Останні кілька років штучний інтелект перетворився на тему, повз яку бізнесу складно пройти. Про ШІ говорять розробники, банки, інтернет-магазини, служби доставки, невеликі студії та виробничі компанії. Складається враження, що без нього вже незручно навіть зізнаватися, що ти займаєшся цифровізацією.
Маркетингові обіцянки теж відповідні. ШІ має скоротити витрати, автоматизувати роботу співробітників, збільшити продажі, краще обслуговувати клієнтів. Бажано все одразу.
На практиці виникає простіше питання: яку конкретну проблему компанії він має вирішити?
Якщо чіткої відповіді немає, можливо, впроваджувати ШІ поки взагалі не потрібно.
Технологія вже приносить величезну користь у розробці програмного забезпечення, роботі з документами, аналізі інформації та багатьох інших сферах. Але з цього не випливає, що кожному бізнесу терміново потрібна власна нейромережа, чат-бот або десяток AI-сервісів. Іноді спроба наздогнати технологічний тренд лише додає ще один рівень складності до процесів, які й без того нормально працювали.
Спочатку потрібно знайти задачу
Уявімо невелику компанію, яка встановлює та обслуговує кондиціонери. Є сайт, CRM, корпоративна пошта, телефонія та кілька монтажних бригад. Клієнт залишає заявку, менеджер погоджує час, інформація потрапляє в CRM, після виконання роботи формується рахунок.
Усе працює.
Куди тут поставити штучний інтелект?
Можна підключити аналіз телефонних розмов. Можна генерувати відповіді на листи або прогнозувати кількість заявок наступного місяця. Рекламні оголошення теж можна доручити мовній моделі.
Технічно все це можливо. Економічний сенс з’явиться далеко не завжди.
Якщо менеджер отримує десять звернень на день і витрачає на листування пів години, автоматизація відповідей за допомогою складної AI-системи може заощадити зовсім небагато часу. При цьому сервіс потрібно оплачувати, налаштовувати та періодично перевіряти результати його роботи.
Можливо, ті самі гроші дадуть більший ефект, якщо перенести повільний сайт на нормальний хостинг, налаштувати резервне копіювання або привести до ладу CRM.
ШІ варто оцінювати так само, як будь-який інший бізнес-інструмент. Є витрати. Має бути зрозуміла віддача.
Звичайна автоматизація нікуди не зникла
З появою генеративного ШІ слово «автоматизація» почали використовувати так, ніби будь-який процес тепер потребує нейромережі.
Насправді величезна кількість бізнес-задач чудово вирішується звичайним програмним забезпеченням.
CRM може автоматично створити рахунок після зміни статусу угоди. Система моніторингу здатна повідомити адміністратора про недоступність сервера. Резервне копіювання запускається за розкладом, а інтернет-магазин сам синхронізує залишки товарів зі складською системою.
Штучний інтелект тут нічого принципово корисного не додає.
Якщо результат операції можна точно описати умовою «якщо сталося A — зробити B», звичайний алгоритм часто буде кращим рішенням. Його поведінка передбачувана, результат легко перевірити, а підтримка зазвичай обходиться дешевше.
Нейромережа потрібна там, де з’являється невизначеність: потрібно зрозуміти зміст тексту, класифікувати зображення, знайти закономірність у великому масиві інформації або сформувати відповідь природною мовою.
Вмикати лампу за розкладом можна й без аналізу настрою власника квартири. З бізнес-процесами приблизно так само.
ШІ майже нічого не знає про конкретну компанію
Сучасна мовна модель може пояснити роботу протоколу BGP, написати фрагмент програми або скласти комерційну пропозицію. Але про внутрішнє життя конкретної компанії вона спочатку не знає практично нічого.
А саме там часто знаходиться найцінніша інформація.
У відділу продажів є свої правила роботи з постійними клієнтами. Технічна підтримка знає десятки винятків, яких немає в офіційних інструкціях. Частина документації давно застаріла, хоча продовжує лежати на корпоративному диску. Якісь процеси взагалі існують лише тому, що один досвідчений співробітник пам’ятає, що і коли потрібно зробити.
Люди до такого безладу дивним чином пристосовуються. Машині складніше.
Щоб корпоративний AI-помічник давав корисні відповіді, йому потрібні нормальні вихідні дані. І тут раптом з’ясовується, що договори лежать в одному місці, технічна документація — в іншому, таблиці розкидані по комп’ютерах співробітників, а частина інформації суперечить сама собі.
Підключення мовної моделі цей безлад не виправить. Вона просто почне швидше працювати з погано організованими даними.
Іноді підготовка інформації до впровадження ШІ виявляється кориснішою за саме впровадження. Компанія нарешті збирає документацію, актуалізує інструкції та створює нормальну базу знань. А потім може з’ясуватися, що половина початкових проблем уже вирішена.
Підписка — найменша частина витрат
Ціна AI-сервісу часто виглядає привабливо. Кілька десятків доларів на місяць за користувача — начебто невелика сума для компанії.
Але вартість ліцензії мало говорить про реальну ціну впровадження.
Сервіс потрібно інтегрувати з наявними системами. Треба визначити, до яких даних він отримає доступ, налаштувати права співробітників і вирішити питання безпеки. Людей доведеться навчити новому процесу. Потім хтось має контролювати якість результатів і розбиратися з помилками.
У маленькій компанії все може обмежитися кількома годинами налаштування. У великій організації підключення нового AI-сервісу здатне перетворитися на окремий проєкт за участю розробників, системних адміністраторів, юристів та служби інформаційної безпеки.
Є ще одна витрата, яку складно побачити в бюджеті: час співробітників.
Якщо новий інструмент економить менеджеру п’ять хвилин, але змушує його десять хвилин перевіряти результат роботи моделі, економії немає. На презентації процес виглядає технологічно. У бухгалтерії — просто дорожче.
Клієнт не завжди хоче розмовляти з ботом
AI-помічники стали набагато кращими. Вони розуміють складніші запити, підтримують нормальний діалог і вже не так часто відповідають шаблонними фразами.
Але є момент, коли клієнтові потрібна людина.
Наприклад, з рахунку двічі списали гроші. Або корпоративний сервіс перестав працювати посеред робочого дня. Великий клієнт хоче обговорити нестандартні умови договору. Тут можливості чат-бота швидко закінчуються.
Проблема особливо помітна, коли компанія намагається приховати людину за кількома рівнями автоматизованого спілкування. Клієнт уже пояснив ситуацію, бот неправильно її зрозумів, потім попросив сформулювати питання інакше, а кнопки «зв’язатися з оператором» ніде немає.
Економія кількох хвилин роботи підтримки легко перетворюється на роздратованого клієнта.
У таких сценаріях ШІ цікавіший як внутрішній інструмент. Він може швидко знайти потрібну інструкцію, підготувати чернетку відповіді або показати оператору історію схожих звернень. Остаточне рішення залишається за співробітником.
Разом із ШІ з’являється питання даних
Коли співробітник вставляє текст у публічний AI-сервіс, інформація залишає внутрішню інфраструктуру компанії. Що саме відбувається далі, залежить від конкретного сервісу та умов його використання.
Для генерації опису товару це може не мати великого значення. З договорами, фінансовими документами, вихідним кодом або персональними даними клієнтів ситуація зовсім інша.
Потрібно знати, де обробляється інформація, як довго вона зберігається і хто може отримати до неї доступ. З’являються вимоги законодавства та внутрішніх політик безпеки.
Через це деякі компанії обмежують використання публічних AI-сервісів для роботи з внутрішньою інформацією.
Є й інший шлях — запуск моделей у власній інфраструктурі. У такому випадку компанія отримує більше контролю над даними та може сама визначати правила доступу. Але безкоштовним це рішення теж не буде. Потрібні серверні ресурси, налаштування, оновлення, моніторинг і люди, які все це підтримуватимуть.
Для невеликого бізнесу така інфраструктура може виявитися значно складнішою за проблему, яку намагалися вирішити.
Ефект нової технології швидко минає
Перші тижні після впровадження нового AI-інструменту зазвичай цікаві. Співробітники експериментують, керівництво показує результати, з’являються нові сценарії використання.
Через пів року картина іноді виглядає інакше.
Частина команди повернулася до старих інструментів. Кілька сервісів використовують раз на місяць, хоча підписка оплачується постійно. Автоматизація, яка мала заощаджувати години, потребує ручної перевірки.
Саме тут добре видно різницю між демонстрацією технології та робочим інструментом.
У бізнесі корисність зазвичай можна виміряти. Скільки робочого часу вдалося заощадити? Наскільки швидше обробляються заявки? Чи зменшилася кількість помилок? Чи виросла продуктивність розробників?
Якщо через кілька місяців відповідей немає, можливо, технологія шукає собі задачу.
Коли ШІ справді має сенс
Є процеси, де різниця від використання штучного інтелекту величезна. Особливо там, де людина витрачає багато часу на роботу з неструктурованою інформацією.
Компанія може мати десятки тисяч документів, серед яких співробітники постійно шукають потрібні відомості. Розробники витрачають години на типові фрагменти коду та пошук помилок. Служба підтримки щодня отримує сотні звернень, які потрібно хоча б правильно класифікувати перед передачею оператору.
Тут уже є що оптимізувати.
ШІ добре справляється з пошуком по великих базах знань, аналізом текстів, підготовкою чернеток, обробкою зображень та іншими задачами, де звичайні жорсткі алгоритми працюють погано. Якщо результат економить десятки або сотні людино-годин на місяць, витрати на впровадження стає набагато простіше обґрунтувати.
Початкова точка при цьому залишається тією самою: спочатку проблема, потім технологія.
Можливо, компанії спочатку потрібен порядок
Є трохи парадоксальна ситуація. Бізнес обговорює впровадження корпоративного AI-помічника, хоча сайт відкривається десять секунд, резервна копія бази даних востаннє перевірялася пів року тому, а половина співробітників веде облік у власних Excel-файлах.
Новий AI-сервіс виглядає цікавіше за налаштування резервного копіювання. З цим важко сперечатися.
Але фундаментальні проблеми від цього нікуди не діваються.
Якщо CRM використовується наполовину, спочатку є сенс розібратися з CRM. Якщо документація розкидана по особистих папках співробітників, варто зібрати базу знань. Якщо критичний сервіс працює на старому сервері без моніторингу та резервних копій, пріоритет досить очевидний.
Штучний інтелект особливо добре працює поверх уже організованої цифрової інфраструктури. Є структуровані дані, зрозумілі процеси та нормальні права доступу — з’являється матеріал для автоматизації.
Якщо всередині хаос, ШІ може зробити цей хаос швидшим. Не факт, що бізнесу потрібна саме така оптимізація.
То чи потрібен вашому бізнесу ШІ?
Універсальної відповіді тут немає. І це, мабуть, найкорисніша відповідь.
Одній компанії AI-інструмент може щомісяця економити сотні годин роботи. Інша витратить гроші на інтеграцію, кілька місяців експериментуватиме, а потім тихо повернеться до старого процесу.
Різниця зазвичай починається ще до вибору конкретної моделі або сервісу.
Є задача, яку дорого чи довго виконувати вручну? Можна порахувати потенційну економію? Компанія має дані, з якими система зможе нормально працювати? Помилка моделі не створить неприйнятного ризику?
Якщо відповіді зрозумілі, тоді вже має сенс тестувати ШІ та порівнювати результат із поточним процесом.
А якщо головний аргумент звучить як «усі зараз впроваджують AI», поспішати нікуди.
Штучний інтелект — просто ще один інструмент у цифровій інфраструктурі бізнесу. Дуже потужний у відповідних задачах і абсолютно зайвий у деяких інших. Компанії потрібен результат, а не факт використання модної технології.