Искусственный интеллект уже стал привычным рабочим инструментом. По данным McKinsey, его регулярно используют хотя бы в одной функции 88% опрошенных компаний. При этом полностью развернуть ИИ во всей организации смогли только 7% участников исследования.
Такой разрыв показывает главную сложность — запустить пилот гораздо проще, чем получить от него заметный эффект. В проектах по процессной аналитике и автоматизации мы видим, что проблема часто возникает еще до выбора модели. Компания находит интересный сценарий применения ИИ, но не всегда понимает, какое место он займет в работе и что именно должно измениться.
Разберем, что стоит проверить до запуска.
Начать с результата
Автоматизация — это передача части работы информационной системе. Она помогает быстрее выполнять операции, сокращать объем ручного труда и снижать число ошибок. ИИ — один из инструментов автоматизации.
Формулировка «хотим попробовать ИИ» не подходит для рабочего проекта. Должна быть конкретная цель. Например, сократить срок обработки документов, уменьшить число ошибок, снизить нагрузку на операторов или ускорить ответ клиенту.
Затем нужно зафиксировать исходные показатели и ожидаемый результат. Сколько времени занимает работа сейчас? Сколько ручных действий выполняют сотрудники? Как часто возникают ошибки и возвраты? Какое значение компания хочет получить после внедрения и за какой срок?
Без этих данных пилот покажет только то, что модель умеет выполнять заданную операцию. Понять и посчитать, принесла ли она пользу бизнесу, не получится.
Проверить, где теряется время
Для автоматизации часто выбирают самый заметный участок. Если сотрудники долго готовят отчет, кажется логичным поручить ИИ сбор информации. Если клиенты ждут ответа, первым кандидатом становится разбор обращений.
Но причина задержки может находиться в другом месте. Отчет приходится несколько раз согласовывать, исходные данные — вручную сверять, а готовый результат — переносить в другую систему. Обращение можно быстро классифицировать, но затем оно долго лежит без движения или возвращается из-за недостающих сведений.
В такой ситуации ИИ ускорит одну операцию, а срок всего процесса почти не изменится. Иногда нагрузка просто смещается на следующий этап: система обрабатывает больше задач, чем сотрудники успевают проверить.
Собрать контекст
Качество модели зависит от информации, на которой она работает. Для корпоративной задачи одного запроса недостаточно. Системе могут понадобиться данные из учетных программ, история обращений, договоры, инструкции и внутренние правила.
Если сведения разбросаны по нескольким системам, таблицам и переписке, ИИ получает лишь часть контекста. Тогда сотрудникам приходится перепроверять ответы, искать недостающие данные и вручную переносить результат. Новое решение существует рядом с основным процессом и добавляет еще один очередной инструмент, вместо того чтобы сокращать объем ручной работы.
До пилота важно определить, какие данные нужны модели, где они находятся, кто отвечает за их обновление и как результат попадет в корпоративные системы. Отдельно устанавливают правила доступа, обработки и хранения информации.
Разобрать работу по операциям
Кажется логичным использовать как источники данных — внутренние регламенты и различную документацию. В них написано, кто, что и в какой последовательности должен делать. Но это схема «как должно быть». На практике документ может прийти без нужных данных, заявку приходится возвращать на доработку и не единожды, информацию — переносить вручную, а одну и ту же задачу сотрудники могут решать по-разному. Именно в этих деталях может скрываться основной резерв для автоматизации.
Увидеть их помогает аналитика бизнес-операций (Task Mining). Технология собирает данные о действиях сотрудников в рабочих приложениях, группирует зафиксированные шаги в бизнес-операции и рассчитывает для них длительность, частоту и трудозатраты. Так компания понимает, какие операции отнимают больше всего ресурсов, где работа повторяется и какие действия выполняются по-разному.
После такого анализа можно расставить приоритеты. Часть операций имеет смысл передать ИИ, часть — автоматизировать обычными алгоритмами, а некоторые шаги проще удалить или перестроить.
Проверить бизнес-гипотезу
Перед запуском нужно описать будущую схему работы: какие данные получает ИИ, что делает самостоятельно, когда подключается сотрудник и куда передается результат. Это помогает заранее увидеть необходимые интеграции, новые точки контроля и этапы, на которых может возникнуть задержка.
Пилот оценивают по показателям, выбранным в начале. Сравнивают срок процесса, трудозатраты, число ошибок и возвратов, а также стоимость работы до и после внедрения. В расчет включают расходы на инфраструктуру, интеграции, контроль качества и обновление данных.
Такой подход позволяет проверить конкретную гипотезу: действительно ли ИИ улучшает работу и оправдывает затраты. Если результат подтвержден, а риски и стоимость эксплуатации понятны, решение можно расширять.
Сначала разобраться в работе
ИИ приносит результат, когда компания понимает, какую проблему решает, где она возникает и что должно измениться после внедрения. Для этого нужно увидеть реальную работу, выбрать подходящую операцию, подготовить данные и заранее определить показатели успеха.
