Как понять, в каком процессе ИИ может дать эффект

Сегодня искусственный интеллект пытаются применить практически ко всему: продажам, маркетингу, поддержке, документообороту, аналитике, работе с персоналом. Поэтому у бизнеса часто возникает вполне логичный вопрос: где ИИ действительно способен принести пользу, а где его внедрение окажется дорогим экспериментом ради самой технологии?

Начинать с выбора модели или конкретного ИИ-инструмента здесь не стоит. Сначала нужно найти процесс, в котором существует измеримая проблема: сотрудники тратят много времени на повторяющиеся действия, долго ищут информацию, вручную обрабатывают большие объёмы данных или регулярно выполняют однотипную интеллектуальную работу.

И только после этого имеет смысл проверять, может ли ИИ решить эту проблему лучше существующего процесса. Иногда оптимизировать процессы можно и без ИИ, если понимать проблемные места.

Не нужно искать задачу для ИИ

Одна из самых распространённых ошибок — начинать проект с решения: «Мы хотим внедрить искусственный интеллект». После этого команда отправляется искать место, куда его можно встроить. Так появляются ИИ-консультанты, которыми почти никто не пользуется, генераторы текстов, не экономящие время сотрудников, и сложные корпоративные системы, которые дублируют уже существующие инструменты.

Логика должна быть обратной. Сначала нужно определить проблему бизнеса, а уже затем подобрать технологию для её решения. И вполне может оказаться, что в конкретном процессе искусственный интеллект вообще не нужен: обычная автоматизация, интеграция двух систем или изменение интерфейса справятся с задачей проще и дешевле.

ИИ имеет смысл внедрять не там, где его технически можно использовать, а там, где он способен дать измеримый эффект, ведь внедрение ИИ — это тоже непростая задача, если подходить к ней комплексно.

Посмотрите, куда сотрудники тратят время

Хороший кандидат для автоматизации часто обнаруживается в ежедневной рутине. Для этого полезно посмотреть не только на формально описанные бизнес-процессы, но и на то, как люди работают в действительности.

Например, менеджер получает заявку, открывает CRM, затем ищет информацию в учётной системе, проверяет несколько документов, изучает предыдущую переписку с клиентом и только после этого готовит ответ. Каждое действие само по себе занимает несколько минут, но при десятках обращений в день складывается в часы.

Другой сотрудник ежедневно получает документы разных форматов, вручную извлекает из них нужные сведения и переносит данные в систему. Третий отвечает на одни и те же вопросы клиентов, каждый раз находя информацию в большой внутренней базе знаний.

Именно такие процессы стоит рассматривать в первую очередь. Особенно если они повторяются часто и занимают значительную часть рабочего времени.

Ищите не только рутину, но и работу с неструктурированными данными

Обычная автоматизация отлично справляется с ситуациями, где существуют чёткие правила: если произошло событие А, нужно выполнить действие Б. Но многие бизнес-процессы устроены сложнее.

Информация может приходить в письмах, документах, сообщениях, изображениях или свободно сформулированных обращениях пользователей. Чтобы обработать её, человеку сначала необходимо понять содержание, определить контекст и только после этого решить, что делать дальше.

Именно здесь современные ИИ-системы особенно интересны. Они могут классифицировать обращения, извлекать данные из документов, делать краткие выжимки из больших объёмов информации, искать ответы в корпоративной базе знаний, сравнивать материалы и подготавливать черновики.

Если значительная часть рабочего времени сотрудников уходит не на механическое нажатие кнопок, а на чтение, поиск, сопоставление и первичный анализ информации, процесс стоит рассмотреть как потенциального кандидата для ИИ.

Чем чаще повторяется задача, тем заметнее потенциальный эффект

Автоматизация действия, которое сотрудник выполняет один раз в месяц и тратит на него десять минут, вряд ли принесёт бизнесу заметную пользу. Даже если технически сделать её очень просто.

Совсем другая экономика возникает, когда одно и то же действие выполняют сотни или тысячи раз. Смотреть можно как в разрезе отдельно взятого сотрудника, так и с масштабе одела.

Допустим, обработка одного обращения занимает у менеджера пять минут. Если таких обращений десять в месяц, экономия будет практически незаметной. Если их несколько тысяч, сокращение даже одной минуты на каждое обращение уже превращается в существенное количество рабочего времени.

Поэтому при выборе процесса важно оценивать не только сложность отдельной операции, но и её масштаб: как часто она выполняется, сколько сотрудников в ней участвует и сколько времени компания тратит на неё суммарно.

Хороший кандидат для ИИ должен иметь понятный результат

Есть ещё один важный критерий: мы должны понимать, что считать хорошим результатом. Принимать решения всегда проще, имея перед глазами конкретные цифры.

Представим задачу «ИИ должен помогать менеджерам работать эффективнее». Звучит разумно, но проверить успешность такого проекта практически невозможно.

Гораздо полезнее сформулировать конкретную гипотезу: система будет автоматически готовить краткую историю взаимодействия с клиентом перед звонком, благодаря чему менеджер будет тратить на подготовку не десять минут, а две. Теперь результат можно измерить.

Или другая задача: ИИ должен классифицировать входящие обращения и направлять их в нужный отдел. Тогда можно проверить долю правильно классифицированных обращений, скорость обработки и количество случаев, когда сотруднику пришлось исправлять решение системы.

Чем точнее определён ожидаемый результат, тем проще понять, имеет ли смысл продолжать проект после пилота.

Не обязательно автоматизировать процесс целиком

Разговор об ИИ часто быстро переходит к идее полной автоматизации: если система умеет читать обращения клиентов, почему бы сразу не позволить ей самостоятельно отвечать, менять данные в CRM и закрывать заявки?

Но на первом этапе гораздо безопаснее найти отдельный участок процесса, на котором ИИ способен помочь человеку, но не перекладывать на него ответственность. Начинать лучше с тех процессов, где цена ошибки минимальна.

Например, система может не отвечать клиенту самостоятельно, а подготовить черновик ответа. Не принимать решение по документу, а извлечь из него необходимые сведения и подсветить сотруднику спорные места. Не самостоятельно менять данные в CRM, а предложить изменения для подтверждения.

Такой подход позволяет проверить качество технологии на реальных данных, не отдавая ей сразу критически важные операции. Если результаты оказываются стабильными, степень автоматизации можно постепенно увеличивать.

Иногда ценность ИИ — не в сокращении сотрудников

Экономический эффект от внедрения искусственного интеллекта часто пытаются считать исключительно через сокращение трудозатрат. Это действительно один из наиболее понятных показателей, но далеко не единственный.

ИИ может позволить быстрее отвечать клиентам, обрабатывать больше заявок той же командой, снизить количество ошибок, обеспечить круглосуточную обработку обращений или сделать доступной работу, которая раньше была слишком дорогой.

Например, сотрудник физически не может внимательно анализировать несколько тысяч отзывов клиентов каждую неделю. ИИ способен сгруппировать их по темам, определить повторяющиеся проблемы и подготовить сводку. В таком случае технология не обязательно заменяет существующую работу — она создаёт возможность регулярно выполнять задачу, которая раньше практически не выполнялась.

Поэтому эффект стоит искать не только в вопросе «сколько часов мы сэкономили», но и в том, что бизнес теперь может делать быстрее, качественнее или в большем масштабе.

Какие процессы стоит проверять в первую очередь

Если компания только начинает искать сценарии для внедрения ИИ, полезно обратить внимание на процессы, где одновременно присутствует несколько признаков:

• операция выполняется часто;
• на неё уходит заметное количество рабочего времени;
• сотрудники работают с большим объёмом текста, документов или других неструктурированных данных;
• значительная часть действий повторяется;
• результат можно проверить;
• ошибки можно обнаружить и исправить;
• процесс достаточно хорошо понятен самому бизнесу.

Чем больше таких признаков совпадает, тем интереснее процесс для пилотного проекта.

Но наличие всех пунктов ещё не гарантирует экономического эффекта. Перед разработкой всё равно нужно оценить стоимость текущего процесса, предполагаемые затраты на внедрение и дальнейшую эксплуатацию системы.

Где с ИИ лучше не начинать

Для первого пилота не стоит выбирать самый сложный и критичный процесс компании только потому, что потенциальная выгода выглядит впечатляющей. Если ошибка может привести к крупным финансовым потерям, юридическим последствиям или остановке бизнеса, требования к качеству решения будут значительно выше. Вместе с ними вырастут стоимость разработки, тестирования и контроля.

Плохим кандидатом может оказаться и процесс, который постоянно меняется или вообще не формализован внутри компании. Если сотрудники сами каждый раз выполняют его по-разному и не могут объяснить, какой результат считать правильным, автоматизировать такую работу будет сложно независимо от выбранной технологии.

Кроме того, ИИ не стоит использовать там, где задача легко решается обычным алгоритмом. Если результат можно однозначно получить с помощью нескольких условий и формул, языковая модель только добавит стоимость и непредсказуемость.

Как оценить потенциальный эффект до разработки

До создания полноценной системы полезно собрать базовые показатели текущего процесса. Например, сколько операций выполняется за месяц, сколько времени занимает каждая из них, сколько сотрудников участвует в работе, как часто возникают ошибки и сколько стоит их исправление.

После этого можно сформулировать гипотезу внедрения. Не «добавить ИИ в поддержку», а, например, «автоматически классифицировать 70% входящих обращений и сократить время их первичной обработки».

На пилоте эти показатели можно сравнить с исходными. Если технология действительно экономит время или улучшает качество и полученный эффект оправдывает стоимость эксплуатации, решение имеет смысл развивать. Если нет — компания узнаёт это на небольшом эксперименте, а не после создания большой системы.

Именно поэтому хороший ИИ-проект начинается не с масштабной разработки, а с проверяемой гипотезы.

От процесса — к технологии, а не наоборот

Внедрение искусственного интеллекта имеет смысл начинать не с изучения возможностей очередной модели и не с вопроса «где бы нам использовать ИИ». Сначала стоит посмотреть на собственный бизнес и найти процессы, в которых уже существует проблема или точка роста.

Особенно интересны повторяющиеся операции с большим объёмом информации, которые требуют от сотрудников понимания контекста, поиска, классификации, сопоставления или подготовки результата. Затем нужно определить, что именно должно измениться после автоматизации и как этот эффект можно измерить.

После этого уже можно выбирать технологию. Где-то будет достаточно обычного алгоритма, где-то — поиска по базе знаний, где-то — языковой модели, а в более сложных процессах может понадобиться полноценный ИИ-агент с интеграцией во внутренние системы.

Такой порядок защищает бизнес от внедрения ИИ ради самого ИИ. Технология становится не целью проекта, а одним из инструментов, который должен решить конкретную задачу и дать понятный результат.