Реинжиниринг работы. Как перепроектировать процессы под ИИ и действительно получить результат (анализ McKinsey)
Когда компании внедряют ИИ «поверх» старых процессов, эффект быстро упирается в потолок. Демо-видео впечатляет, а отчёт о прибылях и убытках не очень. В свежем обзоре McKinsey прямо сказано: "почти девять из десяти компаний уже «регулярно используют ИИ, но большинство не встроили его достаточно глубоко в рабочие потоки, чтобы получить ощутимые эффекты на уровне предприятия".
Ниже, что именно буксует, что делают те, у кого получается, и как по-взрослому перепроектировать работу под ИИ. Будем объяснять термины простым языком и держать фокус на практике.
Где ломается «магия» ИИ
По данным отчёта, 88% компаний применяют ИИ хотя бы в одной функции. Но около трети дошли до реального масштабирования, остальные застряли в экспериментах и пилотах. McKinsey резюмирует: "Most organizations have not yet embedded [AI] deeply enough into their workflows… to realize material enterprise-level benefits" .
Отдельная линия это агенты.
Под агентами понимают системы на базе больших моделей, которые не только отвечают на вопросы, но и планируют и исполняют несколько шагов в реальном процессе: собрать данные, подготовить черновик, согласовать с человеком, запустить действие в системе.
62% компаний как минимум экспериментируют с агентами, 23% уже масштабируют. Но чаще всего, всего в одной-двух функциях, и в каждой отдельной функции доля «масштабирования» редко превышает 10%. "…use of agents is not yet widespread… most… are still in the exploratory stages… it takes hard work to do it well.".
Параллельно цифры про бизнес-эффекты: 64% видят вклад ИИ в инновации, но только 39% отмечают влияние на EBIT (прибыль до процентов и налогов) на уровне всей компании. Вывод бесхитростен, без перестройки самой работы ИИ превращается в локальное удобство, а не в экономику масштаба.
Принцип, с которого надо начинать
В отчёте прямо обозначено отличие лидеров - они не «наклеивают» ИИ на старые процессы, а перепроектируют рабочие потоки и производят кейсы, превращают их в устойчивые «единицы производства» с метриками, ролями и регламентами. Там же многие компании пока не производили кейсы, не переосмыслили процессы вокруг ИИ и не построили платформы/ограничители (guardrails), которые позволяют держать качество на масштабе.
Т.е. ценность ИИ не в ответах, а в работе. ИИ должен изменять не только «что делаем», но и как, кем и в какой последовательности. Тогда появляется экономия времени/денег, рост выручки и предсказуемость качества.
На мой взгляд, чтобы добиться такой рамки взгляда на ИИ, необходимо значительно улучшить понимание ИИ и сопутствующих технологий с ним, т.е. наладить свой индивидуальный интерфейс взаимодействия естественного-искусственного интеллектов.
Как выглядит реинжиниринг работы под ИИ
1) Сформулировать цель роста и связать её с метриками потока
Лидеры задают цели роста и инноваций, не только эффективность. В отчёте компании, показывающие наибольшую отдачу, добавляют к эффективности цели роста/инноваций. Это задаёт другую планку требований к процессу и к ИИ-инструментам: нужно не «ускорить старое», а позволить новому случиться (например, сократить цикл вывода продукта, расширить ассортимент персонализации, увеличить долю сделок с первой встречи).
На уровне потока это переводится в измеримые показатели: время прохождения шага, долю автоматической обработки без эскалации, первую точность, конверсию, долю исправлений человеком.
2) Найти «узлы трения», т.е. места, где ИИ принесёт непропорциональную пользу
Откуда начинать? С тех участков, где много повторяемых решений, много текстов/кода/знания и много ручных стыков между системами и людьми. Данные отчёта подсказывают плацдармы - снижение затрат чаще всего фиксируется в разработке ПО, IT и производстве, а рост выручки в маркетинге и продажах, стратегии и финансах, разработке продукта.
3) Спроектировать роли «человек ↔ агент» и интерфейсы между ними
Три термина, без жаргона:
- Агент - не чат-бот для болтовни, а исполнитель задач: он получает цель, планирует шаги, вызывает инструменты, пишет черновики, запускает действия в системах и возвращает отчёт.
- HITL (human-in-the-loop) - человек в контуре. Это не «микроменеджмент агента», а заранее определённые точки, где человек принимает риск: утверждает критические решения, проверяет качество, задаёт корректировки.
- Guardrails - ограничители и регламенты, которые «держат» агента в рамках: правила доступа к данным, словари запрещённых действий, критерии приёмки.
Почему это важно? Потому что сегодня агенты масштабируются узко - симптом того, что разделение труда и интерфейсы не были спроектированы. Пока непонятно «кто за что отвечает», масштаб упирается в ручной разбор полётов.
Многие дали сотрудникам ассистентов, но не переписали работу
Практически это выглядит так: поток работы режется на шаги "восприятие → решение → действие → контроль". Для каждого шага задаётся роль агента (генерирует, проверяет, исполняет) и роль человека (утверждает, корректирует, эскалирует). Далее фиксируются критерии приёмки и журналы объяснимости, чтобы ошибки не превращались в «чёрные ящики».
4) Встроить контур качества и рисков - до, а не после
Половина организаций уже сталкивалась с негативным эффектом, чаще всего с неточностью. Это нормально на ранних стадиях, если у вас есть способ быстро обнаруживать и исправлять. Рабочий минимум, контрольные выборки для ручной оценки, автоматические проверки на галлюцинации и дрифт, правила эскалации, «канарейка» (ограниченный запуск на части трафика). Тогда риски становятся операционным процессом, а не причиной заморозить инициативы.
Где уже есть деньги, а не обещания
По снижению затрат лидируют участки, где ИИ работает с кодом и повторяемыми операциями: разработка ПО, IT, затем производство. По выручке в маркетинг и продажи (поддержка контента и персонализация), стратегия и финансы (поиск и обоснование решений), продукт/разработка (ускорение R&D). Это те зоны, где пилот может быстро перейти в «продакшн» практику, если сразу проектировать под масштаб.
В каждой отрасли, за исключением технологического сектора (в котором уже более 90% респондентов сообщили об использовании ИИ), доля респондентов, заявляющих, что их организации регулярно используют ИИ по крайней мере в одной бизнес-функции, значительно возросла по сравнению с нашим предыдущим опросом. В прошлогоднем исследовании респонденты, работающие в технологических компаниях, сообщили, что они опережают другие отрасли по использованию ИИ. В настоящее время респонденты в сфере СМИ, телекоммуникаций и страхования с такой же вероятностью, как и в сфере технологий, сообщают об использовании ИИ (пример). На протяжении восьми лет исследований в области ИИ мы неизменно рассматривали ИТ, маркетинг и продажи как те бизнес-функции, которые, по словам респондентов, чаще всего используют ИИ. Но наши последние результаты показывают, что управление знаниями в настоящее время также является одной из функций, о которых чаще всего сообщают как об использовании ИИ. Рассматривая отдельные варианты использования в рамках бизнес-функций, респонденты чаще всего сообщают об использовании искусственного интеллекта для сбора информации, а также ее обработки и предоставления, например, через диалоговый интерфейс; в контентной поддержке маркетинговой стратегии, включая разработку проектов, генерацию идей и представление знаний для создания маркетинговых стратегий; а также в автоматизации контакт-центра или обслуживания клиентов.
Т.е. видно, что ИИ чаще всего живёт в IT, маркетинге, knowledge management. Это подтверждает фокус на знаниях и текстах как сырье.
Что должен делать C-level, чтобы всё это летало
В лидирующих компаниях виден общий паттерн, владение повесткой на уровне топ-менеджмента, редизайн рабочих потоков, наличие платформ и ограничителей для устойчивой работы. Это не про «купили модель», это про управленческую конфигурацию - кто отвечает за поток целиком, по каким метрикам судим результат, как бюджетируются данные и инфраструктура, как принимаются решения о масштабировании.
Технически это означает три шага сверху вниз:
- поменять целеполагание с «экономии» на рост+инновацию (эффективность остаётся, но не как единственная цель);
- назначить владельцев потоков с P&L-ответственностью и правом резать шаги процесса;
- задать ритм квартальных обзоров масштаба: сколько функций задействовано, сколько агентов переведены из пилота в продукт, где узкие места.
Почему у одних получается, а у других нет
McKinsey выделяет простую, но требовательную истину: "Redesigning workflows is a key success factor". Многие дали сотрудникам ассистентов, но не переписали работу. Отсюда и локальные победы без системной отдачи. У тех, кто выигрывает, агенты это не «магия», а часть производственной линии, с понятными ролями, измеримым качеством и контролем рисков.
Небольшое послесловие - зачем вам внешний архитектор потока
Отчёт подчёркивает, что результат приносит не набор моделей, а управленческая конфигурация и дизайн работы. Внешний архитектор полезен там, где нужна быстрая разметка потока, разведение ролей «человек ↔ агент», постановка guardrails и метрик, перевод пилота в масштабируемую единицу производства. Это не про «консалтинг ради презентации», а про настройку производственной линии с теми же критериями приёмки, журналами и SLA, что вы требуете от любой критичной функции.