У 2018 році Google зробив щось незвичне: вони створили нову спеціальність. Кассі Козиркова стала першою головною спеціалісткою з інтелектуальної прийняття рішень — не головним спеціалістом з даних, не віце-президентом з аналітики, а людиною, чия експlicitна робота полягає у допомозі організації приймати краще рішення.
Чому? Поки що Google визначив, чого багато організацій ще не зробили: мати дані не те саме, що використовувати дані добре. Вони мали петабайти інформації, армію спеціалістів з даних та світовий клас інфраструктури ML. Але вони продовжували бачити той же шаблон: блискучі аналітичні роботи, яких ніхто не виконував, панелі даних, яких ніхто не змінював поведінку через них, моделі AI, які створювали висновки, але не впливали.
"Інтелектуальне прийняття рішень — це дисципліна перетворення інформації на краще організаційне рішення будь-якої масштабності, будь-якої організації."
Це не лише нова назва для старих ідей. Інтелектуальне прийняття рішень представляє фундаментальний зміну в тому, як організації думають про взаємозв'язок між даними, аналізом та діями. Якщо ви прочитали нашу керівну статтю щодо спільного прийняття рішень, ви вже бачили людську сторону цієї рівності — 240 років досліджень від Кондорсе до Google Project Aristotle, які підтверджують, що різноманітні погляди, належним чином агреговані, перевершують індивідуальне судження.
Інтелектуальне прийняття рішень бере цю основу і запитає: що відбувається, коли ми додаємо підвищену інтелектуальну допомогу, моделювання причинно-наслідкових відносин та систематичні цикли зворотного зв'язку?
Проблема у розмірі 3,1 трлн доларів: бездіяльність після висновків
Навіть такий факт, як 65% організацій ще використовують дані вибірково для виправдання рішень, яких вони вже прийняли, а не дозволяють даним впливати на рішення (Gartner, 2024). Вони мають панелі даних бізнес-аналізу. Вони мають команди спеціалістів з даних. Але дані не змінюють поведінку.
Пов'язка між аналітикою та діями
- Бізнес-аналіз розповідає: «Продажі зменшилися на 12% у третьому кварталі».
- Наукові дослідження даних розповідають: «Продажі, ймовірно, зменшилися ще на 8% у четвертому кварталі».
- Ніякі дані не розповідають: Що саме дія виконати, що буде результатом, чи як перевірити, чи воно працює.
Маккінсі оцінює цей пробіл між аналітикою та діями у розмірі 3,1 трлн доларів щорічно у вигляді нерозміщеної вартості даних.
Це саме проблема, яку вирішує інтелектуальне прийняття рішень. Ні не шляхом додавання більше панелей даних чи більше моделей ML — а шляхом переозначення всього потоку від інформації до дії до вимірювання результатів.
Коротка історія: від інженерії рішень до інтелектуальної прийняття рішень
Концептуальні корені інтелектуальної прийняття рішень датуються 1950-ми роками — тією самою епохою, яка дала нам штучний інтелект, операційні дослідження та Нобелівську премію Герберта Саймона за роботу щодо обмеженої раціональності. Але сучасна дисципліна виникла з двох паралельних напрямків:
Академічний напрямок
Доктор Лоріен Пратт (Ратгерський університет, колишній дослідник DARPA) запропонував термін «Інженерія рішень» у 2010 році, змінивши його на «Інтелектуальне прийняття рішень» у 2012 році. Її робота поєднала машинне навчання, причинно-наслідкові відносини та організаційне прийняття рішень у єдину інженерну дисципліну.
"Термін «Інженерія рішень» просто не продавався. Ми змінили всі матеріали та позиціювання."
Індустріальний напрямок
Кассі Козиркова (Дюкський університет, статистик) створила функцію інтелектуальної прийняття рішень у Google з 2018 по 2023 рік. Вона навчала тисячу працівників Google методам ІІР, розміщуючи їх між дослідницькою діяльністю/ML та бізнес-операціями. Google називають це «Інженерія рішень інтелектуальної прийняття рішень».
"Дані науки плюс соціальні та наукові дослідження управління."
Об'єднання відбулося тому, що обидва напрямки потрапили в одну стіну: технічна складність без впливу рішень. Робота Пратта в академічній сфері показала чому (відсутність причинно-наслідкових відносин); робота Козиркової в індустрії показала, як її виправити на масштабі.
Бізнес-аналіз проти наукових досліджень даних проти інтелектуальної прийняття рішень
Найкращим шляхом розуміння ІІР є порівняння. Тут, як три дисципліни відрізняються:
| Аспект | Бізнес-інтелект | Наука даних | Інтелект прийняття рішень |
|---|---|---|---|
| Коренева питання | "Що відбулося?" | "Що станеться?" | "Що слід зробити?" |
| Тип аналітики | Описовий | Предиктивний | Прескриптивний + Відповіді |
| Вихід | Звіти, панелі управління | Моделі, прогнози | Рішення + результати |
| Орієнтація у часі | Минуле/сучасність | Будучість | Повний цикл (минуле → дія → майбутнє → навчання) |
| Роль людини | Тлумачення звітів | Тлумачення передбачень | Собів'язаність, цінності, торгівлі |
Ключове спостереження: ІІР не заміняє бізнес-аналіз чи наукові дослідження даних — вона їх доповнює. Бізнес-аналіз забезпечує історичний контекст. Наукові дослідження даних забезпечують передбачення. ІІР додає логіку рішень, рекомендації дій та цикли зворотного зв'язку, які закривають пробіл між висновками та впливом.
Фреймворк інтелектуальної прийняття рішень
У своїй основі ІІР працює на простій, але потужній моделі:
Обсервувати
Збір даних щодо поточного стану
Моделювати
Мапування причинно-наслідкових зв'язків
Вирішувати
Вибір дії з передбаченим результатом
Навчати
Оцінка результату, оновлення моделі
Цикл інтелектуальної прийняття рішень: спостерігати → моделювати → вирішувати → навчатися → (повторювати)
Це виглядає подібно до циклу OODA (Обсервувати-Орієнтувати-Вирішувати-Діяти) з військової стратегії. Але є критичний відмінник: крок Вчитися. OODA був розроблений для рішень у реальному часі, коли не можна зупинитися, щоб вимірювати результати. ІІР розроблена для організаційних рішень, коли можна — і повинні — систематично навчатися від результатів.
Діаграми рішень, що відображають причинно-наслідкові відносини: бачити карту причинно-наслідкових відносин
Серце інтелектуальної прийняття рішень — це причинно-наслідкова раціональність — розуміння не лише того, що корелює з чимось, а й того, що справді викликає щось інше. Це різниця між:
Аналітика на основі кореляції
"Клієнти, які купують продукт А, також мають тенденцію купувати продукт Б."
Проблема: якщо ми підвищимо ціну А, збільшиться продажі А? Ми не знаємо.
Діаграма рішень, що відображає причинно-наслідкові відносини
"Зниження ціни на А → збільшення продажів А → збільшення продажів Б (комплементарне використання)."
Діяльність: ми знаємо механізм (ціну А) та механізм (комплементарний ефект).
Діаграма рішень, що відображає причинно-наслідкові відносини (ДРП), візуалізує ці причини-наслідкові відносини. Вона показує:
- Метриці: Що ми намагаємося досягти
- Рушії: Що ми можемо зробити
- Проміжні результати: Ланцюжок наслідків між рушієм і метрикою
- Зовнішні фактори: Фактори, яких ми не можемо контролювати, але повинні враховувати
"Лучше організовувати інформацію навколо рішення, яке потрібно зробити, ніж навколо даних, які стосуються рішення."
Дефіцит місця для AI: Підсилення, а не заміщення
Це місце, де Інтелектна рішучість відрізняється найбільш різко від обох «AI автоматизує все» гіпу та «людям завжди довірити рішення» традиціоналізму. Позиція DI: AI підсилює рішення людини; людина залишається відповідальною.
Що робить добре AI в DI
Об'єднання інформації
Обробка обсягів даних, які неможливо обробляти люди. Підсумування 10 тисяч документів до відповідних висновків.
Детекція шаблонів
Пошук кореляцій та аномалій у високовимірному даних, які людина пропустить.
Симуляція результатів
Моделювання «що якщо» сценаріїв швидше та більш повністю, ніж ручний аналіз.
Що роблять люди, чого не можуть зробити AI
Значення та етика
Вирішення, які торгівлі прийнятні. Врівноваження конкуруючих інтересів учасників.
Контекст та судження
Застосування організаційної знань, свідомості стосунків та ситуаційної нюансу.
Відповідальність
Власність рішення. Бути людиною в циклі, яку вимагають регулювальники та учасники.
Нетфлікс є ідеальним прикладом. Їхній рекомендаційний двигун (AI) обробляє візуальні звички 300 мільйонів підписників. Він передбачив, що Дім карт вдасться ще до того, як був знятий перший епізод. Але люди — виконавчі директори студії — зробили фактичний вибір щодо виробництва виробництва вартістю $100 мільйонів. AI обробляв когнітивний навантаження щодо виявлення шаблонів; люди обробляли відповідальність.
80% вмісту, який дивляться на Нетфлікс, надходить від рекомендаційного двигуна. Але Нетфлікс підкреслює, що «людям, а не машинам, належить остаточне рішення».
Хвилі прийняття 2025-2030
Інтелектна рішучість перемістилася з академічної теорії до підприємницької прийняття швидше, ніж більшість дисциплін:
Сучасний стан (Gartner, 2025)
- 33% організацій вже застосували ІІД
- 17% зобов'язалися здійснити пілотний проєкт протягом 6 місяців
- 19% розглядають застосування протягом 6-12 місяців
- 25% досліджують протягом 12-24 місяців
- Тільки 7% заявили про відсутність інтересу
Працююча проєкція
Гіпс циклу AI 2025 року Gartner визнає Інтелектну рішучість як перетворюючу технологію — розміщуючи її на рівні 5-20% поточного прийняття з очікуванням масової зрілості протягом 2-5 років. Організації, які будують здатність DI зараз, матимуть розвинені процеси та організаційну експертизу до того, як вона стане обов'язковою.
З колективної прийняття рішення до Інтелектуальної рішучості
Якщо ви прочитали нашу Прохідну керівництво щодо колективної прийняття рішення, ви визнаєте основу, яку DI будує:
Що встановлює колективна прийняття рішення
- Різноманітні погляди переважають індивідуальне судження (Condorcet, 1785)
- Психологічна безпека дозволяє спільному спілкуванню (Google Проект Арістотель)
- Фази розгалуження-конвергенції структурують групове дослідження
- Когнітивні упередження можна зменшити за допомогою структурованих рамок
Що додає Інтелектуальна рішучість
- Аугментація AI: Обробка обсягів інформації, які неможливо обробляти люди
- Кausal modeling: Мапування причинно-наслідкових зв'язків для аналізу «що якщо»
- Повторювані цикли: Систематичне вимірювання результатів прийняття рішень
- Автоматизація рішень: Рутинні рішення обробляються AI з людською наглядністю
Думайте про це так: Колективна прийняття рішення є людською основою; Інтелектуальна рішучість є технологічно-ускладненою системою, побудованою на цій основі. Ви не зможете мати добру Інтелектуальну рішучість без колективної прийняття рішення. Але ви зможете розширити потужність CDM значно, додавши можливості DI.
Як Argumentree імплементує Інтелектуальну рішучість
Argumentree застосовує принципи Інтелектуальної рішучості до реальної організаційної прийняття рішень. Замість того, щоб вважати рішення окремими подіями, платформа створює продовжувальну навчальну систему:
Результат: кожне рішення стає навчальним можливістю. Команди створюють організаційну пам'ять. Нові учасники можуть зрозуміти не тільки що було вирішено, але й чиї — і чи дотримувалися міркування реальністю.
Повна керівництво
Цей пост охоплює основні принципи Інтелектуальної рішучості. Для повного глибинного дослідження — включаючи повний архітектурний фреймворк, шаблони реалізації, шаблони діаграм причинно-наслідкових зв'язків та інтеграцію з існуючою інфраструктурою BI/DS — дивіться нашу повну ресурсну сторінку:
Що таке Інтелектуальна рішучість?
Повний керівний посібник
5 000+ слів, які охоплюють повний фреймворк DI: походження, архітектура, техніки моделювання причинно-наслідкових зв'язків, шаблони інтеграції AI, організаційна реалізації та дослідження, які стоять за цим.
Читайте повне керівництво