Выбор правильной стратегии интеграции ИИ для устаревших систем

Устаревшие системы — это одновременно и ваш конкурентный ров, и ваш якорь. Они имеют решающее значение для бизнеса, но их трудно изменить. Поэтому в большинстве случаев интеграция ИИ в них непростая задача.

Вы не можете просто подключить ИИ и ожидать, что он будет работать внутри ваших устаревших систем. Необходимо учитывать несколько ограничений.

В то же время перестраивать все с нуля – не вариант. Так как же интегрировать ИИ таким образом, чтобы это было безопасно, практично и устойчиво для вашей организации?

В этой статье основное внимание уделяется подходам к интеграции, которые работают в устаревших средах, стоящим за ними компромиссам и тому, как выбрать правильный вариант для вашего контекста.

Почему добавление ИИ непосредственно в устаревшие системы рискованно?

Устаревшие системы зачастую более хрупкие, чем кажутся. Они стабильны уже много лет, но эта стабильность обусловлена очень специфическим балансом.

Когда вы внедряете ИИ в эту среду, вы меняете способ перемещения данных, порядок принятия решений и взаимодействие систем. Даже небольшие изменения могут иметь непредвиденные последствия.

Откуда берётся хрупкость

В большинстве организаций эти системы находятся в центре повседневной деятельности:

• Они занимаются платежами, бухгалтерским учетом и отчетностью.
• Они зависят от рабочих процессов, отточенных с годами.
• Они работают на коде, который еще не до конца понятен.
• Они полагаются на определенные закономерности потока и времени данных.

Что на самом деле ломается

Из-за этого изменения не остаются в силе.

Вы можете добавить уровень искусственного интеллекта для автоматизации рабочего процесса, ожидая локализованного эффекта. Вместо этого он сдвигает время обработки данных или меняет структуру входных данных. Уже одно это может нарушить последующие процессы, такие как сверка данных или отчетность.

Некоторые неудачи происходят мгновенно. Другим нужно время, чтобы появиться. К тому времени, когда они это делают, не всегда очевидно, что их вызвало.

• Небольшая задержка в одном API нарушает зависимый рабочий процесс.
• Новые потоки данных обнаруживают зависимости, которые никто не учитывает.
• Результаты ИИ конфликтуют с существующими правилами проверки.
• Проблемы остаются незамеченными до тех пор, пока они не затрагивают критически важные процессы.

Почему стабильность важнее интеллекта

Система, которая работает стабильно, более ценна, чем более совершенная, но непредсказуемая.

Большинство компаний оптимизируют время безотказной работы, соблюдение требований и стабильный доход. Любой интеграционный подход, который подвергает людей риску, не стоит того.

Вот почему к интеграции искусственного интеллекта в устаревшие среды следует подходить осторожно. Стабильность на первом месте. Интеллект должен соответствовать этим ограничениям.

Где может применяться искусственный интеллект, не нарушая устаревшие системы

ИИ лучше всего работает в устаревших средах, когда он наслоен на существующие системы, а не встроен непосредственно в них.

Вместо модификации основных систем ИИ поддерживает принятие решений, координирует рабочие процессы или обрабатывает особые крайние случаи.

Это позволяет вам добавлять возможности без ненужного риска.

1. Использование ИИ для помощи людям в принятии более эффективных решений (вторые пилоты ИИ)

Вторые пилоты ИИ используют API, доступные только для чтения, для анализа существующих данных и представления предложений для оценки человеком.

Такие инструменты, как Microsoft Copilot, следуют этому подходу, подключаясь к таким системам, как ERP-платформы, и предоставляя информацию об инструментах, которые люди уже используют.

Например, финансовая группа может использовать искусственный интеллект для выявления потенциально рискованных счетов на основе данных ERP, оставляя окончательные решения аналитикам.

Практический пример – внутренний помощник ChatCTC компании Canadian Tire, который используется тысячами сотрудников и позволяет экономить около 30–60 минут в день на рутинных задачах, а также, как сообщается, на 20–30 % быстрее принимать решения в ходе операций, и все это без изменения базовых систем.

2. Использование искусственного интеллекта вне системы для управления рабочими процессами

Агенты ИИ могут координировать действия между системами, не модифицируя их.

Вместо внедрения логики в платформы ERP или CRM ИИ работает через API, управляя утверждениями, запуская действия и перемещая информацию между системами.

Это похоже на то, как такие платформы, как UiPath, сочетают ИИ с автоматизацией или как Zapier обеспечивает межсистемные рабочие процессы без изменения базовых систем.

Например, в цепочке поставок ИИ может координировать проверки запасов, общение с поставщиками и обновления данных об отправке в отдельных системах.

Выгода достигается за счет сокращения ручной координации, а не за счет изменения самих систем.

3. Использование ИИ только тогда, когда что-то идет не так (обработка исключений)

Вместо того, чтобы внедрять ИИ в повседневные операции, его можно использовать, когда что-то выходит из строя или замедляется.

ИИ может контролировать системы, обнаруживать аномалии и выявлять проблемы для рассмотрения человеком, не мешая обычным рабочим процессам.

Именно так ИИ обычно используется при обнаружении мошенничества, когда системы отслеживают транзакции и сигнализируют о необычной активности. IBM описывает этот подход в своих системах обнаружения мошенничества.

Повседневные операции продолжаются в обычном режиме, и искусственный интеллект вмешивается только при необходимости.

4. Использование искусственного интеллекта для улучшения данных без изменения систем

ИИ может предварительно обрабатывать устаревшие данные в отдельных конвейерах без обратной записи в базовые системы.

Это включает в себя очистку дубликатов, категоризацию записей и создание сводок. Обработанные данные затем используются в инструментах аналитики или информационных панелях, при этом исходные системы остаются неизменными.

Такие платформы, как Databricks, поддерживают это с помощью современных конвейеров данных, позволяя командам извлекать пользу из устаревших данных без изменения исходных систем.

Например, розничный торговец, располагающий многолетними историческими данными, может получить информацию о тенденциях для прогнозирования, не изменяя исходную ERP-систему.

Каких подходов к интеграции ИИ следует остерегаться предприятиям?

Предприятиям следует следить за тем, чтобы исключить человеческий контроль из конфиденциальных рабочих процессов и предоставить ИИ доступ для записи в основные системы.

Еще один аспект, на который следует обратить внимание, — это замена процессов, основанных на правилах, до проверки ИИ.

Каждый из подходов сопряжен с риском повреждения данных, непредсказуемых сбоев и нарушения требований, а это последствия, которые трудно обратить вспять и которые дорогостоящие в масштабах предприятия.

1. Разрешение ИИ напрямую писать в основные системы

Предоставление ИИ доступа на запись в производственные базы данных или ERP-системы — одно из решений по интеграции с самым высоким риском, которое может принять предприятие. 

Основные опасности включают:

• Распространение ошибок в масштабе: Неверно классифицированная запись или неправильное автоматическое обновление могут привести к распространению неверных данных по взаимосвязанным системам еще до того, как проблема будет обнаружена.
• Риск соблюдения требований: В строго регулируемых сферах целостность данных — это вопрос требований аудита, а не предпочтений.
• Ограниченный откат: Изменения в базовых наборах данных часто очень сложно отменить, особенно если измененные данные уже были использованы последующими процессами.

ИИ должен получать доступ на запись постепенно, начиная с изолированных сред с низкими ставками, с полным протоколированием и обязательным подтверждением каждого действия человеком.

2. Слишком ранняя замена процессов, основанных на правилах

Детерминированные системы, основанные на правилах, предсказуемы по своей конструкции, они выходят из строя по известным причинам и их легко проверить.

Преждевременная замена их искусственным интеллектом приведет к следующему:

• Вероятностные ошибки: Ошибки, которые сложнее воспроизвести, отследить и объяснить регулирующим органам или советам директоров.
• Пробелы в управлении: Модели искусственного интеллекта требуют инфраструктуры проверки, которую большинство предприятий еще не создали.
• Слепота по краю: Производительность ИИ в отношении выбросов часто не проверяется, пока что-то не пойдет не так.

Правильная последовательность действий — сначала расширение, запуск ИИ параллельно с существующими правилами для проверки эффективности до принятия решения о замене.

3. Удаление неавтоматизированных проверок в конфиденциальных рабочих процессах

Предвзятость автоматизации — это хорошо задокументированный риск:когда люди выводятся из рабочего процесса, тенденция полагаться на результаты ИИ возрастает, даже если эти результаты неверны. 

В конфиденциальных рабочих процессах это создает:

• Повышенный риск ошибки: Особенно при принятии кредитных решений, эскалации случаев мошенничества, сортировке или действиях сотрудников.
• Подотчетность: Удаление контрольно-пропускных пунктов может создать новые обязательства, которые могут поставить предприятие под угрозу с юридической и репутационной точки зрения.
• Регуляторный риск: Многие платформы требуют человеческого контроля при принятии важных автоматизированных решений.

Человеческий надзор не является неэффективным. В чувствительных процессах это механизм контроля. ИИ должен информировать и ускорять человеческое суждение в этих рабочих процессах, а не заменять его.

Как выбрать правильный подход к интеграции ИИ для вашей установки

Выбор подходящей модели интеграции ИИ никогда не должен быть универсальным или выбирать самое модное и передовое. Речь идет скорее о понимании и согласовании с тем, что могут поддерживать ваши системы и ваши команды.

Что следует учитывать перед выбором модели интеграции ИИ

Прежде чем выбрать тот или иной подход, оцените свою среду по четырем измерениям:

• Возраст и гибкость системы: Что касается ваших основных систем, допускают ли они API только для чтения? Являются ли они жесткими и их нелегко соединить без промежуточных программных решений?
• Качество данных: Достаточно ли качество ваших существующих данных, чтобы системы искусственного интеллекта могли принимать на их основе решения, или их необходимо сначала дополнить?
• Регуляторное воздействие: Подпадают ли ваши процессы под действие нормативных требований, которые требуют определенного уровня проверяемости и/или требований к участию человека?
• Организационная готовность: Обладают ли ваши организации возможностями управления изменениями, необходимыми для внедрения результатов ИИ?

Ответы определяют вашу жизнеспособную отправную точку, а не ваши амбиции.

Ограничения системы → Самый безопасный подход к искусственному интеллекту

Используйте эту таблицу в качестве краткого справочника, чтобы сопоставить текущие ограничения вашей системы с доступным вам подходом ИИ с наименьшим риском.

Системные ограничения Самый безопасный подход к искусственному интеллекту Нет доступа к API / полностью закрытые системы. Обогащение данных в изолированных конвейерах. Доступен API только для чтения. Второй пилотный проект с искусственным интеллектом для поддержки принятия решений. Многосистемные рабочие процессы с ручной передачей управления. Оркестрация рабочих процессов с помощью внешних агентов искусственного интеллекта. Частые сбои или процессы с большим количеством исключений. Обработка исключений и обнаружение аномалий. Чистые данные, проверенная модель искусственного интеллекта, низкий нормативный риск. Выборочный доступ для записи с полным журналированием аудита.

Как начать с малого, а потом расширяться

Самый надежный путь расширения следует последовательности:ползти-ходить-бежать:

• Начните с наблюдения: Развертывание ИИ в режиме только для чтения или мониторинга; никаких действий, никаких записей, никаких изменений рабочего процесса.
• Представьте рекомендации: предложения Surface AI для лиц, принимающих решения; измерять уровень принятия и уровень ошибок.
• Автоматизация действий с низкими ставками: Разрешите ИИ действовать автономно только в четко определенных, легко обратимых сценариях с низким уровнем риска.
• Поэтапное расширение области действия: Используйте данные об эффективности каждого этапа, чтобы обосновать и снизить риски на следующем этапе.
• Формализуйте управление перед масштабированием: Прежде чем расширять сферу применения ИИ, необходимо создать журналы аудита, механизмы отката и механизмы надзора.

Прежде чем приступить к следующему этапу, каждый из вышеперечисленных этапов должен привести к получению конкретных доказательств. Пропуск любого из этих этапов приводит к наиболее дорогостоящим ошибкам в проекте искусственного интеллекта корпоративного уровня.

Как выглядит «хорошая» интеграция ИИ на реальных предприятиях

Хорошая интеграция с ИИ достигается, если ИИ работает с существующими системами и вокруг них, не заменяя их. ИИ работает в рамках правил относительно того, с чем он может и не может взаимодействовать, и люди остаются в курсе сценариев, требующих вмешательства. Более того, сначала процесс очищается, а затем ИИ ускоряет его, что является вторичным эффектом.

Три столпа усиливают друг друга, и порядок имеет значение.

• Системы прежде всего.

Хорошая интеграция ИИ рассматривает существующую инфраструктуру как недвижимую. ERP, CRM, устаревшие хранилища данных — ничего из этого не изменится.

Уровень искусственного интеллекта читает их, интерпретирует и маршрутизирует. Никакой смены платформы не требуется, поэтому самые успешные корпоративные развертывания происходят за месяцы, а не годы.

• Правила на втором месте.

Прежде чем что-либо внедрять, кто-то должен точно записать, что разрешено делать ИИ, не как конвенцию или культурную норму, а как письменную политику.

«Можно обобщить» и «невозможно утвердить» — это разные категории риска, и их необходимо рассматривать соответствующим образом в управленческих документах, журналах аудита и контрактах с поставщиками.

• Человеческий цикл на третьем месте.

Цель не в том, чтобы человек все одобрял, потому что это противоречит сути. Цель состоит в том, чтобы все значимое приводило к человеку.

Выходные данные с низкой степенью достоверности, крупные транзакции, конфиденциальные сообщения:ситуация обостряется автоматически. Все остальное обрабатывается ИИ с полным контрольным журналом.

Режим отказа, на который стоит обратить внимание:предприятия, которые привязывают ИИ к сломанным процессам. Плохо спроектированный рабочий процесс утверждения не исправляется ИИ; это становится быстрее и более неправильным. Задача состоит в том, чтобы навести порядок в процессе, а затем добавить искусственный интеллект.

Какой самый безопасный способ добавить искусственный интеллект в устаревшие корпоративные системы?

Оберните ИИ вокруг существующих систем, а не переписывайте их, поддерживайте решения, принимаемые человеком, и избегайте их автоматизации.

Кроме того, всегда обеспечивайте своей команде возможность незаметно заметить, если ИИ потерпел неудачу.

Устраните пробелы в видимости перед развертыванием. Процесс остается нетронутым; ИИ увеличивает скорость, не устраняя ответственности.

Почему упаковка рабочих процессов работает лучше, чем переписывание систем

На создание вашей ERP или CRM ушли годы, и в них хранится десятилетия бизнес-логики. Переписать его так, чтобы «освободить место для искусственного интеллекта», — это ставка на несколько миллионов долларов с высоким процентом неудач. 

Обертывание означает, что существующая система остается такой, какая она есть, в то время как ИИ находится сверху, считывает ее выходные данные и добавляет к ней интеллект.

Подумайте о том, как банки добавили мобильные приложения, не заменяя свои основные банковские системы. Тот же принцип. Низкий риск, быстрое развертывание.

Почему поддерживать решения безопаснее, чем все автоматизировать

ИИ совершает очевидные ошибки. А когда в дело вовлечен человек, эти ошибки выявляются до того, как они причинят ущерб.

Но когда ИИ работает в одиночку, плохой результат может привести к цепочке последствий:неправильному кредитному решению, неправильному оформлению контракта и неправильному платежу поставщику. 

Правильная модель: ИИ составляет черновики, помечает или подводит итоги. Человек рассматривает и одобряет. Группа закупок при помощи искусственного интеллекта составляет окончательный список поставщиков. Они все равно выбирают продавца. Скорость увеличивается, ответственность - нет.

Одно простое правило, которому должны следовать директора

Прежде чем приступить к развертыванию любого ИИ, задайте один вопрос:если этот ИИ выйдет из строя молча в течение недели, заметит ли это кто-нибудь из моей команды?

Если да, продолжайте. Если нет, то у вас проблема с видимостью, и вам необходимо предусмотреть этап проверки человеком, прежде чем ИИ заработает. Этот единственный вопрос позволяет выявить большинство ошибочных интеграционных решений.

Заключение

Если вы работаете над этим в своей собственной среде, правильная отправная точка имеет большое значение.

Большая часть риска возникает из-за слишком раннего выбора неправильного подхода.

Нужна помощь в выборе правильного подхода к интеграции ИИ для ваших устаревших систем?

Команда Imaginovation может помочь вам оценить вашу настройку и наметить дальнейший путь с низким уровнем риска, не нарушая то, что уже работает.

Давайте поговорим .