Некоторое время назад меня пригласили выступить экспертом на совете директоров крупной российской компании. Рассматривался вопрос о внедрении искусственного интеллекта в бизнес-процессы. Я бы хотел поделиться некоторыми выводами относительно запуска подобных проектов, чтобы помочь руководителям определиться – готова ли компания к внедрению технологий. Перечислю ключевые риски и вопросы, которые необходимо обсудить с интеграторами до начала проекта.
1. Какой бизнес-процесс выбрать для автоматизации?
Эта технология – великий усилитель и уравнитель: одновременно усилит ваши ошибки и сильные стороны. Поэтому важно правильно определиться:
- Это должен быть повторяемый процесс. Возьмите за минимальный ориентир наличие 500 однотипных операций в месяц.
- Низкая стоимость ошибок в процессе. Сети галлюцинируют, системы «зависают», ошибаются и команды, которые их внедряют. Важно промоделировать максимальную стоимость ошибки и осознанно ее принять.
- Наличие измеримых метрик. Например, вы знаете текущую себестоимость, затраты времени и ресурсов на выполнение процедур, уровень удовлетворенности клиентов, процент ошибок и сможете отслеживать изменение метрик в процессе внедрения ИИ и после его завершения.
- Качественная база знаний. Знания не должны быть рассредоточены у ключевых сотрудников не склонных их записывать, систематизировать и делиться с командой. Процессы не должны держаться на устных договоренностях – это затягивает сроки внедрения.
- Это должен быть процесс, в котором организация сильна. Например, для IT-компании – разработка ПО, для завода – контроль сырья, для агентского бизнеса – поиск контрагентов. Не нужно пытаться купить на рынке собственную экспертизу или, наоборот, закрыть свои слабые стороны в готовых моделях. Готовые модели требуют адаптации под заказчика. Для примера, первую линию технической поддержки и контроль тендерных процедур внедрить получится быстрее, чем управление остатками и аналитику сбоев в промышленном оборудовании именно исходя из критериев выше.
2. Как измерять финансовый эффект от внедрения ИИ?
Я использую две метрики. Срок возврата инвестиций и индекс роста эффективности. Это позволяет на старте задать темп проекта и управлять издержками.
Заложите на старте потолок затрат. Решите, после какой суммы вы остановите инвестиции, независимо от текущего статуса, если цели не достигнуты. Как в альпинизме важно вовремя развернуться, чтобы не угодить в буран – даже если до вершины 100 метров.
Пример из моей практики. До внедрения ИИ-агентов производительность двух сотрудников составляла 55 заказов в месяц. После внедрения получили потолок производительности в 880 заказов в месяц. Бюджет при этом увеличился на 23%, срок окупаемости составил 5 месяцев с учетом темпа продаж. Мы расшили с помощью ИИ ограничение производительности, но до получения фактической прибыли нужно было еще дорасти.
Если вы не получаете первый измеримый результат от проекта в течение шести месяцев, пересмотрите дорожную карту. Если вы не получаете в течение двух лет возврат инвестиций, дождитесь более подходящей технологии на рынке.
Внедрение ИИ формирует самовоспроизводящуюся ценность, внедренный в одних процессах, он начинает влиять на другие. Например, вы ставили задачу снизить косты на поддержку без изменения качества, а в результате сформировали несколько продуктовых гипотез, поднявших продажи. Эти неожиданные бонусы. На них нельзя рассчитывать на старте, но дайте командам возможность использовать эти аргументы для защиты проекта и посматривать по сторонам.
3. Из чего собирать стратегию проекта?
Вот несколько ключевых элементов стратегии и вилок решений:
- Лидер. Достаточно мотивированный, чтобы быть локомотивом изменений, при этом ответственный за итоговый результат. Изменения будут регулярно пытаться умереть на уровне среднего менеджмента, важно вовремя выделить полномочия и ресурсы для формирования ядра поддержки из действующих сотрудников.
- Команда. Надо решить: какой функционал растить в компании, какой отдавать на аутсорс. Ключевую экспертизу всегда лучше оставлять у себя. Но что делать, например, с дорогими data science специалистами или MLOPS? Зависит от масштаба изменений и их темпа. Для первых внедрений стоит использовать аутсорсинг и saas-сервисы, как появятся постоянные запросы на изменения в моделях, значит, пора набирать свою команду.
- Данные. Определите, что готовы размещать в облаках, что должно остаться только внутри компании. Это не вопрос технарей или юристов, это вопрос бизнес-приоритетов. При сотрудничестве с подрядчиком убедитесь, кому будут принадлежать созданные модели.
- Вычисления. На первом этапе львиная доля бюджета уйдет на консалтинг и ПО. Но по мере роста затраты на вычисления будут превалировать. Вилки решений – собственные сервера или аренда, покупка токенов для облачных вычислений или использование локальных моделей. Когда нужны собственные мощности и локальные модели – когда у вас достаточно задач для их постоянной загрузки. Для задач машинного зрения и обработки данных с датчиков оборудование нужно почти всегда. Здесь действует принцип «сдвиг влево» – мощности должны быть приближены к источникам данных. Разница в цене между токенами разных нейросетей отличается в десятки раз. Лучшей стратегией является комбинированное использование для разных задач разных моделей по принципу минимальной необходимости.
4. Какие риски возникнут при внедрении?
Технологические риски:
- ИИ склонен к галлюцинациям и ошибкам – это его природа. Решение: обязательная эскалация вопросов на человека, проверка результатов с независимым агентом.
- ИИ может выполнить вредоносные инструкции. Решение: ограничение прав доступа, использование специальных программных фильтров.
- ИИ может потратить бюджет небольшой страны на токены. Решение: вводите лимиты и контролируйте, на что тратят токены агенты и сотрудники.
GR риски:
- Передача персональных данных за пределы РФ без дополнительных согласований с регулятором запрещена.
- Разглашение коммерческой тайны. Если договорами с вашими контрагентами предусмотрен режим защиты, то передача таких данных в облачную нейросеть приравнивается к утечке.
Для обоих случаев стандартным решением является обработка части данных внутри контура компании. Для этого ставятся шлюзы для разделения данных, учета затрат и защиты.
Отсутствие в компании культуры работы с ИИ приводит к появлению у сотрудников теневых технологий с несовместимыми и небезопасными реализациями. Это неочевидный риск решения «не делать ничего».
Выводы
ИИ – достаточно зрелая технология для осознанного внедрения в бизнес-процессы, и темпы будут нарастать. Поэтому руководителям нужно понять: что будет определять ценность компании на рынке, после того как ИИ внедрят еще и ваши конкуренты. Должен быть тот процесс, экспертиза, данные, юридические права, которые станут вашим «защитным рвом». Фармкомпании не стоит отдавать все результаты исследований в облака, спортивному клубу – данные тренировок и травм игроков. Второй этап после создания рынка ИИ – с него будут выжигать лишних участников.
Мой основной посыл в том, что надо немного замедлиться, взглянуть на ситуацию в перспективе, чтобы выбрать собственную траекторию.
Также читайте:
Понравилась статья.
В части рисков хотел бы уточнить: при наличии ресурсов вполне можно портировать ИИ в рамках организации, то есть ухода данных "на сторону" не случится - это закрывает вопросы по конфиденциальности информации и персональным данным.
Другой момент связан с "галлюцинациями" - насколько могу судить, под ИИ в рамках статьи имеется в виду генеративный ИИ, в то же время технологии машинного обучения (в т. ч. машинное зрение) уже достаточно успешно годами используются для решения задач классификации. То есть "галлюцинирования" не возникает как класса проблем. Отсюда следует практический вывод: ИИ наиболее целесообразно внедрять там, где максимально полно описана совокупность возможных "выходов", а риски ошибки сопоставимы или ниже таких же рисков на стороне работника. В первую очередь сюда попадают рутинные операции конвейерного типа, обработка очередей и проч. В домене маркетинга к этому может быть добавлена классификация отзывов клиентов. Весьма условно можно пробовать формировать дайджесты новостей по предметной области, но с обязательной вычиткой специалистом.
В целом, уже на начальном этапе внедрения даже самых простых моделей ИИ экономия для бизнеса может составлять сумму, сопоставимую со стоимостью одной штатной единицы. Как минимум, это заслуживает более полного изучения.
Я несколько запутался в цифрах.
Непонятно, а если это 1 операция в день, но в ручном режиме она занимает пару часов квалифицированного специалиста, то что, ИИ уже использовать нерационально?
Это воспринимается так, что увеличение выработки в 16 раз при увеличении бюджета на 23% оказалось невыгодным.
Непонятно, почему?
мне тоже понрававилась статья, но с двумя замечаниями...
1. Это хороший концептуальный пооход для уровня совета директоров для знакоства с темой, но без операционности, здесь это было бы лишним.
2. Это рабочие уточнения, которые переводят эту тему в операциооное русло для конкретного использования и внедрения, но мне кажется, что это не является задачей материала.
Я бы добавил к сказанному ещё один вопрос, который собственнику стоит задать до начала внедрения ИИ: а что именно ограничивает прибыль компании сегодня?
Допустим, ИИ позволил отделу продаж обрабатывать в десять раз больше заявок. Но если новых заказов не прибавилось, производство уже загружено или оборотных средств недостаточно для выполнения дополнительных контрактов, экономический результат может оказаться значительно скромнее ожидаемого.
За годы управления промышленными предприятиями я неоднократно убеждался: повышение производительности отдельного участка далеко не всегда повышает эффективность бизнеса в целом. Иногда оно лишь переносит узкое место на следующий этап.
Поэтому я бы начинал не с поиска процессов, которые можно автоматизировать, а с анализа всей цепочки создания прибыли. Где компания теряет деньги? Что ограничивает рост? Как изменится финансовый результат, если именно это ограничение устранить?
И только после этого решал бы, нужен ли здесь искусственный интеллект или проблему можно устранить обычным управленческим решением.
На мой взгляд, главная опасность для собственника — получить технологически успешный проект, который так и не стал экономически успешным.
Это - исключительно правильный вопрос. Он актуален и до, и после, и вместо внедрения ИИ: история знает множество примеров, когда увлечение собственника процедурными вопросами оставляло за бортом экономику проектов. Внедрение ИИ не должно быть "данью моде", но должно опираться на экономическую целесообразность.
Именно такой порядок вопросов я бы назвал оптимальным.
не только вы, нужно реально понимать, какую задачу целесоразно решить и к чему это приведёт. Просто почему тогда никто не уточняет всегда мало интересует до начала, а потом искреене удивляются.
Согласен. Здесь есть ещё одна ловушка: даже экономически обоснованный проект может дать хороший локальный эффект, но не прибыль компании.
Если ИИ резко ускорил обработку заказов, ограничение часто просто переезжает в продажи, производство, логистику или оборотный капитал. Поэтому я бы заранее определял не только эффект внутри автоматизируемого процесса, но и следующее узкое место.
Иначе подразделение отчитается об успехе, а дополнительных денег у компании не появится.
это продолжение уже вышеприведенного тезиса, но чуть - чуть другой акцент
Интересный подход. В целом согласен
Верно. Вообще, внедрение ИИ никак не противоречит и не отменяет классику управления, менеджмента. То, о чем говорит Валерий - это как раз случай, которому Голдратт посвятил свои когда-то модные работы. Другой и тоже правильный вопрос - насколько нынешние технологии ИИ годятся для такого конкретного "узкого горлышка"? Не имея картины в целом, внедрение ИИ "там, где сейчас удобно" - это игра вслепую. Или: "ищем не там где потеряли, а там, где светло".