi.org/10.33108/galicianvisnyk_tntu2019.02.080.

2. Стратегія розвитку штучного інтелекту в Україні: монографія / За заг. ред. А. І. Шевченка. Київ: Інститут проблем штучного інтелекту МОН і НАН України, 2023. 305 с.

3. Азьмук Н. А. Штучний інтелект у процесі праці у цифровій економіці: нові виклики і можливості. Економічний вісник Донбасу. 2019. № 3 (57). С. 137-145. DOI: 10.12958/1817-3772-2019-3(57)-137-145.

4. Яненкова І. Г. Переваги та ризики використання штучного інтелекту в Україні та світі. Ефективна економіка. 2020. № 4. URL: http://www.economy.nayka.com.ua/?op=1&z=7820 (дата звернення: 23.05.2023). DOI: 10.32702/2307-2105-2020.4.19.

5. Koehler, J. Business Process Innovation with Artificial Intelligence: Levering Benefits and Controlling Operational Risks. European Business & Management. 2018. Vol. 4. Issue 2. Pр. 55-66. DOI: 10.11648/j.ebm.20180402.12.

6. Raimondo G. M., Locascio L. E. The Artificial Intelligence Risk Management Framework (AI RMF 1.0). National Institute of Standards and Technology & U.S. Department of Commerce. 2023. 42 p. DOI: https://doi.org/10.6028/NIST.AI.100-1.

7. Cheatham B., Javanmardian K., Samandari H. Confronting the risks of artificial intelligence. McKinsey Quarterly. 2019. URL: https://www.mckinsey.com/capabilities/quantumblack/ourinsights/confronting-the-risks-of-artificial-intelligence (access date: 24.05.2023).

8. Horvath P., Michel U. Digital Controlling & Simple Finance. Die Zukunft der Unternehmenssteuerung. 1. Auflage, Schaffer, Poeschel, 2016. 240 p.

9. Reichmann, T., Kihler, M., Baumol, U. Controlling mit Kennzahlen - Die systemgestutzte Controlling-Konzeption. Auflage, Munchen: Vahlen, 2017, 890 p.

10. Дегтярьова О. О. Трансформація контролінгу в умовах диґіталізації. Причорноморські економічні студії. 2020. Вип. 54/2020. C. 104-107. DOI: http://doi.org/10.32843/bses.54-16.

11. Фадеева І. Г., Гринюк О. І. Нечітка логіка як інструмент ризик-контролінгу в контексті проактивного управління нафтогазовидобувними підприємствами. Бізнес Інформ. 2019. № 4. С. 212-220. DOI: https://doi.org/10.32983/2222-4459-2019-4-212-220.

12. Turing, A. (1950). Computing Machinery and Intelligence. Mind, LIX (236). Pp. 433-460. DOI: 10.1093/mind/LIX.236.433.

13. Generative AI could raise global GDP by 7%. Goldman Sachs Research, 2023. URL: https://www.goldmansachs.com/insights/pages/generative-ai-could-raise-global-gdp-by-7percent.html (access date: 26.05.2023).

14. Марченко К. М., Оришака О. В., Марченко А. К., Мельник А. М. Ризики впровадження штучного інтелекту в комп'ютерні системи. Центральноукраїнський науковий вісник. Серія: Технічні науки. 2022. Вип. 5 (36). Ч. 1. С. 119-124.

15. Терещенко О. О. Антикризове управління фінансами підприємств: автореф. дис. на здобуття наук. ступеня доктора екон. наук: спец. 08.04.01 «Фінанси, грошовий обіг і кредит». Київ, 2005. 34 с.

References

1. Mashliy, G., Mosiy, O., Pelcher, M. (2019). Information provided for labor relationship management as compositional social responsibility of enterprises [Doslidzhennia upravlinskykh aspektiv vykorystannia shtuchnoho intelektu], Galician economic bulletin (Tern.), Vol. 57, No. 2, s. 80-89 DOI: https://doi.org/10.33108/galicianvisnyk_tntu2019.02.080 [in Ukrainian]

2. Strategy of the artificial intelligence development in Ukraine: monograph (2023). Ed. by A. I. Shevchenko [Stratehiia rozvytku shtuchnoho intelektu v Ukraini: monohrafiia; za red. A. I. Shevchenko], Instytut problem shtuchnoho intelektu MON i NAN Ukrainy, Kyiv, 305 s. [in Ukrainian]

3. Azmuk, N. А. (2019). Artificial intelligence in labor processes in conditions of digital economics: new challenges and opportunities [Shtuchnyi intelekt u protsesi pratsi u tsyfrovii ekonomitsi: novi vyklyky i mozhlyvosti], Ekomomichnyi visnyk Donbasu, No. 3 (57), s. 137-145. DOI: 10.12958/1817-3772-2019-3(57)-137-145 [in Ukrainian]

4. Yanenkova, I. G. (2020). Advantages and risks of artificial intelligence using in Ukraine and in the world [Perevagy ta ryzyky vykorystannia shtuchnoho intelektu v Ukraini ta sviti], Efektyvna ekonomika, Vol. 4. DOI: 10.32702/2307-2105-2020.4.19 [in Ukrainian]

5. Koehler, J. (2018). Business Process Innovation with Artificial Intelligence: Levering Benefits and Controlling Operational Risks. European Business & Management, Vol. 4, Issue 2, pp. 55-66. DOI: 10.11648/j.ebm.20180402.12.

6. Raimondo, G. M., & Locascio, L. E. (2023). The Artificial Intelligence Risk Management Framework (AIRMF 1.0). National Institute of Standards and Technology & U.S. Department of Commerce. 42 p. DOI: https://doi.org/10.6028/NIST.AI.100-1.

7. Cheatham, B., Javanmardian, K., & Samandari, H. (2019). Confronting the risks of artificial intelligence. McKinsey Quarterly. Retrieved from: https://www.mckinsey.com/capabilities/ quantumblack/our-insights/confronting-the-risks-of-artificial-intelligence.

8. Horvath, P., & Michel, U. (2016). Digital Controlling & Simple Finance. Die Zukunft der Unternehmenssteuerung. 1. Auflage, Schaffer, Poeschel, 240 p.

9. Reichmann, T., KiBler, M., & Baumol, U. (2017). Controlling mit Kennzahlen - Die systemgestutzte Controlling-Konzeption, 9. Auflage, Munchen: Vahlen, 890 p.

10. Degtiareva, О. О. (2020). Transformation of controlling in the context of digitalization [Trasformatsiia kontrolinhu v umovakh dyhitalizatsii], Prychornomorski ekonomichni studii, Issue 54/2020, s. 104-107. DOI: http://doi.org/10.32843/bses.54-16 [in Ukrainian]

11. Fadeyeva, I. G., & Gryniuk, O. I. (2019). Fuzzy logic as a risk-controlling instrument in the context of proactive management of the oil and gas producing enterprises [Nechitka lohika yak instrument ryzyk-kontrolinhu v konteksti proaktyvnoho upravlinnia naftohazovydobuvnymy pidpryiemstvamy], Biznes Inform, No. 4, s. 212-220. DOI: https://doi.org/10.32983/2222-4459-2019-4-212-220 [in Ukrainian]

12. Turing, A. (1950). Computing Machinery and Intelligence. Mind, LIX (236), pp. 433-460. DOI: 10.1093/mind/LIX.236.433.

13. Generative AI could raise global GDP by 7%. Goldman Sachs Research, 2023. Retrieved from: https://www.goldmansachs.com/insights/pages/generative-ai-could-raise-global-gdp-by7-percent.html.

14. Marchenko, К. M., Oryshaka, О. B., Marchenko, А. K., & Melnyk, А. M. (2022). Risks of implementing artificial intelligence in computer systems [Ryzyky vprovadzhennia shtuchnoho intelektu v kompiuterni systemy], Tsentralnoukrainskyi naukovyi visnyk, Seriia: Tekhnichni nauky, Issue 5 (36), Ch. 1, s. 119-124 [in Ukrainian]

15. Tereshchenko, О. О. (2005). Anti-crisis management of enterprise finances: dissertation abstract [Antykryzove upravlinnia finansamy pidpryiemstv: avtoreferat dysertatsii doktora ekon. nauk], Kyiv, 34 s. [in Ukrainian]

Размещено на Allbest.ru