Apple так и не выпустила свой беспилотный автомобиль. Проект Titan, поглощавший миллиарды долларов и труд тысяч инженеров на протяжении почти десятилетия, был официально закрыт. С точки зрения классического проектного менеджмента — это провал. Списанные инвестиции, распущенная команда, отсутствие продукта. Но именно этот «провал» сегодня оказывается фундаментом одного из главных конкурентных преимуществ компании в эпоху искусственного интеллекта.
Как рассказал Марк Гурман в своей рассылке Power On, ранняя работа над автопилотом заставила Apple осознать: для обработки данных с сенсоров машины в реальном времени нужны мощные вычисления прямо на устройстве, без обращения к облаку. Сам автомобильный процессор так и не был доведён до конца. Но побочным результатом этих исследований стал Neural Engine — специализированный блок для ИИ-вычислений, который сегодня встроен во все ключевые чипы Apple.
Что произошло на самом деле
Neural Engine дебютировал в 2017 году вместе с iPhone X и чипом A11 Bionic. Изначально он решал узкие задачи компьютерного зрения: разблокировка по лицу (Face ID), анимированные эмодзи, функции дополненной реальности. Ничего революционного на первый взгляд.
Однако Apple сделала стратегически важный шаг — перенесла Neural Engine с мобильных устройств на настольные, встроив его в линейку процессоров M-series. Тем самым компания заранее, ещё до нынешнего ИИ-бума, создала инфраструктуру для обработки нейросетевых задач локально, на самом устройстве.
Сегодня это даёт двойной эффект. Во-первых, аппаратное преимущество: чипы Apple демонстрируют впечатляющую производительность в ИИ-задачах. Во-вторых — маркетинговое и этическое: раз меньше данных уходит в облако, компания может честно заявлять о защите приватности пользователей. По данным издания, Apple ускоряет разработку чипа M7, пропуская версии Pro, Max и Ultra для поколения M6. M7 с существенно улучшенным Neural Engine ожидается в первой половине 2027 года, а версия M7 Ultra ляжет в основу нового серверного продукта с поддержкой до 1,5 ТБ оперативной памяти.
Парадокс: софт отстаёт, но железо выигрывает
Важная деталь, которую нельзя упускать: программные ИИ-решения Apple откровенно отстают от конкурентов. Siri годами вызывает раздражение, а запуск Apple Intelligence шёл со скрипом и задержками. И при этом аппаратный фундамент компании — один из самых сильных в индустрии.
Это разделение показательно. Оно демонстрирует, что стратегические активы в области ИИ формируются не только (и не столько) громкими продуктовыми анонсами, сколько незаметной, кропотливой работой над инфраструктурой. Apple может позволить себе догонять по софту, потому что железо уже на месте — а вот наверстать аппаратное отставание в разы сложнее и дороже.
Главный урок для бизнеса: ценность побочных результатов
История с автомобилем Apple — это идеальная иллюстрация принципа, который часто игнорируют при оценке R&D-инвестиций. Провал проекта на уровне заявленной цели не означает провала инвестиции в целом.
Apple потратила миллиарды на автомобиль, который никогда не поедет. Но эти же деньги профинансировали компетенции, инженерные команды и технологические заделы, которые сегодня приносят стратегическую отдачу совершенно в другой области. Компания получила не автомобиль, а способность делать лучшие в отрасли ИИ-чипы.
Почему это критично именно сейчас
В эпоху ИИ большинство компаний оценивают ИИ-инициативы по бинарной логике: «внедрили пилот — заработал/не заработал». Такой подход убивает эксперименты. Если каждый неудавшийся проект списывается как чистая потеря, организация теряет мотивацию исследовать и накапливать компетенции.
Между тем реальная ценность экспериментов с ИИ часто лежит в стороне от изначальной цели:
- Компетенции команды. Инженеры и менеджеры, прошедшие через сложный проект, приобретают навыки, применимые в других задачах.
- Инфраструктура и заделы. Наработанные модели, пайплайны данных, интеграции остаются в компании и переиспользуются.
- Понимание границ технологии. Провал показывает, что не работает — это тоже актив, экономящий будущие инвестиции.
- Институциональные знания. Организация учится управлять сложностью и неопределённостью ИИ-проектов.
Как оценивать ИИ-инвестиции по-новому
История Apple подсказывает руководителям более зрелую модель оценки. Вместо вопроса «достигли ли мы заявленной цели?» стоит задавать несколько вопросов:
Что мы получили, помимо продукта? Компетенции, данные, инфраструктура, понимание технологии — всё это активы, которые остаются на балансе организации даже при закрытии проекта.
Можно ли переиспользовать наработки? Apple перенесла автомобильный Neural Engine в смартфоны и ноутбуки. Аналогично ваши ИИ-наработки в одном направлении могут закрывать задачи в совершенно другом.
Строим ли мы фундамент или гонимся за витриной? Софтверные продукты быстро устаревают и легко копируются. Инфраструктурное и компетентностное преимущество формируется годами и защищено гораздо надёжнее.
Чтобы такой подход работал на уровне всей компании, нужна системная стратегия внедрения ИИ, где эксперименты и накопление компетенций встроены в общую логику развития, а не воспринимаются как единичные ставки. Для руководителей, выстраивающих такое видение, полезен курс «ИИ-стратегия», где разбирается, как превращать ИИ-инвестиции в устойчивое конкурентное преимущество.
Практические выводы для руководителя
- Не списывайте провальные ИИ-проекты как чистые потери. Проведите ревизию: какие компетенции, данные и технологические заделы остались в компании после закрытия инициативы. Часто это и есть главная ценность вложений.
- Инвестируйте в инфраструктуру и компетенции, а не только в витринные продукты. Софт легко скопировать, аппаратные и командные преимущества формируются годами. Apple отстаёт по ИИ-софту, но выигрывает за счёт железа, заложенного заранее.
- Планируйте с горизонтом в годы. Neural Engine появился в 2017 году под узкие задачи и «выстрелил» через годы, когда пришёл ИИ-бум. Стратегические заделы окупаются не сразу.
- Стройте портфель экспериментов. Вместо ставки на один «правильный» проект финансируйте несколько направлений, понимая, что часть даст неожиданную отдачу в смежных областях.
- Меняйте метрики оценки R&D. Добавьте к вопросу «достигли ли цели?» вопрос «что мы приобрели помимо цели?». Это разблокирует культуру здоровых экспериментов.
- Помните про приватность как побочный актив. Локальная обработка данных даёт Apple не только производительность, но и этическое преимущество. Технические решения нередко открывают неожиданные рыночные позиционирования.
Главный вывод прост и контринтуитивен: в мире ИИ поражение по формальной цели проекта может оказаться самой прибыльной инвестицией в долгосрочное преимущество. Задача руководителя — научиться видеть эту ценность и не давать финансовой отчётности убивать эксперименты, из которых рождаются будущие лидеры рынка.
Источник: The Verge