Автоматизация управленческих решений – тренд последних двух десятилетий. Появление искусственного интеллекта вывело его на новый уровень. Компании переходят от автоматизации задач к системному делегированию ИИ управленческих решений. Это не замена людей, а новый управленческий дизайн, в котором технологии становятся полноценными участниками принятия решений.
Как ИИ выходит на новый уровень управленческой системы и какие вызовы стоят перед бизнесом в этой новой эпохе? Рассказывает Алексей Выгодский, Head of Enterprise Applications and Technologies в MODUS X
Покупайте годовую подписку на шесть журналов Forbes Ukraine по цене четырех. Если вы цените качество, глубину и силу реального опыта, эта подписка именно для вас.
За последние два десятилетия корпорации пережили несколько технологических волн. Сначала – автоматизация: цифровые ERP-системы и базовые workflow-процессы сократили количество ручного труда сотрудников. Далее – цифровизация клиентских интерфейсов: мобильные приложения, CRM, порталы самообслуживания. Затем появились DWH, DQM-инструменты и BI-витрины, которые должны ускорить принятие решений благодаря лучшей доступности и качеству данных.
Каждая волна имела эффект в определенных областях, но не устранила основные управленческие проблемы: сложность согласований, чрезмерный аппарат и медленную реакцию на изменения. Организации оставались зависимыми от человеческого фактора при принятии каждого нетривиального решения.
Сегодня на первый план выходит искусственный интеллект, который перестает быть вспомогательным инструментом и превращается в новый уровень управленческой системы. Он способен не только анализировать данные, но и принимать решения в рамках заданных правил и распределенной ответственности.
Три уровня ИИ: от правил до генерации решений
Арсенал технологий ИИ состоит из трех категорий инструментов:
Системы на основе правил – жестко определенные правила: «если X, то Y». Идеальны для формализованных процессов: чат-боты, расчеты по тарифным матрицам. Сильные в предсказуемости, слабые в гибкости. Ответственность за результаты выполнения алгоритмов лежит на том, кто создал правила.
Системы на основе машинного обучения – учатся на данных, выявляют закономерности и делают прогнозы спроса, рекомендации товаров, отток клиентов. Гибкие, но нуждаются в зрелой инфраструктуре данных. Ответственность за результаты – на человеке, принимающем решение на основе предоставленного ИИ прогноза.
Генеративный ИИ – системы не просто анализируют, но и создают документы, решения, варианты стратегий. Они становятся участниками управленческого процесса.
Это первая технология, где часть ответственности за последствия может быть делегирована машине. Поэтому главный вопрос для бизнеса на пути использования ИИ для решения задач звучит так: «Какие решения я готов делегировать ИИ и кто несет ответственность за последствия?».
Современные управленческие контуры объединяют все три категории, формируя гибридную модель принятия решений:
- Правила задают допустимые коридоры решений.
- ML-модели анализируют ситуации, фиксируют аномалии и прогнозируют развитие событий.
- Генеративный ИИ подготавливает управленческие решения и, в некоторых случаях, выполняет их.
- Человек в процессе остается для зон повышенного риска.
Такое распределение ролей требует четкого управленческого дизайна: кто отвечает за правила, качество данных, промпты, действия системы и обработку инцидентов. Речь идет не о технологиях, а о новом уровне организационного управления.
Закупки в качестве примера делегирования ИИ
Функция закупок – наглядный пример, где ИИ уже начинает перераспределять ответственность между людьми и машинами. В крупных корпорациях процессы закупок четко формализованы: от инициации до заключения договора.
Однако:
- Процедуры занимают недели согласований.
- Они привлекают дорогих участников (комиссии, эксперты).
- Содержат значительные «серые зоны» ответственности из-за бюрократии и человеческого фактора.
Традиционно ІТ ограничивалось технической поддержкой системы, не участвуя в содержательной части процесса.
Внедрение ИИ изменяет это, каждая технологическая категория получает свою управленческую роль:
- Правила закупок и комплаенса остаются под контролем человека.
- ML-модели классифицируют и анализируют предложения.
- Генеративный ИИ готовит тендерную документацию, анализирует предложения и протоколы.
- Окончательное утверждение – общая зона человека и ИИ в зависимости от сценария.
Сегментация закупок по уровню делегирования ИИ
Закупочные процессы можно разделить на сегменты по сложности, регуляторным ограничениям и допустимому уровню автоматизации (см. таблицу 1).
Таблица 1. Практическая реализация по сегментам
Сегментация закупок по уровню делегирования ИИ. Источник: анализ Алексея Выгодского
Сегмент 1. Полное делегирование, при котором ИИ может действовать полностью автономно:
- формировать заявки по прогнозам потребления;
- отправлять запросы;
- классифицировать предложения;
- выбирать поставщика по заданным критериям;
- инициировать заказ в ERP.
Участие человека в этих процессах часто не нужно, а иногда даже снижает эффективность, внося субъективность и задержку.
Сегмент 2. Полуавтоматическая модель, в которой ИИ выполняет 70–90% работы:
- генерирует тендерную документацию;
- классифицирует и сравнивает предложения;
- строит сравнительные таблицы;
- формирует рекомендации.
Человек утверждает финальное решение и обеспечивает юридическую корректность.
Сегмент 3. Стратегические закупки, где ИИ усиливает экспертов, но не заменяет их:
- проверяет соответствие требованиям;
- выявляет риски;
- прогнозирует сценарии взаимодействия.
Окончательное решение остается за закупочной комиссией или руководством из-за высокой стоимости, уникальности и репутационных рисков.
Международные примеры: как ИИ уже меняет закупки
Siemens: внедрила ИИ-помощников для тендеров. Они автоматически анализируют тендерные документы на нескольких языках и формируют shortlist поставщиков для закупочных комиссий.
Люди утверждают готовый перечень, а не разбирают предложения вручную. ИИ реально принимает решения о том, кто попадет в финал, а человек проверяет.
Walmart: ИИ готовит переговорные решения. Компания использует машинное обучение и генеративный ИИ для анализа тысяч предложений поставщиков, подготовки запросов на предоставление коммерческих предложений потенциальным поставщикам и переговорных стратегий.
ИИ формирует позицию компании на переговорах, выявляет отклонения от стандартных условий и предлагает аргументацию. Раньше это делали сотни закупщиков вручную, теперь ИИ принимает решение по тактике переговоров, а человек только утверждает или корректирует.
Unilever: ИИ проверяет предложения на ESG и лицензии. Компания применяет ИИ для автоматической проверки предложений поставщиков на соответствие лицензиям, юридическим требованиям и критериям ESG.
ИИ фактически принимает решения о допуске или недопуске предложений поставщиков к рассмотрению в рамках строгих правил. Человеческое вмешательство происходит только в спорных случаях.
Управленческие и правовые вызовы
Основным ограничением широкого применения подобных моделей является правовое регулирование ответственности. Законодательство многих стран не предусматривает делегирования решений неуполномоченным лицам или системам. Это ограничивает использование генеративного ИИ, особенно в государственном секторе и стратегических функциях.
Однако корпоративная практика опережает регулирование. Компании уже разрабатывают регламенты для машин, подобно тому, как раньше создавали регламенты для отделов. Это новый этап управленческой эволюции.
ИИ перестает быть инструментом аналитиков и становится полноценным участником системы принятия решений. Речь идет не о замене людей, а о системном перераспределении функций и ответственности между человеком и машиной.
Организации, которые уже сейчас выстраивают управленческие архитектуры нового типа – с четкими зонами ответственности, юридическими рамками и прозрачными процессами – получают преимущества в скорости, прозрачности и контроле.
Отстающие рискуют остаться на уровне BI-панелей, пока конкуренты проектируют управленческие контуры с участием ИИ.
Вы нашли ошибку или неточность?
Оставьте отзыв для редакции. Мы учтем ваши замечания как можно скорее.
