Зачем нужны менеджеры, когда есть искусственный интеллект?

Источник: "Идеономика"

Мартин Дьюхерст (Martin Dewhurst) и Пол Уилмотт (Paul Willmott), старшие партнеры лондонского офиса McKinsey, о том, как искусственный интеллект завоевывает мир и что необходимо сделать, чтобы стать эффективным руководителем.

Иллюстрация: Shutterstock

Как все изменилось! После многих лет обещаний и шумихи машинное обучение наконец-то достигло фазы резкого подъема на экспоненциальной кривой. Компьютеры замещают квалифицированных специалистов в таких областях, как архитектура, авиация, право, медицина и нефтяная геология — и меняют характер работы во множестве других работ и профессий. Гонконгский венчурный фонд Deep Knowledge Ventures даже назначил алгоритм, способный принимать решения, в свой совет директоров.

Что потребуется от алгоритмов, чтобы занять место в управленческих структурах? И что тогда потребуется от высокопоставленных лидеров? Наши ответы на эти очевидно спекулятивные вопросы опираются на нашу работу с руководителями в разных отраслях, прежде всего в тех, что идут в авангарде больших данных и аналитической революции. Мы также много работали вместе с менеджерами, которые активно экспериментируют со своими компаниями, включая в процесс принятия решений краудсорсинговые и социальные платформы.

Наш аргумент прост: достижения гениальных машин поразят нас, но они изменят жизнь высшего руководства лишь в том случае, если это позволят новые достижения в управлении. Нужно еще очень много сделать, чтобы создать массивы данных, достойные самых продвинутых машин и их расцветающего потенциала в принятии решений. Наконец, высокопоставленные руководители должны ослабить узды правления, что противоречит целому столетию организационного развития.

Если это произойдет — а так оно, вероятно, и будет, потому что самые продвинутые организации воспользуются этими конкурентными преимуществами, после чего их будут имитировать, — роль руководителя изменится. Мы считаем, что как ни странно, менеджеры в эпоху умных машин смогут добиться наибольшего благодаря своей человечности. Под этим мы подразумеваем вопросы, которые они будут ставить, их стремление разобраться в уникальных ситуациях, обнаруженных умными алгоритмами, и их способность делать то, чего машины не могут. Это означает и терпимость к двусмысленности, и фокусировку на более «мягкой» стороне менеджмента.

Выпавшие звенья

Самые впечатляющие примеры машинного обучения, заменяющие распознавание образов людьми — например, способность суперкомпьютера IBM Watson предсказывать исход онкологических заболеваний точнее врачей благодаря изучению и освоению множества научных статей, — возникают в ситуациях, где исходные данные высокого качества. Но во многих организациях, где есть доступ к большим данным, и которые пытаются внедрить продвинутую аналитику, менеджеры часто оказываются завалены «загрязненными» или трудными в обработке данными, чья достоверность становится предметом жарких споров.

И есть огромные стимулы разобраться с этой проблемой: как мы видим из первых многообещающих результатов в области больших данных, ранние энтузиасты смогут резко повысить качество и скорость своих тактических и стратегических решений. Они также, вероятно, многое узнают из своего анализа неструктурированных данных — например, email-дискуссий между менеджерами по продажах или комментариев в соцсетях. Но без изменений в поведении самых высокопоставленных руководителей эти организации не смогут в полной мере задействовать искусственный интеллект.

Перспектива явно привлекательная: индивидуальные панели управления, где собираются самые главные данные, сводится воедино более глубокая и детальная операционная, финансовая и маркетинговая информация — это колоссальные рычаги влияния для топ-менеджмента. Но такие панели управления не появляются сами по себе. Руководители должны найти и определить софтверные критерии, по которым будет решаться, какие данные в приоритете, а какие нет. Это будут параметры, определяющие направление движения компании — и будущий успех ее руководителей. К примеру, банк может изменить соотношение кредитов и депозитов, меняя цены. Компьютеры способны делать это в реальном времени, но менеджеры должны задавать цель. Точно так же машины могут мониторить риски, но только когда менеджеры определят, с каким уровнем риска они в состоянии жить.

Вызов бросают и данные по продажам в реальном времени, которые можно сортировать по городам и магазинам, продуктам, отделам, каналам. Менеджеры прошлого поколения все отдали бы за такую возможность. Но сегодня менеджеры рискуют утонуть в мелких деталях. Некоторые уже, наоборот, отстраняются от технологий — нанимают сотрудников, чтобы те следили за данными и превращали их в более удобоваримые PowerPoint-презентации. Но тогда они получают отфильтрованное представление о реальности и не пользуются всей мощью доступных данных.

Мощность искусственного интеллекта растет, и шансы, что горы даже ценных управленческих открытий похоронят нас, тоже растут. Ответ — в демократизации данных: нужно ожидать от сотрудников, что они будут сами справляться с делами, не вынося их на более высокий уровень. Отделы и филиалы, конечно, и дальше будут отчитываться перед топ-менеджментом и CEO. Но благодаря выводам и находкам все более мощных компьютерам они смогут принимать все более качественные решения самостоятельно. А CEO начинает превращаться в «главного по экспериментам», который опирается на ранние сигналы, чтобы поощрять компании к масштабным экспериментам, особенно в отраслях, ориентированных на потребителей.

В мире, где искусственный интеллект поддерживает всевозможные повседневные менеджерские решения, потребность в том, чтобы выбросить лишнее из головы, станет более значимой, а дискомфорт топ-менеджеров вырастет. В каком-то смысле это мир, в котором источники преимуществ топ-менеджеров стираются благодаря технологиям и «мудрости толп». Это разительный контраст с эпохой административного контроля, когда сокрытие информации было источником власти и информация в корпоративной иерархии двигалась только в одном направлении, вверх. Но как бы это ни было некомфортно, издержки сохранения нынешней ситуации велики и все больше растут: те, кто только копит информацию, затормозят свои организации и уступят конкурентам, которые вовсю опираются на искусственный интеллект.

Если руководители успешно задействуют постоянно умнеющие машины и перебросят многие решения на своих сотрудников, что же останется им делать?

Задавать вопросы

Спрашивать нужных людей в нужное время о самом главном — этот навык компьютеры, возможно, не освоят никогда. Конечно, быстрое развитие алгоритмов deep learning будет означать, что опыт менеджера, который обычно ограничен одной или несколькими сферами, порой окажется менее актуальным, чем выводы компьютера. Поэтому вполне логично, опираясь на этот опыт, заранее формулировать вопросы, на решение которых затем бросать машины. И это роль как раз для лидеров.

История показывает, как опасно полагаться на машинные результаты без понимания, как именно они определяют принятие решений. Самая показательная история — это опыт банков перед финансовым кризисом 2008 года. Тогда и топ-менеджеры, и их подчиненные не слишком понимали, как именно принимаются решения в «компьютеризированной» части управления активами.

Браться за исключения

Умные машины будут все лучше подсказывать менеджерам, когда у них возникает проблема. Сейчас мы уже видим это в информационно насыщенных областях — ценообразование, кредитные отделы, колл-центры, — и нечто подобное, вероятно, начнется и в более стратегических сферах, от конкурентного анализа до управления людьми. Таким образом, менеджеры могут тратить меньше времени на повседневные дела, но когда возникает сложное исключение, то будет важна способность немедленно взяться за дело.

Терпеть двусмысленность

Хотя алгоритмы и суперкомпьютеры разработаны для поиска ответов, они, скорее всего, смогут давать наибольшую определенность лишь по относительно мелким вопросам. Чем масштабнее и шире вопрос, тем вероятнее, что для решения проблемы понадобится человеческий синтез: машины, как бы быстро они ни учились, выдают нам много кусочков ответа, но не собирают финальный пазл. Эта сборка может быть сложной и медленной, и выиграют здесь те руководители, которые способны терпимо относиться к двусмысленности. Это позволит компаниям действовать, даже не зная точно, куда они сейчас идут. Менеджерам это будет казаться блужданиями во тьме. Многим будет трудно справиться с неопределенностью этого подхода и искушением запрограммировать результат еще до того, как поступят достаточные данные. В таких ситуациях искушение действовать быстро может принести ложное чувство безопасности — но и лишить потенциально полезных результатов в более долгой перспективе.

Применять «мягкие» навыки (soft skills)

У людей и дальше будет сильное преимущество по части вдохновления сотрудников, сопереживания потребителям, развития талантов и т.д. Иногда машины будут давать ценные данные. Но чтобы перевести их в конкретные соображения, которые получают отклик у сотрудников, понадобится рука человека. Ни один эффективный менеджер не сможет убедить подчиненных действовать, опираясь на слова «так сказал компьютер».

Насколько будущий эффективный лидер отличается от лидеров прошлого? В классической книге «Эффективный руководитель» Питер Друкер описывал весьма продуктивного президента компании, который «добивался большего за одну ежемесячную встречу, чем многие другие, столь же способные менеджеры за целый месяц совещаний». Но все же этому менеджеру приходилось «по меньшей мере половину своего времени отводить на маловажные и сомнительные вопросы, на конкретные решения по рутинным проблемам, которые вообще не должны были доходить до него, и все же доходили». Так вот, в будущем к топ-менеджерам должно попадать меньше вопросов такой сомнительной ценности. Это принесет свободу — но также поднимет планку для способности руководителя управлять человеческими измерениями, которые в итоге и обеспечат преимущество в эру умных машин.

По материалам "Manager and machine: The new leadership equation", The McKinsey Quarterly