Sztuczna inteligencja szybko staje się podstawowym standardem. W ciągu kilku lat każda duża firma będzie miała dostęp do szeroko porównywalnych możliwości predykcyjnych. Gdy prognozowanie staje się towarem, przestaje być źródłem przewagi konkurencyjnej.

Następna granica konkurencji nie polega na przewidywaniu, co może się wydarzyć, lecz na określaniu, co przedsiębiorstwo powinno z tym zrobić — wśród tysięcy wzajemnie powiązanych wyborów, konkurujących priorytetów i ograniczonych zasobów. To jest luka decyzyjna i to właśnie tam w nadchodzącej dekadzie powstanie lub zostanie utracona znacząca część wartości przedsiębiorstw.

Problem, którego żaden system nie został zbudowany, by rozwiązać

Weźmy końcowe tygodnie dowolnego kwartału finansowego. Dział Accounts Payable wstrzymuje płatności, aby chronić płynność. Zespół Accounts Receivable (AR) przyspiesza ściąganie należności, by osiągnąć cel w zakresie należności. Zespół sprzedaży decyduje, które transakcje przyspieszyć, które spory AR eskalować i którym klientom zaoferować ustępstwo. Każda funkcja podejmuje lokalnie racjonalną decyzję, ale razem prowadzą do wyniku, którego nikt nie wybrałby świadomie dla całego przedsiębiorstwa.

AI może wskazać, które szanse sprzedaży prawdopodobnie zostaną zamknięte, oznaczyć należności zagrożone i oszacować, czy ustępstwo handlowe może poprawić prawdopodobieństwo finalizacji. Ale sama prognoza nie odpowiada na pytanie, które ostatecznie ma znaczenie: co firma rzeczywiście powinna zrobić?

Rabat może chronić przychody, ale obniżać marżę. Zbyt szybkie rozstrzygnięcie sporu AR może chronić gotówkę, ale sygnalizować słabość finansową. Przyspieszenie kontraktu może zabezpieczyć krótkoterminowe przychody, ale osłabić strategicznie ważną relację. Tych decyzji nie da się podejmować w izolacji funkcjonalnej. Uwaga zarządu, zdolności prawne i zasoby handlowe są ograniczone. Decyzje sprzedażowe rozchodzą się po finansach, przepływach pieniężnych, realizacji, ryzyku i przyszłej wartości klienta.

Prawdziwym wyzwaniem jest zidentyfikowanie skoordynowanego portfela działań, który jednocześnie tworzy najsilniejszy wynik dla przedsiębiorstwa we wszystkich tych wymiarach. To nie jest przede wszystkim problem prognozowania — to problem przestrzeni decyzyjnej.

Rzeczywiste decyzje przedsiębiorstw są złożone. Obejmują wiele poziomów rabatów, struktury płatności, ograniczenia dostaw, cele gotówkowe, progi marży i relacje z klientami, które trzeba chronić. Aby utrzymać takie decyzje w ryzach, firmy upraszczają je jeszcze przed rozpoczęciem obliczeń. Redukują scenariusze, wykluczają interakcje, zamieniają złożone kompromisy na stałe reguły i optymalizują sprzedaż, finanse oraz operacje oddzielnie.

Obliczenia stają się prostsze, ale problem biznesowy staje się mniej realistyczny.

Nowa kategoria przedsiębiorstw

Pojawia się nowa kategoria technologii dla przedsiębiorstw, która ma wypełnić tę lukę: Enterprise Decision Computing.

Enterprise Decision Computing przekształca decyzję biznesową — jej możliwe działania, cele, ograniczenia, niepewność, współzależności i konsekwencje ekonomiczne — w obliczalny obiekt przedsiębiorstwa, który można rozwiązać i zoptymalizować jako całość.

Systemy Enterprise Resource Planning realizują procesy. Business intelligence wyjaśnia przeszłość. AI prognozuje wyniki. Żaden z tych elementów — osobno ani razem — nie odpowiada jednak na pytanie, jaki skoordynowany zestaw działań powinno podjąć przedsiębiorstwo, biorąc pod uwagę jego cele, ograniczenia, niepewności i współzależności między funkcjami.

To nie jest zmiana nazwy Operations Research, który rozwiązuje zdefiniowane problemy. To warstwa przedsiębiorstwa, w której sama decyzja jest stale reprezentowana, nadzorowana, mierzona i udoskonalana.

Enterprise Decision Computing ma znaczenie już dziś, niezależnie od tego, co wydarzy się w obszarze obliczeń kwantowych. Klasyczna optymalizacja, symulacja i AI już teraz mogą oceniać bogatsze modele decyzyjne niż używa większość firm. Pierwsza przewaga konkurencyjna jest dostępna już teraz.

Enterprise Decision Computing tworzy warstwę przedsiębiorstwa, w której sama decyzja jest stale reprezentowana, nadzorowana, mierzona i udoskonalana — łącząc optymalizację matematyczną, symulację, AI i ludzką ocenę wokół wspólnej reprezentacji decyzji i jej wartości.

Gdzie obliczenia kwantowe znajdują swoje miejsce

Jako osoba, która spędziła lata na styku obliczeń kwantowych i operacji przedsiębiorstw, uważam, że obecna dyskusja o kwantach jest zaskakująco chybiona. Większość z niej koncentruje się na kamieniach milowych sprzętu: jakości kubitów, korekcji błędów, drodze do odporności na błędy. Te postępy mają znaczenie. Ale odpowiadają na niewłaściwe pytanie. Pytanie nie brzmi, kiedy sprzęt kwantowy będzie gotowy. Brzmi: co właściwie będzie miał obliczać, gdy już będzie gotowy.

Odpowiedź leży w stopniowym wzbogacaniu decyzji. Zaczynamy od klasycznego modelu uwzględniającego przychody, prawdopodobieństwo zamknięcia i dostępne zasoby sprzedażowe. Następnie dodajemy kolejną warstwę, taką jak marża i warunki płatności. Potem czas przepływów pieniężnych, status sporu AR i ograniczenia dostaw. Potem interakcje w całym portfelu i długoterminową wartość klienta.

Każda dodatkowa warstwa czyni decyzję bardziej realistyczną, ale też bardziej wymagającą obliczeniowo. Większość warstw da się dziś rozwiązać klasycznie i już przynosi mierzalną wartość. Jednak w pewnym momencie warstwa staje się zbyt mocno powiązana, zbyt ograniczona i zbyt bogata, by metody klasyczne mogły ją obsłużyć bez wymuszania uproszczeń, które zubażają odpowiedź. W przypadku takich silnie powiązanych problemów metody kwantowe mogą ostatecznie umożliwić ocenę bogatszych modeli bez usuwania interakcji, które czynią odpowiedź realistyczną.

To właśnie w tym miejscu obliczenia kwantowe zyskują swoje miejsce — nie jako całkowity substytut, lecz jako zdolność, która pozwala uwzględnić kolejną wartościową perspektywę zamiast ją pominąć.

Przewaga konkurencyjna nie zaczyna się od kwantów. Zaczyna się od modelu decyzyjnego. Rola kwantów, gdy osiągną skalę komercyjną, będzie polegać na dalszym rozszerzaniu tego bogactwa. Nie na jego tworzeniu.

Decyzja, przed którą stoi dziś każdy zarząd

Dług decyzyjny narasta tak samo jak dług finansowy: po cichu, aż przestaje to być możliwe. Obniżenie ratingu kredytowego, którego uniknęło jedno przedsiębiorstwo, nie było ryzykiem przyszłym. Było ryzykiem obecnym, niewidocznym tylko dlatego, że nie zaprojektowano systemu, który miałby je dostrzec.

CEO i rady nadzorcze mogą podjąć teraz konkretne działania. Wybierzcie jedną częstą, wysokostawkową dziedzinę, w której sprzedaż, AP, AR lub Treasury optymalizują obecnie niezależnie. Uruchomcie model bazowy. Zmierzcie, jak wygląda wynik skoordynowany w porównaniu z wynikiem silosowym. Wymagana inwestycja jest umiarkowana. Koszt braku tych danych wtedy, gdy mają je konkurenci, nie jest.

Następna granica konkurencji nie polega na tym, która firma ma najwięcej danych albo najbardziej zaawansowaną AI. Polega na tym, która firma zbuduje najbardziej zaawansowaną architekturę decyzyjną — taką, która potrafi objąć pełną złożoność działającego przedsiębiorstwa i wskazać skoordynowane działania, których żadna pojedyncza funkcja nie mogłaby odkryć samodzielnie. Tę architekturę można zbudować już dziś. Pytanie dla każdego zarządu nie brzmi, czy ją budować. Brzmi, czy zbudować ją pierwszym.

Prawdziwe wąskie gardło

Z mojej perspektywy w przedsięwzięciach kwantowych dla firm stale powtarza się to samo początkowe wąskie gardło. Rzadko chodzi o dostęp do procesora. Chodzi o brak precyzyjnej, ogólnoprzedsiębiorstwowej reprezentacji decyzji, którą procesor ma ulepszyć.

Firma gotowa na kwanty to taka, która rozumie swoje najistotniejsze decyzje na tyle dobrze, by wiedzieć, gdzie dodatkowe bogactwo obliczeniowe stworzyłoby wartość. Organizacje, które wypracują największą wartość z kwantów, nie będą tymi, które jako pierwsze uzyskają dostęp do technologii. Będą to firmy, które dokładnie rozumieją, gdzie dzisiejsze uproszczone decyzje pozostawiają wartość na stole i gdzie kwanty mogą dodać brakujący wymiar.

Poglądy wyrażone w komentarzach Fortune.com są wyłącznie poglądami ich autorów i niekoniecznie odzwierciedlają opinie i przekonania Fortune.

Ta historia została pierwotnie opublikowana na Fortune.com