Когда небольшая компания решает попробовать ИИ, первым кандидатом почему-то часто становится чат-бот.
На сайте появляется консультант. Во внутреннем чате — помощник для сотрудников. Иногда ему загружают инструкции и документы компании, чтобы он мог отвечать на вопросы. Через некоторое время выясняется, что клиенты продолжают звонить менеджерам, сотрудники задают вопросы коллегам, а руководитель не очень понимает, что именно изменилось после внедрения.
Сам чат-бот при этом может работать вполне прилично. Просто начали не с той задачи.
В небольшой компании первый проект с ИИ лучше искать не там, где технологию проще всего показать, а там, где люди регулярно тратят время на одну и ту же работу.
Часто первый очевидный проект находится не в комнате с чат-ботом, а прямо на рабочем столе сотрудника.
Сначала стоит посмотреть, куда уходит время
Представим небольшое рекламное агентство. Каждый месяц менеджер готовит для клиентов отчёты. Для этого он заходит в несколько рекламных кабинетов, собирает расходы, показы, обращения, продажи, переносит цифры в таблицу, считает стоимость заявки, сравнивает показатели с предыдущим месяцем и пишет несколько абзацев с выводами.
Это не выглядит как большая проблема. Никто не сидит над одним отчётом весь рабочий день. На один уходит двадцать минут, на другой сорок, где-то данные уже подготовлены.
Но отчётов двадцать.
И делать их нужно каждый месяц.
Вот здесь уже появляется интересная задача для автоматизации. Не потому, что она эффектная, а потому, что у неё есть три важных свойства: она повторяется, отнимает измеримое время и имеет понятный результат.
Причём начинать здесь нужно вовсе не с ИИ. Сначала можно автоматически забирать данные из рекламных систем, CRM и сайта, приводить показатели к одному виду и рассчитывать всё, что считается обычной формулой.
А языковой модели оставить ту часть, которая плохо описывается формулой: например, подготовить черновик комментария к отчёту, обратить внимание на необычные изменения показателей или кратко описать, что произошло за месяц.
Получается довольно приземлённая система. Зато легко ответить на вопрос, зачем она компании.
Если раньше подготовка двадцати отчётов занимала у сотрудников десять часов, а стала занимать два, эффект можно посчитать.
Хорошая первая задача обычно уже существует
Это важный момент. Для первого внедрения не обязательно придумывать новый процесс.
Наоборот, проще всего начинать с работы, которую компания уже выполняет вручную.
Сотрудник каждый день разбирает входящие заявки. Бухгалтер получает документы и переносит данные в 1С. Менеджер после разговора с клиентом составляет краткое резюме и ставит задачи. Руководитель каждую неделю собирает данные из нескольких таблиц и готовит отчёт. Специалист просматривает десятки документов и определяет, к какому проекту они относятся.
Такие процессы намного интереснее очередного вопроса «куда бы нам прикрутить нейросеть».
У них уже есть исполнитель, периодичность, входящие данные и результат. Обычно можно хотя бы приблизительно узнать, сколько времени они отнимают и сколько стоит ошибка.
То есть есть с чем сравнивать результат внедрения.
А с чат-ботом нередко получается наоборот. Сначала появляется технология, а потом начинают искать причину, зачем она вообще нужна.
Искать стоит не модный интерфейс, а повторяющуюся ручную работу.
Простой способ найти первые задачи
Я бы начал с очень бытового упражнения. Не спрашивал сотрудников, где они хотят использовать ИИ, а спросил бы, на какую повторяющуюся работу им жалко времени.
Ответы обычно гораздо полезнее.
«Каждое утро разбираю вот эту почту».
«После каждой встречи полчаса переношу всё в CRM».
«Мне присылают документы в пяти разных форматах, и я руками собираю из них одну таблицу».
«Каждую пятницу открываю четыре системы и свожу показатели для директора».
«Перед звонком с клиентом приходится искать, о чём мы с ним договаривались месяц назад».
«Мне регулярно присылают договоры, и я каждый раз ищу в них одни и те же пункты».
Вот это уже список кандидатов.
Дальше их можно разбирать по существу.
Как часто возникает задача? Сколько времени занимает? Насколько одинаково она выполняется каждый раз? В каком виде приходят данные? Можно ли проверить результат? Что произойдёт при ошибке?
После такого разбора обычно обнаруживается несколько процессов, где небольшое внедрение способно дать совершенно понятный результат.
Не каждая найденная задача требует ИИ
Здесь есть ещё одна ловушка. Раз уж мы начали искать применение ИИ, появляется желание использовать его в каждой найденной задаче.
Не нужно.
Допустим, сотрудник каждый понедельник открывает три отчёта, копирует из них семь чисел и собирает итоговую таблицу.
Это хороший кандидат на автоматизацию. Но плохой кандидат на ИИ.
Если данные можно получить через программный интерфейс, выгрузку или непосредственно из базы, лучше сделать именно так. Числа не нужно «понимать». Их нужно надёжно перенести из одной системы в другую.
Другая ситуация — сотрудник получает пятьдесят писем и по содержанию каждого определяет, относится оно к продаже, технической поддержке, бухгалтерии или вообще не требует ответа. Вот здесь языковая модель уже полезна: входящие данные неструктурированы, а формализовать все варианты человеческой речи обычными правилами сложно.
Поэтому при разборе процессов полезно не задавать вопрос «как применить здесь ИИ». Лучше разделить задачу на части и для каждой выбрать самый простой подход.
Получить данные — обычная интеграция.
Посчитать показатели — обычная программа.
Понять содержание письма — возможно, ИИ.
Создать документ — обычная программа.
Проверить обязательные поля — обычная программа.
Подготовить понятное человеку объяснение — возможно, снова ИИ.
На практике именно такие смешанные решения часто оказываются наиболее полезными.
Хорошая первая задача часто скучная, но дорогая по времени.
Ищите дорогую рутину, а не самую умную задачу
Для первой попытки особенно привлекательны задачи, которые выглядят интеллектуальными. Проанализировать рынок. Спрогнозировать продажи. Самостоятельно провести исследование. Подготовить коммерческое предложение целиком.
Но чем шире задача, тем сложнее понять, хорошо ли система с ней справляется.
Для первого внедрения гораздо удобнее что-нибудь скучное.
Например, компания получает каждый месяц несколько сотен первичных документов. Сотрудник должен понять, что это за документ, от какой организации он пришёл, проверить несколько реквизитов и занести информацию в учётную систему.
Или отдел продаж получает записи всех телефонных разговоров. После каждого разговора менеджеру нужно заполнить несколько полей в CRM: о чём говорили, что интересует клиента, когда связаться снова, какие договорённости достигнуты.
Или руководителю проекта каждую неделю приходится читать переписку, смотреть задачи и вручную составлять краткий отчёт о состоянии проекта.
Во всех этих случаях результат достаточно легко проверить. А значит, можно запустить систему сначала на небольшой части работы и сравнить её с человеком.
Для первого проекта это гораздо ценнее, чем эффектная демонстрация возможностей модели.
Вторая хорошая область — работа, которую сейчас почти не делают
Есть ещё один класс задач, который легко пропустить.
Иногда ИИ не заменяет существующую работу, а делает экономически возможной работу, которую раньше никто не выполнял.
Вернёмся к рекламному агентству. Отчёты клиентам сотрудники и так готовят — значит, здесь можно экономить время.
Но есть и другая задача: регулярно просматривать большое количество рекламных материалов конкурентов, публикаций, отзывов, поисковых запросов и обсуждений, чтобы замечать новые темы и изменения спроса.
Вручную делать это постоянно дорого. В результате анализ проводится время от времени: перед большим проектом или когда у специалиста появилось свободное время.
Здесь ИИ уже может изменить саму экономику процесса. Система регулярно собирает данные, группирует похожие темы, отсеивает повторения и показывает специалисту несколько действительно интересных изменений.
Человек не исчезает из процесса. Наоборот, он получает материал для анализа, который раньше просто не успевал собрать.
Это важный тип внедрения. ИИ может приносить пользу не только там, где сокращает пять часов ручной работы до одного часа. Иногда он позволяет делать то, на что раньше компания вообще не могла выделить ресурсы.
Как выбрать из десяти идей две
После разговора с сотрудниками идей обычно становится слишком много. В этот момент не нужно пытаться автоматизировать весь бизнес.
Для начала достаточно выбрать несколько задач и оценить их по простым признакам.
Хороший первый кандидат возникает часто. На него уходит заметное количество времени. Он выполняется более-менее одинаково. У него понятный результат, который можно проверить. Ошибка не приводит сразу к необратимым последствиям. И для запуска не требуется переделывать половину информационных систем компании.
Например, подготовка черновика отчёта по уже собранным данным выглядит хорошим первым проектом.
Самостоятельное согласование и отправка платежей — плохим.
Разбор входящих обращений и предложение категории — хорошим.
Полностью автономная переписка с ключевым заказчиком по спорному договору — вряд ли.
Распознавание входящих документов и подготовка черновика в 1С — хорошим.
Самостоятельное проведение неизвестного документа без проверки — плохим.
Разница здесь не в сложности технологии. Разница в том, насколько дёшево можно ошибиться и насколько легко проверить результат.
Первый проект должен отвечать на вопрос «стало лучше или нет»
У небольших компаний редко есть возможность год строить внутреннюю платформу для ИИ, а потом выяснять, где её использовать. Поэтому у первого проекта должен быть короткий путь до измеримого результата.
До начала работы полезно зафиксировать хотя бы несколько простых показателей. Сколько времени сейчас занимает процесс? Сколько таких операций выполняется в месяц? Сколько ошибок возникает? Сколько времени тратится на исправления? Есть ли работа, которая регулярно откладывается из-за нехватки людей?
После запуска можно сравнить.
Было сорок минут на отчёт — стало десять.
Из двухсот входящих документов сто семьдесят обрабатываются без ручного переноса данных.
Менеджер после встречи тратил пятнадцать минут на заполнение CRM — теперь две минуты на проверку готового черновика.
Из ста обращений система правильно распределяет девяносто пять, а пять сомнительных сразу показывает человеку.
Такие цифры намного полезнее фразы «мы внедрили искусственный интеллект».
Эффект лучше измерять до начала разработки, а не после красивой презентации.
А когда всё-таки начинать с чат-бота
Иногда именно чат действительно оказывается хорошей точкой входа.
Например, если сотрудники каждый день задают одни и те же вопросы по большой базе внутренних документов. Или техническая поддержка получает много типовых обращений, а ответы уже хорошо описаны в инструкциях. Или менеджеру во время разговора нужно быстро находить сведения о товаре среди тысяч позиций.
Но и тогда задача должна звучать не «сделать корпоративного чат-бота».
Она должна звучать примерно так:
«Сотрудники отдела продаж ежедневно задают техническому специалисту около тридцати типовых вопросов. Хотим, чтобы на двадцать из них они могли получить достоверный ответ самостоятельно».
Это уже нормальная задача. Есть проблема, есть текущий процесс и есть способ проверить результат.
Чат здесь появляется как средство решения, а не как цель проекта.
С чего бы я начал
Если компания до сих пор почти не использовала ИИ, я бы не начинал с большого проекта.
Сначала собрал бы пять-десять повторяющихся процессов, на которые сотрудники регулярно тратят время. Разложил бы каждый на отдельные действия. Вычеркнул всё, что проще решить обычной автоматизацией. После этого посмотрел бы, где остаётся работа с текстом, документами, изображениями, речью или большим количеством разрозненной информации.
Из получившегося списка выбрал бы одну-две задачи, где легко проверить результат и невысока цена ошибки.
После нескольких недель работы уже можно будет обсуждать не абстрактные возможности ИИ, а собственные цифры компании.
Сколько времени удалось сэкономить. Где модель ошибается. Какие данные оказались проблемными. Где всё-таки требуется человек. Что имеет смысл автоматизировать следующим.
И только после этого масштабировать внедрение.
Потому что небольшой компании не нужна «стратегия внедрения искусственного интеллекта» на сто страниц.
Ей нужен первый процесс, который завтра будет работать лучше, чем сегодня.
