Piše: prof. dr. sc. Heimo Losbichler (Austrija) ‘keynote‘ na 8. ICCC - Međunarodnoj konferenciji o kontrolingu u Hrvatskoj, predsjednik Međunarodne udruge kontrolera - International Association of Controllers (ICV) i Međunarodne skupine za kontroling
Iz perspektive kibernektike i teorije sustava ideal točnih predviđanja ostaje nedostižan čak i u vremenu UI-ja i strojnog predviđanja. To ne mora značiti da strojno predviđanje ne može poboljšati kontroling. S jedne se strane isti rezultat može postići automatizacijom uz niže troškove, a s druge se strane suglasjem ljudske i strojne obrade informacija može poboljšati kvaliteta
Učinci digitalizacije mogu se osjetiti na dvama veoma različitim područjima kontrolinga. S jedne se strane očituju u automatizaciji repetitivnih rutinskih zadataka (eng. robotic process automation – robotska automatizacija procesa), a s druge u podršci ili automatizaciji u pogledu izazovnih, analitičkih zadataka (strojno predviđanje, umjetna inteligencija – UI). Iako automatizacija rutinskih zadataka napreduje prilično dobro, posebice u velikim tvrtkama, podrška analitičkim zadacima čini se mnogo zahtjevnija.
Prema studiji njemačkoga saveznog ministarstva gospodarstva, tek pet posto njemačkih tvrtki upotrebljava UI u jednoj od svojih poslovnih jedinica. Broj tvrtki koje se koriste UI-jem u kontrolingu iznimno je malen, a istodobno se od umjetne inteligencije mnogo očekuje.
Promjena paradigme
Nezadovoljstvo zbog neizvjesnog okružja koje je teško predvidjeti, preuranjeno zastarijevanje planova i 'igre' planskih politika imaju dugu povijest. Organizacija Beyond Budgeting Round Table (BBRT) početkom 2000-ih jasno se založila za kraj klasičnog planiranja. Nakon financijske krize 2008. pojam VUCA – Volatility, Uncertainty, Complexity and Ambiguity (volatilnost, neizvjesnost, kompleksnost i nejasnost) postao je sinonim za teškoće u predviđanju budućeg razvoja događaja. Kao odgovor na to 'novo normalno', uvedeni su koncepti poput modernog budžetiranja, planiranja scenarija, planiranja plutajućih profitnih marži (eng. fluctuation margin planning) ili cikličkog predviđanja (eng. rolling forecast), koji su na razne načine zagovarali odmicanje od detaljnog, preciznog planiranja i prognoza.
No čini se da se s dolaskom digitalizacije pojavila nova paradigma. Pristup novim izvorima podataka (eng. big data), gotovo neograničena procesorska snaga i UI sustavi brzo su doveli do pojave novih popularnih pojmova kao što je prediktivna analitika te do prvih primjena strojnog predviđanja utemeljenog na UI-ju. Na taj je način vraćeno povjerenje u predvidljivost budućnosti – barem je tako bilo do početka krize izazvane koronavirusom. Nekoliko izvješća o stečenim iskustvima, ponajprije od velikih tvrtki, naizgled potvrđuje izvedivost izrade predviđanja putem UI-ja i superiornost strojnog predviđanja. Primjer ljudskog i strojnog predviđanja do kraja godine jedne velike međunarodne tvrtke pokazuje da je strojno predviđanje ukazalo na pad tri mjeseca ranije u odnosu na ono što je predvidio kontroler, a isto je tako preciznije prognoziralo rezultat za kraj godine.
Granice predvidljivosti
Razlike između ljudskog i strojnog predviđanja mogu se uvjerljivo objasniti komplementarnošću ljudske i strojne obrade informacija. Međutim, unatoč pozitivnim iskustvima, valja imati realistična očekivanja u pogledu točnosti strojnog planiranja i predviđanja s obzirom na to da postoje ograničenja kapaciteta UI-ja kada je riječ o pouzdanom utvrđivanju i planiranju. Čak je i u 'uspješnom primjeru' strojno predviđanje bilo pretjerano optimistično do kolovoza. Ta ograničenja razmatrat će se iz perspektive kompleksnosti i kibernetike.
Nošenje s kompleksnošću danas se smatra jednim od najvećih izazova u upravljanju. Menadžeri u korporativnom upravljanju moraju uzeti u obzir sve veći broj čimbenika, koji se isto tako mijenjaju sve većom brzinom i međusobno su snažno povezani. Ključni su pokretači tog razvoja globalizacija te, paradoksalno, brzi napredak digitalizacije, koja povezuje svijet u stvarnom vremenu i povećava brzinu kojom se on mijenja. Upravljanje kompleksnošću problematika je kojom se posebno bavi kibernetika. Pioniri kao što su Ashby, Beer, Forrester, Luhmann, Ulrich, Probst, Gomez, Malik, Dörner ili Vester već su davno postavili temelje za proučavanje te tematike koja je, uzimajući u obzir ograničenja umjetne inteligencije, danas aktualnija nego ikada prije.
Bremermannov limit
Prema Bremermannovu limitu, postoji nesavladiv, apsolutan limit ljudskoga znanja koji se ne može probiti bez obzira na veličinu napretka u digitalizaciji. Zbog atomske strukture tvari postoji gornja granica za obradu informacija koju ne može probiti nijedno računalo ili mozak sačinjen od tvari: nijedan sustav koji se sastoji od tvari ne može obraditi više od 2*10 47 bita po gramu i sekundi, što odgovara brzini svjetlosti i Planckovoj konstanti. Posljedica je toga da čak ni najsnažniji računalni klasteri utemeljeni na oblaku, poput Hadoopa, ne posjeduju dostatnu procesorsku snagu za davanje točnih predviđanja u današnjem kompleksnom, konkurentskom okružju. Malik je iznio zanimljivu usporedbu u svojoj habilitacijskoj tezi, u kojoj je izračunao teoretsku granicu kapaciteta obrade informacija na temelju pretpostavke da je čitava Zemljina masa od početka povijesti jedno divovsko računalo koje bez prestanka obrađuje informacije. Zatim je usporedio kapacitet obrade informacija s kompleksnošću tipičnih situacija menadžerskoga odlučivanja i time pokazao ograničenu mogućnost predviđanja.
Kompleksni sustavi
Suvremeni ekonomski sustavi sastoje se od mnoštva elemenata i odnosa, a podijeljeni su u dio koji je vidljiv (menadžeru, kontroleru…) i dio koji je nevidljiv. Primjer nevidljivog elementa bio bi koronavirus prije nego što je izbila bolest izazvana tim virusom. To ima važnu posljedicu: ne znamo za postojanje određenih elemenata i stoga ih ne možemo uzeti u obzir kao čimbenike pri donošenju odluka. Sustav je zato samo djelomično utvrdiv, tj. spoznatljiv, i stoga ga UI sustav može tek djelomično modelirati.
Kompleksni sustavi dalje se mogu podijeliti u aktivne elemente koji se mogu mijenjati samostalno te pasivne elemente. Aktivnim elementima sustavi postižu vlastiti zamah, ne čekaju intervenciju aktera već se mijenjanju sami od sebe. I sami elementi i odnosi među elementima mogu se mijenjati bez vanjskog utjecaja. Prema tome, input (intervencija menadžmenta) nije jedino što određuje output. Istina je da output ovisi o inputu, ali i o stanjima sustava. Upravo nas zato ponašanje sustava neprestano iznenađuje.
Forrester je takve sustave nazvao kontraintuitivnima jer se poznati fenomeni odjednom ponašaju suprotno od onoga što bismo očekivali temeljem iskustva. To također vrijedi za strojno predviđanje koje se temelji na umjetnoj inteligenciji, a koje bi u konačnici trebalo davati točna predviđanja za budućnost temeljem povijesnih podataka (stanja sustava). Zamah kompleksnih sustava, uzimajući u obzir Bremermannov limit, ima dalekosežne posljedice: ideal točnih predviđanja postaje nemoguć. Na kraju, preostaje nam snaći se najbolje kako umijemo uz pomoć uzoraka.
Što nas razlikuje
Menadžeri u kompleksnim sustavima na raspolaganju zapravo imaju tek ograničene mogućnosti upravljanja. Kako bi ostvario ciljeve, akter mora promijeniti stanje pojedinih elemenata. Elementi sustava dijele se na elemente na koje se može izravno utjecati, elemente na koje se može neizravno utjecati i elemente na koje se ne može utjecati. Usto, na elemente se teško može utjecati u izolaciji jer su međusobno snažno povezani, a i akter je isto tako pod utjecajem samih elemenata. Prema tome, nije ograničena samo mogućnost predviđanja, već i kontrola.
Ukratko, iz ova dva područja može se zaključiti da, iz perspektive kibernektike i teorije sustava, ideal točnih predviđanja ostaje nedostižan čak i u vremenu UI-ja i strojnog predviđanja. To, međutim, ne mora značiti da strojno predviđanje ne može poboljšati kontroling. S jedne strane, isti rezultat može se postići uz niže troškove automatizacijom, a s druge, mogu se ostvariti poboljšanja kvalitete komplementarnošću ljudske i strojne obrade informacija.
Korištenjem strojnog predviđanja može se povećati kvaliteta stvaranja prognoza. S jedne strane, u prognozu se može uvrstiti veća količina informacija, a s druge strane, strojno predviđanje nije podložno distorzijama koje se temelje na interesu (predviđanje bez emocija). No s time treba biti oprezan. Osnovno načelo umjetne inteligencije njezina je sposobnost da uči i poboljšava se. Optimizacijski algoritmi mogu odrediti točnost nekog modela i prilagoditi ga kako bi povećali njegovu buduću točnost. Premda UI sustavi nemaju osobne interese, s pomoću podataka koji su dostupni sustavu mogu nenamjerno naučiti ono u čemu je čovjek pristran. Osim ograničenja ljudskog mozga, valja spomenuti i jednu od njegovih najvećih snaga. Ljudski mozak također redovito rješava probleme koji uopće nisu bili zadani. Mozak nema statičku strukturu, upravo suprotno, ona se neprestano reorganizira. Upravo se zato probleme spontano sagledava na nove načine. To karakterizira kreativnost i inovativne sposobnosti ljudi, čime se uvelike razlikujemo od strojeva.
Kako se koristiti UI-jem
Pitanje je stoga kako se najbolje može iskoristiti strojno predviđanje. Treba li ono zamijeniti ili nadopuniti ljudske prognoze? Može se napraviti razlika između različitih razina podrške koju pružaju 'pomoćna inteligencija, proširena inteligencija, autonomna inteligencija', slično načinu na koji se to radi u autonomnoj vožnji. U slučaju pomoćne inteligencije čitav proces predviđanja ostaje u rukama kontrolera. UI ili strojno predviđanje pruža podršku u radu, slijedeći specifične zahtjeve kontrolera, koji odlučuje o rezultatu prognoze.
U slučaju proširene inteligencije usporedno se stvaraju predviđanje kontrolera i strojno predviđanje. Razlike se potom analiziraju, a kontroler ili menadžer odlučuje koji će se rezultat upotrijebiti. U slučaju da razlika između predviđanja prelazi određeni prag vrijednosti, relevantni odjeli moraju objasniti zašto misle da su oni u pravu, a ne sustav.
U posljednjoj fazi autonomne inteligencije strojno predviđanje zamjenjuje ljudsko predviđanje: kontroleri i menadžeri oslanjanju se na UI sustav. Osim pitanja razine podrške, u obzir se mora uzeti razina zahtjeva za UI. Analogno fazama razvoja analitike, očekivanja od UI sustava mogu ići tek u smjeru pružanja relevantnih informacija o odstupanjima, što može poslužiti kao osnova za stvarnu prognozu (deskriptivna, dijagnostička). No, u većini slučajeva tvrtke nisu zadovoljne time te implementiraju kvantitativnu prognozu (prediktivnu). Najviša razina zahtjeva postavljena za UI sustav koji ne samo da predviđa mogući ishod, već nudi i mjere nužne za njegovo postizanje i dalje se čini kao daleka budućnost.