Генеративный ИИ в компании

По данным исследования «The GenAI Divide: State of AI in Business 2025» («Разрыв в области генеративного ИИ: состояние ИИ в бизнесе 2025»), проведенного Project NANDA при MIT Media Lab, 95% пилотных проектов по внедрению генеративного искусственного интеллекта так и не доходят до промышленной эксплуатации. Согласно отчету, 95% корпоративных пилотных проектов в области генеративного ИИ не приносят измеримого влияния на финансовые показатели компании (P&L) и застревают на стадии тестирования, так и не перейдя в стадию масштабного промышленного внедрения, приносящего реальную выручку. Успешно преодолевают этот барьер и начинают быстро генерировать доход лишь 5% компаний. Чтобы ваш пилот не пополнил статистику провалов, первая задача – правильный выбор процессов или задач для него.

Сила аугментации

Первая ошибка − это искать процессы, которые можно полностью автоматизировать, на нынешнем этапе развития технологии генеративного ИИ, это маловероятно (хотя и бывает). Процессы, где можно использовать ИИ можно разделить на три категории:

• те, что можно автоматизировать целиком;
  
• те, что можно автоматизировать через предоставление ИИ-сервисов от внешних компаний услуг;
  
• те, что подлежат аугментации (усилению).

Для пилотных проектов главное направление − те, что подлежат аугментации. Аугментация означает, что человек, вооруженный ИИ, выполняет задачу на порядок эффективнее. Классический пример – работа HR-менеджера по подбору и найму персонала. ИИ может взять ан себя множество отдельных задач, от анализа резюме и выделения наиболее подходящих кандидатов, до проведения интервью с ними. Однако, полностью процесс подбора и найма персонала, ему пока еще доверять рано. Личная экспертиза HR-менеджера и его «ощущение» кандидата важно, как и его ответственность.

Опыт показывает, что в каждой профессии есть минимум 10–15% задач, которые можно безболезненно делегировать генеративному ИИ уже сегодня.

Анатомия ИИ-рычага

Генеративный ИИ – это не «волшебная таблетка», это рычаг. А любому рычагу, как известно из классической механики, нужна надежная точка опоры. В современном бизнесе эта точка опоры находится там, где «белый воротничок» незаметно превратился в интеллектуального робота. Ищите зоны когнитивной рутины.

Именно здесь «точка опоры» ИИ-рычага. Но чтобы не тратить бюджет на эксперименты, задайте себе три вопроса.

1. Есть ли постоянный поток данных? Данные − это бензин для ИИ-машины. Например, поток запросов от клиентов. Или компания по аренде авто, которая перестала просто смотреть на геолокацию и начали собирать телеметрию − как машина разгоняется, тормозит, какие маршруты проходит. Если на входе неструктурированный массив − тысячи писем, сырые выгрузки, сканы договоров – это хороший кандидат на пилотную зону.
   
2. Есть ли повторяемость решений? Есть ли регламент? На основе этого потока данных принимается один и тот же набор решений. Например, люди постоянно приходят за одной и той же услугой, кредиты одобряются по стандартным скорингам, открывают вклады. Ситуации типовые и внутри них есть алгоритм или жесткая и понятная процедура. Самый предсказуемый эффект генеративный ИИ дает в процессах, где есть жестко прописанные регламенты и мало креатива.
   
3. Есть ли стандартизированный результат на выходе? Если этот набор решений приводит к конкретным и понятным выходам − отчету, карточке товара или письму клиенту.

Если ответ «да» на все три − перед вами зоны когнитивной рутины, где можно эффективно использовать генеративный ИИ. Скрининг резюме в рекрутменте, документооборот в бэк-офисе, генерация шаблонного контента и, разумеется, первая линия поддержки – это примеры таких зон. Если хотя бы на один вопрос ответ «нет» − «гоните в шею» тех, кто предлагает внедрять здесь ИИ.

Масштаб и мультиагентные решения

Почему так важен регламент? Потому что сам регламент уже является готовым техническим заданием (промптом) для агента. Экономический эффект здесь может масштабироваться мгновенно, но если пилот опирается на мультиагентные решения, которые заменяют человеческую задачу (функцию) целиком.

Здесь мы снова сталкиваемся с разделением подходов, на уровне зрелости 1 и 2. Если вы видите, что в этой зоне есть боль, но нет достаточного масштаба, не отчаивайтесь. Альтернативный путь – использовать персональный ИИ (подробнее об этом читайте в части 5 «Что руководителю делать с «теневым» и персональным ИИ?» ), дать сотрудникам ИИ-инструменты, научить их писать промпты и использовать ИИ как личного ассистента. Этот путь сводится не к автоматизации задачи или функции, а к апгрейду навыков сотрудника – обучите его работе с нейросетями LLM для повышения личной эффективности. Но корпоративный пилот в этой зоне делать не следует.

Три классических вопроса менеджмента

Конечно, прежде чем подписывать бюджет для пилотного проекта, руководители должны задать себе три классических, давно известных в менеджменте, вопроса: опишите проблему и попробуйте найти критерии положительного результата.

1. Где именно «болит» в процессе? Есть ли в нем «болевая» зона? Например, распределение входящих электронных документов до конкретного исполнителя занимает несколько дней, а не секунд потому, что делается вручную.
   
2. Сколько эта проблема стоит компании в деньгах или упущенной выгоде? Это важно оценить, так как в конце пилотного проекта, придется сравнить две стоимости – до внедрения генеративного ИИ и после него.
   
3. Сможем ли мы измерить внесение изменений? Можно ли измерить результат «до» и «после»? Пилотный проект по внедрению генеративного ИИ − это не там, где «сложно и умно». Это там, где можно доказать эффект. Например, обработка обращений увеличивает скорость и снижает стоимость контакта на столько, извлечение данных сокращает ручной труд на столько. Часто бывает, что поток данных есть процессы описаны, но бизнес не знает, как померить эффект от их оптимизации. Задача — найти задачу с понятным критерием качества, где выигрыш во времени или стоимости можно оцифровать. С учетом, возможных ошибок ИИ. ИИ идеально раскрывается там, где цена ошибки машины заведомо ниже стоимости человеческого времени на работу без ошибок.

Руководители, которые мыслят такими категориями, имеют кратно более высокие шансы на успешный пилотный проект.

Генеративный ИИ любит текст

Все знают, что одна из самых мощных функций ИИ – это обработка неструктурированных данных. Звонки, письма, сообщения, сканы договоров, формы − все то, что мы создаем в виде текста, но что требует колоссальных временных затрат на анализ.

Программисты пишут код (это тоже разновидность текста) – практика показала, что эффект измеряется в разы. Переводчики, копирайтеры, юристы, составители деловой переписки − чем более письменный исходящий результат и чем он длиннее, тем выше польза.

Работа руководителя часто сводится к решениям: «да» или «нет», «утвердить» или «отклонить». Очевидно, что любое решение, принятое после обсуждения с ИИ, лучше, чем без него, но оцифровать этот эффект крайне сложно.

Красные флаги: что категорически нельзя отдавать ИИ

На текущем этапе развития технологий (и, вероятно, еще долго) есть зоны, где ИИ должен оставаться лишь советником, а не лицом, принимающим решения. Отдайте ИИ только те задачи, где умеренная ошибка не убьет бизнес.

1. Ответственность и репутация. ИИ не может быть ответственным за пожарную безопасность здания (по крайней мере пока). Он может взять на себя мониторинг тысяч датчиков, анализировать показатели, чтобы вовремя сигнализировать вам об опасности. Но ответственность всегда лежит на человеке. Нейросеть не пойдет в тюрьму и не понесет дисциплинарную ответственность.
   
2. Стратегия, продуктовые, финансовые и кадровые решения. ИИ поможет доработать стратегический документ, но решение о векторе движения компании должен принимать человек. То же самое с кадровыми перестановками и увольнениями − их нужно проводить лично. (Хотя первую воронку найма и оценку резюме генеративный ИИ уже отлично автоматизирует).
   
3. Кризисные коммуникации и взаимодействие с ключевыми экспертами компании. Писать антикризисные заявления или письма ключевым экспертам компании с помощью генеративного ИИ − это «стрелять себе в ногу». Здесь требуется человеческое сопереживание, интуиция и понимание контекста. В целом ряде сообщений люди подсознательно ожидают этого, даже не говоря об этом прямо. Отсутствие понимания и эмпатии демотивирует и разочарует их.

Для предприятий, работающих в реальной сфере, применение LLM (больших языковых моделей) в первую очередь находится в бэк-офисе, а не в ядре производства. В металлургии, например, где цена ошибки может измеряться тоннами стали, не стоит пробовать использовать ИИ для управления доменной печью – на сегодняшний момент, это безумие.

Ищите эффекты там, где есть процессы бэк-офиса, например, документооборот или юридическая деятельность. Отдайте нейросетям поиск паттернов и генерацию предиктивных гипотез, пусть ИИ перебирает маркетинговые и продуктовые сценарии. Но финальный выбор и подпись под решением – это прерогатива человека.

***

Пилот по внедрению генеративного ИИ − это не про те области, где «все сложно и непонятно». Наоборот, пилоты генеративного ИИ успешны в зонах, где понятны входы, выходы и есть регламенты. Ищите процессы с высокой долей повторяемого интеллектуального труда, где допустима умеренная ошибка, понятен критерий качества, а на выходе получается текст. Убедитесь, что у вас есть поток данных, повторяемость решений и метрика для измерения успеха.

Комментарии 0