Генеративный ИИ в компаниях

Генеративный ИИ уже изменил корпоративную жизнь, хотя во многих компаниях формально ничего не произошло: не было большого проекта внедрения, момента запуска и новой функции в оргструктуре компании. Но маркетолог уже пишет с его помощью черновики кампаний, HR собирает описания вакансий, менеджер по продажам готовит письма клиентам, а руководитель просит за пять минут превратить десять страниц сырого материала в четкую и краткую записку. Технология вошла в бизнес не централизованно, как другие ИТ-системы, а как личный инструмент.

«Теневой» ИИ: риски и точки потерь

В части 4 мы писали о «теневом» ИИ феномене (уровень 1), когда сотрудники сами, по своей инициативе и не согласовывая это с руководством, решают часть своих задач, получают практический опыт и быстро начинают различать, где технология помогает, а где нет. Это уровень возник в компаниях сам, в подавляющем большинстве случаев, бесконтрольно.

Первая реакция многих компаний на генеративный ИИ − тревога. Сотрудники используют внешние инструменты без официального разрешения, загружают в них рабочие материалы, получают ответы непонятного качества и постепенно выстраивают вокруг таких непроверенных сервисов свою повседневную рутину. И никто это не контролирует.

Стихийное использование генеративного ИИ говорит о том, что сотрудники нашли в нем практическую ценность. Обычно они несут в генеративный ИИ не любые задачи, а именно те, где они теряют время: сырые тексты, первые версии документов, сортировку информации, подготовку саммари и т.п. Перед вами, по сути, карта точек потерь организации. Если сотрудники обходят принятые в компании инструменты (или их отсутствие) ради внешнего инструмента, значит, внутренние механизмы слишком медленны, тяжелы или неудобны.

Риски «теневого» ИИ, разумеется, никуда не исчезают. В основном, их три.

1. Первый связан с данными: публичные сервисы генеративного ИИ не предназначены для бесконтрольной работы с чувствительной информацией, а сотрудники редко оценивают последствия загрузки документов, клиентских данных, финансовых или юридических материалов.
   
2. Второй риск касается качества: генеративный ИИ умеет звучать убедительно даже тогда, когда ошибается. Для бизнеса опасна не сама ошибка, а ее правдоподобие.
   
3. Третий риск связан с неконтролируемым ростом разнообразия: каждый сотрудник или отдел выстраивает свои привычки, свои правила, свои подписки и свои представления о хорошем результате. Компания получает не систему, а чрезвычайно лоскутное одеяло из частных инструментов.

Запреты нужны, когда речь идет о данных и ответственности, но, если не предложить сотрудникам безопасную и удобную альтернативу, многие из них они просто продолжат пользоваться тем, что уже помогает им работать быстрее, скрытно, не афишируя это. Гораздо продуктивнее смотреть на «теневое» ИИ как как поле для исследований, как среду, в которой проявляются точки неэффективности и потерь.

Ловушка персонального генеративного ИИ

«Теневой» генеративный ИИ – это первый уровень использования ИИ (см. предыдущую часть цикла). Следующий уровень – уровень 2 – это уровень локальных экспериментов и пилотов. И начинается он с того, что компании разрешат сотрудникам использовать генеративный ИИ для решения их персональных задач, а некоторые из них организуют доступ к определенным сервисам генеративного ИИ, возможно, даже оплатят их. Такой этап использования генеративного ИИ мы называем «персональным генеративным ИИ».

Сотрудник уже не просто иногда использует генеративный ИИ, а получает разрешение на включение его в свою рабочую среду. Производительность такого человека заметно растет, он быстрее пишет, быстрее анализирует и быстрее готовит решения тратит минуты там, где раньше требовались часы. Для компании здесь скрыта ловушка.

Руководители видят рост скорости и качества в персональных задачах и склонны считать, что компания уже движется в правильную сторону. Увы, это ошибка. Практика показывает, что часто сотрудники компании движутся в разные стороны. У одних складываются полезные практики, у других не получается и растет недоверие, третьи никак не могут определиться с тем, какой из ИИ-сервисов их устраивает, а у четвертых растут риски утечки коммерческих данных. Один человек начинает работать как мини-команда, в то время как другой рядом, продолжает действовать старыми методами, боится ошибиться и избегает ИИ. Третий вроде бы использует, но поверхностно, не получив нужного качества сразу бросает работу с ИИ. В результате внутри одной функции возникает неравномерность, которую не сразу можно заметить.

Неравномерность опасна тем, что ИИ-компетенция остается личной, а не организационной. Лучшие практики живут в голове конкретных энтузиастов: они знают, как структурировать работу с моделью, как писать запросы, как извлекать сильный результат и не попасться на галлюцинации. Пока это знание не переведено в общую систему, бизнес зависит от отдельных носителей, а не от системного автоматизированного решения. Уже были прецеденты, когда компания заявляла, что 90% ее сотрудников делегировали задачи нейросетям. В результате, они увеличили свою эффективность? Нет, работа оказалась несогласованной, высвобожденное время не получилось гибко и эффективно использовать, и на выходе им пришлось заново перенастраивать команду.

Иллюзия дешевизны персонального генеративного ИИ

Одна из самых стойких иллюзий связана со стоимостью персонального использования генеративного ИИ. Генеративный ИИ кажется дешевым по сравнению с классическими корпоративными системами. Подписка стоит немного, запускать можно быстро, первые результаты видны почти сразу.

Например, 20 долл. в месяц за ChatGPT (пока опусти вопросы удобства оплаты и VPN) – это иллюзия дешевизны, которая разбивается о сухую арифметику: для сотни сотрудников это уже 24 тысячи долл. в год, и не каждый руководитель готов подписать такой бюджет, не задавшись вопросом о реальной отдаче. Однако главная проблема в динамике рынка, сегодняшний фаворит ChatGPT завтра уступает место специализированному инструменту — дизайнер требует Midjourney, разработчик настаивает на ClaudeCode, а через полгода всех обгоняет Gemini. И оказывается, что сотрудникам нужна не одна генеративная модель и затраты еще увеличиваются в разы. Такой подход превращает управление ИИ-инструментами в бесконечную гонку за лидерами, где каждый новый прорыв вендора обесценивает предыдущие инвестиции. Если же каждый сотрудник и команда идет своим путем, бюджет расползается еще сильнее: кто-то покупает один инструмент, кто-то другой, подписки дублируются и ни о каком эффективном использовании речи быть не может.

Руководитель, который ограничивается покупкой подписок, рискует получить не рост производительности, а хаос из разных дублирующих друг друга сервисов и раздутый операционный бюджет, который легко проедает весь эффект от автоматизации. Поэтому вопрос стоимости использования инструментов генеративного ИИ требует системных и централизованных решений.

Задача внедрения ИИ-инструментов – это задача создания гибкого портфеля ИИ-сервисов с жестким контролем стоимости владения и регулярной оценкой эффектов – иначе генеративный ИИ станет не активом, а финансовой «черной дырой».

Отметим, что лицензии – это еще далеко не вся стоимость корпоративного ИИ-инструмента. Настоящая стоимость корпоративных инструментов генеративного ИИ начинается там, где компания пытается сделать использование ИИ не только массовым, но и приводящим к результатам с устойчивым качеством, а также безопасным. Возникают расходы на обучение, контроль доступа, проверку качества, юридическую экспертизу, методологию и изменение процессов, внутреннюю поддержку и сопровождение решений. Необходимо будет создать понятные вещи: библиотеку сценариев работы, примеры хороших запросов, сильные кейсы, правила верификации и оценки качества и понятные границы допустимого использования.

Об этом мы поговорим в следующих частях цикла. А сейчас, немного о мышлении руководителя.

ИИ-мышление и центр ИИ-компетенций

Эксперты отмечают, что многие компании спотыкаются не о новую технологию, а о собственное мышление. Они пытаются «добавить ИИ» в существующие процессы, не задавая более трудный вопрос: зачем вообще сохранять процесс в прежнем виде, если значимую часть интеллектуальной рутины может взять на себя генеративный ИИ? Самый простой подход – не менять ничего кардинально, но он же и самый неэффективный. Разница между этими подходами такая же, как между установкой мотора от ракеты на «жигули» и изобретением, вместо старых «жигулей», новой машины на новой платформе.

Он получил название AI-first (или «ИИ в первую очередь») – это подход, когда искусственный интеллект выступает не как вспомогательная надстройка, а как ядро процессов и практик. Вместо того чтобы автоматизировать текущие готовые процессы, стратегия ставит нейросети во главу угла, меняя логику процессов и практик. Эта смена мышления показана в таблице 1.

Таблица 1. Смена мышления в эпоху ИИ

Чтобы выйти на такое использование ИИ организации нужен центр, который собирает правила, кейсы, стандарты, знания о поставщиках, подходы к безопасности и логику масштабирования. Иначе каждый отдел будет заново изобретать велосипед, а компания будет оплачивать это издержками, временем и потерей управляемости.

Его задача – выявлять полезные практики и делать их переносимыми в рамках компании. Он превращает разрозненные открытия в корпоративное знание, помогает обучать команды, снижает зависимость от внешних подрядчиков и дает бизнесу внутреннюю опору в ключевой технологии.

***

«Теневой» генеративный ИИ сделал компаниям неожиданный подарок – он стал зеркалом, в котором компания видит собственные проблемы и боли. Технология быстро показывает, где сотрудники перегружены текстовой рутиной, где слишком большие затраты на обработку данных и составление отчетов, и где процессы по-прежнему подстроены под мир, в котором интеллектуальный труд медленный и дорогой, так ка полностью выполняется людьми. Выигрывать будут не те организации, которые первыми купили доступ к лучшей модели, а те, кто сумел превратить персональную эффективность сотрудников в новую систему управления.

Комментарии 0