Tazabek - В мире всё чаще звучат призывы к компаниям ускорить внедрение автоматизации на основе ИИ, если они хотят сохранять конкурентоспособность. Однако за этим трендом стоит не только технологический прогресс, но и значительные затраты. Об этом говорили ведущие эксперты в области экономики инноваций, глобального управления и развития искусственного интеллекта на площадке Международного валютного фонда.

По словам директора MIT FutureTech Нила Томпсона, ключевая сложность заключается в высокой стоимости внедрения, особенно на этапе так называемой «последней мили» — тонкой настройки моделей под конкретные задачи и требования бизнеса.

«Мы наблюдаем огромный потенциал и часто говорим, что значительная часть работы может быть автоматизирована. Но когда начинаешь разбирать, что именно нужно сделать для этого на практике, становятся очевидны масштабные затраты », — сказал он.

Как рассказал Томпсон, большинство текущих решений пока внедряются точечно — внутри отдельных проектов и компаний. Однако макроэкономический эффект, при котором одна фирма явно опережает другую за счёт более активного использования ИИ, пока не наблюдается.

«Очевидно, что потенциал огромен, и по мере распространения технологий конкурентное преимущество, связанное с ИИ, станет всё более значимым фактором», — добавил он.

Заместитель председателя Национального банка Молдовы Михня Константинеску отметил, что для компаний, работающих в сфере аутсорсинга и разработки типовых решений, автоматизация может стать риском: задачи, которые легко формализуются, со временем будут дешевле выполняться ИИ, чем людьми. В то же время для стартапов это открывает новые возможности.

По его словам, ключевым ресурсом становятся данные и отраслевые знания: именно они формируют конкурентное преимущество в эпоху ИИ. Малые страны и компании, по его мнению, могут занять устойчивые позиции, сосредоточившись на узких нишах и специализированной экспертизе .

Руководитель экономического направления Anthropic Питер Маккрори добавил, что при внедрении сложных моделей, таких как Claude, особенно в задачах вроде автоматизации научных исследований, ключевым фактором становится объём и качество данных, а также организационная готовность компании.

«Важно не только то, какие технические возможности есть у модели, но и то, готовы ли компании перестроить процессы так, чтобы знания сотрудников могли быть структурированы и доступны системе», — пояснил он.

Маккрори сообщил, что ИИ-модели не идеальны и могут ошибаться, поэтому их использование требует поэтапного подхода — с участием экспертов, которые могут оценивать и корректировать результаты.

«Для эффективной работы нужны глубокие знания на входе и процессы, позволяющие проверять результат. По сути, это новая форма сотрудничества между человеком и системой», — заключил он.