Почему автоматизация бизнеса с помощью ИИ — это не просто модный тренд
Автоматизация бизнеса перестала быть вопросом выбора. Компании, которые внедряют искусственный интеллект в свои процессы, получают конкурентное преимущество не потому, что используют новую технологию, а потому что фундаментально переструктурируют, как работают их команды. Это не замена людей на роботов — это переоценка того, на что люди тратят время.
За последние три года применение ИИ в корпоративной среде перешло из категории экспериментов в категорию операционной необходимости. Компании, которые начали внедрение раньше, уже видят результаты: сокращение времени на рутинные задачи на 40–60%, снижение ошибок, ускорение циклов принятия решений. Но главное — они поняли, что ИИ работает не сам по себе. Он работает только в контексте правильно устроенных процессов.
Эта серия статей разделена на три части. Сейчас мы разберём, какие именно процессы в вашем бизнесе реально автоматизируются с помощью ИИ и почему большинство попыток внедрения заканчиваются неудачей. Потом обсудим практическую схему внедрения, а в финальной части — как измерить результаты и не застрять на одном уровне развития.
Что на самом деле автоматизирует ИИ
Первое неправильное представление: ИИ автоматизирует работу. Нет. ИИ автоматизирует информационные процессы. Это принципиально разные вещи.
Информационный процесс — это любая деятельность, которая сводится к анализу данных, классификации, поиску закономерностей, генерации текста или извлечению информации из документов. Физическую работу ИИ не автоматизирует. Но в современном бизнесе информационных процессов намного больше, чем кажется.
Посмотрим на конкретные примеры. В отделе продаж большая часть времени уходит не на переговоры с клиентами, а на работу с CRM, анализ данных о потенциальных клиентах, подготовку отчётов, поиск нужной информации в базах. Это информационные процессы. ИИ может взять на себя 60–70% этой работы. В результате менеджер вместо того чтобы три часа искать и структурировать информацию, тратит 20 минут на подтверждение и коррекцию результата, полученного от ИИ.
В финансовом отделе рутина совсем другая: выверка счётов, сверка платежей, классификация расходов, поиск несовпадений. Всё это ИИ берёт себе. Бухгалтер сосредотачивается на анализе и разборе исключений — на том, что требует суждения.
В HR большой объём времени уходит на обработку анкет, скрининг резюме, планирование интервью, составление отчётов по адаптации. Опять же — информационные процессы. ИИ умеет это делать быстрее и без субъективных пропусков.
Основное правило: если процесс состоит из анализа информации и принятия решения по ясным критериям, ИИ способен его выполнять. Если требуется творчество, переговоры или физическое действие — ИИ выступает помощником, а не заменой.
Какие процессы автоматизируются легче всего
Есть процессы, которые ИИ берёт мгновенно, и есть те, с которыми нужно возиться. Разница в степени структурированности данных и ясности критериев.
Процессы, которые автоматизируются с минимальными усилиями:
- Обработка входящей корреспонденции (распределение по категориям, определение приоритета, маршрутизация в нужный отдел)
- Извлечение данных из документов (счётов, накладных, договоров)
- Поиск информации в больших объёмах текста или баз данных
- Первичный скрининг резюме или заявок клиентов
- Генерация стандартных отчётов и сводок
- Классификация входящих запросов клиентов по категориям
- Проверка текстов на ошибки, стилистические ошибки и соответствие брендбуку
Общее у этих процессов: данные уже есть, критерии достаточно ясны. Нужно просто научить систему их распознавать. Обычно на это уходит несколько дней или недель.
Процессы средней сложности — те, которые требуют предварительной работы с данными:
- Анализ поведения клиентов и предсказание отттока
- Определение оптимальной цены продукта на основе рыночных данных
- Выявление аномалий в работе процессов (в логистике, производстве, IT)
- Рекомендации по улучшению процессов на основе анализа метрик
- Персонализированная подборка контента или предложений для клиентов
Здесь нужно потратить время на подготовку данных, определение целевой метрики, проверку качества результатов. Недели, иногда месяцы, в зависимости от сложности.
Сложные процессы — те, где мало данных или критерии не ясны до конца:
- Прогнозирование спроса на совершенно новый продукт
- Стратегические решения на основе внешних факторов
- Анализ конкурентного ландшафта в быстро меняющейся нише
- Создание новых бизнес-моделей
Здесь ИИ становится инструментом для анализа, но решение человек принимает сам. На такие задачи уходит постоянная работа.
Почему компании ошибаются при выборе процессов для автоматизации
Частая ошибка: начальство выбирает процесс, который автоматизировать легко, но не нужно. Например, компания вводит ИИ для анализа простых метрик, которые и так понятны, просто потому что это можно сделать быстро. Результат — бюджет потрачен, никакого прироста производительности нет.
Вторая ошибка: выбирают процесс, который слишком сложен для первого внедрения. Компания хочет ИИ, чтобы он помогал с принятием стратегических решений, но при этом у неё нет даже базовой автоматизации рутины. Проект рухнет от своей амбициозности.
Третья ошибка: выбирают процесс, в котором данные грязные и неструктурированные. ИИ на грязных данных работает плохо. Компания получит переусложненное решение, которое потребует постоянного ручного вмешательства.
Правильный выбор процесса для автоматизации — это баланс между простотой реализации и реальным влиянием на бизнес. Процесс должен занимать 30–50% времени сотрудника (не меньше и не больше) и иметь чёткие критерии успеха.
Как работает ИИ внутри реальных бизнес-процессов
Чтобы понять, как внедрить ИИ правильно, нужно понять, как он работает. Здесь важно отбросить всю научную сложность и смотреть только на то, что значимо для бизнеса.
ИИ работает в три фазы.
Фаза 1: Обучение на исторических данных. Система получает примеры: здесь вот такие данные, и вот какое была результат. Много примеров. На основе примеров система находит закономерности — как одно связано с другим. Это может быть закономерность в тексте (какие слова обычно встречаются вместе), в числах (какие значения обычно коррелируют), в изображениях (какие пиксели образуют узор).
Качество обучения зависит от трёх факторов: количество примеров, качество примеров, релевантность примеров вашей задаче. Если примеры старые или не отражают текущую реальность — система обучится неправильно.
Фаза 2: Применение на новых данных. Когда система обучена, её дают новые данные, которые она раньше не видела. Система применяет найденные закономерности и выдаёт результат. Это может быть класс (письмо — спам или не спам), число (сумма, которую потратит клиент), текст (ответ на вопрос) или рекомендация.
Здесь важно понимать, что система никогда не работает идеально. Она ошибается. Процент ошибок зависит от сложности задачи и качества данных.
Фаза 3: Обратная связь и улучшение. После применения система получает информацию о том, был ли её результат правильным. Если результат оказался неправильным, это снижает доверие к системе. Если правильным — это укрепляет доверие. На основе обратной связи система может переучиваться и становиться лучше.
В идеальном сценарии обратная связь идёт постоянно. Но чаще она идёт выборочно — человек проверяет случайные выборки результатов. В реальных процессах нужна золотая середина между постоянной проверкой (которая отнимает много времени) и полным отсутствием контроля (что рискованно).
Почему ИИ ошибается и как с этим работать
ИИ ошибается по двум причинам. Первая — данные, на которых он учился, отличались от реальных данных в момент применения. Это называется смещение распределения. Например, система училась на письмах спама от 2021 года, а сейчас получает письма 2024 года — тип спама изменился, система не узнаёт новый спам.
Вторая причина — задача была слишком сложной, и система не нашла правильные закономерности. Это может быть из-за недостаточного количества примеров для обучения или потому что закономерности действительно очень сложные.
В большинстве случаев ошибки ИИ в бизнес-процессах асимметричны. Одна ошибка дорогая, другая — дешёвая. Например, если система ошибочно классифицирует срочный запрос клиента как обычный, это плохо. Если она классифицирует обычный запрос как срочный, это менее плохо — просто потратится чуть больше внимания.
Правильная работа с ошибками ИИ заключается не в том, чтобы избавиться от них совсем, а в том, чтобы сделать их управляемыми.
Инструменты для управления ошибками:
- Пороги уверенности. Система не выдаёт ответ, если она менее чем на 80% уверена в результате. Вместо этого передаёт задачу человеку. Это снижает количество ошибок за счёт того, что запросов становится меньше.
- Человеческая проверка случайной выборки. Из всех результатов ИИ проверяется, скажем, каждый десятый или каждый сотый. На основе проверки отслеживается, не выросла ли ошибка.
- Отслеживание метрик качества. Если изменилась метрика — качество задачи выросло или упало, это сигнал о том, что нужна переучивание системы.
- Исключения и правила. Для задач, где ошибки критичны, система может работать с чёткими правилами, а не только с ИИ. Например, если сумма платежа больше лимита, это идёт на проверку человеку, независимо от того, что говорит ИИ.
Три причины, почему проекты автоматизации с ИИ падают
Большинство компаний начинают проект по внедрению ИИ оптимистично и заканчивают разочарованно. Проект либо замораживается, либо даёт результаты слишком медленно, чтобы окупить инвестиции. Причин несколько, но три основные встречаются снова и снова.
Причина 1: Данные грязнее, чем ожидалось
Это самая частая причина. Компания думает, что у неё есть хорошие данные, но когда начинает разбираться, выясняется, что данные разрозненные, противоречивые, неполные или неправильно классифицированные.
Пример. Финтех-компания хочет использовать ИИ для определения риска при кредитовании. У неё есть история кредитов за пять лет. Казалось бы, этого достаточно. Но когда начали разбираться, выяснилось: в разные годы использовались разные критерии оценки риска. В 2019 году один сотрудник классифицировал риск одним способом, в 2020 году другой сотрудник классифицировал иначе. В результате исторические данные противоречивы. ИИ, обученный на таких данных, выдаёт результаты, которые не соответствуют текущим критериям риска.
Другой пример. Интернет-магазин хочет использовать ИИ для прогнозирования того, вернёт ли покупатель товар. Кажется, что у неё есть все данные — история заказов, характеристики клиентов, товаров, сроки возврата. Но кода начинают копать, выясняется: по половине товаров в базе названия содержат опечатки, по трети категории размечены неправильно, в некоторых записях о клиентах пропущены ключевые поля. Работать с такими данными можно, но потребуется их предварительная очистка, на которую может уйти вся проектная смета.
Очистка и подготовка данных обычно забирает 50–70% всего времени проекта. Эту цифру недооценивают, думая, что технология ИИ займёт большую часть. На деле большое сложность в том, чтобы данные были пригодны для обучения.
Причина 2: Нет понимания, как интегрировать результаты в реальный процесс
Компания обучила ИИ, система выдаёт хорошие результаты в тестовой среде, но когда нужно внедрить это в реальный процесс, выясняется, что она не подходит к тому, как люди на самом деле работают.
Пример. Компания внедрила ИИ, который автоматически классифицирует входящие письма клиентов и направляет их в нужный отдел. В тестировании система работала с 94% точностью. Но в реальном процессе сотрудник отдела, который получает письмо, не видит, на каком основании система его туда направила. Если письмо классифицировано неправильно, сотрудник трает время на разбор, вместо того чтобы сразу переправить письмо. Система замедляет процесс, вместо того чтобы его ускорить.
Другой пример. Система предсказывает, какие клиенты уйдут к конкурентам. Каждому клиенту из высокорискового списка менеджер должен позвонить и вернуть его. Но менеджер не знает, почему система считает этого клиента высокорисковым — может быть, это потому что он не покупал месяц, а может быть, потому что он задал критический вопрос в поддержку. Менеджер не может адаптировать разговор. В результате он либо звонит как робот, либо игнорирует рекомендацию системы.
Интеграция результатов ИИ в процесс требует рефлексии о том, как люди реально работают, и часто требует изменения самого процесса, а не просто подвинчивания ИИ.
Причина 3: Отсутствие ответственности и постоянства
Часто проект ИИ начинают как специальный проект, отделённый от основного бизнеса. Проект лучше всех, его поддерживают, он получает ресурсы. Но потом проект заканчивается, и система переходит в разряд «обычной производственной системы». Вдруг оказывается, что за системой никто не смотрит, её никто не улучшает, когда качество начинает деградировать.
Качество ИИ деградирует, потому что мир меняется. Клиенты ведут себя иначе, рынок меняется, конкуренты адаптируются. Данные, на которых система училась полгода назад, становятся нерелевантными. ИИ начинает ошибаться чаще. Если никто за этим не смотрит, никто не переучивает систему, она деградирует до уровня, при котором просто не пользуется.
Правильная работа с ИИ требует постоянного внимания. Нужно отслеживать метрики качества, проверять случайные выборки результатов, переучивать систему на новых данных. Это требует ответственности — конкретного человека или команды, которые за это отвечают, и бюджета, который на это выделен.
Практическая схема внедрения ИИ в бизнес-процессы
Теория хороша, но дело в том, как это работает на практике. Большинство компаний начинают внедрение хаотично: нанимают консультанта, он предлагает решение, потом оказывается, что решение не подходит. Нужна структура, которая снижает риск и увеличивает вероятность успеха.
Правильное внедрение ИИ следует определённой логике. Эта логика не зависит от размера компании или отрасли. Менялось только количество времени и ресурсов, которые нужны на каждый этап.
Этап 1: Аудит текущих процессов и выбор кандидата для автоматизации
Прежде чем звать ИИ, нужно понять, что вы хотите автоматизировать. Звучит просто, но на деле это требует работы.
На этом этапе вы делаете три вещи.
Первое — вы документируете текущий процесс так, как он есть. Не как он должен быть по инструкции, а как люди реально его делают. Это нужно, чтобы понять, где на самом деле теряется время и где ИИ может помочь. Часто оказывается, что официальная инструкция и реальная практика сильно отличаются.
Методы документирования просты: интервью с сотрудниками, наблюдение за их работой, анализ логов системы, если процесс уже автоматизирован частично. Главное — поговорить с теми, кто процесс делает, не с теми, кто его придумал.
Второе — вы измеряете, сколько времени уходит на процесс и сколько это стоит в денежном эквиваленте. Нужны цифры, а не впечатления. Если процесс занимает время одного сотрудника, это одна стоимость. Если это время пятерых сотрудников — совсем другая. Нужно знать масштаб проблемы.
Третье — вы определяете, какие части процесса реально можно автоматизировать. Часто процесс смешанный: 60% — чистая рутина, которую ИИ может взять, 30% — требует человеческого суждения, 10% — физические действия. Вы выделяете те 60% и смотрите, есть ли там готовые данные.
На выходе этого этапа у вас должна быть картина вроде такой:
- Процесс: обработка входящих заявок от клиентов
- Текущее время: 120 часов в месяц (два сотрудника на полставки)
- Стоимость: 240 тысяч рублей в месяц
- Рутинная часть: 70% времени уходит на классификацию заявки, определение срочности и направление в нужный отдел
- Готовые данные: есть история пяти тысяч обработанных заявок за два года с информацией о том, как они были классифицированы
Только когда у вас есть такая картина, вы можете оценить, стоит ли начинать проект.
Этап 2: Оценка качества и пригодности данных
Это самый критичный этап, и его часто пропускают или делают поверхностно. Нужно честно ответить на вопрос: у нас вообще есть данные, на которых можно обучить ИИ?
Проверка состоит из четырёх частей.
Полнота данных. Есть ли у вас все необходимые данные для того, чтобы ИИ мог выучить нужную закономерность? Если вы хотите предсказывать отток клиентов, но у вас нет истории их поведения — только список клиентов, которые ушли, то этого недостаточно. Нужна история того, как они себя вели до того как ушли.
Если вы хотите автоматизировать классификацию текстов, у вас должны быть примеры текстов с правильной классификацией. Если текстов сто, это мало. Обычно нужна минимум тысяча примеров, часто десятки тысяч.
Согласованность данных. Если данные собирались разными способами или разными людьми, они могут быть несогласованными. Одни люди классифицировали что-то как красное, другие как розовое. Нужно проверить, нет ли таких смещений.
Простой способ: возьмите случайную выборку данных и переклассифицируйте их самостоятельно. Если вы классифицируете так же, как данные, — хорошо. Если расходитесь больше чем на 10–15% — есть проблема в исходных данных.
Релевантность данных. Данные, которые у вас есть, похожи на данные, которые вы будете получать в реальности? Если вы обучали систему на письмах из 2020 года, она плохо будет работать на письмах из 2024 года — язык, стиль, типы вопросов изменились.
Объём данных. Даже если каждый пример качественный, их может быть слишком мало. Есть примерные нормы: для простых задач классификации нужна минимум 500–1000 примеров. Для более сложных — 5000–50000. Для очень сложных — сотни тысяч. Если у вас 200 примеров, начинать проект преждевременно.
На этом этапе часто выясняется, что данные нужно чистить или даже заново собирать. Это может сильно изменить сроки и бюджет проекта. Лучше узнать это сейчас, чем через три месяца, когда деньги уже потрачены.
Правило: если после аудита данных вы поняли, что нужно потратить 30–50% бюджета на подготовку данных, это нормально. Это не признак неудачи, это признак того, что вы реально к делу подошли.
Этап 3: Пилот на небольшом объёме
Не нужно сразу разворачивать ИИ на весь процесс. Нужен пилот — проверка на малом масштабе.
Пилот делается так: вы выбираете часть процесса или часть данных и на этом небольшом масштабе проверяете, работает ли ваша идея. Например, вместо того чтобы автоматизировать всю обработку входящих писем, вы сначала автоматизируете только письма на английском языке от зарубежных клиентов — их может быть 100 в неделю.
На пилоте вы решаете несколько задач сразу.
Первая — вы выясняете, насколько хорошо ИИ на самом деле работает на вашей задаче в реальных условиях, а не в тестовой среде. Точность может быть намного ниже, чем вы ожидали. Это нормально, на это нужно рассчитывать.
Вторая — вы выясняете, как люди будут взаимодействовать с результатами ИИ. Нужно ли им видеть, на каком основании система приняла решение? Как они должны действовать, если не согласны с результатом? Эти вопросы невозможно решить в теории.
Третья — вы собираете обратную связь и понимаете, что нужно менять в процессе или в системе. Пилот — это место, где вы можете позволить себе ошибаться и быстро переделывать.
Пилот обычно длится 2–4 недели. За это время вы должны получить минимум 500–1000 реальных результатов, проверить качество на выборке и собрать обратную связь от команды.
После пилота вы принимаете решение: развивать проект дальше, менять подход или остановить проект. Честный анализ результатов пилота часто показывает, что идея не работает, и это хорошее время, чтобы остановиться, прежде чем потратить большие деньги.
Как организовать работу внутри компании для внедрения ИИ
Технология ИИ — это только 20% успеха проекта. 80% — это организация работы людей внутри компании. Часто это недооценивают.
Кого нужно вовлечь в проект
Проект не может быть проектом IT-отдела, если это не IT-компания. Нужно вовлечь людей из того отдела, который будет использовать ИИ.
Ключевые роли:
- Владелец процесса — человек из бизнеса, который отвечает за процесс, который вы автоматизируете. Он должен быть в проекте с самого начала, потому что только он знает реальность процесса, а не то, что написано в инструкции.
- Практики процесса — люди, которые процесс делают. Нужно минимум два-три человека, которые будут тестировать систему и давать обратную связь. Это не должны быть самые опытные люди в отделе, а люди среднего уровня. Опытные люди часто слишком адаптировались к процессу и видят его иначе.
- Технический специалист — может быть человек из IT-отдела или внешний консультант, который знает, как технически реализовать решение и как интегрировать его в существующие системы.
- Аналитик данных или ИИ-специалист — человек или команда, которая будет готовить данные, обучать систему и отслеживать качество. Это может быть внешний консультант, может быть внутренний сотрудник.
Если компания небольшая, одного человека может быть несколько ролей, но роли должны быть разделены по функциям, даже если это один человек.
Как общаться о проекте внутри компании
Часто компании начинают проект с большим энтузиазмом, но забывают разговаривать с людьми, которые будут этой системой пользоваться. Результат — когда система готова, её никто не использует, потому что люди её боятся или не верят, что она работает.
Коммуникация должна быть честной и постоянной.
На первой стадии: Честно скажите, что вы делаете. Не обещайте, что ИИ решит все проблемы. Скажите, что вы пилотируете систему, которая должна помочь с частью процесса, и что результаты неизвестны. Люди боятся неопределённости, но боятся больше обещаний, которые не сбудутся.
На стадии пилота: Вовлекайте людей в тестирование. Не просите их учиться использовать новую систему. Просите их помочь вам её улучшить. Это совсем другой уровень мотивации. Люди хотят чувствовать, что их мнение важно.
После пилота, если результаты хорошие: Покажите цифры. Не теоретические цифры, а реальные результаты пилота. Сколько времени сэкономлено, сколько ошибок сокращено, что стало проще. Люди верят цифрам больше, чем словам.
Когда система готова к развёртыванию: Обучите людей правильно. Обучение не должно быть интернет-курсом. Это должно быть обучение, которое проводит человек, который разбирается в системе и в процессе. Люди должны иметь возможность задать вопрос и получить ответ.
Люди не боятся ИИ как такого. Люди боятся потерять контроль, боятся, что их работа станет бессмысленной, боятся, что они не смогут адаптироваться. Правильная коммуникация уменьшает эти страхи.
Как организовать проверку качества и улучшение системы
После развёртывания ИИ нужна постоянная работа по контролю качества. Это не одноразовая проверка, а регулярный процесс.
Процесс выглядит так:
- Раз в неделю или раз в две недели проверяется случайная выборка результатов ИИ. Объём выборки — обычно 50–100 результатов. Проверяет либо человек из отдела, либо специалист, который знает правильный ответ.
- Результаты проверки записываются. Сколько результатов было правильных, сколько неправильных, какие типы ошибок. Это нужно, чтобы видеть тренд.
- Если качество упало (например, было 92%, упало до 85%), это сигнал, что нужно переучивание системы или что изменился тип входящих данных.
- Раз в месяц или раз в квартал делается более глубокий анализ. Смотрят, не изменилось ли что-то на рынке, в процессе, в данных, что может повлиять на качество работы ИИ.
На этом этапе часто выясняется, что система работает хорошо на 80% случаев, но на 20% случаев ошибается. Можно ли улучшить эти 20%? Часто да, но иногда это требует добавления новых правил или переучивания. Нужно оценить, стоит ли это времени и денег.
Частая ошибка: компании разворачивают ИИ и забывают про него. Система работает три месяца хорошо, потом качество начинает деградировать, но никто это не замечает, пока проблема не станет критична. Поэтому нужно выделить ответственного — конкретного человека, который за это отвечает.
Что считать успехом и как это измерять
Успех ИИ не всегда означает, что система идеально работает. Часто успех — это когда система работает хорошо в 80% случаев и экономит достаточно времени, чтобы окупить инвестицию, даже если 20% требуют человеческого вмешательства.
Нужны метрики, которые покажут, сработал ли проект.
Бизнес-метрики:
- Сколько часов в месяц сэкономлено на этот процесс
- Сколько ошибок было до ИИ, сколько после (обычно количество ошибок снижается на 30–70%)
- Насколько ускорился процесс (например, обработка заявки занимала два часа, теперь занимает 20 минут)
- Какая была инвестиция, за сколько месяцев она окупилась
Технические метрики:
- Точность ИИ — какой процент результатов был правильным при проверке выборки
- Полнота (recall) — сколько всех нужных результатов система нашла (если вы ищете мошеннические операции, важно найти все, даже если срабатывают ложные срабатывания)
- Специфичность (precision) — сколько из найденных результатов на самом деле нужные (если вы ищете мошенничество, важно минимизировать ложные срабатывания, потому что каждое требует проверки человеком)
На ранних стадиях (пилот, первый месяц развёртывания) можно показать технические метрики. Но рано или поздно вопрос будет: а какая была выгода для бизнеса? На этот вопрос должны ответить бизнес-метрики.
Часто окупаемость проекта вычисляется так: сколько часов сэкономили, умножить на среднюю почасовую ставку сотрудника, минус стоимость разработки и текущего содержания системы. Если результат положительный — проект прибыльный.
Типичные ошибки при внедрении ИИ и как их избежать
К этому моменту вы уже знаете, как правильно внедрять ИИ. Но знание теории и практика — разные вещи. Есть несколько ошибок, которые компании делают снова и снова, несмотря на то что о них написано везде.
Ошибка 1: Начать слишком амбициозно
Компания решает, что раз уж они внедряют ИИ, то сразу во всех процессах. Вместо того чтобы начать с одного процесса, они пытаются автоматизировать пять одновременно. Бюджет растягивается, сроки сдвигаются, команда перегружена. В результате все проекты немного продвигаются, но ни один не завершается.
Правило: начните с одного процесса. Самого некритичного, где данные хорошие, и где если что-то пойдёт не так, это не приведёт к катастрофе. Успех на одном процессе создаёт инерцию и убежденность в том, что это работает. После первого успеха второй проект пойдёт быстрее и дешевле.
Ошибка 2: Нанять очень дорогого специалиста и ждать волшебства
Компания думает, что если они нанимают гениального ИИ-специалиста, он сделает всё за них. На деле специалист может только так много. Если данные грязные, если люди не готовы работать с системой, если процесс не адаптирован — даже гений не поможет.
ИИ-специалист нужен, но как помощник, а не как спаситель. Его роль — перевести идею в техническую реализацию. Но идея должна быть хорошая, данные должны быть готовы, люди должны быть мотивированы.
Ошибка 3: Забыть про обучение людей
Система готова, она работает хорошо, её запустили. И тут выясняется, что люди её используют неправильно, или вообще не используют, потому что не понимают, что она делает. Обучение часто рассматривается как необязательный процесс, который можно пропустить.
Обучение нужно. Не интернет-курс, а живое обучение с конкретными примерами из работы людей. Потом нужна поддержка — когда у человека есть вопрос, он должен получить ответ быстро, иначе он вернётся к старому способу работы.
Ошибка 4: Игнорировать обратную связь от людей
Люди из отдела говорят: система неправильно классифицирует 15% заявок. Вместо того чтобы разобраться, почему так происходит, компания говорит: система новая, вы к ней привыкнете. Люди перестают ей верить, начинают переделывать работу вручную, система становится бесполезной.
Обратная связь — это не жалоба, это информация. Если 15% результатов неправильно, это значит, что либо данные не отражают реальность, либо система недостаточно хорошо обучена, либо критерии изменились. Нужно разобраться, а не игнорировать.
Ошибка 5: Остановить развитие после первого развёртывания
Система разработана, развёрнута, работает. И тут компания считает, что проект закончился. Никто не отслеживает качество, никто не ищет новые способности системы, система медленно деградирует. Через год-два качество упало так, что система практически не используется.
Проект внедрения ИИ не заканчивается в момент развёртывания. Это начало. После развёртывания нужна постоянная работа по отслеживанию качества, переучиванию, улучшению. Это не должно быть огромной работой, но это должно быть регулярно и систематично.
Как расширить внедрение ИИ после первого успеха
Если первый проект прошёл хорошо, компания обычно хочет делать ещё. Второй проект будет проще первого, потому что команда уже знает процесс, есть опыт. Но не так просто, как может показаться.
Масштабирование на новые процессы в том же отделе
После того как вы автоматизировали один процесс в отделе продаж, логично автоматизировать второй в том же отделе. Люди уже знают, как работает ИИ, уже привыкли. Второй проект должен идти в два раза быстрее.
На что обратить внимание:
- Данные могут быть в другом формате или качестве, даже если процесс в одном отделе. Не предполагайте, что второй проект будет таким же лёгким.
- Люди из первого проекта могут сопротивляться второму, если первый требовал от них больше работы по контролю качества. Рассчитайте нагрузку заранее.
- Бюджет на второй проект обычно меньше, чем на первый, потому что инструменты и процессы уже есть. Не совершайте ошибку резкого сокращения бюджета.
Масштабирование на новые отделы
После успеха в одном отделе компания хочет применить ту же схему в другом. Это может быть значительно сложнее. Другой отдел может иметь совсем другую культуру работы, другие данные, другие процессы.
Инструменты, которые вы разработали для первого отдела, могут быть переиспользованы, но процесс внедрения должен быть адаптирован. То, что работало с менеджерами продаж, может не работать с бухгалтерами. Нужно снова вовлечь людей, снова провести пилот, снова адаптировать процесс.
Часто компания предполагает, что второе внедрение (уже в другом отделе) будет дешевле и быстрее. Иногда так и есть, но часто это не так. Технически быстрее, но организационно может быть медленнее. Рассчитывайте на 60–70% времени и денег от первого проекта, а не на 30–40%.
Создание компетентного центра ИИ внутри компании
После нескольких успешных проектов компания часто создаёт внутреннюю команду, которая занимается ИИ. Это может быть небольшая группа (2–3 человека) или целый отдел. Цель — иметь постоянные компетенции, не зависеть от внешних консультантов, и иметь центр, который знает о всех проектах и может делиться опытом.
Команда компетентного центра ИИ обычно состоит из:
- Лидера проектов — человека, который координирует проекты, говорит с бизнесом, определяет приоритеты
- ИИ-специалистов — люди, которые подготавливают данные, обучают модели, следят за качеством
- Инженеров данных — люди, которые настраивают инфраструктуру, интегрируют ИИ в системы
Создание центра имеет смысл, если компания планирует делать больше одного-двух проектов в год. Если это разовый проект, то центр не нужен.
Что будет дальше: тренды и эволюция ИИ в бизнесе
ИИ не стоит на месте. То, что казалось невозможным три года назад, сейчас рутина. Это означает, что то, что вы строите сегодня, может через год измениться.
Генеративный ИИ и расширение сфер автоматизации
Если раньше ИИ был хорош на анализе данных и классификации, то сейчас генеративный ИИ может генерировать текст, код, изображения. Это открывает новые возможности для автоматизации процессов, которые раньше казались невозможными.
Например, создание первого варианта отчёта, который потом редактирует человек. Написание ответа на сложный вопрос клиента, который потом проверяет специалист. Генерация кода для типовых функций. Генерация идей для маркетинговой кампании.
Это меняет баланс. Раньше ИИ был помощником человека на простых задачах. Теперь ИИ может быть помощником на более сложных задачах, требующих творчества. Человек теперь больше редактирует и проверяет, чем создаёт с нуля.
Интеграция ИИ в повседневные инструменты
ИИ начинает встраиваться в программы, которые люди используют каждый день. CRM-системы получают ИИ-помощника. Email-клиенты получают автодополнение и классификацию. Таблицы получают ИИ-функции для анализа.
Это значит, что не все компании будут разрабатывать свой ИИ с нуля. Многие будут использовать встроенные возможности. Но настройка этих встроенных возможностей под свой бизнес все ещё требует понимания процессов и данных.
Растущие требования к безопасности и соответствию нормам
По мере того как ИИ становится более распространённым, растут требования к тому, как его использовать ответственно. Регуляции вроде AI Act в Европе начинают ограничивать, где ИИ можно применять, требовать объяснимости результатов, требовать согласия пользователей.
Для компаний это значит, что внедрение ИИ становится не только технической и организационной задачей, но и юридической. Нужно убедиться, что использование ИИ соответствует нормам, не нарушает права людей, и что компания может объяснить, почему система приняла то или иное решение.
Движение в сторону более специализированных моделей
Сейчас часто используются большие универсальные модели ИИ. Но тренд движется в сторону меньших, более специализированных моделей, которые хорошо работают на конкретной задаче. Это хорошо для компаний, потому что специализированная модель часто работает лучше, дешевле и надёжнее.
Это также открывает возможность для компаний создавать свои специализированные модели, обученные на своих данных, под свои задачи. Не использовать общее решение, а иметь то, что идеально подходит для вашего бизнеса.
Как не отстать и оставаться конкурентным
Если ИИ становится все более важным, а компании-лидеры уже внедрили его в свои процессы, то компаниям, которые ещё не начали, нужно торопиться. Но торопиться надо правильно.
Начните с малого, но начните
Не нужно искать идеальный процесс для автоматизации. Возьмите процесс, который вызывает боль, где люди тратят время на рутину, где данные доступны. Начните пилот. За несколько месяцев вы поймёте, работает это или нет.
Если не работает — потери небольшие, вы узнали урок. Если работает — у вас есть победа, которая создаёт инерцию для следующего проекта.
Инвестируйте в компетенции, а не только в технологию
Легко купить ИИ-решение. Сложно его интегрировать, настроить, чтобы оно работало в вашем бизнесе. Инвестируйте в людей, которые это понимают. Это может быть обучение сотрудников, найм специалистов, работа с консультантами. Люди с компетенциями дороже, но они стоят своих денег.
Следите за тем, что происходит в вашей отрасли
ИИ развивается быстро. То, что было недоступно год назад, сейчас доступно. Читайте, что внедряют ваши конкуренты, какие возможности появляются в инструментах, которые вы используете. Это поможет вам не отстать и найти новые возможности для автоматизации.
Создавайте культуру экспериментов
ИИ — это не волшебство, которое решит все проблемы. Это инструмент, который помогает на определённые задачи. Не каждый эксперимент будет успешным. Но компании, которые пробуют много экспериментов, находят больше успехов, чем компании, которые ждут идеального решения.
Автоматизация бизнеса с помощью ИИ — это не про технологию. Это про то, как организовать работу людей, данные и процессы так, чтобы ИИ мог вам помочь. Компании, которые это поняли, будут выигрывать. Остальные будут отставать. Начните с малого, но начните сейчас.
