Автоматизация с помощью ИИ обещает революцию в бизнес-процессах, но на практике часто оборачивается серьезной финансовой нагрузкой для бюджета компании. Старший системный архитектор ООО "ЦПТ "Базис" Игорь Гладышев рассказывает, как отличить реальную потребность в ИИ от погони за модой и внедрить интеллектуальные системы с максимальной отдачей.

Почему мы полюбили ИИ

С появлением ChatGPT у простых пользователей впервые появился мощный инструмент анализа и генерации данных, доступный ранее только ограниченному кругу профессионалов. Любой желающий может обратиться к ИИ и получить развернутый ответ в формате диалога. Казалось, что больше не нужно самостоятельно искать и анализировать информацию в интернете, создавать тексты и презентации, дополнять их иллюстрациями. Достаточно просто попросить об этом ИИ.

Еще одно его преимущество — общение с ИИ происходит на естественном языке, что не только очень сильно снижает "порог входа", но и позволяет подсознательно наделять ИИ человеческими качествами. А особый доброжелательный тон ответов создает иллюзию понимания и поддержки.

Появившиеся за несколько лет до ChatGPT чат-боты, которые были полностью обделены интеллектом и служили лишь альтернативой графическим пользовательским интерфейсам, заменяя кнопки (иногда даже не полностью) заранее заданным набором фраз, показали привлекательность естественного языка в процессе взаимодействия с пользователями. Все это привело к тому, что люди сразу же "влюбились" в ИИ. Опыт его использования в обычной жизни казался настолько положительным, что сразу же возникло желание перенести его в профессиональную сферу.

Именно эта способность и превратила ИИ в главный технологический тренд для бизнеса. Компании увидели в нем инструмент для решения реальных проблем: от повышения лояльности клиентов до оптимизации сложнейших логистических цепочек. Например, ритейлеры используют ИИ для анализа покупательского поведения и формирования персональных предложений, а банки — для скоринга заемщиков и выявления мошеннических транзакций в реальном времени. Согласно статистике, уже 55% компаний в мире уже используют искусственный интеллект. К 2030 году международный рынок ИИ увеличится в двадцать раз.

ИИ в бизнесе

Активный маркетинг со стороны компаний, связанных с разработкой ИИ и обеспечением его необходимой инфраструктурой, стал убеждать, что без внедрения современных технология выжить компаниям будет просто невозможно. Естественно, начал возникать страх упущенной выгоды: если мы не внедрим ИИ, то это сделают наши конкуренты.

"Классическая" автоматизация хорошо справляется с задачами, которые можно описать с помощью фиксированной последовательности шагов, формат входных данных для которых заранее четко предопределен. ИИ "читает" документы, "слышит" клиентов call-центра, "видит" брак на линии.

Способность взаимодействовать с гетерогенным набором данных, извлекать из него полезную информацию, выбирая наиболее подходящие действия, открывает для автоматизации с помощью ИИ большую часть бизнес-процессов, которые раньше требовали участия человека.

Внедрение ИИ для автоматизации рутинных операций позволяет минимизировать последствия кадрового голода, позволяя закрывать больший объем задач меньшим штатом сотрудников.

Отдельные процессы, например, холодные продажи, или первый уровень технической поддержки, вообще могут быть отданы ИИ чуть ли не полностью. Все это вкупе с государственной поддержкой в России внедрения перспективных технологий в рамках госпрограмм делает автоматизацию с помощью ИИ финансово привлекательной.

Наконец, доступность ИИ. Это первая технология, способная самостоятельно объяснить, как и куда ее можно внедрить. А если не слишком сильно задумываться о сохранности данных, то внедрение ИИ в отдельные рабочие процессы может оказаться не сложнее его использования в быту.

Всегда ли нужен ИИ?

Однако высокий интерес породил и волну дорогостоящих ошибок. Погоня за модой без четкого понимания целей — главный камень преткновения. Компании вкладывают миллионы в сложные платформы, которые в итоге автоматизируют второстепенные процессы или вовсе не приживаются в корпоративной культуре

Поэтому важно четко понимать, для чего мы внедряем ИИ. Все участники должны иметь единое понимание задач, чтобы действия не превращались в реализацию технологии ради самой реализации.

Исследования с четко определенными сроками и зафиксированными критериями успеха — основа здравого проекта. Они задают направление и позволяют ответить на главный вопрос: сработало или нет? Однако именно здесь часто подстерегает опасность — со временем возникает соблазн превратить исследовательский прототип в MVP или вообще финальную версию продукта, без пересмотра корневых предположений, на которых он строился изначально. Крайне редко эксперимент проектируют готовым к полноценной работе.

При планировании столь же важно определить не только метрику успеха, но и признаки неудачи. Пожалуй, самый универсальный из них — время. Если сроки выработаны, пересмотрены и расширены, но результата все нет — пора остановиться и начать заново. Я встречал проекты, застрявшие в статусе "вечного proof of concept" на годы. И каждый из них заканчивался одинаково: разочарованием. Ни для бизнеса, ни для команды такие "вечные" эксперименты не приносят ничего, кроме усталости и потерь.

Типичные ошибки

Прежде чем запускать дорогостоящий проект, стоит понимать, что ИИ — не панацея и не "универсальное решение". Нас приучили думать об искусственном интеллекте, как о "новом электричестве", способном преобразить все вокруг. Но реальность сложнее.

Если вы, например, просто загрузите в модель отчет о деятельности компании и попросите оценить инвестиционную привлекательность — скорее всего, результат будет далек от желаемого. Потому что как ни крути, но подготовка данных, структурирование информации, предварительная обработка — все это по-прежнему на плечах человека. Разбор документа на составные части, выделение и преобразование в более удобный для последующего анализа вид таблиц и графиков могут здорово повысить эффективность ИИ и в конечном итоге стать решающим фактором, определяющим успешность всего проекта.

Точно также не стоит забывать об основной особенности любой модели машинного обучения — она работает только с тем, что знает. Данные меняются, модели эволюционируют от версии к версии. То, что приносило пользу для бизнеса еще вчера, сегодня уже может давать ожидаемый результат лишь в 50% случаев. Важно заметить это как можно раньше и принять соответствующие меры, например, дообучить модель на новых данных, не обновляться до новой версии, не имея готового решения и т.п., а не ждать, пока об этом расскажут конечные пользователи.

За пределами ИИ тоже "есть жизнь". Для внедрения ИИ часто на производстве ещё устанавливают дополнительное достаточно сложное оборудование. Его, как и само решение с ИИ нужно кому-то сопровождать/поддерживать. Часто это сложнее и дороже, чем "классический" подход.

Как настроить автоматизацию

1. Начинайте с аудита, а не с покупки. Проведите внутренний аудит и определите 2-3 процесса, автоматизация которых даст максимальный и быстрый экономический эффект.
   
2. Используйте готовые решения. Не всегда нужно создавать модель с нуля. Для решения типовых задач, таких как распознавание текста, анализ тональности отзывов или работа чат-бота, существуют готовые облачные сервисы, использование которых на порядок дешевле собственной разработки.
   
3. Стартуйте с пилотного проекта. Выберите один четко очерченный процесс и запустите "пилот". Это позволит с минимальными затратами оценить потенциал технологии, выявить подводные камни и получить измеримый результат, который можно будет представить руководству для обоснования дальнейших инвестиций.

В целом, как бы не был велик соблазн решить все проблемы с помощью ИИ, стоит спросить себя, нужен ли он вообще в данном конкретном случае.

Если задачу можно формализовать в виде четкой последовательности действий, то есть она поддается "классической" автоматизации без использования ИИ, стоит выбрать именно "классический" подход. Мало того, что ИИ может решить ее менее эффективно, так он еще и добавит степень неопределенности, которая откроет целый пласт новых проблем.