И нам надо ИИ: с чего начать, чтобы не сделать пилот ради пилота

Разбираем на примерах, как подойти к ИИ-трансформации и избежать типичных ошибок.

Кажется, что сегодня внедрением ИИ занимаются все. Но при ближайшем рассмотрении выясняется: компании редко понимают, зачем им этот инструмент, какие процессы действительно стоит автоматизировать и как добиться измеримого эффекта. Сергей Карпович, заместитель руководителя направления Т1 ИИ (входит в ИТ-холдинг Т1) рассказывает, на что обратить внимание при организации процесса.

Если отбросить громкие определения, ИИ — это инструмент для автоматизации процессов, в которых нужно принимать решения с помощью явно описанных алгоритмов по входящей информации. Поэтому первый вопрос перед внедрением технологии в бизнесе звучит так: «Есть ли в компании процессы, где решения принимаются по понятным и относительно стабильным правилам? А также достаточно ли у нас данных для обучения ИИ этому процессу?»

Чтобы правильно ответить на вопрос, в компании стоит начать с внутреннего аудита и поиска процессов, которые являются рутинными и могут быть автоматизированы алгоритмами. Это ложится в основу программы ИИ-трансформации.

Если не подходить к вопросу централизованно, то можно пропустить области, где внедрение ИИ будет полезнее всего. Например, в одном из проектов Т1 ИИ-модель анализировала договоры. Казалось логичным внедрить ее в юридический департамент, куда поступают документы. Но юристы все равно обязаны проводить полный анализ и подписываться под решением, поэтому автоматизация на их стороне не давала бы выигрыш во времени. Изучение процесса показало: максимальный эффект достигается, когда ИИ внедряется там, где формируют договоры. Модель подсвечивает ошибки до того, как документы попадут к юристам. В итоге качество входящей информации растет, специалисты работают быстрее за счет снижения объема ручных правок. Кейс показывает, что правильная точка внедрения не всегда очевидна.

Без предварительного прогнозирования результатов в бизнесе может произойти разочарование от отсутствия эффекта. К примеру, в медицине компьютерное зрение далеко не всегда помогает опытным рентгенологам: подсвеченные участки на снимке могут отвлекать и увеличивать время оценки в несколько раз. Там, где раньше хватало пары секунд, теперь приходится задерживаться на подсказки ИИ. Поэтому профессионалы такого помощника иногда отключают. Но эта же технология очень помогает в регионах мира, где рентгенологов нет: врач общей практики получает дополнительную опору в принятии решения. Так что ценность такой разработки здесь несоизмеримо выше.

Третий случай связан с кейсом Т1 для небольшой сети пекарен. Компания фиксировала расхождения между количеством паллет, загружаемыми в машину, и числом, которое приезжало до точек: часть продукции «исчезала» в пути. Внедрение камер с видеоаналитикой позволило решить проблему.

Без аудита всех процессов руководство могло бы захотеть автоматизировать с помощью ИИ, например, процессы в бухгалтерии, но нет гарантии, что компания сразу получит значимый эффект.

Кроме необходимости оценить, где конкретно в компании ИИ принесет наилучший результат, есть и другие причины подойти к процессу централизованно. На практике точечные внедрения приводят к тому, что в разных подразделениях появляются собственные модели, наборы данных, правила работы с ними. Управлять таким «зоопарком» сложно: решения опираются на разные технологии и входящую информацию, их качество хуже контролируется, поэтому со временем некорректные вводные могут начать давать некачественные результаты. Централизованный контур позволяет задать единые требования к данным, архитектуре и моделям, а также обеспечить должный контроль входящей информации и вектор развития.

Также централизованный подход позволяет избежать дублирования. Многие элементы — от обработки данных до типовых модулей — можно использовать повторно, что сокращает затраты и ускоряет масштабирование технологии по всей компании. Показательный пример, когда Т1 проводил анализ внедрения инициатив в HR-функции крупной компании. На старте каждое из четырех подразделений хотело ИИ под свои задачи. Но когда все активности собрали в единую программу, стало ясно, что объединение снизит стоимость проекта в 2,5 раза.

Искусственный интеллект даст устойчивый эффект, только если компания готова к изменениям. Перед разработкой дорожной карты важно понять текущий уровень зрелости процессов и управления данными. Можно выделить пять уровней:

Оценка зрелости нужна, чтобы честно определить стартовую точку и понять: компания уже готова к ИИ-трансформации или сначала нужно навести порядок в процессах и данных.

Даже если процессы выстроены, а дорожная карта идеальна, внедрение зависит от готовности сотрудников работать по-новому. Исследование McKinsey показывает характерный разрыв: руководители считают, что ИИ активно используют около 4% работников и еще 16% планируют начать в течение года, тогда как сами сотрудники говорят о 13% и 34% соответственно. Фактическое использование технологии в компании почти в три раза выше, чем предполагает менеджмент.

Внедрение лучше начинать снизу: с обучения и формирования новой культуры работы. Поскольку сотрудники переходят на новые инструменты медленно — это касается не только ИИ и объясняется природой человека — без четких KPI инициатива может так и остаться пилотом. Когда метрики прямо направлены на изменение привычек, инструмент быстрее становится частью ежедневных действий. Только после можно считать эффект от внедрения.

На этом этапе важно проговаривать еще один принцип: ИИ — не замена, а мультипликатор возможностей человека. Он снимает рутину, ускоряет анализ, помогает работать точнее. Страх «нас заменят нейросетью» появляется там, где сотрудники не понимают, как именно инструмент встроен в процесс, какую часть берет на себя. Когда компания открыто показывает, что ИИ не подменяет специалиста, а усиливает его, сопротивления становится меньше.

Когда внедрение ИИ строится последовательно — от выбора процессов до обучения сотрудников и закрепления изменений в метриках — технология органично входит в операционную работу. Такой подход позволяет получать предсказуемый эффект, быстрее масштабировать успешные решения и использовать потенциал ИИ там, где он действительно усиливает бизнес.