4 задачи для AI: как освободить команду от рутины и улучшить процессы

Когда появляется новая технология, нужно понять, как ее применить. Чтобы не получилось как с блокчейном, который называли «новым золотом», пытались использовать где только можно, а потом забыли. Думаю, ИИ такая участь не постигнет.

Загружать в «голую» нейросеть большие задачи по типу «написать статью» или «код приложения» — это сизифов труд.  Чтобы LLM приносили ощутимую пользу, их нужно обучать и грамотно интегрировать в процессы. Придется повозиться, но результат окупится в десятки раз.

Вот четыре задачи, которые команда может делегировать искусственному интеллекту уже сегодня, чтобы освободить ресурсы для более креативной работы.

Задача 1. Рутинные вспомогательные операции

Сотрудники в командах тратят половину рабочего времени на поиск данных в мессенджерах и электронной почте, а также скучные, но необходимые вспомогательные операции. Нейросетям можно делегировать и то, и другое. 

Суммаризация данных. Если нужно найти данные или вас подключили к обсуждению в середине процесса, придется читать километры чатов и писем, чтобы разобраться в вопросе. А руководителя часто отмечают в конце обсуждения, чтобы он принял окончательное решение. На эти процессы суммарно уходят десятки часов в месяц. 

AI-Ассистент может:

• создать краткую выжимку (саммари) обсуждения по переписке в рабочем мессенджере или почте;
• сформировать краткое резюме созвона и отправить его в личные чаты участникам;
• создать задачи в таск-трекере, указать ответственных и проставить дедлайны;
• быстро найти любую информацию в документации по проекту.

Например, AI-Ассистент в Рулле уже умеет различать роли участников команды, готовить саммари обсуждений в рабочих чатах, отвечать на вопросы по проекту, находить и создавать потенциальные задачи в контексте переписки. 

Повторяющиеся действия. Допустим, сотруднику нужно взять данные из двух таблиц эксель, сделать из них третью и отправить отчет руководству. Для автоматизации таких операций используют технологию RPA — она подходит, например, для переноса информации из одной корпоративной системы в другую.

RPA работает по алгоритмам. С одной стороны технология исключает человеческий фактор, а с другой — она может некорректно анализировать данные. Если в таблице в столбце с названиями городов вдруг ошибочно оказались цифры, RPA соединит несоединимое, а вам придется все переделывать вручную.

Нейросеть работает иначе: она выполнит задачу, проверит корректность данных и исправит ошибки. Например, не только сумеет отличить в столбце таблицы цифры от городов, но и найдет эти города в другом столбце и поставит их в нужное место. 

Задача 2. Контроль результатов работы

ИИ можно обучить анализировать процессы на основе цифровых следов. При должной сноровке и соблюдении политик инфобезопасности его можно интегрировать куда угодно: например, к ERP, HR и CRM-системам, SAP, 1С, почтовым клиентам и файловым хранилищам. 

Грамотно интегрированная LLM сможет проводить интеллектуальный анализ, выявлять аномалии в процессах и находить их причины. Она вовремя заметит, на каком этапе снижается продуктивность команды, увеличиваются расходы, появляются зацикливания или блокеры. Виртуальный помощник не просто укажет на причину проблемы, но и посоветует, что с ней делать. 

В 2010-2013 годах я работал в интернет-гипермаркете «Утконос» — отвечал за доставку и комплектование товаров. В системе время от времени возникали отклонения, которые обычно оказывались предвестниками больших проблем. Мы логировали процессы, но анализировать их в режиме реального времени не могли: не было ресурсов.

Если бы у нас тогда был ИИ, это облегчило бы жизнь. Нейросеть помогала бы выявлять и устранять сложности на ранних стадиях. Например вовремя подать сигнал: «отклонение по времени комплектования заказов! через три часа наступит коллапс по отгрузке, если ничего с этим не сделать!» 

Сейчас ИИ в свободном доступе — и вот в каких контролях можно его использовать. 

Контроль выполнения задач. Нейросеть может не только поставить задачу в таск-трекере, но и проверить ее выполнение. А главное, ей под силу проанализировать текст, скан и даже изображение — и выяснить, насколько результат соответствует условиям задачи.

Каждый понедельник мы с командой Руллы проводим планерку и загружаем в нейросеть набор поручений.  В конце недели AI-Ассистент пишет каждому сотруднику в чат и спрашивает, выполнена ли работа. Когда коллега отправляет результат, GPT проверяет его на корректность. Если документ не подходит под условия задачи, он попросит переделать работу. 

Согласно нашему исследованию искусственный интеллект позволяет улучшить распознавание сканов документов с 86% до 96%.

Процессная аналитика. Если вы используете канбан, можно научить ИИ анализировать процессные метрики. Нейросеть проанализирует воркфлоу, выявит среднюю скорость задач, общее количество тасков разного типа и пропускную способность команды. А потом посоветует, как улучшить ситуацию: например, подскажет как грамотно установить WIP-лимиты или увеличить количество каденций.

Добавлю нотку доброй научной фантастики. На основе ИИ можно создать продвинутый аналог SIEM-системы, которая анализирует события информационной безопасности, оценивает риски, расследует инциденты и формирует отчеты о состоянии корпоративных информационных систем. Я такого еще не видел, но уверен, что кто-то уже думает в эту сторону. 

Задача 3. Производство типовых документов

Команды тратят уйму времени на производство документов по шаблону. Например, это могут быть ТЗ с одинаковыми разделами, которые нужно заполнять по алгоритму, изменяя смысловые блоки. Этот процесс тоже можно делегировать нейросети.

Я знаю команду разработчиков, которая научила Chat GPT работать с документацией. Аналитики получают от бизнеса неструктурированные требования в формате «сделайте, чтобы тут что-то как-то было». Разработчики загружают все это в обученную нейросеть — и получают на выходе осмысленные, структурированные документы буквально за пару минут. 

Также можно поручить ИИ написание готовых кусков кода. Если у разработчика встречается один и тот же код (например, обработка входных параметров процедуры или проверка на типы данных), можно сделать промпт и дать задание нейросети штамповать эти фрагменты по шаблону. 

Задача 4. Исследования на базе открытых источников

Командам нужно проверять гипотезы в разработке и продаже продуктов, анализировать конкурентов. Для этого они собирают информацию из открытых источников, изучают ее, делают выводы и структурируют результат — например, создают сравнительные таблицы или отчеты. Этот процесс тоже можно поручить ИИ.

Еще до появления нейросетей были системы, которые собирали данные из новостных сайтов, анализировали тональность высказываний и индекс популярности публичных лиц. Искусственный интеллект может сделать намного больше: сформулировать осмысленные выводы на основе данных и дать рекомендации, как изменить ситуацию в будущем.

Например, команда создает медицинский препарат от кашля и поручает нейросети проанализировать риски вывода продукта на рынок. LLM изучает источники, рассказывает, какие риски срабатывали при выпуске похожих препаратов, какие были побочки и как компании на них реагировали. Виртуальный помощник подскажет, какие законодательные требования нужно соблюсти и как сформировать маркетинговую стратегию. 

Еще можно спросить у AI, какие конкуренты в отрасли есть у продукта, а затем попросить сравнить их по функциональности, популярности или составу тарифов. Никто не гарантирует, что прогнозы цифрового мозга будут верны на 100%, но вы точно сэкономите много времени на работе в поисковиках.

Выводы

ИИ в ближайшем будущем не заменит человека, но при должном подходе может облегчить жизнь и улучшить рабочие процессы. 

1. Можно поручить нейросети рутинные процессы, связанные с коммуникацией. Вы созваниваетесь с коллегами, а виртуальный помощник приносит вам в чат осмысленное краткое содержание встречи. Он сам создает для коллег таски и ставит дедлайны, если вы их указали. А если понадобятся данные по проекту, он предоставит их вам буквально за секунды. 

2. Нейросеть может контролировать выполнение задач, анализировать процессы, делать прогнозы и вовремя предупреждать об аномалиях. Очень скоро большие языковые модели смогут давать достаточно корректные рекомендации по поводу того, как решить обнаруженную проблему. 

3. AI-Ассистенту можно поручить создание типовых документов, ТЗ и фрагментов кода по шаблону — задачи, где нужна исполнительность и четкость, но не креативность.

3. ИИ может проводить ресерч, проверять гипотезы и штурмовать поисковики, пока вы заняты управлением проектами и другими творческими задачами.