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:
