Внедрение ИИ в бизнес чаще всего заканчивается на демонстрации. Модель бодро отвечает на тестовые вопросы, руководство впечатлено, а через три месяца сотрудники работают так же, как раньше. Дело почти никогда не в модели. Не было плана, в котором понятно, какую задачу решаем, как поймем, что получилось, и куда результат встает в ежедневной работе.
Ниже — план из семи шагов, по которому мы ведем такие проекты. Он годится и для одной функции вроде разбора входящих писем, и для программы внедрения ИИ в бизнес-процессы нескольких отделов.
Почему внедрение ИИ застревает на пилоте
Типичная история выглядит так. Кто-то из руководителей попробовал чат-бот, понравилось, поручили «внедрить ИИ». Подрядчик или свой разработчик за пару недель собирает прототип на десятке примеров. На десятке примеров работает все.
Дальше начинается реальность. Настоящие письма длиннее и грязнее тестовых, справочники расходятся, результат некуда записать, кроме как скопировать руками. Никто не знает, какая доля ответов правильная, поэтому спор «работает или нет» идет на уровне ощущений. Проект тихо останавливается.
Все три причины снимаются до разработки. Для этого и нужен план.
Внедрение ИИ в бизнес: план из семи шагов
- Разбор процессов. Не «где можно применить ИИ», а где компания теряет время и деньги. Смотрим потоки однотипной работы — письма, заявки, документы, обращения — и считаем объем. Результат шага — список кандидатов с цифрами, а не с ощущениями.
- Выбор одного сценария. Из списка берем одну задачу, где много однотипного текста на входе, понятный результат на выходе и дешевая ошибка. Пилот сразу на три отдела растягивается на полгода и ничего не доказывает.
- Подготовка данных. Собираем около сотни реальных случаев за прошлый месяц вместе с правильным результатом. Это тестовый набор, на котором будет видно качество. Здесь же приводим в порядок справочники, по которым модель будет сверяться.
- Пилот в режиме подсказки. Модель готовит результат, человек принимает или правит. Никаких автоматических действий. Сотрудник работает как раньше, только быстрее, а система копит статистику.
- Замер. Считаем долю случаев, принятых без правок, долю пропусков и долю выдумок. Сравниваем с ценой ручной обработки. После этого шага решение «идем дальше или нет» принимается по цифре.
- Встраивание в работу. Результат модели начинает попадать туда, где с ним работают, — в CRM, учетную систему, очередь задач. Появляются права, журнал, интерфейс для спорных случаев. Это самый объемный шаг и основная часть бюджета.
- Эксплуатация. Регулярный замер на том же наборе, реакция на смену моделей и цен, расширение прав по мере роста доли принятых без правок. Без этого шага качество незаметно проседает через полгода.
С чего начать внедрение ИИ в бизнес-процессы
С вопроса, кто будет владельцем. У проекта должен быть человек со стороны бизнеса, который решает, какой ответ считается правильным, и принимает результат пилота. Без него спор о качестве будет вечным, а внедрение превратится в эксперимент ИТ-отдела.
Второй вопрос — выбор первого сценария. Карта задач по отдаче и сложности есть в статье про нейросети для бизнеса. Если коротко, начинать стоит с понимания текста и ответов по своим данным. Агенты, которые сами выполняют действия, — следующий этап, когда первые сценарии уже работают. Чем агент отличается от бота и ассистента, разобрали в статье про ИИ-агентов для бизнеса.
Хороший первый сценарий
Сотни однотипных входящих в месяц. Результат можно проверить. Ошибка ловится сразу и стоит недорого. Есть система, куда записать итог. Пример — разбор заявок из почты в карточки CRM.
Плохой первый сценарий
Голосовой робот для всех звонков, автономный агент с доступом к деньгам, прогноз спроса без накопленной истории. Все это возможно, но как первый шаг почти гарантированно закончится выводом «нам это не подходит».
Что решить до разработки
Три решения стоит принять письменно до того, как кто-то начнет писать код. Переделывать их после запуска дорого.
- Какие данные уходят в модель. Если в тексте есть ФИО, телефоны и адреса, это обработка персональных данных. Отправка во внешний сервис, обезличивание, модель в своем контуре — варианты разобраны в статье про нейросети и 152-ФЗ.
- Какая модель и как ее заменить. Российская облачная, открытая на своем сервере или зарубежная — выбор зависит от данных, объема и бюджета. Сравнение — в статье о том, какую языковую модель выбрать бизнесу. В любом случае вызов модели прячем за собственным интерфейсом, чтобы замена занимала день.
- Что делает модель, а что код и люди. Расчет по формуле, проверка полей и маршрутизация по правилам остаются обычному коду. Модели отдается только то, что нельзя записать списком условий. Подробно — в статье про ИИ-автоматизацию бизнес-процессов.
Как понять, что пилот удался
Критерий успеха фиксируется до пилота, а не после. Иначе любой результат можно объявить и успехом, и провалом.
Рабочая формулировка звучит примерно так. На наборе из ста реальных случаев не меньше заданной доли принята без правок, выдумок нет, а стоимость обработки одного случая моделью заметно ниже стоимости ручной. Конкретный порог зависит от задачи. Для черновика ответа клиенту хватит и половины принятых без правок, для разбора платежных документов нужна почти полная точность и обязательная сверка.
Как перевести эти цифры в деньги до старта, разобрали в статье как посчитать эффект от ИИ.
Отрицательный результат пилота — тоже результат. Если за три-четыре недели стало ясно, что на ваших данных модель не дотягивает, вы потратили бюджет пилота, а не бюджет внедрения. Для этого точка решения и стоит перед встраиванием.
Сколько времени занимает внедрение
Сроки зависят от того, сколько систем нужно подключить и в каком состоянии данные. Ориентиры по нашим проектам такие.
Из чего складывается бюджет и почему он почти всегда больше, чем стоимость обращений к модели, — в статье сколько стоит внедрение ИИ.
Ошибки, которые обходятся дороже всего
- Начинать с выбора модели. Модель — примерно десятая часть работы. Данные, поиск по ним и встраивание в процесс определяют результат сильнее.
- Проверять на десяти примерах. На десяти примерах работает все. Нужна сотня реальных, включая неудобные.
- Внедрять без системы под ИИ. Если результат некуда записать, кроме буфера обмена, экономия съедается ручным переносом.
- Сразу давать право на действия. Сначала модель готовит, человек подтверждает. Права расширяются по мере роста доли принятых без правок.
- Не планировать эксплуатацию. Провайдеры обновляют модели, данные компании меняются. Без регулярного замера качество падает, и замечают это последними.
Частые вопросы
Нужен ли свой ИТ-отдел, чтобы внедрить ИИ
Не обязательно. Нужен владелец задачи со стороны бизнеса и доступ к системам, куда будет встраиваться результат. Разработку и сопровождение можно отдать подрядчику, но код и доступы должны оставаться у компании.
Можно ли обойтись готовыми сервисами
Для типовых задач — да. Расшифровка звонков, помощь в переписке, распознавание документов закрываются готовыми продуктами, и платить за разработку незачем. Своя разработка нужна там, где модель работает с вашими данными и вашей логикой — например, ассистент по базе знаний компании или разбор звонков в отделе продаж.
Что делать, если сотрудники не доверяют результату
Режим подсказки на пилоте как раз для этого. Человек видит, что предложила модель, и принимает решение сам. Когда доля принятых без правок стабильно высокая, доверие появляется из опыта, а не из презентации.
Разберем процессы и найдем первый сценарий для ИИ
Опишите, где в компании много однотипной работы с письмами, документами или обращениями. В ответ — список кандидатов с оценкой объема, рекомендованный первый сценарий, план пилота и критерий, по которому будет понятно, что он удался.
Если по объему видно, что ИИ не окупится, скажем об этом сразу и предложим, что сделать вместо него.