Как превратить персональные эксперименты с ИИ в системное преимущество для бизнеса? И при этом не похоронить проект в неправильном расчете ROI. Рассказывает CEO IT-компании DevRain Александр Краковецкий, который обладает статусом Microsoft AI MVP как эксперт в ИИ
Заощаджуйте, отримуючи 6 журналів за ціною 4
Купуйте річну передплату на шість журналів Forbes Ukraine за 1 799 грн замість 2 400 грн. Читайте головні історії українського бізнесу, ексклюзивні рейтинги та глибоку аналітику в кожному номері.
Мы обладаем самыми лучшими технологиями, которые только можно представить. Парадокс – мы до сих пор не знаем, что с ними делать.
Первый шок от появления генеративного искусственного интеллекта прошел. Организации пережили этап адаптации инструментов на персональном уровне: сотрудники научились писать письма, резюмировать встречи и генерировать код.
Теперь бизнес сталкивается с гораздо более сложным вопросом: как перейти от индивидуальной производительности к системной. Вопрос «Что именно мы должны построить» загоняет большинство компаний в ловушку неопределенности.
Каков выход?
Готовность к ИИ
Сейчас бизнес разрывается между страхом упущенных возможностей и опасением потратить ресурсы на эксперименты или создание продукта, функции которого могут вскоре появиться в инструментах общего назначения от OpenAI, Microsoft или Google.
Инвестиция в разработку собственного инструмента сегодня может обесцениться завтра. Рано или поздно технологии выйдут на «плато производительности». Выиграют те, кто инвестировал в готовность.
Обучение сотрудников. Писать запросы в ChatGPT – вчерашний день. Люди должны владеть продвинутыми инструментами, понимать логику работы больших языковых моделей и уметь комбинировать различные инструменты. Это персональный уровень производительности, без которого невозможно перепрыгнуть на следующий.
Создание инфраструктуры данных. Убедитесь, что вам известны такие термины, как MDM, ETL, MCP, A2A, RAG, наборы данных. Если нет – у вас есть список первоочередных задач.
Рассылка Forbes AI: искусственный интеллект глазами тех, кто рискует деньгами
Оптимизация процессов. Рефакторинг процессов поможет понять, где вам нужен искусственный интеллект, и самое главное – где точно нет. Современные агенты на базе ИИ способны выполнять процессы нелинейно. Это означает изменение парадигмы того, как выполняются задачи.
Инфраструктура для агентов. Необходимо переосмыслить роль программного обеспечения. Искусственный интеллект не должен на 100% имитировать действия человека (кликать мышкой или открывать окна в браузере). Нужно строить параллельную инфраструктуру, где автономные агенты смогут взаимодействовать между собой и системами напрямую без человеческого интерфейса.
Но с человеком в центре (human in the loop), по крайней мере еще некоторое время.
Создание суперкоманд. Будущее не за раздутыми штатами, а за небольшими, элитными командами, которые вооружены разнообразными искусственными интеллектами и выдают х10 производительность.
Инвестиция в готовность – это единственная инвестиция с гарантированным ROI в эпоху неопределенности. Экспериментировать можно там, где цена ошибки минимальна.
Какие есть ИИ-кейсы
Потенциальные сценарии использования (use cases) условно можно классифицировать как:
Операционные (operational): Решения, позволяющие экономить ресурсы. Это может быть автоматизация рутинных операций, поддержка клиентов, обработка документов.
Предметные (domain): Решения, улучшающие специфические для бизнеса сценарии, такие как прогнозирование спроса в ритейле или анализ рисков в банкинге.
Трансформационные (transformational): Решения, позволяющие увеличить прибыль благодаря изменению оргструктуры и бизнес-моделей.
Операционные кейсы кажутся «быстрыми победами». На практике это часто иллюзия.
Финансовая компания Klarna громко заявила, что автоматизировала клиентскую поддержку и показала феноменальные цифры. Через год она начала возвращать людей в офисы, признав, что эксперимент был неудачным. Следствие – репутационные и финансовые потери.
Главная ошибка – воспринимать ИИ как инструмент замены персонала. Оптимизация может быть следствием, но не целью. Важнее – улучшить процесс.
В случае поддержки клиентов более стратегической инвестицией мог бы стать анализ первопричин: ИИ автономно собирает и анализирует необходимые записи, логи и готовит предварительные выводы.
Предметные кейсы сложнее идентифицировать, но они часто дают больший эффект. Налоговые органы Франции использовали компьютерное зрение для анализа спутниковых снимков и обнаружили тысячи незадекларированных частных бассейнов. Результат – около €10 млн дополнительных поступлений. Это пример решения, которое невозможно найти без глубокого понимания домена.
Трансформационные кейсы меняют правила игры. Например, ИИ-компании вроде Anthropic или OpenAI используют собственные модели для создания новых версий своих продуктов.
Как считать ROI от ИИ
Руководители компаний ищут кейсы с понятным классическим ROI. С операционными кейсами формула как бы проста: посчитали затраты – сравнили с экономией. Если разница положительная – переходим к реализации.
Проблема в том, что абсолютное большинство проектов при такой логике никогда не начнутся, потому что ИИ требует определенного уровня готовности бизнеса к внедрению искусственного интеллекта (AI Readiness).
80-90% бюджета может уйти на создание технического задания, очистку и структурирование данных, описание правил и ограничений, интеграции – на все что угодно, кроме ИИ.
Справедливо было бы не включать стоимость этих этапов в «экономику» проекта. На практике бизнес так не рассуждает, поэтому большинство проектов обречены еще до старта.
Если бизнес прошел первый этап, то следующим является расчет стоимости создания ИИ-решения и его поддержки. Ранее действовал принцип Парето: создание – 80%, поддержка – 20%. Сейчас это распределение может быть зеркальным.
Появляется токеномика: расходы на токены, индексирование данных, будущее дообучение моделей. Финансовая модель становится динамичной, а не статичной.
Для крупных частных и государственных компаний, работающих через публичные закупки, это означает отсутствие какого-либо адекватного способа закупок ИИ-услуг и реализации ИИ-проектов.
Выход – разделять бюджеты, в частности на цифровую трансформацию, подготовку инфраструктуры, обработку данных, адаптацию API, Master Data Management, подписки и лицензии, облачные ресурсы и в конце-концов разработку программных решений.
В таком случае «экономика» проекта начнет постепенно сходиться.
Стоит также не зацикливаться на текущих ценах токенов. Скорость, с которой они дешевеют, является феноменальной.
