ИИ в крупном бизнесе: от экспериментов к управленческой системе

Ольга Седашкина, операционный директор «Слетать.ру», — о том, почему внедрение ИИ стоит начинать не с выбора инструмента, а с поиска потерь в процессах, и как понять, даёт ли технология реальный эффект.

Сейчас ИИ всё чаще появляется в стратегиях цифровой трансформации крупных компаний. От него ждут сокращения расходов, роста производительности, более быстрых решений и в целом более управляемой операционной модели.

Но есть важная разница между тем, чтобы дать сотрудникам доступ к нейросетевым инструментам, и тем, чтобы действительно встроить ИИ в бизнес-процессы.

Если сотрудник начал быстрее готовить текст или отчёт, это ещё не значит, что компания стала эффективнее.

Экономический эффект появляется в тот момент, когда технология решает конкретную проблему: сокращает потери, уменьшает количество ошибок, ускоряет процесс или позволяет работать с большим объёмом без пропорционального роста команды.

Поэтому я бы начинала не с вопроса «Где нам применить ИИ?», а с другого:

«В каких процессах мы сегодня теряем больше всего времени, денег и рабочего ресурса?»

Где ИИ действительно полезен

Быстрее всего ИИ показывает результат там, где есть большой объём данных, много повторяющихся операций и понятный критерий результата.

Например, в клиентском сервисе.

ИИ может классифицировать обращения, определять их тематику и приоритет, готовить проекты ответов, проверять коммуникации по заданным стандартам.

Для бизнеса здесь важна не только скорость.

Меняется сам масштаб контроля. Вместо выборочной проверки отдельных разговоров можно анализировать гораздо больший массив коммуникаций и быстрее видеть повторяющиеся проблемы.

В продажах логика похожая.

ИИ можно использовать для сегментации клиентов, оценки вероятности покупки, анализа причин отказа, подготовки персонализированных предложений.

В крупной компании даже небольшое изменение конверсии может дать заметный результат просто за счёт масштаба.

Ещё одна сильная зона — управленческая аналитика.

У руководителя обычно нет проблемы с нехваткой информации. Скорее наоборот.

Данные находятся в разных системах, отчёты формируются с разной периодичностью, а время уходит на сбор, сверку и попытку понять, что именно изменилось.

ИИ здесь полезен как инструмент, который помогает быстрее увидеть отклонение и понять, какой показатель требует внимания.

Сэкономленное время — ещё не экономия

Одна из частых ошибок — считать эффект от ИИ только через часы. Допустим, сотрудник раньше готовил отчёт три часа, а теперь делает его за один.

Формально экономия есть.

Но если два освободившихся часа никак дальше не используются, прямого финансового эффекта для компании может не возникнуть.

Поэтому смотреть лучше шире.

Эффект появляется, например, если команда может обрабатывать больший объём работы без такого же роста численности.

Или если снижается стоимость ошибок.

Это особенно важно в финансах, документообороте, закупках, бронировании, логистике, клиентском сервисе.

Ещё один вариант — сокращение самого процесса.

Если решение принимается быстрее, заявка обрабатывается быстрее, предложение клиенту готовится раньше, это уже может влиять на конверсию, удержание и оборачиваемость ресурсов.

Есть и менее очевидный эффект — управляемость.

В ручных процессах руководитель часто видит итог, но не понимает, где именно возникла задержка и почему одна команда работает быстрее другой.

ИИ-аналитика может помочь увидеть такие закономерности.

Поэтому я бы не ограничивалась показателем «сэкономили столько-то часов».

Полезнее смотреть на стоимость операции, скорость выполнения, количество ошибок, конверсию, потери и дополнительный доход.

Почему внедрение ИИ часто не даёт результата

Одна из причин — попытка автоматизировать процесс, который и без того устроен плохо.

Если внутри лишние согласования, функции дублируются, ответственность распределена неясно, а правила противоречат друг другу, ИИ этого не исправит.

Он просто позволит быстрее воспроизводить существующий порядок.

Поэтому перед внедрением иногда полезнее сначала пересмотреть сам процесс.

Вторая причина — отсутствие измеримой цели.

Формулировки вроде «повысить эффективность» или «снизить нагрузку» слишком общие.

Нужно понимать, что именно должно измениться.

Например:

• сократить среднее время обработки с 20 до 12 минут;
• снизить долю ошибок с 8% до 3%;
• увеличить объём проверяемых коммуникаций с 5% до 100%.

Только в этом случае после запуска можно честно сказать, был результат или нет.

Данные часто становятся главным ограничением

Ещё одна проблема — качество данных.

Если сотрудники используют разные статусы, не заполняют обязательные поля, часть информации ведут в таблицах, а часть — в переписке, система будет работать с неполной картиной.

И вот здесь часто выясняется, что главная работа начинается не с ИИ.

Приходится очищать данные, унифицировать справочники, договариваться о единых правилах и определять, кто отвечает за качество информации.

Это не самая эффектная часть проекта, но без неё всё остальное быстро теряет смысл.

ИИ нельзя полностью отдать ИТ

Технологическая команда может отвечать за само решение.

Но бизнес должен определить, какую проблему решает проект, какой результат считается хорошим и какие правила должны соблюдаться.

Если у процесса нет владельца со стороны бизнеса, можно получить технически работающий инструмент, который в реальной операционной работе никому не нужен.

Это довольно типичная история: решение есть, а процесса вокруг него нет.

Где ИИ особенно меняет работу с данными

Традиционная аналитика обычно начинается с заранее сформулированного вопроса.

Руководитель определяет показатель, аналитик готовит отчёт, после этого команда ищет причину.

ИИ позволяет дополнить эту модель.

Система может искать аномалии и взаимосвязи, которые заранее никто не задавал.

Например, общая конверсия выглядит нормально, но внутри уже видно, что снижение идёт в конкретном канале, в отдельный временной интервал или по определённой группе клиентов.

Для крупной компании это особенно важно.

Средний показатель может ещё выглядеть нормальным, хотя проблема уже формируется внутри одного подразделения или сегмента.

Чем раньше её видно, тем быстрее можно реагировать.

Кроме анализа прошлого, ИИ можно использовать и для прогноза: будущей нагрузки, спроса, вероятности ухода клиента, риска невыполнения плана, дефицита ресурсов.

В итоге преимущество получает не обязательно та компания, у которой больше данных.

А та, которая быстрее превращает их в действие.

Как меняется работа руководителя

Я не думаю, что ИИ должен принимать управленческие решения вместо человека.

Его задача скорее в другом — сократить путь от данных к решению.

Вместо нескольких таблиц руководитель может получать короткое резюме:

• где выросла нагрузка;
• какие показатели вышли за допустимые границы;
• где стало больше ошибок;
• какие задачи просрочены.

Это помогает быстрее понять, куда смотреть.

Но окончательное решение всё равно должно оставаться за человеком.

ИИ может не учитывать контекст, работать с неполными данными и при этом выдавать очень убедительный вывод.

Именно поэтому контроль со стороны руководителя никуда не исчезает.

Безопасность и право нужно учитывать сразу

Отдельный блок — данные, которые передаются в ИИ-системы.

Компания должна понимать, что именно отправляется модели, где эта информация хранится, кто получает доступ и может ли она использоваться дальше.

В публичные сервисы нельзя бесконтрольно загружать персональные данные, финансовые документы, коммерческую тайну, внутреннюю переписку и другую конфиденциальную информацию.

Есть ещё один риск: если в исторических данных есть системные ошибки, модель может начать воспроизводить их в большем масштабе.

Поэтому безопасность, право и качество данных — не дополнение к проекту, а его часть.

С чего начинать

Если у компании нет заранее сформулированной задачи для ИИ, я бы начинала с диагностики процессов.

Посмотреть:

• где много ручных операций;
• где часто возникают ошибки и доработки;
• где слишком долго идут согласования;
• где результат сильно зависит от конкретного сотрудника;
• где управленческие данные приходят слишком поздно;
• где повторяются клиентские жалобы.

После этого выбрать несколько процессов, где есть большой объём операций, доступные данные и возможность измерить результат.

Дальше уже можно фиксировать исходные показатели, определять часть процесса для передачи ИИ и запускать пилот на ограниченном участке.

И только после того, как результат подтверждён, менять сам операционный процесс.

Что в итоге

Для меня зрелость компании в работе с ИИ определяется не количеством сервисов и не объёмом инвестиций.

Гораздо важнее, умеет ли компания последовательно пройти путь от проблемы к измеримому результату.

• Найти потери.
• Понять, можно ли здесь использовать ИИ.
• Определить метрику.
• Проверить гипотезу на ограниченном участке.
• Посчитать эффект.
• И только после этого масштабировать.

В этом смысле ИИ в крупном бизнесе — это действительно не столько вопрос технологии, сколько вопрос управления.

Сильный результат появляется не там, где компания использует больше всего нейросетевых инструментов, а там, где технология встроена в понятный процесс и реально меняет его работу.