Компания решила внедрить искусственный интеллект. Можно сразу обсуждать нейросеть, ИИ-агента или конкретную платформу, но для первого проекта это плохая точка отсчета. Сначала нужно понять, какую проблему бизнеса предстоит решить и в каком процессе она возникает.
Задача, которую технически можно поручить нейросети, еще не обязательно подходит для первого пилота. Поэтому при внедрении ИИ в бизнес-процессы сначала находят несколько процессов-кандидатов и сравнивают их по одинаковым критериям: можно ли измерить исходное состояние, доступны ли нужные данные, какова цена ошибки и можно ли ограничить пилот небольшим участком.
Практический порядок такой: определить проблему, описать процесс до изменений, найти несколько кандидатов, проверить, нужен ли им именно ИИ, выбрать один процесс и сформулировать пилот. Его результат затем сравнивают с показателями, которые были зафиксированы до разработки.
С чего начинать внедрение ИИ: не с технологии, а с проблемы бизнеса
«Хотим внедрить ИИ» — это намерение, а не задача.
Рабочая постановка начинается с наблюдаемой проблемы: менеджеры долго готовят однотипные документы, сотрудники вручную разбирают большой поток обращений, заявки часто возвращаются из-за ошибок, поиск информации занимает значительную часть рабочего времени.
Следующий вопрос: какой показатель должен измениться? Например, время обработки заявки, количество возвратов, трудозатраты, стоимость операции или пропускная способность процесса.
Такой подход позволяет отделить интерес к технологии от задачи, для которой нужно подобрать решение. При оценке сценария нужно учитывать не только потенциальную пользу для бизнеса, но и доступность данных, сложность реализации, возможность встроить решение в текущий процесс и последствия ошибок.
Хороший пример исходной бизнес-проблемы — кейс EKROM. Компания получала более 200 заявок в день. В каталоге было свыше 15 000 товаров, одновременно действовали десятки акций, а менеджеры вручную подбирали оборудование и собирали смету.
В таком описании уже есть основа для проекта: конкретная операция, нагрузка, источник трудозатрат и результат, который можно сравнивать до и после изменений.
Опишите процесс до внедрения ИИ
Если состояние «до» неизвестно, результат пилота не с чем сравнивать.
Не нужно собирать десятки показателей на всякий случай. Выберите те, которые описывают проблему конкретного процесса:
- количество операций или обращений за период;
- время выполнения операции и полный срок прохождения процесса;
- трудозатраты сотрудников;
- стоимость обработки;
- количество ошибок и возвратов на исправление;
- качество результата;
- нагрузку на сотрудников и пропускную способность.
Набор показателей зависит от задачи. Для обработки документов могут быть существенны время и число ошибок. Для клиентских обращений — время до ответа, доля неверной маршрутизации и объем обращений, который команда успевает обработать. Для подготовки коммерческих предложений — трудозатраты, срок подготовки и количество возвратов на доработку.
Похожую задачу решала KDDI при подготовке B2B-продаж. Сотрудникам приходилось искать нужные сведения в большом объеме прошлых презентаций и материалов для клиентских предложений. Компания создала систему, которая ищет нужные материалы и формирует краткие резюме с помощью ИИ. По данным кейса Microsoft о KDDI, время на сбор информации сократилось примерно на 74% на пользователя. Результат можно было сравнить с исходным состоянием, потому что компания предварительно выделила конкретную операцию и измеряла затраты времени на нее.
Зафиксируйте также маршрут процесса. Откуда приходит задача? Кто ее выполняет? Какие данные использует? Куда передает результат? Что происходит при ошибке?
Это помогает обнаружить соседние этапы, которые могут ограничить эффект пилота.
Предположим, сотрудник тратит 20 минут на подготовку документа, а после этого документ два дня ждет согласования. Если ИИ сократит первую операцию до нескольких минут, общий срок процесса почти не изменится. Поэтому исходные измерения должны описывать и автоматизируемый участок, и результат процесса целиком.
Как найти процессы-кандидаты для первого внедрения ИИ
Не стоит начинать с выбора одного «самого перспективного» процесса. Сначала соберите несколько вариантов. Для первого сравнения достаточно 3–5 процессов-кандидатов: такого количества хватает, чтобы сопоставить разные типы задач и подробно проверить каждый вариант.
Искать лучше конкретные операции, а не подразделения. «Автоматизировать отдел продаж» слишком широко. «Разбирать входящие запросы и распределять их между менеджерами» — уже кандидат для анализа.
В первую очередь посмотрите на участки с большим объемом ручной повторяющейся работы, обработкой текстов и документов, поиском информации, необходимостью учитывать контекст, заметными ошибками или задержками.
В интернет-магазине таким кандидатом может быть работа с товарными данными. Wayfair использует ИИ для обогащения каталога, в котором более 30 млн товаров. Система автоматически определяет характеристики товаров, например цвет и стиль, и помогает категоризировать позиции. По данным кейса Google Cloud о Wayfair, время на подготовку новых и обновление существующих товарных карточек сократилось на 67%. Здесь процессом-кандидатом выступает не весь каталог, а конкретная массовая операция с товарными данными.
По каждому кандидату нужно ответить хотя бы на четыре вопроса: что сейчас происходит, в чем проблема, чем она измеряется и какой результат должен измениться.
Например, компания может одновременно рассматривать автоматический разбор входящих обращений, извлечение данных из договоров, подготовку ответа на типовые запросы и расчет скидки.
Первые три задачи могут потребовать анализа текста и контекста. Четвертая может оказаться обычной автоматизацией по заранее заданным правилам.
После такой проверки становится понятнее, нужна ли задаче технология на основе ИИ или достаточно обычной автоматизации.
Как понять, нужен ли процессу именно ИИ
ИИ уместен там, где результат нельзя полностью получить с помощью небольшого набора однозначных правил.
Например, системе нужно понять запрос на естественном языке, извлечь сведения из документов разной структуры, классифицировать обращения по смыслу, сопоставить запрос с большим объемом информации или сформировать результат с учетом контекста.
Хороший пример из eCommerce — поиск по каталогу Toolstation. Компания годами добавляла правила, которые связывали разные варианты поисковых запросов с товарами. Со временем таких правил накопились тысячи, но часть запросов по-прежнему не давала подходящего результата: покупатели использовали синонимы, названия брендов и профессиональный сленг. После перехода на поиск с использованием ИИ доля запросов без результатов снизилась с 2% до 0,1%, а кликабельность результатов выросла более чем на 10%. Эти результаты приводит Google Cloud в кейсе Toolstation. В такой задаче заранее описать все возможные формулировки жесткими правилами сложно.
Самого наличия такой задачи недостаточно. Нужны данные, с которыми будет работать решение, и способ проверить результат.
Для пилота заранее определяют, что считается правильным ответом. Это может быть сравнение с проверенными примерами, контроль сотрудником, проверка по бизнес-правилам или сочетание нескольких способов. При оценке сценария также учитывают объем и качество данных, требования к точности, интеграции и допустимые риски.
В EKROM покупатель может описать задачу обычным языком. Система учитывает характеристики товаров и действующие акции, подбирает подходящие позиции и формирует смету. Решение работает с Битриксом, а каталог синхронизируется автоматически.
Здесь ИИ работает с запросом на естественном языке и контекстом каталога — это тип задачи, где одних фиксированных правил может быть недостаточно.
Когда ИИ не нужен
Если задача полностью описывается четкими условиями, сначала проверьте обычную автоматизацию.
Например, система должна взять значение из карточки клиента, сравнить его с заданным порогом и изменить статус. Для этого не требуется языковая модель. Проще использовать бизнес-правило или интеграцию.
То же относится к последовательности действий, где каждый следующий шаг известен заранее. Ее может выполнить обычный автоматизированный процесс или программный робот.
ИИ-агент имеет смысл рассматривать, когда системе требуется выбирать дальнейшее действие с учетом контекста и результатов предыдущих шагов. Если маршрут известен заранее, дополнительная автономность может только усложнить контроль. Подробнее о том, чем ИИ-агент отличается от чат-бота, ассистента и RPA, мы рассказывали в отдельном материале.
Цена ошибки тоже влияет на архитектуру пилота. Если неправильный результат создает существенный риск, ИИ можно использовать для подготовки варианта, поиска информации или предварительной проверки, а окончательное решение оставить человеку.
Как выбрать первый процесс из нескольких кандидатов
Интуитивный выбор легко искажает сравнение. Один процесс кажется интереснее из-за новой технологии, другой поддерживает руководитель подразделения, третий проще показать на демонстрации.
Сравнивать кандидатов нужно по одной схеме.
Проверьте бизнес-проблему и ее измеримость, пригодность задачи для ИИ, доступность данных, сложность интеграции, цену ошибки, возможность проверки человеком, наличие владельца процесса и возможность ограничить эксперимент.
Практически это можно оформить одной таблицей.
| Процесс | Проблема | Показатели до внедрения | Бизнес-ценность | Данные | Подходит ли ИИ | Сложность реализации | Цена ошибки | Ограниченный пилот | Вывод |
|---|---|---|---|---|---|---|---|---|---|
| Разбор входящих обращений | Сотрудники вручную читают и распределяют сообщения | Время разбора, объем, ошибки маршрутизации | Проверить сокращение времени до передачи обращения ответственному | Тексты обращений и история распределения | Да, если формулировки разнообразны и важен смысл сообщения | Нужна интеграция с системой обращений | Ошибку можно выявить до дальнейшей обработки | Взять одну категорию или часть потока | Кандидат на пилот после проверки данных |
| Извлечение данных из документов | Сведения вручную переносятся в учетную систему | Трудозатраты, ошибки, возвраты | Проверить изменение стоимости и времени обработки | Документы и проверенные результаты | Да, если документы различаются по структуре | Нужны распознавание, проверка и передача данных | Зависит от того, где сведения используются дальше | Ограничиться одним видом документов | Подходит при наличии контрольной выборки |
| Расчет скидки | Менеджеры вручную применяют фиксированные правила | Время расчета и ошибки | Проверить, снимает ли автоматизация ручную операцию | Правила и структурированные исходные значения | ИИ, скорее всего, не требуется | Реализуется обычной автоматизацией | Контролируется правилами расчета | Можно проверить на части операций | Сначала рассмотреть обычную автоматизацию |
Такая таблица помогает сравнить процессы по одинаковым критериям и увидеть, какие вопросы нужно проверить до запуска пилота.
Проверяйте результат всего процесса
Локальное ускорение не гарантирует изменения результата бизнеса.
Если следующий этап уже перегружен, очередь просто переместится. Если ИИ готовит документ за несколько минут, но согласование занимает сутки, ускорение подготовки не сокращает полный цикл на те же сутки.
Поэтому для каждого кандидата задайте дополнительный вопрос: что произойдет с процессом после автоматизированной операции?
Первый пилот предпочтительнее проводить там, где связь между изменением операции и результатом процесса можно проверить.
Как сформулировать первый пилотный проект с ИИ
После выбора процесса начинается проектирование эксперимента.
К этому моменту должны быть известны проблема, автоматизируемый участок, исходные показатели, необходимые данные, пользователи решения, владелец процесса и способ контроля результата.
Нужно также сформулировать гипотезу понятным языком. Например: если автоматически классифицировать определенный тип входящих обращений, сократится время их передачи ответственному сотруднику при допустимом уровне ошибок.
Такая постановка уже проверяема. После пилота можно сравнить фактическое состояние с исходным и принять решение о дальнейшем развитии.
На следующем этапе определяют архитектуру, интеграции и способ встраивания решения в существующую работу. После выбора процесса можно переходить к проектированию и внедрению ИИ-решения.
Ограничьте пилот
Первый эксперимент не должен охватывать весь процесс или подразделение.
Границей может стать один тип документов, категория запросов, товарная группа, часть обращений или небольшая группа пользователей.
Например, вместо автоматической обработки всех входящих документов компания сначала проверяет один тип, для которого есть достаточная история и понятные правила проверки результата.
Так проще разобрать ошибки, определить их причины и понять, подходит ли выбранный подход для реальной работы.
Но слишком узкий демонстрационный пример тоже мало что доказывает. Пилот должен содержать реальные данные и реальные ограничения процесса. Иначе команда проверит работу технологии в лабораторных условиях, а не исходную бизнес-гипотезу.
Определите критерии успеха и остановки до разработки
Решение о результате нельзя откладывать до конца пилота.
До начала разработки зафиксируйте целевой показатель, способ измерения, требования к качеству, порядок обработки ошибок и условия дальнейшего решения.
Универсального процента улучшения здесь нет. Для одного процесса достаточный результат определяется сокращением времени, для другого — уменьшением числа ошибок, для третьего — возможностью обрабатывать существующий поток без соответствующего роста ручной нагрузки.
После проверки возможны три решения.
Пилот масштабируют, если гипотеза подтверждена и результат оправдывает дальнейшее развитие. Решение дорабатывают, если проблема действительно решается, но обнаружены ограничения в данных, интеграциях или сценарии работы. Проект останавливают, если бизнес-эффект не подтверждается или дальнейшее устранение ограничений не имеет смысла.
Остановка в таком случае — нормальный результат эксперимента. Она позволяет отказаться от неподходящей идеи до полноценной разработки.
Как понять, что пилотный проект действительно дал результат
Работающая модель подтверждает техническую гипотезу. Для бизнеса этого недостаточно.
После пилота нужно вернуться к исходным показателям и измерить тот же процесс еще раз. Сравниваются время, трудозатраты, стоимость, ошибки, возвраты на доработку, производительность или другой показатель, ради которого запускался проект.
Технические характеристики решения тоже нужны. Систему нельзя масштабировать, если она нестабильна или дает неприемлемое количество ошибок. Но хорошая точность модели сама по себе не показывает, что изменилось в работе компании.
При оценке ИИ-проекта последовательно проверяют техническую работу системы, фактическое использование сотрудниками и изменение операционного показателя, ради которого запускался пилот. Если проект предполагает расчет экономического эффекта, его оценивают отдельно на основе фактических затрат и результата.
Кейс EKROM показывает изменение на конкретном процессе. Раньше менеджеры вручную подбирали оборудование и собирали смету. В реализованном решении подбор техники и формирование сметы выполняются за секунды. Каталог из более чем 15 000 товаров синхронизируется автоматически, при подборе учитываются действующие акции. Решение позволяет работать с существующим потоком более 200 заявок в день без соответствующего увеличения ручной нагрузки.
Это изменение способа выполнения конкретной работы, а не только демонстрация способности модели сформировать ответ. Другие примеры таких проектов собраны в разделе кейсов внедрения ИИ.
Хороший кандидат для первого внедрения ИИ начинается с реальной проблемы бизнеса. У процесса есть измеримое состояние «до», доступные данные, понятный владелец, контролируемые последствия ошибки и участок, на котором можно провести ограниченный эксперимент.
Если при проверке выяснилось, что задачу проще решить обычной автоматизацией, данных недостаточно или локальное ускорение не изменит результат всего процесса, это лучше узнать до разработки.
Когда проблема подтверждена и эффект можно измерить, переходят к проектированию пилота: определяют архитектуру, интеграции, механизмы контроля и способ проверки результата. Такой подход снижает стоимость ошибки еще до того, как компания начинает масштабное внедрение ИИ.