ИИ в компании. Как построить AI‑first компанию: процессы, метрики и реальный бизнес‑эффект
В статье мои выводы: что действительно стоит делать сейчас, а что лучше отложить до зрелости технологий. Эта статья на LinkedIn
Недавно я посетил лекцию Виктора Тарнавского, руководителя AI‑центра T‑банка. Тема - как строить AI‑first компанию, где ИИ не эксперимент сбоку, а часть стратегии и ежедневных процессов. Было интересно послушать эксперта, который управляет командной из более чем 800 человек и где-то подтвердить свои гипотезы, а где-то получить новые инсайты.
Хайпа вокруг GenAI сегодня много, но ключевой вывод для меня простой: вклад генеративного ИИ в бизнес пока скромный. Иллюзия «ИИ все сделает сам» быстро рассеивается, когда начинаешь считать эффект. До реальной отдачи нам еще работать и работать.
Первый вывод. Генеративный ИИ: шум есть, отдача пока скромная
Хотя такие компании, как McKinsey, пророчат генеративному искусственному интеллекту большое будущее, радикальную трансформацию и вклад в мировой ВВП на уровне 6–8%, реальный, наблюдаемый сегодня вклад GenAI в бизнес невелик и зачастую близок к погрешности. Это если смотреть не на красивые демо и презентации, а на показатели вроде P&L (profit and loss), снижения затрат и устойчивого улучшения процессов.
Локальные победы есть, но до системного эффекта далеко: мешают шум в ответах, сложная интеграция, качество данных и стоимость эксплуатации.
К примеру, помощники в написании кода пока держатся примерно на уровне 60% от human baseline: они годятся как ассистенты, но точно не как полноценные члены команды. Придумать несуществующий логический паттерн, добавить его в код и не предупредить человека? Легко.
Важно не путать хайп с готовностью технологии. Зрелый подход — идти от процессов и метрик: сначала единица эффекта (минуты, рубли, конверсия, NPS), затем точка встраивания в текущие процессы, и только потом — выбор модели и архитектуры, которые способны поддержать эти метрики.
Где будет наибольший эффект? В «run»-контуре: поддержка клиентов, продажи, документооборот. Здесь GenAI уже приносит деньги: меньше FTE, выше маржа, быстрее обрабатываются запросы и документы, меньше ручных ошибок. Здесь проще считать юнит‑экономику и защищать результат.
А вот добавление GenAI в «change‑контур» (внутренние ассистенты, генерация идей, ускорение разработки и согласований) — история менее прозрачная. На уровне сотрудников изменения будут заметны: работать станет легче и, возможно, интереснее. Но рассчитать ROI и понять реальный profit без длительных пилотов и измерений постфактум практически невозможно.
Резюме. Что делать?
- Бить по «узким горлышкам» и повторяемым операциям, где улучшение видно быстро, с внятными метриками «до» и «после».
- Проверять, что для конкретной задачи действительно выбран оптимальный способ её решения, а не просто «нам нужен AI, внедряйте AI!».
Второй вывод. Нужно с минимальными потерями пройти путь от эйфории к осознанному использованию
Команды почти всегда проходят один и тот же цикл: отрицание (да что может ваш AI, и без него хорошо) → завышенные ожидания (вау! А так можно было? Давайте всех заменим на AI‑агентов и не будем работать!) → разочарование (как‑то сложно и дорого получается) → осмысленная эксплуатация (мы знаем, как AI может изменить наш бизнес).
Этот путь нужно понять, принять и помочь коллегам пройти его быстрее. Автоматизация и AI — это всегда про решение конкретной боли, снижение затрат и оптимизацию. Поэтому в начале важно сформулировать проблемы и ранжировать их по значимости. Именно с этого должен начинаться любой реестр AI‑инициатив.
Как работать с таким реестром?
- Для каждой проблемы фиксируем гипотезу - как за счет применения технологии будет достигнут эффект в деньгах/времени? В лучшем случае «выстрелит» только 30% инициатив (опыт больших компаний);
- Определяем параметры эксперимента – на каком процессе, на каких данных и с какими участниками он будет проводиться;
- Уже на старте обозначаем стоп-линию по затратам и результату, после которой требуется пересмотреть решение по AI инициативе - не просто по принципу «я в нее верю продолжаем», а на базе конкретных цифр;
- Проводим управляемый эксперимент и фиксируем результаты;
- Там, где ценность доказана – принимаем решение о выходе в прод и масштабировании;
- Там, где не удается доказать ценность, честно переводим инициативу в категорию Research&Development и фиксируем выводы для использования при формировании новых идей и гипотез.
- Фиксируем целевые метрики – что мы будем считать успехом.
Третий вывод. Баланс безопасности и скорости.
При использовании передовых GenAI решений всегда встает вопрос – бежать быстрее или позволить себе отстать, но обеспечить безопасность данных. Свой IT контур — серверы и AI модели, развернутые внутри компании — дают максимальную защиту данных. Но почти всегда такой подход означает отставание на 6-12 месяцев от передовых рыночных решений.
Подключение внешних сервисов, наоборот, позволяет быстро получить лучший уровень моделей, сократить отставание практически до нуля, но повышает риски утечек персональных данных, кода и коммерческой информации.
Рабочий подход — делить процессы по критичности и настраивать для них разный режим доступа:
- Чувствительные данные — в приватном периметре с ограничением используемого AI моделью контекста и постоянным аудитом обращений к данным;
- Если в процессе нет критичных данных — можно работать с внешними ресурсами с фильтрацией данных и журналированием.
Универсального рецепта для всех компаний тут нет. Выбор зависит от регуляторных требований, профиля рисков и цены отставания от конкурентов.
Четвертый вывод. Не строить свою модель, строить свою систему
Четвертый вывод — перестать «догонять» базовые модели. Ставить цель «сделаем свой LLM» -почти гарантированный путь в технический долг и отставание, т.к. велосипед давно уже изобретен, и лидерами рынка доведен до уровня полетов в стратосферу. Создать такой же будет очень долго и дорого.
Конкурировать нужно не AI моделями, а контекстом и их обвязкой. Что это значит? Первичный фокус должен быть на:
- Данных, с которыми работает модель - качество, доступность;
- Внутренних знаниях организации - объекты и правила предметной области, каталоги данных и справочники, настройки Retrieval‑Augmented Generation;
- Интеграции GenAI в реальные рабочие процессы - кто запускает процесс, какие действия выполняет человек (human in the loop), а какие AI, где стоп‑условия;
- Измерении качества и безопасности.
При этом, каждый релиз доработок GenAI должен быть с понятными метриками: точности ответов, допустимой доли ошибок, времени реакции системы. А также с целевым показателем трудозатрат, связанных с привлечением человека в процесс.
Пятый вывод. Процессы, а не демо
Любой «вау‑эффект» нужно заземлять в процессы и регламенты. Без роли владельца процесса, маршрута эскалаций нештатных ситуаций, четко заданных порогов остановки и принятия решений - качество работы GenAI становится бесконтрольным и реальный рабочий процесс неизбежно деградирует.
Минимальный стандарт производственного уровня для работы с GenAI решением должен включать:
- Версия промпта как артефакт;
- Журнал запросов/ответов GenAI решения (должен вестись под капотом в автоматическом режиме и доступен для анализа);
- Offline‑оценка качества работы на эталонном наборе данных;
- Online‑метрики по качеству и ошибкам;
- Политика восстановления данных и откатов к прошлым версиям;
- Периодические A/B‑проверки доработок.
И да — human in the loop везде, где цена ошибки высока.
Шестой вывод. Культура как ускоритель
И, наконец, культура — главный фактор приживаемости и скорости развития AI-first организации. Мир меняется очень быстро и здоровый уровень FOMO (fear of missing out) будет хорошим союзником в развитии.
Изменение культуры и обеспечение приживаемости GenAI это в первую очередь задача менеджмента. Если сотрудники не видят ценности в решениях, не умеют ими пользоваться и предпочитают старые методы работы вместо обучения и экспериментов, то никакая модель не даст эффекта.
Мнение Виктора Тарнавского - что сложные технологии, такие как AI, необходимо начинать внедрять с создания в организации профильного центра компетенций. Параллельно формировать у команд потребность развиваться, стимулируя изменения "снизу-вверх", а не только "сверху-вниз".
С этим мнением я согласен, и считаю, что роли делятся следующим образом:
- Роль менеджмента - дать прозрачные цели, метрики и ресурсную поддержку;
- Роль команд - с учетом понимания своих бизнес-процессов предлагать и внедрять наиболее эффективные решения для достижения общих целей.
На уровне организации, для формирования прозрачного контекста, помимо целей и метрик должны быть обеспечены как минимум:
- понятные правила - что можно/нельзя делать с помощью GenAI;
- легальные инструменты «по умолчанию», доступные всем сотрудникам;
- позитивное подкрепление в виде прозрачных коммуникаций о прогрессе, достигнутых успехах и извлеченных уроках.
Ведение сквозного реестра AI инициатив, где видно кто чем занимается и какие результаты были получены - также хорошая практика обеспечений прозрачности. Такой реестр в том числе поможет защититься от дублирования работы, когда несколько команд начинают разработку аналогичных решений.
В части обучения и евангелизма - хорошо работают короткие учебные циклы: «час в неделю на освоение», демо дни, обмен промпт‑шаблонами, внутренние «песочницы» и небольшие конкурсы на улучшение метрик.
Цель проста: снять страх, нормализовать практику и зафиксировать первые быстрые выигрыши — именно они запускают реальное принятие.
Если собрать все выводы вместе, получается простой и приземленный подход:
Эксперементировать с ИИ можно и нужно, т.к. не начав сейчас, мы все больше и больше будем отставать от тех, начал такие эксперименты раньше нас. Но стоит помнить что 30% успешных экспериментов это уже хорошо. И акцент в начале стоит делать именно на оптимизацию Run а не Change.
И не забываем про логику внедрения ИИ решений:
- Сначала процессы и метрики;
- Затем данные и контекст;
- Потом — выбор модели и операционная обвязка;
- И только после устойчивого результата — масштабирование.
Это медленнее, чем хочется, но стабильно быстрее, чем вечный «пилотопад».
А как развивается тема с AI в вашей организации? Согласны с выводами?