Появление ИИ-копий консультантов McKinsey: вызов или дополнение?

На протяжении десятилетий консалтинговые компании зарабатывали, продавая советы, упакованные в презентации и оплачиваемые почасово. Теперь разработчики используют искусственный интеллект для имитации этого процесса, создавая доступных прямо в браузере «поддельных» консультантов McKinsey.

Возьмем, к примеру, новую библиотеку «навыков» Vercel — открытый репозиторий, содержащий почти 90 000 многократно используемых навыков для ИИ-агентов. Они варьируются от копирайтинга и проверки кода до решения проблем в стиле консалтинга. Vercel, ИИ-стартап стоимостью более 9 миллиардов долларов, управляет облачной ИИ-платформой для разработчиков.

«Навыки» в контексте ИИ — это возможности, которые разработчики могут создавать или загружать и предоставлять модели или агенту ИИ, чтобы он мог выполнять определенную задачу без необходимости обучения модели с нуля. Эта концепция стала популярной после того, как Anthropic представила «навыки» для своего чат-бота Claude в октябре, что способствовало ее широкому распространению. С тех пор разработчики начали создавать и делиться навыками, которые можно интегрировать в различные ИИ-системы.

В библиотеке навыков Vercel было обнаружено по меньшей мере четыре навыка, помеченных как «mckinsey», и 26 навыков, помеченных как «consultant». Самый популярный из них, связанный с консалтингом, называется «mckinsey-consultant». Он был загружен 25 января и в среднем устанавливается 445 раз в неделю. Это приличная цифра, хотя и значительно уступает самым популярным агентам в библиотеке Vercel, которые могут иметь сотни тысяч установок. На GitHub у него 200 звезд, что свидетельствует о его популярности, и он прошел несколько проверок безопасности — признак его жизнеспособности и растущего интереса среди разработчиков. Проще говоря, пользователи находят его полезным.

Библиотека Vercel описывает этот навык как фреймворк для промптов (изначально созданный для Claude), который направляет ИИ через этапы определения проблем, генерации гипотез, проведения структурированного анализа и создания презентаций, тем самым воспроизводя классический рабочий процесс типичного консультанта McKinsey.

Бывший менеджер McKinsey Арвинд Васудеван проанализировал ИИ-агента в стиле McKinsey из библиотеки Vercel, чтобы оценить его соответствие реальному прототипу. Он отметил, что ИИ-агенту не хватает ключевой способности, которая определяет консультанта McKinsey. «Он упускает суть того, как MBB (McKinsey, BCG, Bain) и стратегические консультанты создают ценность», — сказал он. «Значительная часть ценности заключается в вопросах, которые задают консультанты, и беседах, которые они ведут, помогая прояснить мысли, выявить невысказанные предположения и обеспечить глубокое осмысление. Ничего из этого не происходит в этом агенте, который выполняет набор стандартных анализов без сократического допроса и мышления».

Несмотря на то, что они, возможно, не являются полными аналогами, ИИ-агенты, имитирующие работу консультантов, уже приносят миллионы долларов дохода таким компаниям, как PromptQL — платформа корпоративного ИИ, запущенная «единорогом» открытого исходного кода Hasura. Платформа PromptQL помогает клиентам создавать собственные ИИ-аналитики, интегрируя их внутренние данные с уже используемыми базовыми моделями. После развертывания эти ИИ-аналитики могут выполнять задачи, обычно возлагаемые на специалистов по данным или инженеров, а также постоянно учиться и адаптироваться к своей среде.

Соучредитель и генеральный директор PromptQL Танмай Гопал отметил, что самый большой барьер — или «ров» — для продажи аналитики заключается в понимании взаимосвязей между людьми, данными и доходами. «Команды McKinsey проводят недели, внедряясь в компанию, чтобы впитывать, как она на самом деле работает: исключения, негласные знания, определения, которые различаются между отделами. Именно этот специфический для компании контекст делает их советы ценными на миллионы», — объяснил Гопал.

Гопал также подчеркнул, что корпоративные инструменты ИИ часто терпят неудачу из-за отсутствия адекватной «обоснованности» (grounding), склонности угадывать вместо того, чтобы задавать вопросы, учиться на обратной связи или поддерживать общее понимание между командами. PromptQL, по его словам, стремится решить эти проблемы с помощью общего слоя понимания, который корректируется с каждым новым вводом. «Когда член команды исправляет ИИ, обучает его определению или разрешает неоднозначность, это знание становится постоянным и доступным для всех. Это не семантический слой, который поддерживают инженеры по данным. Он возникает из разговоров», — сказал он.

Модели автоматически не знают внутренних нюансов — таких как изменения цен, терминология конкретных команд или противоречивые определения выручки. Настоящая проблема не в возможностях, а в отсутствии контекста, добавил Гопал. Другими словами, презентация консультанта никогда не была настоящим продуктом. Настоящий продукт — это их суждение, и именно эту часть ИИ все еще учится.