- Отчет MIT «Состояние ИИ в бизнесе 2025» показывает, что компании потратили 30-40 миллиардов долларов на генеративный ИИ, но 95% не увидели окупаемости; только 5% преодолели «разрыв в генеративном ИИ» (GenAI Divide).
- Qlik & ESG: 94% компаний увеличивают инвестиции в ИИ, но только 21% работают эффективно. Informatica: основные причины — низкое качество данных, неготовность и незрелая инфраструктура.
- Проблема заключается не в самих моделях ИИ, а в отсутствии интеграции, невозможности измерить соответствие данных, ожиданиях сотрудников и динамическом управлении.
- Традиционные фреймворки (RICE, ICE, MoSCoW) не работают с ИИ, потому что:
- Reach (Охват) основан на абсолютном числе пользователей, которое легко преувеличить.
- Confidence (Уверенность) субъективна и игнорирует риски данных и возможности модели.
- Effort (Усилия) учитывает только код, но не затраты на очистку данных.
- Impact (Влияние) трудно измерить, поскольку ИИ может помогать или заменять людей, а поведение непоследовательно.
- Apple в своем исследовании «Иллюзия мышления» указывает на ограничения больших моделей рассуждений (LRM): трудности с обобщением за пределами обучающих данных и нестабильное поведение.
- Исследование Стэнфорда 2025 года, охватившее 800 задач/100 профессий, показало: сотрудники хотят, чтобы ИИ помогал почти в 50% их работы, но многие проекты ИИ сосредоточены на неправильных задачах. Предложенная «Шкала человеческой агентности» показывает, что наибольшая ценность заключается в помощи ИИ, а не в его замене.
- ARISE (Оценка готовности и влияния ИИ) был создан на смену RICE:
- Он сохраняет Охват, Влияние, Уверенность и Усилия, но стандартизирует их шкалы.
- Он добавляет 3 новых фактора: AI Desire (реальная потребность), AI Capability (данные, зрелость модели) и Intent (помощь ИИ или автоматизация).
- Формула: Оценка ARISE = (Охват * Влияние * Уверенность / Усилия) × Потребность в ИИ × Возможности ИИ × Множитель намерения.
- Пример: ИИ-ассистент по кодированию (оценка ARISE = 20) имеет более высокий приоритет, чем ИИ для автоматического исправления ошибок (оценка = 1), поскольку возможности данных все еще слабы.
- ARISE помогает компаниям избегать погони за эффектными демо и сосредоточиться на проектах, имеющих реальную ценность и балансирующих между человеком и ИИ.
📌
Несмотря на то, что в генеративный ИИ было вложено 30-40 миллиардов долларов, 95% организаций не получили выгоды, в основном из-за устаревших фреймворков управления проектами и неготовности данных. ARISE появился как нативный инструмент для ИИ на смену RICE, добавляя метрики потребности в ИИ, возможностей и намерения, чтобы обеспечить осуществимость и реальную ценность. Благодаря этому компании могут избегать распространенных ошибок, правильно приоритизировать проекты ИИ и находить баланс между помощью человеку и автоматизацией.
