Это пересказ материала Аркадия Морейниса о внедрении ИИ в компаниях. Я сократил его и изложил своими словами.
Многие компании начинают внедрение ИИ одинаково: покупают сотрудникам подписки на чат-боты или делают интерфейс поверх ChatGPT и встраивают его в привычный процесс. Через несколько месяцев выясняется, что заметной финансовой отдачи нет. Аркадий объясняет это тем, что сам процесс остался прежним. ИИ начинает приносить деньги, когда под него меняется логика работы.
Четыре ошибки
Человек становится узким местом
Если ИИ работает помощником сотрудника, скорость процесса ограничена скоростью человека. Модель может обработать тысячи задач в минуту, а сотрудник проверяет и передаёт дальше одну задачу за час. Большая часть возможностей системы при этом простаивает.
Автоматизация отдельных участков
Когда ИИ помогает только копирайтеру или только дизайнеру, каждый участок ускоряется сам по себе, а связи между отделами остаются прежними. Общая эффективность компании почти не меняется.
Работа без рамок
Система без заданных границ начинает выдумывать факты и совершать случайные действия.
Соревнование с универсальными моделями
Обойти ChatGPT на уровне базовых алгоритмов у компании не получится. Ценность собственного решения создают данные: закрытые, очищенные и правильно структурированные.
Пять шагов
1. ИИ ведёт процесс, человек подключается в отдельных точках
Аркадий предлагает перевернуть схему. Основную работу выполняет ИИ, а человека подключает только в двух случаях:
- нужна юридическая подпись или кто-то должен взять на себя ответственность;
- данных не хватает, и решение приходится принимать на основе опыта и интуиции.
При передаче задачи человеку ИИ обязан отдать полный контекст: что происходит, что уже сделано и в чём вопрос. Тогда сотруднику не нужно разбираться в ситуации с нуля.
2. Агент отвечает за сквозной показатель
ИИ-агента стоит назначать на конечный показатель бизнеса, который проходит через несколько отделов. Должность или функция отдела здесь вторична.
Пример из материала: агент отвечает за полную запись к специалистам. Он принимает входящие обращения. Если записей не хватает, обзванивает прошлых клиентов. Если и этого мало, сам запускает рекламу или холодные рассылки.
3. Рамки и метрика
Чтобы система вела себя предсказуемо, нужно заранее зафиксировать две вещи:
- границы, за которые система не может выйти без одобрения человека (guardrails);
- измеримый показатель успеха.
Если показатель выполняется и система остаётся в рамках, небольшие отклонения в отдельных действиях считаются нормальной работой.
4. Данные и опыт экспертов
Универсальная модель отвечает усреднённо, на основе открытого интернета. Чтобы решение давало компании преимущество, Аркадий советует:
- собирать и структурировать закрытые данные, к которым у общих моделей нет доступа;
- оцифровывать опыт лучших специалистов компании: их заметки, решения, разборы сложных случаев. Так появляются цифровые двойники экспертов для нетиповых задач.
5. Оплата за результат
Разрабатывать всё внутри компании не обязательно. На рынке появляются ИИ-агентства, которые за счёт своей инфраструктуры делают работу быстро и недорого и берут оплату за результат (success fee) вместо почасовой ставки.
Чек-лист перед пилотом
- Определён целевой показатель: понятно, какую финансовую или операционную метрику улучшает ИИ.
- Заданы рамки: описано, что система делает сама и что требует одобрения человека.
- Настроена передача контекста: при вызове человека ИИ передаёт историю и суть проблемы.
- Процесс ведёт ИИ: человек проверяет результат и принимает решения в отдельных точках.
- Система опирается на данные компании: собственные, очищенные и подготовленные.