ИИ без лишних затрат

медиатехнологЕкатерина Набатникова

Внедрение ИИ всё чаще становится частью бизнес-стратегии компаний, однако сам по себе факт использования нейросетей ещё не гарантирует экономического эффекта. Ошибки на этапе постановки целей, отсутствие подготовки сотрудников и попытки автоматизировать процессы без оценки их эффективности могут превратить перспективную технологию в дорогой эксперимент. О том, как правильно выбирать задачи для ИИ, измерять результат и масштабировать успешные решения, «Актуальные комментарии» поговорили с экспертом медиатехнологом, членом Экспертного клуба «Дигория», директором по развитию Корпорации AIR Екатериной Набатниковой.

На каком этапе компании чаще всего совершают ошибки при внедрении ИИ?

— Самая фатальная ошибка совершается на самом первом этапе — целеполагании. Многие компании внедряют ИИ ради самого факта внедрения, поддавшись технологическому хайпу: «у конкурентов есть, нам тоже надо». В результате покупаются дорогие решения или подписки, которые не привязаны к реальным болям бизнеса. Руководство не понимает, какую именно «боль» компании технология должна закрыть.

Вторая критическая точка — интеграция в команду. Руководство спускает технологию «сверху», не обучив сотрудников и не объяснив им ценность инструмента. Возникает саботаж: люди боятся, что ИИ их уволит, или просто не умеют правильно писать промпты, получают плохой результат и возвращаются к старым методам работы. В итоге инвестиция превращается в забытую вкладку в браузере.

Как заранее определить, какую бизнес-задачу действительно стоит отдавать нейросети?

— Здесь хорошо работает правило «трех Р»: Рутина, Регулярность, Риск (низкий).

ИИ стоит отдавать задачи, которые занимают много времени, но не требуют глубокого стратегического мышления, повторяются изо дня в день и имеют низкую цену ошибки. Это может быть саммаризация длинных встреч, генерация типовых текстов, первичная обработка отзывов, базовый анализ данных, написание шаблонного кода или другие рутинные процессы.

Нейросети идеально подходят для задач, которые съедают часы рабочего времени, но не требуют принятия стратегических решений.

При этом ИИ нельзя отдавать на откуп финальные решения в сфере финансов, юриспруденции или безопасности. Нельзя доверять ему финальное принятие финансовых решений или постановку медицинских диагнозов. К генеративному ИИ стоит относиться как к очень быстрому, но иногда ошибающемуся стажеру: его работу всегда должен верифицировать эксперт. Иными словами, человек должен оставаться «в контуре».

Какие показатели позволяют объективно измерить экономический эффект от ИИ?

— Эффект от ИИ нельзя измерять абстрактным «повышением инновационности». Бизнесу нужны конкретные финансовые и временные метрики.
Во-первых, сокращение времени на операцию (Time-to-resolution). Например, если время ответа техподдержки сократилось с 15 минут до 2 или время написания кода разработчиком уменьшилось на 20%, этот эффект можно посчитать и конвертировать в фонд оплаты труда (ФОТ).

Во-вторых, снижение стоимости операции (Cost per action) — насколько дешевле стало производство единицы контента, создание одной карточки товара, привлечение лида или обработка одного документа.

В-третьих, увеличение пропускной способности. Например, смог ли отдел обработать на 30% больше заявок тем же составом людей благодаря ИИ-ассистенту, без расширения штата и увеличения фонда оплаты труда.

И, наконец, сравнение стоимости решения и профита (ROI). Если стоимость внедрения ИИ, подписка на API нейросети и другие затраты превышают сэкономленные ресурсы, экономика решения не сходится и проект не окупается.

Как внедрять ИИ так, чтобы технология не осталась дорогим экспериментом?

— Чтобы ИИ приносил прибыль, нужно действовать итеративно и избегать масштабных революций. Не стоит пытаться автоматизировать весь бизнес сразу.
Лучше начать с микро-пилота: выбрать один конкретный отдел, например маркетинг или техподдержку, найти самую рутинную задачу и оцифровать процесс «до» внедрения — сколько времени и денег он отнимает сейчас. После этого внедрить ИИ-инструмент, обучить сотрудников и через месяц снять метрики «после».

Если пилот показал реальную экономию, этот опыт можно масштабировать на другие отделы.

При этом технология мертва без тех, кто умеет ей управлять. Поэтому важно инвестировать в обучение сотрудников базовой ИИ-грамотности, а также создавать внутреннюю базу знаний: фиксировать удачные промпты и сценарии использования. Тогда успешный опыт одного сотрудника сразу начинает работать на всю компанию, а ИИ перестает быть дорогим экспериментом и становится рабочим инструментом бизнеса.

Екатерина Набатникова, медиатехнолог, член Экспертного клуба «Дигория», директор по развитию Корпорации AIR.

#ЕкатеринаНабатникова