Прогнозирование как аналитический и бизнес-процесс меняется в эпоху ускоренного технологического развития: усложняются сами объекты прогнозирования, а также используемый инструментарий.
Форсайт как вид аналитической деятельности отличается от операционной аналитики. Он порождает нелинейные выводы, не следующие напрямую из данных, символизируя реальную альтернативу количественным методологиям и тренду на всеобщую автоматизацию. Ключевая ценность, которую дает форсайт – это возможность уйти от отражения настоящего к прогнозированию будущего. Но стандартные прогностические инструменты при такой постановке задачи становятся неэффективны, а опора на ретроспективные данные – бессмысленна.
Развитие ИИ трансформирует традиционные практики форсайта. И прямо сейчас мы как исследователи стоим на развилке возможных сценариев такой трансформации.
ИИ может поддерживать экспертов при проведении форсайт-исследований
Антиномия ИИ-форсайта заключается в поиске равновесия между его демократизацией и результативностью. Ключевой вызов для обеих сторон этой антиномии – стремительный рост кол-ва данных, информации, и в конечном счете знаний. Долгое время ключевым активом аналитических форсайт-исследований были эксперты и их знания. Сегодня же количество и сложность знаний настолько велики, и эксперты закономерно уже физически не могут покрыть собой всю информацию в мире.
Направления использования ИИ в аналитике обширны - ноу-код интерфейсы для удобного взаимодействия с ИИ, чат-боты и диалоговые системы на базе узких датасетов, развиваются мультимодальные LLM и другое. Все это работает на поддержку экспертов в их задачах. И если посмотреть, как эта тенденция встраивается в классическую палитру методов форсайта, то мы увидим, что это все про evidence (доказательность).
Методы доказательности в форсайте опираются на объективные и измеримые данные. Другими словами, это наиболее формализованные и структурированные методы работы с информацией, что делает их максимально подходящими для применения машинного обучения и обработки естественного языка. Хотя безусловно ИИ начинает проникать и в другие группы методов, в особенности – креативность и экспертиза.
С помощью LLM уже сегодня создаются сложные нарративы и сценарии развития будущего
Если немного затронуть вопрос разновидностей ИИ, то нельзя не отметить бум масштабирования именно текстового ИИ, больших языковых моделей. Текстовые данные это один из лучших типов данных для проведения нарративных аналитических исследований, которые оперируют такими категориями как слабые сигналы, возникающие направления, которые зачастую представлены именно в неструктурированном текстовом формате. Как следствие, наблюдается стремительный рост продуктов на базе технологий LLM, в т.ч. для задач форсайта. Например:
ИИ‑агент ученого для ускорения научных открытий
Гибридная экспертно‑машинная методика прогнозирования будущего
В России есть кейс цифрового консультанта, заменяющего круглый стол предметных экспертов
Мировые и российские продукты на базе LLM не ориентированы на форсайт напрямую, но могут выступать ассистентами экспертов в отдельных задачах
Тем не менее, когда дело доходит до реальных задач, генеративные возможности LLM, насколько они представлены сейчас, по скромным оценкам, могут использоваться для форсайт-аналитики лишь в теории. Если взять буквально несколько самых популярных российских и мировых генеративных LLM-продуктов - Gemini, GPT 4o, GigaChat и задать им вопрос «Смоделируй сценарии развития ИИ к 2050 году», то видно, что ответы достаточно сильно пересекаются.
Объективно, редкая LLM вообще подходит под задачи форсайта в силу сложности и неявности типового форсайт-запроса. В большинстве своем существующие LLM не заточены строго под форсайт. И их ответы, как минимум – неисчерпывающие, как максимум – наивные и поверхностные. Тем не менее, к преимуществам использования LLM в форсайте можно отнести экономию времени на поиск и обобщение данных, повышение производительности, поддержка креативной составляющей исследований.
Задавая тренды, ИИ также становится катализатором новых угроз для форсайта
Среди них - зависимость от данных, ресурсные и алгоритмические ограничения, «черный ящик» многих алгоритмов ИИ, вопросы предвзятости и прозрачности, конфиденциальности данных. Можно выделить как общие риски LLM, свойственные любой аналитической деятельности, так и риски более специфичные для форсайта. Но что здесь важно, что в результате комплекса таких рисков, исследовательское сообщество может столкнуться с существенной девальвацией ИИ-аналитики. А для серьезных центров компетенций ИИ в качестве аналитического инструмента будет неприемлем из-за устойчивых негативных ассоциаций с низким качеством результата, ложными сведениями, манипуляциями, фейками.
ИИ-решения пока не дают однозначных преимуществ для задач форсайта
Поговорим подробнее о 3 наиболее существенных проблемах, которые задают дискурс возможностей ИИ в форсайте.
1) Генеративность как аналитическая функция
Здесь есть 2 аспекта – технологический и человеческий
Технологический. С одной стороны – генИИ позволяет «выходить из колеи» и генерировать неожиданные сценарии и нарративы будущего, которые расширяют горизонты традиционного форсайта. С другой – гипер-востребованные контекстно-ориентированные генИИ-инструменты (RAG) – могут ограничить способность ИИ к генерации принципиально прорывных идей.
Человеческий. Форсайт по своей природе – это креативный метод, и на первый взгляд кажется, что он сравнительно более толерантен к т.н. «избыточной креативности» (галлюцинаций) генИИ, особенно если мы имеем ввиду квалифицированного и ответственного пользователя генИИ. Но одновременно с этим нельзя отрицать такие воспринимаемые эффекты распространения генИИ, как, якобы, снижение требований к предметной экспертизе специалистов, в силу кажущейся простоты использования типового генИИ-продукта.
Согласно актуальным исследованиям, у активных пользователей генИИ фиксируется падение уровня критического мышления, а значит отличить галлюцинации генИИ от прорывного мышления в стиле outside the box будет все сложнее. Не потому, что с этим не справляется ИИ, а именно по причине неадекватного восприятия получаемых результатов, неспособности критически их оценивать.
2) Предельная доступность данных
В технологической эволюции ИИ именно данные, а не используемые технологии – редкий и даже уникальный ресурс, определяющий лидерство компаний на рынке ИИ-решений.
Общий случай доступности данных в форсайт-проектах может быть описан несколькими опциями:
ограниченные экспертные оценки
относительно более объемные, но при этом ретроспективные данные
отсутствие данных
синтетические данные как новый тренд (вытекает из предыдущей опции как альтернатива)
Отнесемся критически к этим опциям:
Наиболее распространенные форсайт-инструменты базируются все же на экспертных данных, которые по определению ограничены, трудоемки для сбора и обновления
Модели на ретроспективных фактах – скорее всего воспроизведут предвзятости и стереотипы
Синтетические данные как ответ на ситуацию данных отсутствующих и труднодоступных – ненадежны, пока еще - не сопровождаются стандартами их использования, и в особенности использования получаемых на их основе конкретных результатов
Как итог, нет какого-то конкретного ответа, какие именно данные и в каком соотношении потребуются для автоматизации форсайта. Как будет выглядеть такая комплексная дата-стратегия.
3) Новая роль эксперта в дата-центричном форсайте, которая заключается в борьбе с этими проблемами
Она не так проста, как может показаться на первый взгляд, это не просто линейное смещение роли эксперта, как сейчас многие говорят, «от генерации гипотез к их валидации», далеко не только это. Постановка задач сама по себе сложна, это отдельная компетенция, которая сильно недооценивается, в особенности в сложных областях. Здесь требуются не только технические знания (промпт-инжиниринг), отраслевые предметные знания, но в большей степени умение перекладывать задачи бизнеса на язык алгоритмов и технологий. И здесь могут наблюдаться по-настоящему драматичные социальные последствия, не просто отмирание одних профессий, появление новых ИИ-ассоциированных профессий, но и компетентностно-обоснованная поляризация и профессиональное расслоение. Когда, условно, весь скоуп задач, необходимых для поддержки ИИ-инфраструктуры в организации будут сведены условно к механическим, простым и понятным (например, разметка данных) и сложным и высокомаржинальным (комплексная разработка/обучение ИИ), что безусловно окажет влияние на рынок труда.
Стандарты использования ИИ в аналитических/форсайт-проектах еще только предстоит сформировать
Все это подводит нас к закономерному выводу о том, что стандарты использования ИИ в аналитике и форсайте еще только предстоит сформировать. По классике форсайта, обсудим 2 возможных сценария.
Сценарий 1 «Скорость и автономность»
Это такая, наверное, очень тиражируемая сегодня идея, в рамках которой эксперт воспринимает ИИ очень позитивно, наделяет его высокими ожиданиями. В этом сценарии ИИ способен автоматизировать даже высокоинтеллектуальную работу человека. Иногда даже такой сценарий именуется «экономической неизбежностью». Здесь будут наблюдаться высокие инвестиции в расширение ИИ-архитектуры.
Сценарий 2 «Прозрачность и управляемость» - более мягкий, более реалистичный
Главный навык человека — это умение управлять ИИ. Ценность человека присутствует, но обеспечивается лишь такими нетривиальными компетенциями как творческое мышление, критический подход, способность к исследованию и адаптивность. У человека остается системообразующая роль в реализации форсайт-исследований, а ИИ используется для автоматизации отдельных этапов. Эксперт принимает решения о завершении локальных этапов, переходе на другие этапы, о транзитивности результатов между отдельными этапами. Сценарий реализуется посредством высоких инвестиции в расширение человеческой команды.
Какие социально-технические эффекты может породить подобная развилка?
Будущее человеко-машинного взаимодействия - за психологическим восприятием ИИ как партнера, а не как конкурента.
Будущее форсайт-команд - в создании устойчивых и воспроизводимых ИИ-методологий, в создании ИИ-инфраструктуры, в переводе задач на язык ИИ, в факт-чекинге.
Будущее форсайта как аналитической деятельности – в поиске нового баланса «креативность-объективность», включая повышение количественной составляющей в исследованиях.
Итог: впереди долгий путь прохождения сложных развилок и компромиссов на стыке технологий и этики для получения надежного обоснованного ИИ-подхода к качественному прогнозирования будущего.
