Внедрение ИИ в бизнес: с чего начинать и в каком порядке

Запрос обычно звучит так: нам нужно внедрить ИИ. На вопрос, для чего, отвечают, что конкуренты уже внедрили, или что собственник прочитал статью, или что надо соответствовать времени. Это нормальное начало разговора, но плохое начало проекта.

Внедрение, которое доживает до результата, начинается не с технологии, а с выбора задачи.

Как выбрать первую задачу

Она должна быть частой. Не самой сложной и не самой заметной, а той, что повторяется каждый день. Редкая задача не даст ни экономии, ни данных для настройки.

Она должна быть терпимой к ошибке. Первые недели модель ошибается, это данность. Выбирайте участок, где ошибку заметят и исправят сегодня, а не там, где она уйдёт клиенту в договор.

По ней должен быть письменный эталон. Если вы не можете показать, как выглядит правильный результат, вы не сможете ни настроить, ни проверить.

И у неё должен быть хозяин внутри компании. Человек, который отвечает за результат и правит правила. Без него внедрение останавливается на второй неделе.

Порядок, который работает

Первое: описать процесс как есть, на реальных примерах. Двадцать-тридцать случаев с ответами, которые считаются правильными.

Второе: собрать прототип на этих примерах. Не на демо-данных, а на настоящих. Прототип должен обрабатывать вчерашний рабочий день и показывать, где он ошибся.

Третье: запустить параллельно. Машина делает, человек проверяет каждый случай. Здесь собираются все правки, и здесь же становится понятно, окупится ли внедрение вообще.

Четвёртое: сузить или расширить зону. По итогам параллельной работы обычно выясняется, что часть случаев надо вернуть людям, а часть соседних наоборот можно отдать.

Пятое: оставить логи и человека на контроле исключений. Не потому что не доверяем, а потому что процессы меняются, и без логов вы не поймёте, почему в марте всё стало хуже.

Сколько это занимает

По моей практике самая долгая часть не техническая. Собрать письменные ответы и договориться о критериях внутри компании занимает больше времени, чем построить сам сценарий. У меня на одном внедрении из пяти недель три ушли именно на это.

Из этого следует практический вывод: если вы хотите ускорить внедрение, начинайте собирать эталонные примеры и договариваться о критериях до того, как выбран инструмент.

Что мешает чаще всего

Ожидание, что модель разберётся сама. Она разберётся ровно настолько, насколько вы объяснили. Расплывчатое правило даёт расплывчатый результат.

Попытка начать с самого сложного. Отдел, где всё держится на опыте двух человек, это худшее место для первого внедрения.

Отсутствие права на ошибку. Если первое неверное решение машины воспринимается как провал проекта, проект не выживет: настройка идёт через ошибки.

Внедрение вместо процесса. Самая дорогая ошибка. Там, где процесса нет, ИИ создаёт видимость работы и ничего больше.

Где ИИ не нужен

Там, где хватает обычного правила. Если сортировка обращений делается по трём условиям, это фильтр, а не модель, и он надёжнее.

Там, где мало данных. Пять случаев в неделю разбираются руками.

Там, где цена ошибки высока, а проверить результат нельзя. Например, расчёт, который уходит клиенту без промежуточной проверки.

Что сделать на этой неделе

Выпишите три задачи, которые повторяются каждый день и не требуют уникальных решений. По каждой прикиньте, сколько часов в неделю она отнимает.

Возьмите ту, где больше часов, и соберите по ней двадцать примеров с правильными ответами. Это и есть готовность к внедрению: не бюджет и не выбор модели, а эти двадцать примеров.

Где ИИ-агенты окупаются, разобрано отдельно: https://ilkaev.com/ai-agenty/