«Другие будут действовать, пока вы нет»: как внедрить ИИ в бизнес в 2024

Компании, создающие цифровые продукты, а это практически любой крупный российский бизнес в финтехе, ритейле, промышленности, постоянно задаются вопросами повышения собственной конкурентоспособности. Сейчас искусственный интеллект на пике популярности, и он часто становится ключом к достижению этой цели.

О подводных камнях внедрения искусственного интеллекта, методах преодоления препятствий и возможных результатах из реальных кейсов рассказал эксперт Umbrella IT Константин Попандопуло.

Рискованное дело

Несмотря на всеобщий ажиотаж вокруг искусственного интеллекта, многие владельцы бизнеса боятся внедрять его, что вполне объяснимо. 

• Риск 1: Может не сработать. Любые изменения требуют не только управленческих усилий, но и финансовых затрат. ИИ-проект — своего рода рискованная инвестиция, которая может не окупиться. Так бывает. Особенно, если игнорировать нюансы, речь о которых пойдет дальше.
• Риск 2: Другие будут действовать, пока вы нет. Если вы не внедрите ИИ, а конкуренты сделают это, вы можете проиграть в конкурентной борьбе. Их бизнес-процессы станут умнее и точнее, с меньшим количеством ошибок и издержек.

Стоять на месте — значит, стагнировать и, скорее всего, проиграть в конкурентной гонке. Так что внедрять искусственный интеллект определенно стоит. При этом важно изначально принимать риск того, что проект может не окупиться.

Подготовка к внедрению: 5 шагов 

Рассмотрим основные шаги подготовки к внедрению искусственного интеллекта, общие для большинства подобных проектов.  

1. Определить цели 

Внедрять ИИ, только потому что так делают все, — путь в никуда. Решение должно быть продиктовано бизнес-стратегией, будь то курс на масштабирование, сокращение расходов или повышение прибыли. Определите ключевые метрики, которые технология может реально улучшить, и направьте усилия на их достижение. 

2. Определить бюджет

В бизнесе все проще измерять деньгами. Цифры помогают понять, когда пора остановиться.

• Определите, сколько вы готовы вложить в проект.
• Отслеживайте, сколько денег было сэкономлено, привлечено или потрачено на последующих этапах.

3. Проанализировать финансовую выгоду

Парадоксально, но многие компании, опасающиеся по поводу инвестиций в искусственный интеллект, пропускают этот этап — не просчитывают его финансовую выгоду. 

На старте владельцы бизнеса и технические партнеры, которые относятся к деньгам организации как к своим, должны точно знать, какого экономического эффекта ожидают за счет внедрения искусственного интеллекта, в каких конкретно процессах, какими способами.

4. Ориентироваться на метрики

Крупным организациям нет смысла проверять метрики чаще, чем раз в квартал или полгода. Более частая проверка создаст ненужный шум и переключит внимание на краткосрочные изменения, нерепрезентативные для общей картины. 

Технологии нужно время, чтобы «настояться» — стабилизироваться в текущем бизнес-процессе для более объективной оценки результатов. Не стоит делать выводы по метрикам, полученным на следующий день или через неделю после внедрения. 

5. Следовать плану внедрения

Пройдя через предыдущие этапы, обозначив четкий план действий, следуем ему от начала до конца. 

Для эффективного управления изменениями и достижения поставленных целей руководствуемся принципами чейндж-менеджмента. Его главные компоненты — делегирование, планирование, контроль. 

Потратить меньше, чтобы не потерять все 

Главный выбор, который стоит перед бизнесом на старте проекта: 

• создать нейросеть своими силами, 
• разработать нейросеть на базе open source,
• купить готовое ИИ-решение. 

Последний вариант — самый простой путь. Однако что, если ни один из существующих на рынке продуктов не подходит компании? 

Теоретически при наличии денег на закупку мощного железа, наем квалифицированной команды можно создать нейросеть с нуля. Но реальность такова: даже у крупных организаций с огромными бюджетами вряд ли получится лучше, чем у Яндекса или OpenAI, которые годами вкладывали миллиарды долларов в развитие своих продуктов. 

Наиболее рациональный выход — задействовать доступные на рынке open source как базу для собственного продукта. 

Перед этим проверяем безопасность открытого исходного кода, самостоятельно или с помощью сторонних экспертов. Это особенно важно для бизнеса, который регулируется государством на предмет соблюдения специфических законов, норм и стандартов безопасности.

Разработка на базе open source обходится дешевле, чем создание нейросети с нуля, но все равно сопряжена с высокой степенью неопределенности. Ведь не все задачи искусственный интеллект может решить. Тогда на помощь приходит discovery-фаза или Proof of Concept (PoC). 

Достаточно выделить 10% бюджета, чтобы проверить, способен ли искусственный интеллект решить задачу.  Выяснится, что да — результаты discovery-фазы лягут в основу разработки, плюс вы рассчитаете эффективность и стоимость этой затеи. Если нет — получите документальное подтверждение, потратив лишь 10% бюджета, а не 100%.

К нам не раз обращались крупные промышленные предприятия, которые хотели внедрить ИИ в масштабные процессы на производстве. Перед стартом разработки мы настаивали на discovery-фазе, и клиенты были нам благодарны за это. 

В одном случае, например, в ходе исследования мы выяснили, что для реализации проекта предприятию потребовалось бы копить данные еще лет 5, а на том этапе разработка не принесла бы желаемого результата. Благодаря discovery-фазе клиент получил обоснованный вывод о временной невозможности автоматизации процесса и сохранил бюджет.

Чем больше выгоды, тем больше риска

Областей применения искусственного интеллекта не меньше, чем самих бизнес-процессов. Какой же из них автоматизировать? 

Допустим, есть некая компания-перевозчик, внедряющая искусственный интеллект в управление офисным оборудованием — второстепенный бизнес-процесс. При успехе она получит сокращение расходов на обслуживание. Риски минимальны: даже если что-то пойдет не так, компания продолжит генерировать прибыль. 

Представим, что та же организация задумала внедрить ИИ для автоматизации диспетчерской автопарка. На бумаге этот шаг обещает сокращение издержек на содержание штата диспетчеров, снижение риска человеческой ошибки — миллиарды рублей экономии. В реальности кардинальное изменение ключевого бизнес-процесса вместе с огромными выгодами несет риски простоев и упущенной выгоды в случае паралича диспетчерской службы при сбоях и ошибках.

Не нужно сразу отключать устоявшиеся процессы, завязанные на человеческих ресурсах. Вначале лучше внедрить ИИ, например, как первую линию поддержки, чтобы разгрузить от рутины штат. Диспетчеры продолжат обрабатывать более сложные сценарии. Когда нейросеть будет справляться со 100% запросов самостоятельно без участия человека, процесс можно будет полностью автоматизировать.

Надежнее всего внедрять ИИ в некритичные и второстепенные бизнес-процессы. Если требуется автоматизировать ключевой бизнес-процесс, начните с тюнинга (усиления) — не ломайте то, что работало годами, а постепенно улучшайте.

Принципы внедрения ИИ 

Принцип 1. Не все сразу 

Одновременное изменение нескольких процессов может не оправдать ожиданий. Ко всему прочему, это очень трудозатратно.

Безопаснее — определить приоритетные процессы с учетом KPI, где реализовать проект удастся быстрее, проще, дешевле. А затем последовательно преобразовывать их. 

Принцип 2. Чем проще, тем лучше 

Самое простое решение зачастую оказывается максимально выгодным и правильным. Например, RPA (роботизация) позволяет быстро и дешево в тестовом режиме для проверки гипотез внедрить ИИ. 

На рынке уже есть качественные российские no-code платформы, способные конструировать бизнес-процессы и интегрироваться с готовыми нейросетями. С ними не придется нанимать команду и ждать разработки от полугода. 

Принцип 3. Всему свое время

Улучшайте только то, что необходимо. Преждевременная оптимизация инфраструктуры или технологий, скорее, мешает развитию. 

Например, Авито перешла на более мощную инфраструктуру только в 2017-м. Сделай она это гораздо раньше на фоне стремительного роста, кто знает, удалось бы ей достигнуть такой капитализации, как сейчас.

Кейсы внедрения ИИ 

Ускорение разработки

CodeAissist при поддержке Umbrella IT разработала ИИ-помощника. Umbrella IT стала первой компанией, внедрившей его. Теперь разработчики применяют инструмент для автодополнения и генерации кода. Как итог, разработка в ряде проектов ускорилась. 

Консультация продакт-оунера

Виртуальный ассистент также сократил необходимое время коммуникации product owner (продакт-оунера) с командой. ИИ знает о продукте все: требования, аналитику, кодовую базу, — все, за чем продакт-оунер обычно приходит к команде, отвлекая ее от работы. Теперь на все вопросы в режиме чата отвечает онлайн-ассистент. 

Оптимизация отдела дизайна 

Мы внедрили виртуального помощника в департамент дизайна клиента, чтобы повысить скорость и качество работы специалистов. В результате клиент сократил штат дизайнеров с 20 до 5, сохранив прежнюю эффективность отдела. 

Заключение 

Искусственный интеллект — тренд, который вряд ли исчезнет или даже ослабнет. Поэтому вопрос для бизнеса не в том, внедрять ли ИИ, а в том, куда именно его внедрять и зачем. 

Не стоит бояться новых технологий и экспериментов. Главное — вовремя остановиться, если что-то не работает.

На фоне растущей популярности интеллектуальных решений заказчикам недостаточно просто следить за законодательными инициативами и быть готовыми к быстрой адаптации стратегии. Им важно понимать, что такое искусственный интеллект и машинное обучение, чтобы избежать обмана со стороны недобросовестных вендоров и интеграторов. В то же время для расширения экспертизы лучше обращаться только к специалистам с подтвержденным опытом в области машинного обучения.