Количественные оценки бизнеса, прогнозы его роста – это тот необходимый инструмент, который позволяет увидеть тенденции в развитии технологии на уровне компании, отрасли, региона, страны. Над исследованием этих тенденций в области ИИ-рынка работают сотни компаний.
Наиболее свежие данные продаются в виде относительно дорогостоящих отчетов, со временем эти данные просачиваются в публичное пространство в форме статей, блогов и прочих публикаций. Существенная проблема состоит в множественности оценок, которые мало стыкуются между собой, отсутствии описания методик, по которым эти данные получены, отсутствии общей таксономии, и как следствие сложности интерпретации, сравнения и анализа этих данных. Задача настоящего раздела не только дать срез и классификацию количественной информации, доступной на момент написания данного курса, но и показать причины множественности оценок рынка ИИ, прокомментировать существующие методики расчетов, помочь в интерпретации данного рода данных.
Проанализировав десятки публикаций посвященных анализу бизнесов, связанных с ИИ, можно выделить три подхода: первый – это попытки определить объем финансирования, выделяемый на создание и развитие ИИ-компаний.
Второй – это попытка определить выручку определенной группы компаний, так или иначе ассоциированной с ИИ-бизнесом. К этому подходу примыкает и задача определения рынка ИИ, которая на практике наталкивается на ряд сложностей, о которых мы поговорим подробнее в данной лекции.
Третий подход – это попытка оценить комплексные показатели, которые зависят от множества параметров и формируют такие категории, как например, “уровень зрелости региона по развитию ИИ” или “уровень зрелости правительства той или иной страны по степени развития ИИ”.
Анализ количественных данных показывает наличие существенного разброса в оценках. Попробуем разобраться, с чем это связано. На рис. 3.25 показаны категории, которые фигурируют в разных аналитических исследованиях, связанных с оценкой выручки компаний, ассоциированных с ИИ- бизнесом.
Рис. 3.25. Категории, которые фигурируют в разных аналитических исследованиях, связанных с бизнесом на базе технологий ИИ
Первая категория “выручка всех компаний, которые увеличивают свой доход под влиянием внедрения ИИ”, по сути дела, фигурирует в исследованиях косвенного влияния ИИ на экономику отдельных стран. Такие оценки, в частности, приводят Deloitte, PWC, Mckinsey по мировому рынку и Сбер по российскому. В частности, в 2017 году компания PWC опубликовала отчет, в котором была сделана попытка оценить степень влияния технологий ИИ на мировую экономику. Согласно упомянутому отчету, к 2030 году мировая экономика могла бы получить дополнительно 15,7 триллиона долларов, исходя из того, что внедрение ИИ-решений позволит повысить производительность труда, автоматизируя некоторые задачи, что в свою очередь позволит увеличить ВВП мировой экономики. Согласно данному отчету, Китай к 2030 году мог бы добавить к ВВП 0,7 трлн долл., что составило бы 26% его ВВП, а США 3,7 трлн, что составило бы 14% ее ВВП. То есть речь идет о дополнительной выручке всех компаний под влиянием ИИ. Прокомментировать достоверность данных цифр достаточно сложно, поскольку авторы не публикуют методики расчетов, а интуитивно понятной ее трудно назвать. Как можно определить, какие бы были доходы мировой экономики без присутствия ИИ и как, соответственно, определить вклад именно от технологий ИИ, не является очевидным. Тем не менее крупнейшие аналитические компании такие оценки пытались делать, они опубликованы и получили массу цитирований. Об отсутствии единой общепринятой методики оценки степени влияния ИИ на мировой ВВП говорит тот факт, что, например, оценки PWC и Mackinsey степени влияния ИИ на мировую экономику расходятся в разы.
Категория “выручка всех компаний, для которых использование ИИ является ключевой технологией в их бизнесе” также используется для анализа объема ИИ-бизнеса в стране. В частности, по такому принципу составлена карта российских компаний. Авторы проекта собрали компании, для которых, по их мнению, ИИ является существенной частью бизнеса, подсчитали их выручку и отслеживают динамику данного показателя во времени.
Следующая категория – “выручка компаний, которые являются поставщиками компонентов и услуг для построения ИИ-решений”. В принципе, данная формулировка близка к той, что определяет понятие рынок искусственного интеллекта. Но попытки оценить эту категорию на практике сталкиваются с большими трудностями, и разные аналитики приходят к разным оценкам с большим разбросом.
Последней категорией является совокупность компаний, которые являются поставщиками ПО для построения ИИ-решений, и, наконец, внутри показаны поставщики платформ для построения ИИ-решений. Комментируя достоверность количественных оценок упомянутых категорий, следует отметить, что методики построения оценок рынка и прогнозов его развития в зависимости от анализируемого рынка, можно разделить на интуитивно понятные (консенсусные) и, назовем их “авторские”, неконсенсусные, предложенные тем или иным аналитическим агентством.
Например, если мы анализируем поставки ноутбуков на рынок той или иной страны, то методику можно назвать интуитивно понятной, потому что все, кто будет оценивать данный рынок, будут использовать близкую таксономию и придут примерно к одному и тому же набору лидеров рынка. Потому что есть продукт, который непосредственно определяет рынок. В случае анализа таких рынков, как Big Data или ИИ, нет однозначно определенного продукта, который формирует данный рынок, каждый аналитик вправе предложить свою методику (определить, какие продукты и услуги или бизнес каких компаний он отнесет в данную категорию, а какие нет). Проблема в том, что добиться консенсуса (единой методики) на практике в данном случае очень сложно. Поэтому объемы и лидеры рынка у каждого аналитика могут быть разные. Если общая методология не выработана, каждый из аналитиков будет пытаться продвигать свою методику и свой уникальный отчет на ее основе.
Если понятие рынок ИИ не является консенсусным, то, очевидно, производная от этого понятия, такая как “вклад ИИ в ВВП”, также не является общепринятой. Попытки оценить объемы финансирования ИИ-компаний тоже наталкиваются на ряд проблем. Здесь сложность анализа связана с тем, что существуют не только стартапы, которые четко определяют свою принадлежность к разработке той или иной ИИ-технологии, но и высокотехнологичные компании, которые объединяют множественные направления бизнеса. В этой связи многие аналитики решают более частную задачу – пытаются собрать данные именно о финансировании стартапов, подчас называя это объемом финансирования ИИ. Смежными в подобных отчетах являются исследования рынков слияний и поглощений ИИ-компаний с выделением информации о том, какие ИИ-стартапы покупают, кто основные покупатели в мире, в каком объеме и почему, каковы средние размеры сделок, количество раундов инвестиций, на какие технологии охотятся ИТ-гиганты и почему, как ИИ-стартапы распределены по миру (какие страны более активны в развитии ИИ-бизнеса в форме такого рода компаний). Еще один тип количественных исследований, которые следует упомянуть, – это исследования, связанные с построением комплексных коэффициентов “ИИ-зрелости”. В этой области существует ряд аналитических сообществ, которые собирают данные и занимаются построением своих коэффициентов по индивидуальной методике и публикуют рейтинги стран по уровню зрелости применения ИИ. Подобные методики учитывают уже перечисленные параметры (количество стартапов, количество ИИ-компаний, объемы финансирования ИИ-бизнеса), а также десятки других – таких как наличие профильных университетов, доступа к данным, привлекательность бизнес-среды, политика государства, наличие ИИ-стратегии в стране и прочее. Часто эти методики берут показатели из международных социальных сетей (такие как число соискателей ИИ-работы), исходя из того, что пользователи разных стран имеют равный доступ к подобным международным источникам. Однако в условиях многополярного мира разные социальные сети тяготеют к тем или иным государствам, и представленность в них разных стран не является равномерной, что в свою очередь приводит к искажениям комплексных страновых показателей. Так, например количество ИИ-специалистов по данным LinkedIn нельзя считать объективным, поскольку посещение данной сети в ряде стран ограничено.
Далее мы кратко остановимся на всех перечисленных типах исследований и начнем с анализа инвестиций в ИИ-компании.
Количественные оценки бизнеса, прогнозы его роста – это тот необходимый инструмент, который позволяет увидеть тенденции в развитии технологии на уровне компании, отрасли, региона, страны. Над исследованием этих тенденций в области ИИ-рынка работают сотни компаний.
Наиболее свежие данные продаются в виде относительно дорогостоящих отчетов, со временем эти данные просачиваются в публичное пространство в форме статей, блогов и прочих публикаций. Существенная проблема состоит в множественности оценок, которые мало стыкуются между собой, отсутствии описания методик, по которым эти данные получены, отсутствии общей таксономии, и как следствие сложности интерпретации, сравнения и анализа этих данных. Задача настоящего раздела не только дать срез и классификацию количественной информации, доступной на момент написания данного курса, но и показать причины множественности оценок рынка ИИ, прокомментировать существующие методики расчетов, помочь в интерпретации данного рода данных.
Проанализировав десятки публикаций посвященных анализу бизнесов, связанных с ИИ, можно выделить три подхода: первый – это попытки определить объем финансирования, выделяемый на создание и развитие ИИ-компаний.
Второй – это попытка определить выручку определенной группы компаний, так или иначе ассоциированной с ИИ-бизнесом. К этому подходу примыкает и задача определения рынка ИИ, которая на практике наталкивается на ряд сложностей, о которых мы поговорим подробнее в данной лекции.
Третий подход – это попытка оценить комплексные показатели, которые зависят от множества параметров и формируют такие категории, как например, “уровень зрелости региона по развитию ИИ” или “уровень зрелости правительства той или иной страны по степени развития ИИ”.
Анализ количественных данных показывает наличие существенного разброса в оценках. Попробуем разобраться, с чем это связано. На рис. 3.25 показаны категории, которые фигурируют в разных аналитических исследованиях, связанных с оценкой выручки компаний, ассоциированных с ИИ- бизнесом.
Рис. 3.25. Категории, которые фигурируют в разных аналитических исследованиях, связанных с бизнесом на базе технологий ИИ
Первая категория “выручка всех компаний, которые увеличивают свой доход под влиянием внедрения ИИ”, по сути дела, фигурирует в исследованиях косвенного влияния ИИ на экономику отдельных стран. Такие оценки, в частности, приводят Deloitte, PWC, Mckinsey по мировому рынку и Сбер по российскому. В частности, в 2017 году компания PWC опубликовала отчет, в котором была сделана попытка оценить степень влияния технологий ИИ на мировую экономику. Согласно упомянутому отчету, к 2030 году мировая экономика могла бы получить дополнительно 15,7 триллиона долларов, исходя из того, что внедрение ИИ-решений позволит повысить производительность труда, автоматизируя некоторые задачи, что в свою очередь позволит увеличить ВВП мировой экономики. Согласно данному отчету, Китай к 2030 году мог бы добавить к ВВП 0,7 трлн долл., что составило бы 26% его ВВП, а США 3,7 трлн, что составило бы 14% ее ВВП. То есть речь идет о дополнительной выручке всех компаний под влиянием ИИ. Прокомментировать достоверность данных цифр достаточно сложно, поскольку авторы не публикуют методики расчетов, а интуитивно понятной ее трудно назвать. Как можно определить, какие бы были доходы мировой экономики без присутствия ИИ и как, соответственно, определить вклад именно от технологий ИИ, не является очевидным. Тем не менее крупнейшие аналитические компании такие оценки пытались делать, они опубликованы и получили массу цитирований. Об отсутствии единой общепринятой методики оценки степени влияния ИИ на мировой ВВП говорит тот факт, что, например, оценки PWC и Mackinsey степени влияния ИИ на мировую экономику расходятся в разы.
Категория “выручка всех компаний, для которых использование ИИ является ключевой технологией в их бизнесе” также используется для анализа объема ИИ-бизнеса в стране. В частности, по такому принципу составлена карта российских компаний. Авторы проекта собрали компании, для которых, по их мнению, ИИ является существенной частью бизнеса, подсчитали их выручку и отслеживают динамику данного показателя во времени.
Следующая категория – “выручка компаний, которые являются поставщиками компонентов и услуг для построения ИИ-решений”. В принципе, данная формулировка близка к той, что определяет понятие рынок искусственного интеллекта. Но попытки оценить эту категорию на практике сталкиваются с большими трудностями, и разные аналитики приходят к разным оценкам с большим разбросом.
Последней категорией является совокупность компаний, которые являются поставщиками ПО для построения ИИ-решений, и, наконец, внутри показаны поставщики платформ для построения ИИ-решений. Комментируя достоверность количественных оценок упомянутых категорий, следует отметить, что методики построения оценок рынка и прогнозов его развития в зависимости от анализируемого рынка, можно разделить на интуитивно понятные (консенсусные) и, назовем их “авторские”, неконсенсусные, предложенные тем или иным аналитическим агентством.
Например, если мы анализируем поставки ноутбуков на рынок той или иной страны, то методику можно назвать интуитивно понятной, потому что все, кто будет оценивать данный рынок, будут использовать близкую таксономию и придут примерно к одному и тому же набору лидеров рынка. Потому что есть продукт, который непосредственно определяет рынок. В случае анализа таких рынков, как Big Data или ИИ, нет однозначно определенного продукта, который формирует данный рынок, каждый аналитик вправе предложить свою методику (определить, какие продукты и услуги или бизнес каких компаний он отнесет в данную категорию, а какие нет). Проблема в том, что добиться консенсуса (единой методики) на практике в данном случае очень сложно. Поэтому объемы и лидеры рынка у каждого аналитика могут быть разные. Если общая методология не выработана, каждый из аналитиков будет пытаться продвигать свою методику и свой уникальный отчет на ее основе.
Если понятие рынок ИИ не является консенсусным, то, очевидно, производная от этого понятия, такая как “вклад ИИ в ВВП”, также не является общепринятой. Попытки оценить объемы финансирования ИИ-компаний тоже наталкиваются на ряд проблем. Здесь сложность анализа связана с тем, что существуют не только стартапы, которые четко определяют свою принадлежность к разработке той или иной ИИ-технологии, но и высокотехнологичные компании, которые объединяют множественные направления бизнеса. В этой связи многие аналитики решают более частную задачу – пытаются собрать данные именно о финансировании стартапов, подчас называя это объемом финансирования ИИ. Смежными в подобных отчетах являются исследования рынков слияний и поглощений ИИ-компаний с выделением информации о том, какие ИИ-стартапы покупают, кто основные покупатели в мире, в каком объеме и почему, каковы средние размеры сделок, количество раундов инвестиций, на какие технологии охотятся ИТ-гиганты и почему, как ИИ-стартапы распределены по миру (какие страны более активны в развитии ИИ-бизнеса в форме такого рода компаний). Еще один тип количественных исследований, которые следует упомянуть, – это исследования, связанные с построением комплексных коэффициентов “ИИ-зрелости”. В этой области существует ряд аналитических сообществ, которые собирают данные и занимаются построением своих коэффициентов по индивидуальной методике и публикуют рейтинги стран по уровню зрелости применения ИИ. Подобные методики учитывают уже перечисленные параметры (количество стартапов, количество ИИ-компаний, объемы финансирования ИИ-бизнеса), а также десятки других – таких как наличие профильных университетов, доступа к данным, привлекательность бизнес-среды, политика государства, наличие ИИ-стратегии в стране и прочее. Часто эти методики берут показатели из международных социальных сетей (такие как число соискателей ИИ-работы), исходя из того, что пользователи разных стран имеют равный доступ к подобным международным источникам. Однако в условиях многополярного мира разные социальные сети тяготеют к тем или иным государствам, и представленность в них разных стран не является равномерной, что в свою очередь приводит к искажениям комплексных страновых показателей. Так, например количество ИИ-специалистов по данным LinkedIn нельзя считать объективным, поскольку посещение данной сети в ряде стран ограничено.
Далее мы кратко остановимся на всех перечисленных типах исследований и начнем с анализа инвестиций в ИИ-компании.
-
Add a note