Главная проблема подавляющего большинства проектов по внедрению искусственного интеллекта в бизнес-процессы заключается вовсе не в технических ограничениях или недостаточной зрелости самих алгоритмов. Корень зла кроется в принципиально неверной мотивации: ИИ внедряют не ради достижения конкретного, измеримого и ощутимого результата, а ради самого факта внедрения, чтобы поставить галочку, соответствовать модному тренду или просто "быть на волне цифровизации". В итоге команда разработчиков, менеджеры и конечные пользователи тратят огромное количество времени, финансовых ресурсов и эмоциональной энергии, но в конечном счете не получают никакой измеримой пользы для бизнеса. Чаще всего причина неудачи лежит не в плоскости технологии — современные модели машинного обучения достаточно мощны и гибки, — а в фундаментально неправильной постановке задачи, размытых ожиданиях и отсутствии четкого понимания того, какую именно проблему призван решить ИИ.
Эффектная фраза «давайте внедрим ИИ» звучит современно и привлекает внимание руководства, но она совершенно не отвечает на ключевой вопрос стратегического уровня: что именно этот самый ИИ должен улучшить, оптимизировать или ускорить в конкретном бизнес-процессе? Если целевое состояние размыто, неопределенно и не зафиксировано в числовых показателях, то и итоговый результат окажется столь же размытым и неосязаемым. Стоит помнить, что искусственный интеллект особенно эффективно работает именно там, где присутствует высокая доля повторяющейся рутины: автоматическая обработка входящих заявок, интеллектуальная сортировка обращений клиентов по категориям сложности, поиск скрытых ошибок в больших массивах данных, первичный анализ типовых документов и извлечение структурированной информации из неструктурированных источников. Без четкого понимания этих точек приложения технология становится бесполезной игрушкой.
Когда мы начинали один из наших реальных проектов по внедрению ИИ в службу поддержки, заказчик сформулировал запрос как «просто умного помощника, который бы общался с клиентами». После серии глубинных интервью с операторами, руководителями отделов и анализом текущих логов выяснилось, что реальная боль кроется в чудовищных временных затратах — сотрудники тратили в среднем 40 минут на ручную обработку одной стандартной заявки, совершая множество однотипных действий. Мы сузили задачу до автоматизации именно этого узкого места, четко определили этапы обработки, и уже через 3 недели целенаправленной работы с моделью и настройки пайплайна нам удалось сократить среднее время обработки до 12 минут, что дало измеримый экономический эффект.
Даже самый современный, дорогой и мощный алгоритм машинного обучения, обученный на огромных датасетах, не сможет выдать качественный, точный и полезный результат, если на вход ему подать хаотичный, противоречивый и неструктурированный набор данных. Неполные записи, дублирующиеся строки, устаревшие справочники, противоречивые форматы и пропуски в критических полях неминуемо ведут к системным ошибкам, которые затем воспринимаются конечными пользователями и руководством как доказательство того, что «ИИ вообще не работает и это все пустая трата денег». На самом деле проблема лежит не в алгоритме, а в качестве питающей его информации.
Наш многолетний опыт показывает, что если качество исходных данных опускается ниже 80% по показателям полноты, точности и непротиворечивости, проект почти всегда начинает пробуксовывать и требует многократной переработки. Намного эффективнее сначала потратить время и ресурсы на приведение базы в порядок, чем потом в авральном режиме исправлять ошибки и объяснять стейкхолдерам, почему прогнозы модели ошибаются в каждом третьем случае, подрывая доверие к технологии в целом.
Иногда самое мощное сопротивление возникает не на техническом уровне, а на человеческом — и оно оказывается гораздо более сложным для преодоления, чем любые программные или аппаратные барьеры. Значительная часть сотрудников испытывает искренний страх, что искусственный интеллект «заменит их рабочие места», и начинает бессознательно или даже сознательно саботировать процесс внедрения: они перестают передавать необходимые данные в систему, игнорируют новые сценарии работы, обесценивают полученные результаты и находят тысячи причин, чтобы не менять привычный уклад. Это абсолютно нормальная, естественная психологическая реакция на неизвестность, особенно если руководство не удосужилось заранее проговорить все изменения, объяснить их смысл и показать выгоду для каждого конкретного сотрудника.
В своей практике мы всегда придерживаемся простого и честного подхода: мы подробно объясняем команде, что «ИИ не забирает у вас работу, он забирает рутину — те самые скучные, повторяющиеся задачи, которые отнимают львиную долю времени и не приносят интеллектуального удовлетворения». Как только сотрудники наглядно видят, что вместо 5 часов утомительной ручной проверки и исправления ошибок у них остается всего 1 час контроля за работой модели и принятия финальных решений, сопротивление спадает практически мгновенно, уступая место любопытству и даже энтузиазму.
Компания должна быть готовой к внедрению ИИ не только в техническом плане, но и в организационном. Крайне важно назначить ответственного владельца процесса, который будет координировать взаимодействие между IT-командой и бизнес-подразделениями, провести полноценное обучение для всех вовлеченных сторон, а также заранее, в прозрачном режиме, описать, как именно изменится работа каждого отдела, какие новые роли появятся и какие старые функции будут трансформированы. Без этой подготовительной работы даже самая совершенная модель останется невостребованной.
В одном из наших проектов мы внедряли интеллектуальную систему на базе ИИ для автоматической обработки и классификации входящих клиентских обращений в крупной сервисной компании. На старте мы столкнулись с двумя классическими ошибками: во-первых, бизнес-задачи были сформулированы слишком широко и абстрактно, без привязки к конкретным типам обращений и желаемым метрикам; во-вторых, мы использовали неполную и фрагментарную историю обращений, которая содержала множество пропусков и нестандартных полей. После того как мы пересобрали весь процесс с нуля, мы приняли ряд жестких мер: оставили в области автоматизации только самые частотные и типовые вопросы, добавили в обучающую выборку очищенные и структурированные данные за последние 6 месяцев, а также провели серию воркшопов и тренингов для сотрудников, чтобы обучить их работать по новой схеме и принимать результаты классификации. В итоге точность первичной автоматической классификации выросла с базовых 65% до впечатляющих 92%, а операционная нагрузка на операторов колл-центра снизилась на 35%, что позволило высвободить ресурсы для работы со сложными, нестандартными запросами, требующими человеческого участия.
Успешное, масштабируемое и долгосрочно эффективное внедрение искусственного интеллекта начинается вовсе не с выбора самой модной архитектуры нейросети или покупки дорогостоящего вычислительного оборудования, а с честного, глубокого и структурированного ответа на четыре фундаментальных вопроса: какая именно конкретная бизнес-задача должна быть решена, какие данные у нас уже есть и насколько они качественны, насколько четко и детально мы понимаем текущий процесс, который собираемся автоматизировать, и, наконец, готова ли наша команда, вся организация к неизбежным организационным и культурным изменениям, которые повлечет за собой внедрение новой технологии. Если хотя бы один из этих пунктов провисает, не проработан или оставлен без внимания, проект с высокой вероятностью превратится в дорогостоящую, эффектную, но абсолютно бесполезную демонстрацию возможностей, которая не принесет бизнесу ничего, кроме разочарования и потраченного бюджета. Но если задача сформулирована реально, привязана к операционным показателям, данные приведены в порядок и проходят проверку качества, а сотрудники понимают смысл, ценность и выгоду от изменений, то искусственный интеллект начинает работать быстро, предсказуемо и дает ярко выраженный, измеримый экономический эффект, который можно конвертировать в рост прибыли, снижение издержек или повышение клиентской удовлетворенности.
