Бесплатный фрагмент - Искусственный интеллект. Практическое руководство для внедрения

Предисловие

Вы инвестировали в искусственный интеллект. Провели пилотный проект. Результаты выглядели многообещающе. Но когда пришло время масштабировать решение на всю компанию — всё застопорилось.

Система, которая давала 92% точности на чистых данных, начала постоянно ошибаться. Люди саботируют внедрение, боятся потерять работу. Интеграция с существующими системами оказалась сложнее. Намного сложнее, чем ожидалось. Инвестиции должны были окупиться за 6 месяцев. Через 18 месяцев они остаются убытком на балансе компании.

Если вы столкнулись с этим разрывом между пилотом и промышленной эксплуатацией — это знак того, что компания попала в типичную ловушку. И эта ловушка встречается часто.

Согласно исследованиям McKinsey и MIT NANDA за 2024–2025 годы, 95% инвестиций в ИИ (AI) не дают ожидаемых результатов. Компании запускают пилоты, но 75% из них так и остаются в режиме вечного теста. Система работает хорошо в лаборатории, но не в реальном мире.

Этот разрыв между пилотом и промышленной эксплуатацией (production) — не техническая проблема. Это проблема системы управления.

Большинство руководителей сосредоточены на технологии, а не на системе управления и людях. Другими словами, они думают о том, как заполучить лучшее предложение по ИИ вместо вопросов организации, ролей, культуры изменений.

Они думают: «Давайте купим лучшую модель, наймём самых умных специалистов, выделим максимальный бюджет — и всё сработает». Но это ошибка. Наличие лучшей технологии не гарантирует её правильное применение. Как хирургический инструмент бесполезен в руках того, кто не знает медицину.

В 2023 году большинство компаний даже не знало, что такое ИИ. Теперь мир охватил бум генеративного ИИ (GenAI). ChatGPT, Claude, Gemini сделали ИИ доступным, понятным и невероятно привлекательным. Результат — взрывной рост инвестиций и одновременно взрывной рост разочарований.

Это нормальный хайп-цикл для новых технологий: компании видят обещания результатов в демонстрационных версиях, но при внедрении в реальную работу сталкиваются со множеством препятствий:

— Данные грязные

— Люди не хотят менять процессы

— Система работает с точностью 70%, а не 95%

— ROI оказывается значительно ниже планов

В итоге родилась эта книга. Даже не просто книга, а полноценное практическое руководство, которое поможет вам преодолеть этот разрыв. Лучше учиться на опыте других компаний, а не на своих ошибках. Она основана на исследованиях McKinsey, MIT NANDA, Лаборатории Сколково, и на реальных кейсах компаний, с которыми я работал, а это и организации с 15 000 сотрудников, и стартапы на 10 человек. Я видел их успехи и провалы. Видел, как одна компания за 6 месяцев достигла +5 EBIT-пунктов, а другая за 2 года потратила миллионы и не получила ничего.

Разница не в технологии. Разница в системе управления.

В этой книге мы разберём:

— Шесть ловушек, в которые попадают 95% компаний при внедрении ИИ.

— Восемь закономерностей успеха, применяемых лидерами рынка (те 5%, которые действительно получают результаты)

— Три столпа успеха — управление, технология, люди — и как они работают вместе

— Практические инструменты и шаблоны, которые вы можете применить сразу же

Важное замечание о создании этой книги

Эта книга создавалась при активной помощи искусственного интеллекта. ИИ работал в качестве ассистента: подготовка черновиков на базе наработок, структурирование контента, проверка. То есть соблюдалась схема, в которой я определял стратегические цели и приоритеты, задавал контекст и ограничения, корректировал материалы, принимал финальные решения. А ИИ собирал и структурировал данные, предлагал различные варианты материалов.

Почему это важно?

— Практическое доказательство концепции. Сама технология, о которой я пишу, была использована при создании этого руководства.

— Скорость без потери качества. Благодаря ИИ я смог быстрее пройти множество итераций, проверить примеры, подобрать наиболее точные формулировки. Цикл создания книги сократился с 4—6 месяцев до двух.

— Прозрачность подхода. Я следую тому самому системному подходу, который рекомендую. ИИ — это инструмент. Он усиливает человеческие возможности, но не заменяет человеческое суждение и опыт.

ИИ помогал структурировать, формулировать, но стратегия, логика и ответственность — мои. Ну, и окончательная редактура всё еще остается за человеком, поскольку особый стиль изложения ИИ уже стал притчей во языцех.

Главный посыл этой книги — инвестируйте в систему, а не в технологию.

ИИ — это не волшебная палочка, а инструмент. Компании, которые добились успеха с ИИ, не применили лучшую модель. Они применили лучшую систему управления.

Теперь давайте разберёмся, как именно построена эта система, и как вам использовать данную книгу максимально эффективно.

Три столпа успеха

Все концепции в этой книге опираются на три основных столпа. Они присутствуют в каждой успешной программе внедрения ИИ.

Столп 1. Управление

Большинство компаний ошибочно считают ИИ-проект технологическим проектом. На самом деле это проект управления и организации.

Ключевые вопросы:

— Кто решает, куда идёт инвестиция?

— Кто отвечает за результат?

— Какие роли меняются?

— Как это влияет на структуру?

— Как это влияет на иерархию?

Ответы на эти вопросы определяют успех. Или неудачу.

Столп 2. Технология

Мы не гонимся за лучшей моделью ИИ, а смотрим глубже. Важно, чтобы архитектура могла масштабироваться, а инфраструктура росла вместе с бизнесом. Важно, чтобы данным можно было доверять. Важно, чтобы интеграция с существующими системами проходила без их полной переделки.

Столп 3. Люди и культура

Это самый недооценённый столп в то время, как люди — это 70% успеха или неудачи ИИ-проекта.

Если люди не хотят пользоваться системой, она не работает. Если они боятся потерять работу, то начинается саботаж. Если не верят в результаты — система стоит, какой бы продвинутой она ни была.

Все три столпа должны оставаться в равновесии.

Если один из столпов слабеет — система падает.

Лидеры распределяют инвестиции так:

— Треть в управление

— Треть в технологию

— Треть в людей

Точное распределение может варьироваться, но принцип неизменен. Все три столпа критичны.

Связь с другими моими книгами

Эта книга — уже вторая в серии работ об искусственном интеллекте.

Первая книга называется «Искусственный интеллект. С неба на землю». Она отвечает на вопрос «что такое ИИ на самом деле?» и даёт базовое понимание по таким темам, как: восемь компонентов системного подхода к трансформации; основы для понимания ИИ без маркетинговых обещаний; вопросы безопасности ИИ; глобальные тренды в мире ИИ. Если вы новичок в ИИ — рекомендуется начать именно с неё. Она очень отрезвляет и формирует стратегическое видение.

Данная же работа не является введением в ИИ. Она продолжает первую книгу, фокусируясь на конкретной методологии внедрения ИИ-проектов в организационных условиях.

Здесь мы спускаемся на тактический уровень, конкретизируем применение системного подхода к ИИ, показываем, как преодолеть разрыв между пилотом и промышленной эксплуатацией. Я дам практические инструменты и покажу реальные кейсы.

Также у меня есть ещё три книги из серии «Цифровая трансформация для директоров и собственников», которые посвящены самому направлению цифровизации и автоматизации.

— Часть 1. Погружение — введение в тему автоматизации и цифровизации.

— Часть 2. Системный подход — погружение в системный подход к менеджменту, на который я ссылаюсь в этой книге, с разбором его инструментов.

— Часть 3. Кибербезопасность — о вопросах безопасности и важности этого направления.

Если хотите всестороннего рассмотрения данной темы, то рекомендую их прочитать, ведь ИИ — это лишь частный случай автоматизации и цифровизации. А наибольший эффект ИИ даёт как раз в сочетании с другими технологиями и в контексте общей стратегии цифровизации и автоматизации. Например, наиболее перспективное сочетание:

— интернет вещей для сбора качественных больших данных без участия и влияния человека, и для исключения ошибок (осознанных или нет);

— беспроводная связь для передачи данных в облачные центры обработки данных;

— использование этих массивов для обучения искусственного интеллекта;

— работа искусственного интеллекта для обработки этих данных и подготовки рекомендаций для принятия решений или автоматизации процессов.

О данных и источниках

Все цифры, статистика и исследования в этой книге базируются на открытых и проверяемых источниках:

— MIT NANDA Research (2024–2025) — анализ 1000+ ИИ-проектов.

— McKinsey «The state of AI in 2025» — исследование 1500+ компаний.

— Google AI Research и Microsoft AI Research — публикации об инструментах и методиках.

— Лаборатория Сколково — анализ российского рынка ИИ.

Дополнительно используются данные из практических проектов, конечно же, максимально обезличенные по причинам конфиденциальности. Это важно. Я опираюсь не на гипотезы, не на предположения, а на проверенные кейсы и исследования.

Кейсы, приведённые в книге, основаны на реальных проектах. Названия компаний и конкретные детали изменены, но суть и результаты — аутентичны.

Глоссарий терминов и аббревиатур

Эта книга написана для руководителей и менеджеров без технического образования. Однако искусственный интеллект — область, где без специальных терминов не обойтись. Ниже — краткий глоссарий ключевых понятий, которые встречаются в книге.

Как пользоваться глоссарием

При первом упоминании термина в книге даётся его краткое пояснение. Если вы забыли значение — вернитесь к этому глоссарию. Все термины упорядочены по категориям, что облегчает поиск.

Глоссарий не содержит сложных технических деталей. Цель — дать вам достаточное понимание для принятия управленческих решений, а не для программирования моделей.

Основные технологии

ИИ (AI, Artificial Intelligence) — технология, позволяющая машинам выполнять задачи, требующие человеческого интеллекта: распознавание изображений, понимание текста, принятие решений, прогнозирование.

GenAI (Generative AI, генеративный ИИ) — подкласс ИИ, способный создавать новый контент: тексты, изображения, код, музыку. Примеры: ChatGPT, Claude, Gemini. Именно GenAI вызвал взрывной рост интереса к ИИ в 2023–2025 годах.

ML (Machine Learning, машинное обучение) — раздел ИИ, где модели обучаются на данных без явного программирования каждого правила. Система сама находит закономерности в примерах.

Промышленная эксплуатация (production) — стадия, когда ИИ-система работает в реальных условиях бизнеса. В отличие от пилота, здесь система обрабатывает настоящие задачи, влияет на клиентов и приносит измеримые результаты.

Пилот (POC, Proof of Concept) — экспериментальная стадия проекта для проверки, работает ли идея в принципе. Обычно на ограниченных данных, в изолированной среде, без интеграции с реальными процессами.

MLOps (Machine Learning Operations) — набор практик для управления жизненным циклом ML-моделей: разработка — тестирование — внедрение — мониторинг — обновление. Аналог DevOps для машинного обучения.

Data Lake (озеро данных) — централизованное хранилище, куда компания собирает все данные: структурированные (таблицы), неструктурированные (документы, изображения), полуструктурированные (логи, JSON). В отличие от традиционных баз данных, Data Lake хранит данные в сыром виде.

Ключевые концепции книги

GenAI Divide (разрыв GenAI) — разрыв в результатах между лидерами (5% компаний) и отстающими (65%). Лидеры получают в 3,6 раза больше выгоды от ИИ, чем отстающие. Это не разница в бюджетах или технологиях — это разница в системе управления.

Shadow AI Economy (теневая экономика ИИ) — явление, когда сотрудники используют ИИ-инструменты (ChatGPT, Claude, Copilot) без ведома компании. С одной стороны, это показывает готовность людей к ИИ, с другой — компания теряет контроль над данными и качеством.

Investment Bias (перекос инвестиций) — одна из шести ловушек внедрения ИИ: неправильное распределение бюджета.

Три столпа успеха — три направления, которые лидеры выстраивают одновременно.

Восемь закономерностей успеха — паттерны поведения лидеров (5% компаний), которые стабильно достигают результатов от внедрения ИИ.

Стратегии внедрения

Buy (покупка) — стратегия покупки готовых ИИ-решений. Примеры: AWS Fraud Detection, Google Vision, Microsoft Azure Cognitive Services. Доля успеха: 67%. Быстрое внедрение, минимальная разработка, но высокая зависимость от вендора.

Build (разработка) — стратегия разработки ИИ-решений с нуля собственными силами. Полный контроль, уникальность, но высокие риски. Доля успеха: 8%. Подходит только крупным компаниям с сильными командами Data Scientist.

Modify (адаптация) — стратегия адаптации платформ и моделей под свои нужды. Золотая середина между Buy и Build. Доля успеха: 25%. Подходит среднему бизнесу.

Роли и структуры

Chief AI Officer (CAIO) — главный специалист по ИИ, топ-менеджер, отвечающий за ИИ-стратегию компании. Входит в управляющий комитет. В крупных компаниях — обязательная роль.

Управляющий комитет по ИИ (AI Board) — коллегиальный орган принятия решений по ИИ-проектам. Обычно 7–11 человек: CAIO, CTO, CFO, руководители ключевых подразделений. Встречается раз в квартал или месяц. Решает: запускать/останавливать проекты, распределять бюджет, утверждать стратегию.

Центр компетенций (CoE, Center of Excellence) — команда экспертов (5–25 человек) для координации ИИ-проектов в средних компаниях. Функции: обучение, консультации, контроль качества, разработка стандартов.

Офис по ИИ — структура для крупных компаний (50+ человек). Отличается от Центра компетенций масштабом: не только консультирует, но и реализует проекты.

Data Scientist — специалист по разработке ML-моделей. Обучает модели, подбирает алгоритмы, оценивает качество.

ML-инженер — инженер, внедряющий модели в промышленную эксплуатацию. Строит конвейеры обработки данных, интегрирует модели с IT-системами, мониторит работу.

Метрики и показатели

ROI (Return on Investment, возврат инвестиций) — основной показатель эффективности проекта. Формула: (Прибыль — Инвестиции) / Инвестиции × 100%. Лидеры достигают ROI 200%+ за 18 месяцев. Отстающие: -50% до +10%.

EBIT (Earnings Before Interest and Taxes) — прибыль до вычета процентов и налогов. Ключевая метрика для оценки операционной эффективности. Лидеры достигают +5 EBIT-пунктов за 18 месяцев. Середняки: +0.5%. Отстающие: ≈0%.

NPS (Net Promoter Score, индекс лояльности) — метрика, измеряющая готовность клиентов рекомендовать компанию. Рассчитывается как разница между долей промоутеров (оценка 9—10) и критиков (оценка 0—6). Шкала: от -100 до +100. Хороший результат:> 50. Используется для оценки влияния ИИ-проектов на клиентский опыт.

Adoption Rate (уровень использования) — процент пользователей, реально применяющих систему (не путать с любимым в отчетах термином «внедрили»). Лидеры достигают 80%+ adoption rate. Отстающие: <30%.

Точность модели (accuracy) — процент правильных предсказаний модели. Пример: если модель распознаёт документы с точностью 92%, это означает, что из 100 документов 92 распознаны правильно, 8 — с ошибками.

Методологии

Balanced Scorecard (BSC, Система сбалансированных показателей) — методология оценки проектов по четырём перспективам: финансы, клиенты, процессы, обучение и рост. Помогает не зацикливаться только на финансовых метриках. В контексте ИИ-проектов позволяет оценить влияние не только на прибыль, но и на клиентский опыт, эффективность процессов и развитие компетенций.

Lean (бережливое производство) — методология устранения потерь и оптимизации процессов. Основной принцип: делать больше меньшими ресурсами. В контексте ИИ: сначала оптимизируйте процесс, потом автоматизируйте его. Lean помогает выявить узкие места до внедрения ИИ.

Kaizen (непрерывное улучшение) — философия постепенных, но регулярных улучшений. В контексте ИИ: не ждите идеальной модели, запускайте на 80% точности и улучшайте постепенно. Kaizen противостоит перфекционизму, который часто убивает ИИ-проекты.

OKR (Objectives and Key Results, цели и ключевые результаты) — методология каскадирования целей от компании к командам и сотрудникам. Цель декомпозируется на 3—5 ключевых результатов с измеримыми метриками. В ИИ-проектах помогает связать техническую работу Data Scientist с бизнес-целями компании.

Change Management (управление изменениями) — набор практик для управления организационными изменениями при внедрении новых технологий. Включает коммуникацию, обучение, мотивацию, работу с сопротивлением. В ИИ-проектах критически важно: 70% неудач связаны с человеческим фактором, а не с технологией.

Gates (контрольные точки) — точки принятия решений на стадиях проекта. Решение: GO (продолжаем), STOP (останавливаем), CAUTION (требуется доработка).

Области применения

Фронт-офис — видимые проекты, взаимодействующие с клиентами: продажи, маркетинг, клиентский сервис. Характеристики: высокая видимость, ROI 2–3x, быстрая окупаемость, но сложность в масштабировании.

Бэк-офис — внутренние операции: финансы, логистика, HR, ИТ. Характеристики: низкая видимость, ROI 8–20x, медленная окупаемость, но простота масштабирования. Лидеры начинают с бэк-офис.

Инструменты и платформы

Генеративные ИИ:

— ChatGPT (OpenAI) — самый популярный генеративный ИИ для текстов. Используется в Shadow AI Economy сотрудниками для составления документов, анализа данных, генерации идей.

— Claude (Anthropic) — генеративный ИИ, специализирующийся на длинных контекстах и аналитической работе. Популярен среди аналитиков и консультантов.

— Gemini (Google) — генеративный ИИ от Google, интегрированный с поиском. Используется для исследований и аналитики.

— Copilot (Microsoft/GitHub) — ИИ-ассистент для программирования. Генерирует код, помогает разработчикам. Часть теневой экономики ИИ.

— Perplexity — ИИ-поисковик, сочетающий генеративный ИИ с поиском в реальном времени. Используется для быстрого поиска информации с пояснениями.

Облачные сервисы для бизнеса:

— AWS Fraud Detection (Amazon) — готовое решение для выявления мошенничества. Пример стратегии Buy.

— Azure Cognitive Services (Microsoft) — набор готовых ИИ-сервисов: распознавание речи, перевод, анализ текста. Популярен в корпоративном секторе.

— Google Vision (Google) — сервис для распознавания изображений. Используется в розничной торговле, производстве, безопасности.

Источники данных

MIT NANDA — исследовательский центр MIT (Massachusetts Institute of Technology), анализирующий более 1000 ИИ-проектов в 2021–2025 годах. Ключевой источник данных для этой книги. Выявил GenAI Divide и шесть ловушек.

McKinsey — глобальная консалтинговая компания, ежегодно публикующая отчёт «The State of AI». Опрашивает 1500+ руководителей по всему миру. Предоставляет данные о распределении инвестиций, ROI, успешных стратегиях.

Лаборатория Сколково — российский исследовательский центр, анализирующий внедрение ИИ в российских компаниях. Источник данных о специфике российского рынка и адаптации глобальных практик.

Google AI Research — исследовательское подразделение Google, публикующее научные работы по ИИ. Источник данных о технических трендах и возможностях новых технологий.

Microsoft AI Research — исследовательское подразделение Microsoft. Публикует исследования о применении ИИ в корпоративном секторе и влиянии на производительность.

Что дальше?

Теперь, когда вы понимаете структуру книги и как её использовать, мы готовы перейти к главному. В следующей главе мы разберём парадокс ИИ: почему 95% компаний падают в разрыв между пилотом и промышленной эксплуатацией. И как этого избежать.

Добро пожаловать в путешествие от хаоса к системе.

Часть 1. Проблема и её понимание

В этой части мы разберёмся с главным парадоксом: почему 95% компаний, вкладывающих деньги в ИИ, не получают обещанные результаты? Ответ не в технологии. Ответ в системе управления.

Вы изучите три вещи:

— Что говорят исследования McKinsey и MIT NANDA о состоянии ИИ-проектов.

— Разрыв между пилотом и промышленной эксплуатацией — где именно теряются проекты и почему это происходит.

— Шесть ловушек, в которые попадает 95% компаний, и как их избежать.

— Восемь закономерностей, которые необходимы для успеха.

После этой части вы поймёте не только проблему, но и начнёте видеть пути её решения.

Глава 1. Парадокс ИИ и GenAI Divide

95% всех инвестиций в ИИ не дают результата. Это не маркетинговая метафор и не преувеличение. Это вывод исследований McKinsey, MIT NANDA и других авторитетных источников.

Из каждых 20 ИИ-проектов успешен только один. Остальные 19 проваливаются, то есть дают результаты ниже ожиданий или застревают в пилотной стадии, или никогда не переходят в промышленную эксплуатацию (production).

В этой главе мы разберёмся, почему это происходит, как это выглядит на практике и как этого избежать.

Почему 95% инвестиций в ИИ не дают результата

Статистика и исследования

Позвольте привести цифры из авторитетных независимых источников. В 2024–2025 годах три крупных исследования пришли к одинаковым выводам.

MIT NANDA Research проанализировал более 1000 ИИ-проектов в компаниях разного размера с 2021 по 2024 годы. Результат:

— Только 5% проектов достигли запланированного ROI за 18 месяцев.

— 75% проектов остались пилотами, не перейдя в промышленную эксплуатацию.

— 20% проектов были свёрнуты или переделаны после первого года.

McKinsey опросил 1500+ руководителей и IT-директоров в США и Европе. Вопрос был прямой: «Создал ли ваш ИИ-проект стоимость, которая оправдала инвестиции?»

— Утвердительно ответили только 35% компаний.

— 30% компаний признали полный провал проекта.

MIT NANDA Corporate Tracking — база данных по внедрению ИИ в крупные компании. Отслеживали 350+ проектов трансформации в компаниях с выручкой более $1 млрд. Выводы ясны:

— Компании без системного подхода получили в среднем -2% EBIT (потеряли деньги).

— Компании с системным подходом получили +5% EBIT.

Где кроется проблема

Проблема точно не в технологиях, ведь к 2025 году они уже зрелые и применимы:

— Генеративные GPT-модели работают хорошо

— Классические ML-фреймворки стабильны

— Облачная инфраструктура масштабируется легко

Проблема также не в квалификации специалистов, так как на рынке достаточно хороших Data Scientist и инженеров.

Проблема в системе управления.

Компании думают: купи лучшую технологию, найми лучших людей — система заработает. Но это не так. ИИ отличается от традиционных ИТ-систем.

ИИ требует управления тремя столпами одновременно:

— Управление (стратегия, роли, бюджет, организация)

— Технология (архитектура, данные, интеграция, инфраструктура)

— Люди (компетенции, культура изменений, мотивация)

Большинство компаний успешны в одном столпе — обычно в технологии. Но не во всех трёх. Результат: система рушится.

GenAI Divide — разрыв между лидерами и отстающими

Все компании, которые внедряют ИИ, естественным образом делятся на три категории в зависимости от подхода к трансформации и от достигнутых результатов.

ЛИДЕРЫ (5% компаний) — 75% успеха

Статус: Трансформация работает. ИИ встроен в бизнес. Результаты видны.

Что делают лидеры:

— Начинают с системы управления (не с выбора модели)

— Создают ясные роли: Chief AI Officer, управляющий комитет, лидеры в отделах

— Выстраивают три столпа одновременно: управление, технология, люди

— Запускают системное внедрение: дорожная карта, волны внедрения, этапы с контрольными точками (Gates)

— Инвестируют в людей и культуру наравне с технологией

— Регулярно оценивают результаты по объективным KPI

Что получают лидеры:

— +5 EBIT-пунктов за 18 месяцев (реальный результат)

— ROI +200% и выше

— Масштабирование: 2–3 успешных проекта переходят из пилота в промышленную эксплуатацию

— Конкурентное преимущество: 3.6x над отстающими

— Культура изменений: люди готовы к новому и видят ценность

Примеры результатов лидеров:

— Финансовая компания: верификация платежей — снижение ошибок на 60%, экономия $2 млн/год

— Производство: предиктивное обслуживание — сокращение простоев на 40%, +3% EBIT

— Ретейл: прогнозирование спроса — сокращение затоваривания на 50%, +$5 млн/год прибыли

Как узнать лидера:

— Есть явный руководитель по ИИ (Chief AI Officer или эквивалент)

— ИИ в стратегии компании (письменно, обсуждается на совещаниях)

— В каждом отделе есть лидер, ведущий изменения

— Бюджет под ИИ выделяется регулярно и предсказуемо

— Люди переподготовлены и мотивированы

— Результаты оценивают по KPI (по конкретным цифрам)

Главное отличие лидеров: они понимают, что ИИ-проект — это проект управления, а не ИТ. Это не означает, что лидеры богаче или технологичнее. Многие лидеры — компании с бюджетом ниже среднего. Но они начали правильно.

СЕРЕДНЯКИ (30% компаний) — 30% успеха

Статус: Есть успешные пилоты, но масштабирование застревает.

Что делают середняки:

— Запускают ИИ-проекты, часть из них работает

— Получают видимые результаты на одном пилоте (модель работает, люди видят результат)

— Дальнейшее масштабирование тормозится

— Результаты держатся на отдельных звёздных командах или людях

— Если уходит ключевой специалист, проект сразу теряет инерцию

— Нет системы, которая бы повторила успех в другом месте

Что получают середняки:

— +0.5% EBIT (вместо +5%)

— ROI 30–50% (что-то вернули, но мало)

— Один успешный результат в одном отделе/проекте

— Остальное: пилоты, тесты, обещания развития (чего не происходит)

Примеры середняков:

— Компания запустила чат-бот для клиентов. Чат-бот работает на 70%. Интеграция неполная. Никто не знает KPI. Масштабирование на другие регионы не планировалось.

— Компания внедрила ИИ для анализа текста в одном подразделении, получилось хорошо. Однако другие подразделения не следуют примеру. Года два говорят «может, внедрим», но не внедряют.

— Инвестировали $2 млн в ИИ-проект. После года вернули $500 тыс. ROI есть, но он далеко не 200%.

Как узнать середняка:

— ИИ-проекты есть, но нет явной стратегии (или стратегия расплывчатая)

— Результаты зависят от личности (ушел руководитель проекта — проект упал)

— Разрозненные попытки в разных подразделениях, но нет единого подхода

— Люди немного обучены, но не мотивированы

— Бюджет расходуется, но ROI непонятен и низок

— Руководство «поддерживает» на словах, но не ведёт личной инициативой.

Главная проблема середняков: они запустили ИИ, но не построили систему. Без системы один успешный пилот не превращается в два, а два не превращаются в пять. Каждый новый проект начинается с нуля, каждая ошибка повторяется снова.

ОТСТАЮЩИЕ (65% компаний) — 5% успеха или уход в минус

Статус: Пилоты не успешны, ИИ не приносит результата. Инвестиции теряются.

Что делают отстающие:

— Запускают пилоты «для галочки» — потому что «модно», потому что «конкуренты делают», потому что на совещании босса спросили «а что вы делаете с ИИ?»

— Нет реальной стратегии (или стратегия настолько размыта, что её не видно)

— Нет долгосрочных ролей — может быть какой-то внешний подрядчик или один программист в ИТ-службе, но это не человек, который отвечает за результат

— Нет KPI и оценки результата или KPI формальны («запустили», «было 5 проектов»)

— Люди сопротивляются и саботируют процесс внедрения, поскольку боятся потерять работу, не верят в ИИ.

Что получают отстающие:

— ROI отрицательный или близкий к нулю (-50% до +10%)

— Эффекта нет — система может работать на 30% точности, но в промышленную эксплуатацию не идёт

— Деньги потрачены впустую — инвестиция не окупилась

— Разочарование с пресловутым оправданием «пробовали, не работает»

— Слухи в компании о том, что ИИ — это пустая трата денег.

Примеры отстающих:

— Компания потратила $2 млн на ИИ-проект прогнозирования спроса. Модель работает на 60% точности, что меньше, чем давал старый метод (70%). Проект закрыт. Деньги потеряны.

— Компания купила дорогую ML-платформу, но нет команды для работы с ней, как и ясной стратегии что делать. Платформа лежит и «ржавеет».

— Компания запустила пилот автоматизации обработки документов, и он показал 80% точности. Потом попробовали масштабировать, но на других объектах точность упала до 50%. Система не работает, проект закрыт.

— Компания вложилась в ИИ для HR (поиск кандидатов). Результат: система выбирает только людей из определённых регионов (в данных была скрытая предвзятость), как следствие скандал и закрытие проекта.

Как узнать отстающего:

— Нет явной ИИ-стратегии (если есть, то её никто не помнит и не понимает)

— Первый проект проваливается, второй не планируется

— Люди боятся ИИ и открыто или скрыто сопротивляются

— Инвестиции теряются в процессе

— Руководство разочаровано делает вывод в стиле «ИИ — это не для нас»

— ИИ кажется экзотикой, мол, да, это модно, возможно, у кого-то другого он и работает.

Главная проблема отстающих: они запустили ИИ как чисто технологический, а не управленческий проект с ожиданием, что ИТ сделает всю работу за них. Но ИИ так не работает.

От пилота к эксплуатации: где теряются проекты

Парадокс пилота

Вот типичная история ИИ-проекта, который застревает в разрыве:

Месяцы 1–3: Пилот. Эйфория

Команда запускает пилотный проект для узкой задачи (например, автоматизация обработки документов в бухгалтерии). Собирает 10 000 примеров документов, на которых тренирует модель, достигая точности 92%. Демонстрирует руководству — все довольны. Принимается решение масштабировать.

Месяцы 4–6: Первая попытка масштабирования. Проблемы

Внезапно выяснилось, что:

— Данные на других объектах «грязнее», а формы документов отличаются. Из-за этого точность падает до 75%.

— Люди не хотят использовать систему. Бухгалтеры боятся потерять работу.

— Интеграция с SAP сложнее, чем ожидалось. Требуется переделать конфигурацию. Это занимает 3 месяца.

— Система требует постоянного обслуживания. Нужно выделить специалиста, чего бюджет точно не может позволить.

Месяцы 7–12: Разочарование

Проект застревает на одном месте, новых результатов нет. Потеря денег, мотивации и терпения руководства.

Месяцы 13–18: Конец

Проект либо сворачивается, либо продолжается как «вечный пилот» с минимальными результатами. Инвестиции потрачены, люди разочарованы. ИИ становится «чёрным ящиком, который ничего не даёт».

Это случилось с 75% всех ИИ-проектов.

Пять разрывов, где теряются проекты

Разрыв 1. Данные

На пилоте данные чистые потому, что специально отобраны. При переходе в промышленную эксплуатацию данные становятся грязными: формы варьируются, поля пропущены. Все это заметно сказывается на точности.

Разрыв 2. Люди

На пилоте люди мотивированы, потому что делают что-то новое, интересное и модное. При переходе в эксплуатацию это становится их основной рутиной, приходится работать по-новому, а менять привычные и отлаженные процессы (даже если объективно это чистых хаос) довольно тяжело.

Разрыв 3. Интеграция

На пилоте система работает отдельно. При переходе в промышленную эксплуатацию нужно интегрировать её с ERP, CRM и другими ИТ-системами. Это требует переделки конфигурации, кастомизации, тестирования.

Разрыв 4. Управление

На пилоте ответственность ясна: есть команда проекта, есть спонсор. При переходе в промышленную эксплуатацию нужно встроить это в ежедневную работу большого количества людей. Кто отвечает за результат? Кто поддерживает систему? Кто принимает решения?

Разрыв 5. Экономика

На пилоте бюджет большой. $200 тыс. на проект из $100 млн выручки — это смешные деньги. Но при масштабировании начинаются серьезные и критические подсчеты. ROI от половинчатой системы, которая работает на 70%, может быть нулевым или отрицательным.

Большинство компаний падают в один из этих разрывов. Умные компании избегают их.

Shadow AI Economy — невидимая жизнь ИИ в компаниях

Есть один феномен, который мало кто замечает. Он называется Shadow AI — невидимая экономика ИИ в компаниях.

Вот что происходит: люди без официального разрешения и какого-то специального бюджета на внедрение сами начинают использовать ИИ для своей работы. Просто потому, что это удобно.

Сотрудник заходит в ChatGPT, дает ему задачу, получает результат. Или использует Claude для анализа данных, или Copilot для написания кода, или Perplexity для исследований.

Никто об этом не знает, никто не отслеживает. Но это происходит везде.

Почему это важно? Потому, что люди уже готовы к ИИ: они видят в нем ценность и хотят использовать, но компания не дает им подобные инструменты. Другими словами, люди готовы к внедрению ИИ, а компания нет. Это приводит к тому, что компания теряет контроль, а без него ИИ может стать ненадёжным источником информации, ведь никто не отменял так называемые «галлюцинации» ИИ. В то же время, происходит слив в ИИ конфиденциальных данных, что ставит безопасность компании под вопрос. Качество результатов непредсказуемо.

Shadow AI показывает, что спрос на ИИ в компаниях огромный. Но предложение — плохое. И пока компания не организует это правильно, люди будут использовать внешние сервисы. Это и хорошо, и плохо, но главное — это неизбежно. Если работник увидел ценность в ИИ, его уже не остановить административным ресурсом.

Резюме главы

Главный вывод

Разрыв между пилотом и промышленной эксплуатацией — это не случайность и не техническая проблема. Это систематическая проблема управления, которая затрагивает 95% ИИ-проектов.

На пилоте условия идеальны. На промышленной эксплуатации условия сложные.

Те компании, которые добились успеха (5% лидеров) начали не с технологии, а с системы управления. Они выстроили три столпа одновременно, применив системный подход. Результат: +5 EBIT-пунктов вместо 0%.

Три основных тезиса

1. ИИ — это не технологический проект, это проект управления

95% компаний начинают с вопроса «Какую модель выбрать?» Правильный вопрос: «Как организовать трансформацию?» Различие кажется малым, но результаты отличаются в 3.6 раза.

Следствие: если в вашей компании за ИИ отвечает ИТ-отдел или один программист, то вы в группе риска (отстающие). Если за ИИ отвечает менеджмент (руководитель, подразделение, комитет) — у вас больше шансов на успех.

2. Три столпа должны быть в равновесии

Одного крепкого столпа недостаточно. Нужны все три. Лидеры инвестируют равномерно в управление и организацию (роли, процессы, стратегия), в технологию (инфраструктура, модели, данные) и в культуру персонала (обучение, мотивация, коммуникация).

Распределение может варьироваться по компаниям, но принцип един: все три столпа должны быть крепкими.

Следствие: если вы инвестируете 80% в технологию (лучшая модель, лучший инженер) и только 10% в людей — вы упадёте в разрыв. Люди не примут изменения, а система будет стоять на одной ноге.

3. Дорога от пилота к промышленной эксплуатации требует системного подхода

Масштабирование пилота — взять то же самое и сделать больше.

Системный подход — проанализировать, что сработало, переделать архитектуру, переподготовить людей, переорганизовать процессы, потом масштабировать.

Простой пример:

Неправильно:

Пилот работает на 80% — масштабируем точно так же — точность падает до 50% — система не работает.

Правильно:

Пилот работает на 80% — анализируем, что сработало — переделываем архитектуру — переподготавливаем людей — масштабируем — получаем результат на 75%.

Ключевые цифры для запоминания

— 95% ИИ-проектов не дают ожидаемого результата

— 75% ИИ-проектов остаются пилотами. Не переходят в промышленную эксплуатацию

— 3.6x — разрыв в результатах между лидерами и отстающими компаниями

— 5% компаний получают реальные результаты (+5 EBIT-пунктов)

— 30% компаний — середняки (результаты есть, но ниже ожиданий)

— 65% компаний — отстающие (результаты близки к нулю или отрицательны).

ГЛАВА 2. ШЕСТЬ ЛОВУШЕК: ПРОБЛЕМА И ПОНИМАНИЕ КОРНЕЙ

В предыдущей главе мы выяснили, что подавляющее большинство компаний не преодолевают разрыв между пилотом и промышленной эксплуатацией. Почему так происходит? Потому, что они попадают в ловушки.

Важное уточнение: ловушка ≠ ошибка.

— Ошибка — вы сделали что-то неправильно.

— Ловушка — вы сделали всё правильно, но для неправильной задачи.

Почему именно шесть ловушек?

Три ловушки сформулированы исследователями, три — на основе консалтингового опыта. Зная эти ловушки, вы избежите большинства проблем. Чуть ниже я дам подробное описание каждой из них, а пока покажу парочку матриц:

Эта карта поможет вам понять, на каком этапе какие ловушки наиболее опасны.

Ловушка 1. Пробел в обучении: системы без памяти и способности улучшаться

ИИ-система работает хорошо на пилоте, но со временем точность падает, и система начинает ошибаться. Причина этого кроется в том, что ИИ-модели требуют постоянного поддержания: они деградируют и нуждаются в дообучении на накопленных данных.

Аналогия: врач учился 10 лет назад и с тех пор ничему не научился. Он не знает про новые болезни и новые методы. Его рекомендации устаревают ежедневно. Именно это происходит с ИИ-системами в большинстве компаний.

Пример 1. Банк запустил ИИ для обнаружения мошенничества. На пилоте точность 95%, а через 6 месяцев мошенники адаптировались и изменили тактику. Теперь система обнаруживает только 60% мошенничества.

Пример 2. Ретейл внедрил ИИ для прогнозирования спроса. После запуска компания изменила ассортимент, но систему не переделали, и она продолжает прогнозировать спрос на старый ассортимент. Результат: неправильные запасы, потери, недостача товара.

Почему это происходит

Техническая причина

Большинство ИИ-систем — статичные модели. Вы обучаете модель один раз, потом она просто применяется. Нет механизма, который бы переучил систему на новых данных.

Организационная причина

Никто не отвечает за улучшение системы после запуска. На пилоте ясно, что всю ответственность несет команда проекта, но при промышленной эксплуатации кто отвечает? Все = никто!

Экономическая причина

Переобучение требует денег. Бюджет проекта закончился, и на постоянное улучшение не предусмотрен.

Решение: механизм постоянного обучения

Шаг 1: Встроить механизм.

Определите частоту переобучения. Это зависит от скорости изменения данных. Например, для прогнозирования спроса в магазине переобучать требуется каждую неделю, поскольку спрос меняется быстро, а для задач по классификации документов — раз в месяц, так как сами виды документов довольно типовые.

Шаг 2: Выделить роль, отвечающую за обновление

Конкретная роль — владелец модели или куратор ИИ-системы, который (один или со своей командой) следит, работает ли система, не упала ли точность, пора ли переучивать.

Шаг 3: Отслеживать качество постоянно

Делать это нужно еженедельно или ежемесячно. Если точность упала, то это явный сигнал для переобучения. Для удобства создайте дашборд с ключевыми метриками: точность модели, время ответа, объём обработанных данных, количество ошибок. Пользуйтесь им регулярно.

Как не попасть в эту ловушку

— Уже во время пилота планируйте, как в дальнейшем переучивать систему

— Выделите роль, отвечающую за обновления

— Включите в бюджет постоянное обновление бизнес-кейсов

— Отслеживайте качество через дашборд еженедельно

Ловушка 2. Неправильное распределение инвестиций (Investment Bias) — деньги идут не туда

Компания выделяет бюджет на ИИ, но деньги распределяются неправильно.

Двойной перекос:

— По направлениям — видимые проекты / внутренние операции

— По статьям расходов — технология / управление и люди

Результат: система может быть отличной технически, но компания не получает результата. Люди не используют систему, а процессы не переделаны.

Перекос 1. По направлениям (фронт-офис vs бэк-офис)

Компания выделяет большой бюджет на видимые проекты (продажи, маркетинг, клиентский сервис), чтобы показать результаты акционерам. Невидимые проекты (финансы, логистика, операции) получают меньше денег, поскольку не заметны для внешнего клиента. При этом их ROI в 4—15 раз выше.

Половина бюджета идёт на проекты всего лишь с ROI 2—3x. Но почему так происходит?

— Видимость как подтверждение успеха

Финансовое руководство видит демонстрируемые результаты: «Вот чат-бот. Клиенты его используют. Красиво.»

— Система поощрений

Руководитель видимого проекта получает признание, а руководитель бэк-офиса, сэкономивший 5 млн, получает меньший бонус

— Политика внутри организации

Отдел продаж — самый влиятельный, между тем бэк-офис борется за каждый руб. ль

— Фокус на стратегии роста

Большинство компаний думают о постоянном росте и продажах. При этом они забывают, что продажи формируются из качества сервиса и продукции, а для этого нужны процессы, мотивированная и компетентная команда (которую вы не сформируете на рутинных и ручных задачах), необходимая инфраструктура.

Пример неудачного вложения.

Логистическая компания, бюджет $100 млн:

— $70 млн на видимый проект (приложение для водителей) с ROI 1.5x

— $30 млн на бэк-офис (оптимизация маршрутов, складов) с ROI 3.5x

Бэк-офис дал в 2.3 раза больший результат на треть бюджета.

Вывод.

Инвестируйте 30% в видимые проекты (для PR) и 70% в проекты бэк-офиса (для реального ROI 4—15x). Анализируйте потенциальный ROI, а не видимость. Рассказывайте о результатах бэк-офиса внутри компании.

Помните: Видимость ≠ результат.

Фронт-офис хорош для пилотных проектов (PR внутри компании, инвесторам, внешнему миру). Бэк-офис создаёт реальную стоимость (EBIT) на масштабе.

Перекос 2. По статьям расходов

Почему возникает перекос:

— Технология кажется «материальной»

ИТ-директор думает, что раз ИИ — это технология, то нужна мощная инфраструктура. Следовательно, нужно потратить кучу денег на новый сервер.

— Управление и люди неосязаемы.

Сложно измерить, сколько нужно затратить на коммуникацию и мотивацию, и какой результат это принесет. Следовательно, это трудно обосновать в бюджете

— Никто не отвечает за управление

Есть технический лидер, но кто отвечает за то, чтобы люди приняли систему?

Пример неудачного вложения.

Финансовая компания, бюджет $2 млн:

— $1.4 млн на ML-платформу и специалистов

— $300 тыс. на обучение людей (один семинар)

— $300 тыс. на процессы и роли (минимум)

В результате система работает на 95% технически, но люди не знают, как её использовать. Процессы не переделаны, в системе нет жизни.

Вывод

Бюджет распределяйте так, чтобы 30—50% шло на технологию, 20—40% на управление, 20—50% на людей. Выделите деньги на консультантов по процессам и не скупитесь на обучение и коммуникацию. Помните: технология без управления — это пустая трата денег

Ловушка 3. Расчёт на чудо там, где нужны изменения — ИИ как пластырь на проблему

Компания думает, что очередной чат-бот повысит качество обслуживания. Однако оно зависит от процессов, людей и их компетенций. Чат-бот может помочь, но он не решит проблему, если корневая причина в неправильных процессах или некомпетентных людях, если нет базы знаний.

Другими словами, компания пытается решить организационную проблему технологическим решением.

Пример 1. Обслуживание клиентов

Проблема: клиенты долго ждут, получают неправильный ответ. Вместо того, чтобы устанавливать новый чат-бот, нужно сначала разобраться, почему ответы неправильные (люди не компетентны, процессы не описаны, система поиска неудобна?), а уже потом внедрить чат-бот как дополнение.

Пример 2. Производственный брак

Проблема: много брака, качество снижается. Опять же, сначала надо разобраться, почему брак происходит (люди не обучены, оборудование сломано, процесс не документирован?), и только после этого внедрить ИИ для контроля

Пример 3. Неправильные прогнозы спроса

Проблема: неправильные прогнозы приводят к затовариванию или дефициту. Думаю, вы уже понимаете, что прежде чем устанавливать специальную ML-модель, нужно провести анализ, почему текущие прогнозы неправильные (нет исторических данных, процесс не описан?).

Почему это происходит

ИИ выглядит как волшебная таблетка, но на самом деле в его основе лежит качественный анализ, помогающий видеть проблемы лучше. И уж точно он не решает проблемы вне его компетенции.

Компании видят ИИ как способ уйти от решения сложных человеческих проблем. Это неправильно.

Решение здесь одно — проводить диагностику автоматизируемых процессов до внедрения ИИ.

Шаг 1. Понять корневую причину

Спросите: «Что является корневой причиной этой проблемы?»

Методы диагностики:

— Интервью с людьми, работающими с проблемой

— Анализ данных (история проблемы)

— Карта процесса (как сейчас работает)

Шаг 2. Разделить на две части

Часть 1 — что можно решить при помощи ИИ?

— Автоматизировать рутину

— Улучшить анализ

— Помочь в классификации

Часть 2 — что нужно решить управлением?

— Переделать процесс

— Обучить людей

— Изменить структуру

Шаг 3: Внедрять ИИ после решения организационных проблем

Повторюсь, сначала организация (процессы, люди, компетенции), а затем ИИ как дополнение

Еще раз: первым делом проведите анализ корневых причин, разделите проблему на организационную и технологическую части. Сначала решите организационную часть, а затем внедрите ИИ (как дополнение, а не как основное решение). Помните: ИИ не может заменить правильно организованный процесс

Ловушка 4. Люди против машины — сопротивление и саботаж

Вы внедрили ИИ-систему, которая автоматизирует работу людей. Люди боятся потерять работу, отчего саботируют систему. В итоге результат от внедрения нулевой. Это самая популярная ловушка.

Чем лучше ваша ИИ-система, тем больше людей она может заменить. Поэтому у людей есть стимул сделать так, чтобы она не работала.

Пример 1. Автоматизация контакт-центра

Вы внедрили ИИ-чат-бот. Он должен обрабатывать 40% простых звонков. Это означает, что 40% операторов могут потерять работу. Операторы начинают саботировать внедрение, распространяя информацию, что система работает неправильно, а клиенты жалуются, поэтому лучше оставить все по-старому. На самом деле система работает на 85%, но операторы просто не хотят её использовать.

Пример 2. Автоматизация бухгалтерии

Вы внедрили ИИ для обработки документов. Бухгалтеры должны проверять результаты. Вместо этого бухгалтеры проверяют каждый результат вручную (как раньше), не доверяя рутину системе.

Пример 3: ML-модель для принятия решений

Компания внедрила ML-модель для оценки кредитного риска. Менеджеры должны использовать рекомендации модели, но вместо этого игнорируют рекомендации, аргументируя это своим опытом.

Причины здесь вполне понятные.

Во-первых, это страх потерять работу. Люди видят ИИ как угрозу: «Если система будет работать хорошо, меня уволят.»

Во-вторых, это потеря контроля. Люди привыкли контролировать свою работу, а ИИ отнимает этот контроль. Никто не любит, когда какая-то машина сама что-то там решает.

В-третьих, это недоверие к технологии. Люди не понимают, как работает «черный ящик» ИИ, а то, что не объяснимо, автоматически вызывает сомнение.

В связи с этим большую роль играет честная коммуникация и переподготовка персонала.

Шаг 1: Честная коммуникация с первого дня

Не скрывайте, что ИИ автоматизирует часть работы. Объясните, как система будет обрабатывать рутинные задачи, и что люди займутся более сложными и интересными делами. Скажите, что увольнений не будет, но роли изменятся.

Пример коммуникации: «ИИ-чат-бот будет обрабатывать простые вопросы (проверка баланса, статус заказа), а вы будете работать со сложными случаями, требующими эмпатии и решения проблем.»

Шаг 2: Переподготовка

Обучите людей новым навыкам. Покажите, как работать вместе с ИИ: контролировать и совершенствовать ее, исправляя ошибки.

Шаг 3: Показать результаты

Покажите людям, что система делает работу проще. Например, «За первый месяц система обработала 10 000 простых запросов. Это освободило вас на 40% времени для сложных случаев».

Шаг 4: Вовлекайте людей в улучшение системы

Просите обратную связь: «Где система ошибается? Как её улучшить?»

Когда люди видят, что их мнение важно, они перестают сопротивляться.

Повторюсь, как не попасть в эту ловушку:

— Честная коммуникация (нет увольнений, роли изменятся)

— Переподготовка и обучение новым навыкам

— Показывайте результаты (как система делает работу проще)

— Вовлекайте людей в улучшение системы

— Поощряйте использование системы (бонусы за качество)

— Объясняйте просто, как работает ИИ

Ловушка 5. Качество данных игнорируется: грязные данные = плохие результаты

Во время пилотного проекта используются чистые, специально отобранные данные, но при промышленной эксплуатации всё не так: формы варьируются, поля пропущены, форматы смешаны. Как следствие, точность падает до 60%. Система не работает.

Грязные данные — это данные, в которых есть ошибки, опечатки, дубликаты, пропущены важные значения, используются разные форматы (классический случай: «25.03.2026» в одной строке данных и «25 марта 2026 года», «март, 25, 2026» в следующих), присутствуют логические противоречия и так называемый «мусор» (нерелевантные, случайные значения).

Реальный пример

Компания внедрила ИИ для классификации товаров. Во время пилотного проекта имелось 1000 карточек товаров с полным описанием и разнесением по категориям.

Точность такой системы составляла 95%, поэтому её запустили в промышленную эксплуатацию, при которой вместо тысячи товаров появилось 100 тысяч. Разумеется, о полном заполнении карточек уже не шло и речи: 30% описаний были пропущены, категории перепутаны.

Точность такой системы упала до 65%, а такой результат никому не нужен.

Это не уникальная ситуация. При пилотировании проекта команда внедрения всегда вручную отбирает лучшие данные. Таких идеальных данных в реальной операционной деятельности не существует.

Еще одна причина заключается в отсутствии процесса управления качеством. Никто не следит, чтобы данные были чистыми. Не только люди, но и каждая электронная система вносит данные по-своему.

В реальной жизни источников данных может быть много, в то время, как при пилотном проекте он всего один.

Чтобы избежать всего этого, нужно организовать управление качеством данных.

Шаг 1. Создать стандарт качества

Определите, какие данные считаются чистыми:

— Все обязательные поля заполнены

— Форматы единообразны

— Нет дубликатов

— Значения логически корректны

Шаг 2. Встроить проверку качества

Система должна автоматически проверять данные:

— Отклонять записи с критическими ошибками

— Предупреждать о некритических проблемах

— Заполнять пропущенные значения (если безопасно)

Шаг 3. Мониторить качество постоянно

Еженедельно смотрите отчет на предмет того, сколько записей отклонено, какие проблемы самые частые, какие источники самые грязные.

Шаг 4. Оптимизировать источники данных

Если источник постоянно даёт грязные данные, свяжитесь с владельцем и выясните, что происходит.

Шаг 5. Назначить ответственного за качество данных

Этот человек будет мониторить качество еженедельно, работать с владельцами источников данных, контролировать соблюдение стандартов и улучшать процессы очистки. Без этой роли качество данных никто не будет контролировать.

Чек-лист, как не попасть в эту ловушку

— Во время пилота документируйте, как очищали данные

— Создайте стандарт качества данных

— Встройте проверки качества в систему

— Мониторьте качество через отчёты еженедельно

— Оптимизируйте источники, дающие грязные данные

— Назначьте ответственного за качество данных

Ловушка 6. Отсутствие планирования масштабирования: компания думает о пилоте, а не о будущем

Компания запускает пилот и сосредотачивается на одном — чтобы он заработал. И только по окончании пилотного проекта выясняется, что никто не планировал, как его масштабировать.

Система, которая работает на сто пользователей, падает на десяти тысячах. Система, которая стоила $500 тыс., требует $5 млн. для масштабирования. Это не из-за плохого технического решения, а из-за того, что её никогда по-настоящему (а не в презентациях) не планировали масштабировать.

Состояние менеджмента во время пилотирования можно описать как «блаженное невежество»: данные отобраны, их мало, и они чистые; люди — энтузиасты, готовые к изменениям; масштаб системы маленький (100 пользователей, 1000 документов); архитектура временная («потом переделаем»).

В таком состоянии менеджмент уверен, что когда пилот успешно завершится, проект спокойно масштабируется.

Когда приходит время промышленной эксплуатации, наступает четыре шока.

Шок 1. Объём данных в 100 раз больше

Система, которая обрабатывала 100 документов в час, теперь должна обрабатывать 3000. Архитектура не выдерживает. Сервер падает.

Пример: компания внедрила ИИ для классификации писем. На пилоте было 100 писем в день, а в масштабе — 10 000. В результате система начала падать ежедневно в 11 утра.

Шок 2. Люди в реальности работают не так, как во время пилотного проекта.

На пилоте было 5 энтузиастов, которые проверяли результаты и исправляли ошибки, а в реальности имеем 500 незамотивированных человек, половина из которых впервые слышит про систему. Ошибки копятся, система перестает работать.

Шок 3. Процессы не переделаны

Сложно представить, чтобы внедренная дорогая ИИ-система работала на старых «ручных» процессах. Она требует высокой точности, минимума человеческого фактора, описанных действий и источников данных.

Шок 4: Нет роли поддержки

Во время пилотного проекта команда внедрения сама за всем следит. Но после его успешного завершения команда расходится, за поддержку больше некому отвечать. На первых порах все начинают обращаться за «техподдержкой» всё к тем же людям, которые внедряли проект. Так сказать, «по старой памяти». Но все мы прекрасно понимаем, что мотивация постоянно отвечать на вопросы пользователей у таких знатоков быстро падает. Так система незаметно деградирует.

Всего этого «шока» можно было бы избежать, но, увы, менеджеры ценят быстрые победы, и пилотные проекты полностью отвечают этому. Добавим сюда отсутствие навыков проектировать по-настоящему масштабируемые системы. Специалисты, делающие пилоты, часто не знают, как проектировать системы для 10 000 пользователей.

Решение тут одно — планировать масштабирование еще ДО или во время пилотирования.

Шаг 1. В начале пилота спросите:

— Будет ли масштабирование?

— Какой объём данных в операциях?

— Сколько реальных пользователей?

— Какое разнообразие данных?

Шаг 2. Выберите архитектуру, готовую к масштабированию

Вместо того, чтобы строить временное решение, стройте для масштабирования:

— Облачная инфраструктура (масштабируется автоматически)

— Модульная архитектура (легко добавлять новые компоненты)

— Стандартизированные процессы обработки данных

Шаг 3. Переделайте процесс до масштабирования

Не масштабируйте «как есть». Переделайте процесс так, чтобы он работал на 10 000 пользователей: обучите людей новым ролям, документируйте процесс, встройте проверки качества.

Шаг 4. Переподготовьте людей

Перед масштабированием обучите максимальное количество реальных пользователей новым процессам и системе.

Повторим:

— На пилоте уже планируйте масштабирование

— Выберите архитектуру, готовую к масштабированию

— Переделайте процесс до масштабирования

— Переподготовьте людей перед масштабированием

Помните, что масштабирование — это просто больше данных, а полноценная переделка системы.

Резюме: шесть ловушек и их решения

Три вывода

Вывод 1. Ни одна ловушка не технична. Все ловушки — это ошибки управления. Даже ловушки №1 и 5 (технология и данные) решаются управленческими мерами (роли, процессы, бюджет).

Вывод 2. Ловушки взаимосвязаны. Если вы попали в Ловушку №6 (нет планирования масштабирования), то автоматически рискуете попасть в Ловушку №1 (система деградирует), №5 (грязные данные) и №4 (люди сопротивляются).

Вывод 3. Лидеры (5% успешных компаний) избегают всех шести ловушек одновременно. Для этого они:

— Планируют дообучение на пилоте (Ловушка 1)

— Распределяют инвестиции по ROI (Ловушка 2)

— Решают организационные проблемы перед ИИ (Ловушка 3)

— Честно коммуницируют и переподготавливают людей (Ловушка 4)

— Управляют качеством данных (Ловушка 5)

— Планируют масштабирование на пилоте (Ловушка 6)

Результат: +5 EBIT-пунктов за 18 месяцев вместо нуля или минуса.

Главное, что тут нужно запомнить: все шесть ловушек — это системные проблемы управления, а не технические ошибки. Если вы их знаете и избегаете, у вас есть шанс стать одним из 5% лидеров.

В следующей главе мы разберём, какие именно действия помогают лидерам избежать этих ловушек, и выделим восемь закономерностей успеха.

ГЛАВА 3. ЗАКОНОМЕРНОСТИ УСПЕХА — ЧТО ДЕЛАЮТ 5% ПОБЕДИТЕЛЕЙ

Введение: от парадокса к паттернам успеха

В Главе 1 мы описали разрыв: 5% компаний получают +5 EBIT-пунктов, их ROI достигает 200%, в то время как 95% остальных теряют деньги, получая минимальный результат. В Главе 2 мы разобрали ловушки, которые создают этот разрыв.

В этой главе поговорим о восьми конкретных закономерностях успеха. Это не теория, а паттерны поведения, выявленные на основе анализа более тысячи реальных ИИ-проектов.

Важное наблюдение: все закономерности работают не по отдельности, а вместе. Применяя одну-две, вы получите частичный результат. Применяя все восемь, вы создаёте систему, которая работает стабильно.

Закономерность 1. Стратегия покупки вместо разработки (67% успеха)

Лидеры покупают готовые решения. Отстающие разрабатывают с нуля. Согласно исследованию McKinsey, 67% успешных проектов используют стратегию Buy, и только 8% Build — покупка эффективнее разработки.

Компания выделяет бюджет на ИИ, и у нее есть три пути:

— Buy — покупка готовых API и решений

— Modify — адаптация низкокодовых платформ

— Build — разработка с нуля собственными силами

Пример 1. Финансовая компания (Build — провал)

Компания решила построить ML-модель для детекции мошенничества:

— Наняли команду: 3 Дата-сайентиста, 2 ML-инженера

— Потратили: $1.2 млн

— Время разработки: 12 месяцев

— Результат: точность 70% (ниже ожиданий)

— ROI: отрицательный

Пример 2: Та же компания (Buy — успех)

Компания изменила стратегию. Купила AWS Fraud Detection:

— Команда: 3 специалиста для интеграции

— Потратили: $150 тыс.

— Время внедрения: 4 месяца

— Результат: точность 85%

— ROI: 4x за первый год

Разница: Buy сэкономил $1 млн, дав результат в 3 раза быстрее. ROI оказался в 4 раза выше.

Однако Buy — не всегда правильный выбор. Модель не работает в трёх случаях:

— Когда задача уникальна (готовых решений нет на рынке)

— Когда данные конфиденциальны (их нельзя отправлять во внешние API)

— Когда требуется полный контроль (вендор может изменить условия)

В этих случаях используйте Build. Но таких задач меньше 10%.

Правило принятия решения

— Начните с Buy. Ищите готовые решения. Покрывают ли они 90% задач?

— Если Buy не подходит, попробуйте Modify. Есть ли низкокодовые платформы?

— Выбирайте Build только в крайнем случае. Есть ли абсолютная необходимость?

Команда захочет строить Build, т.к. это интереснее для специалистов. Руководство захочет свою уникальную платформу (основные доводы примерно такие: «мы не как все», «это безопаснее»).

Сопротивляйтесь этому. 67% успеха — у Buy. 8% — у Build. Начинайте с поиска готовых решений. Не с проектирования архитектуры.

Подробнее этот вопрос мы рассмотрим в отдельной главе.

Закономерность 2. Начинаем не с ИИ — сначала процессы, потом технология

Большинство компаний начинают неправильно. Они спрашивают: «Какую модель выбрать?», а надо — «Какой процесс улучшить?». Лидеры оптимизируют процесс до внедрения ИИ, отстающие пытаются наложить ИИ на хаос. Но дело в том, что ИИ усиливает существующий процесс: если он плох, ИИ сделает еще хуже, если же процесс оптимизирован, ИИ даст эффект.

Пример 1. Правильный подход

Производственная компания хотела внедрить ИИ для прогнозирования отказов оборудования.

Шаг 1. Анализ текущего процесса

Картировали процесс и выделили 8 этапов обслуживания. Обнаружили проблемы:

— 30% времени тратятся на поиск инструментов

— Нет единой базы знаний по ремонту

— 5 разных систем учёта запчастей

— Нет стандартных протоколов осмотра

Шаг 2. Оптимизация перед внедрением ИИ

Компания провела ряд изменений:

— Унифицировали базу знаний, создали стандартные инструкции.

— Объединили 5 систем учёта в одну, исключили дублирование.

— Оптимизировали размещение инструментов, сократили время поиска на 60%.

— Разработали чек-листы, стандартизировали процесс осмотра.

Результат без ИИ:

— Время ремонта сократилось на 20%

— Затраты снизились на 15%

— Простои уменьшились на 10%

Шаг 3. Внедрение ИИ после оптимизации

Модель анализирует чистые данные из единой системы, прогнозы интегрированы в стандартные чек-листы. Техники работают по унифицированным инструкциям. Система обучается на структурированных данных.

Результат с ИИ:

— Прогнозирование снижает простои ещё на 40%

— Общий эффект: снижение простоев на 50% (10% +40%)

— ROI: 7.3x за 18 месяцев

— EBIT: +3 пункта

Пример 2. Неправильный подход

Компания-конкурент пропустила этап оптимизации и сразу внедрила ML-модель для прогнозирования отказов. Модель обучали на данных из 5 разрозненных систем, процесс ремонта остался хаотичным, отсутствовали стандартные протоколы.

Результат:

— Модель прогнозирует с точностью 60% (вместо 85%)

— Техники игнорируют прогнозы из-за неточности.

— Время простоя не сократились

— ROI близок к нулю, инвестиции не оправдались.

Разница:

— Компания А: оптимизация перед внедрением ИИ. Как итог, +50% эффекта

— Компания Б: ИИ без оптимизации. Как итог, нулевой эффект.

Правило последовательности

Последовательность работы должна быть следующей:

— Картируйте текущий процесс. Нарисуйте схему «как есть».

— Выявите проблемы. Где тратится время? Где ошибки? Где узкие места?

— Оптимизируйте процесс. Устраните дублирование, хаос, неэффективность.

— Затем внедряйте ИИ. Применяйте его к оптимизированному процессу.

Подробнее об оценке зрелости процессов для внедрения ИИ в отдельной главе.

Закономерность 3. Четыре элемента системы успеха

Исследование MIT NANDA выявило четыре критических элемента системы успеха:

— Спонсорство C-level — руководитель топ-уровня

— Средний менеджмент — менеджеры-проводники

— Обучаемые системы — ИИ, который улучшается

— Узкие высокоценные задачи — фокус на конкретных проблемах

Лидеры выстраивают все четыре элемента одновременно, а отстающие концентрируются на одном-двух.

Элемент 1. Спонсорство C-level — Chief AI Officer и его роль

Лидеры назначают руководителя ИИ-программы на уровне топ-менеджмента. Это не IT-директор, а отдельная роль — Chief AI Officer (CAIO).

Чем занимается CAIO:

— Формирует стратегию ИИ на уровне компании

— Управляет портфелем всех ИИ-проектов

— Координирует инвестиции и приоритеты

— Имеет прямой доступ к CEO

— Контролирует EBIT и ROI по ИИ

85% компании-лидеров с выручкой более $500 млн имеют CAIO. В компаниях с выручкой $5—50 млн роль CAIO часто выполняет COO или CFO, что допустимо для небольших компаний.

Компании со спонсором C-level достигают ROI +200% за 18 месяцев. Компании без спонсора: ROI +30—50%. Разница составлят 5x.

Элемент 2. Средний менеджмент — менеджеры-проводники

Спонсорство C-level создаёт направление. Но без среднего менеджмента стратегия не доходит до исполнителей.

Чем занимаются менеджеры-проводники:

— Управляют конкретными ИИ-проектами в отделах

— Обучают команды использованию ИИ-инструментов

— Собирают обратную связь от исполнителей

— Адаптируют систему под реальные задачи

Необходимо 1—2 менеджера на 10 человек исполнителей. Это примерно 10% персонала.

Компании с менеджерами-проводниками достигают Adoption Rate (уровень принятия технологии) 75%, без них — 20%.

Элемент 3. Обучаемые системы — ИИ, который улучшается со временем

Статичные модели деградируют. Обучаемые системы эволюционируют.

Чем отличаются обучаемые системы:

— Система анализирует реальные данные постоянно

— Модель переобучается каждые 1—3 месяца

— Точность растёт со временем

— Система адаптируется к изменениям

Пример:

Чат-бот для клиентской поддержки:

— Месяц 1: точность 70%. Система обучена на исторических данных.

— Месяц 3: точность 75%. Система переобучена на реальных диалогах.

— Месяц 6: точность 82%. Модель адаптировалась к новым запросам.

— Месяц 12: точность 88%. Система эволюционировала.

В то время, как статичная модель, показывающая в первый месяц точность 70%, через год уже деградирует до 65%

Элемент 4. Узкие высокоценные задачи — фокус на конкретных проблемах

Лидеры выбирают узкие задачи с высокой ценностью. Отстающие пытаются автоматизировать всё сразу.

Пример:

Ритейл-компания выбрала четыре задачи:

— Автоматизация обработки возвратов — ROI 8x, 2 месяца

— Чат-бот для типовых вопросов — ROI 4x, 3 месяца

— Прогнозирование товарных остатков — ROI 3.3x, 5 месяцев

— Персонализация рекомендаций — ROI 2x, 8 месяцев

За 12 месяцев компания запустила 4 проекта. Общий ROI составил 4.3x, а EBIT +$5 млн.

Подробнее об оценке проектов и расстановке приоритетов поговорим в отдельной главе.

Закономерность 4. Трансформация и Оптимизация

95% компаний оптимизируют процессы, но только 5% лидеров трансформируют их. Разница в результатах — 3.6x.

Оптимизация — это ускорение существующего процесса. Например, скорость обработки заявки сократилась с 2 до 1 часа — сам процесс не изменился, но стал быстрее.

Трансформация — это переделка процесса полностью. Например, изначально человек обрабатывал 67% заявок вручную, а после трансформации уже ИИ обрабатывает 95% автоматически, а человек проверяет 5% исключений. Процесс изменился, как и роль человека.

Пример 1. Оптимизация (типичная компания)

Банк внедряет ИИ для обработки кредитных заявок. ИИ помогает менеджеру анализировать документы и ускоряет проверку с 60 минут до 40 минут. Менеджер по-прежнему принимает решения самостоятельно.

Результат:

— Время обработки: -33%

— Количество менеджеров: без изменений

— ROI: 2x

— EBIT: +0.5%

Пример 2: Трансформация (лидер)

Тот же банк, но другой подход. ИИ принимает решение по 95% стандартных заявок автоматически, а человек проверяет 5% сложных случаев. Роль менеджера изменилась: вместо рутины — анализ исключений.

Результат:

— Время обработки: -85%

— Количество менеджеров: сокращено на 60%

— ROI: 10x

— EBIT: +5%

Разница:

— Оптимизация: ROI 2x, EBIT +0.5%

— Трансформация: ROI 10x, EBIT +5%

— Эффект: 5x по ROI, 10x по EBIT

Почему трансформация работает лучше

Трансформация меняет фундаментальную логику работы. ИИ становится основным исполнителем, а человек переходит на стратегические задачи. Эффект накапливается:

— Люди освобождаются от рутины

— Компания растёт без найма новых сотрудников

— Качество процесса улучшается (ИИ не устаёт)

— Масштабирование становится простым

Как переходить к трансформации

10 признаков, что ваш процесс готов к трансформации:

— Процесс повторяется много раз (> 1000 раз/месяц)

— Правила процесса чёткие и документированы

— Исключений меньше 10%

— Данные доступны и чистые

— Люди выполняют рутину (не творческую работу)

— Результат измерим (есть KPI)

— Ошибки дорого стоят

— Масштабирование требует найма людей

— Процесс не меняется годами

— Люди жалуются на скуку

Если хотя бы 7 признаков есть, ваш процесс готов к трансформации.

Подход к трансформации:

— Не пытайтесь сразу автоматизировать 95%

— Начните с 30%, потом 50%, потом 70%

— Каждый шаг занимает 3—6 месяцев

— Обучайте людей новым ролям постоянно

— Переделывайте процесс итеративно

Закономерность 5. Ищем не максимум, а оптимум — правило 70/30

Отстающие пытаются автоматизировать 100%, в то время как лидеры останавливаются на 70%. Почему? Потому, что последние 30% стоят больше, чем приносят выгоды.

Почему 100% автоматизация не работает? ИИ хорошо справляется с типовыми задачами, но есть исключения, сложность которых растёт экспоненциально.

Из чего видно, что первые 50% автоматизации стоят $50 тыс., а их точность составляет 92%. Последние же 10% стоят уже больше $500 тыс.,при этом их точность всего 65%.

ROI падает: на уровне 70% ROI 5x, на уровне 100% ROI уже отрицательный

После 70% начинаются исключения:

— Нестандартные запросы клиентов

— Редкие комбинации параметров

— Изменения в правилах

— Новые типы проблем

— Галлюцинации и сбои в работе самого ИИ.

ИИ не справляется с исключениями хорошо: точность падает, а затраты на обучение модели растут экспоненциально.

Правило 70/30.

Автоматизируйте 60—70% задач, а остальные 30—40% доверьте людям:

— Исключения (сложные случаи)

— Ошибки ИИ (проверка и исправление)

— Обратную связь (улучшение системы)

Это правило актуально для всего направления автоматизации. Опытные эксперты давно приняли парадигму того, что полностью автоматизировать все невозможно.

Пример. Чат-бот для клиентской поддержки

Компания внедрила чат-бот с целью автоматизировать 100% запросов.

Этап 1. Автоматизация 50%

— Чат-бот обрабатывает простые вопросы

— Точность: 92%

— Клиенты довольны (NPS +10)

— Затраты: $50 тыс.

— Время внедрения: 2 месяца

Этап 2. Автоматизация 70%

— Чат-бот обрабатывает средние по сложности запросы

— Точность: 88%

— Клиенты всё ещё довольны (NPS +8)

— Затраты: ещё $100 тыс. (итого $150 тыс.)

— Время: ещё 3 месяца (итого 5 месяцев)

Этап 3. Попытка автоматизировать 100%

Руководство решило, что пора бы автоматизировать процесс полностью.

— Чат-бот пытается обработать сложные запросы

— Точность: 65% (упала!)

— Клиенты недовольны (NPS -15)

— Затраты: ещё $500 тыс. (итого $650 тыс.)

— Время: ещё 12 месяцев (итого 17 месяцев)

Результат:

— На уровне 70%: NPS +8, ROI 5x

— На уровне 100%: NPS -15, ROI отрицательный

Компании пришлось откатить чат-бот до уровня 70%. Для обработки 30% сложных запросов оставили людей. NPS вернулся к +8. ROI стабильно 5x.

Оптимум — 70% автоматизации, ROI 7x, NPS +10, Принятие 85%.

Правило измерения:

Отслеживайте три метрики одновременно:

— Точность модели — должна быть> 80%

— NPS — должен расти

— Adoption Rate (принятие) — должен быть> 70%

Если хотя бы одна метрика падает, значит, вы вышли за пределы оптимального, и в таком случае лучшее решение — откатить уровень автоматизации.

Закономерность 6. Вознаграждение за использование, а не за результат

Отстающие поощряют за результаты, а лидеры — за использование ИИ. Почему? Потому, что результат зависит от системы, а использование — от человека, его компетенций и навыков, которые формируются только с опытом взаимодействия и использования инструментов.

Типичная система вознаграждений в компаниях:

— Продавец продал на $1 млн и получил бонус 10%.

— Аналитик нашёл ошибку стоимостью $100 тыс. и получил за это премию

— Менеджер сократил затраты на 15% и получил повышение

Логика проста — вознаграждение за результат. Звучит правильно, но при внедрении ИИ эта логика ломается.

Почему результат — это плохая метрика при внедрении ИИ? ИИ меняет процесс. На ранних этапах результат непредсказуем:

— Система может давать точность 60%, потом 80%, потом 92%

— Люди учатся работать с ИИ

— Процессы адаптируются

— Результат зависит от системы, а не от человека.

Если вознаграждать за результат, то люди будут сопротивляться, ведь результат вне их контроля.

Например, компания внедрила ИИ для прогнозирования вероятности сделки. Продажники должны использовать прогнозы, но они сопротивляются:

— Прогноз ИИ: вероятность 30%. Продажник тратит время, сделка не закрывается. Бонус теряется.

— Прогноз ИИ: вероятность 80%. Продажник не работает, думая «ИИ сказал, значит, закроется». Сделка срывается. Бонус теряется.

В результате, продажники игнорируют ИИ, система не используется. ROI нулевой.

Но когда компания изменила систему вознаграждений:

— Бонус за количество использований ИИ: $50 за каждую сделку, где использован прогноз ИИ

— Бонус за обратную связь: $100 за каждое сообщение об ошибке системы

— Бонус за улучшение данных: $200 за каждое обновление карточки клиента

Уровень принятия технологии вырос с 20% до 75%. При этом за счёт обратной связи точность модели улучшилась с 65% до 88%, а ROI составил 7.3x.

Поэтому вот вам три типа вознаграждений за использование:

— Вознаграждение за количество — за каждое действие с ИИ

— Вознаграждение за обратную связь — за документирование ошибок

— Вознаграждение за улучшение — за вклад в обучение системы

Целью таких вознаграждений является стимулирование принятия ИИ, повышение его точности и качества данных, а также распространение знаний.

Как внедрить:

— Определите целевой Adoption Rate (обычно 70—80%)

— Измеряйте использование ИИ-инструментов постоянно

— Платите бонусы ежемесячно

— Публикуйте лидеров по использованию

— Не наказывайте за низкие результаты на ранних этапах

Правило измерения:

Отслеживайте две метрики:

— Adoption Rate (% пользователей, использующих ИИ регулярно)

— Frequency (среднее количество использований в неделю)

Цели:

— Adoption Rate> 70%

— Frequency> 5 раз/неделю

Если эти цели достигнуты, то переходите к вознаграждениям за результат.

Закономерность 7. Спокойно переделываем ИИ

Отстающие боятся переделывать ИИ, оперируя тем, что на него потрачено слишком много денег, и теперь, как говорится, «ни шагу назад». Лидеры же спокойно переделывают ИИ каждые 3—6 месяцев, зная, что первый блин, как правило, комом.

ИИ — это не ERP, который внедряется один раз и настраивается 12—18 месяцев (потом система работает 5—10 лет без изменений).

ИИ работает иначе:

— Первая версия основана на гипотезах

— Реальные данные отличаются от ожиданий

— Пользователи работают не так, как планировалось

— Система требует адаптации постоянно

Пример.

Банк разработал ML-модель для детекции мошенничества. Подход: Build. Первый год шла разработка модели «идеальной системы», обучение проводилось на исторических данных за 3 года. Целевая точность — 95%, стоимость $1.2 млн.

Когда спустя год систему, наконец, запустили, точность на реальных данных составила не целевые 95%, а всего лишь 68%, ведь за это время мошенники изменили тактику. Другими словами, система устарела ещё до запуска, а $1.2 млн были потрачены впустую.

К счастью, Банк был серьезно настроен и изменил подход после провала — теперь разработка велась итерациями:

— Месяц 1—3: запустили MVP (минимальную версию) с точностью 75%

— Месяц 4—6: переделали ИИ на основе реальных данных, точность 85%

— Месяц 7—9: добавили новые паттерны мошенничества, точность 92%

— Месяц 10—12: оптимизировали, точность выросла до 94%

Таким образом, система была запущена всего за 3 месяца вместо 12, и работала она с первого дня. Несмотря на то, что ее переделывали каждые 3 месяца, экономия все равно составила около $3 млн/год, ведь точность ее постоянно росла.

Правило MVP

MVP (Minimum Viable Product) — минимальная рабочая версия. Она содержит 20% функциональности, которые решают 80% проблемы.

Критерии MVP:

— Работает на реальных данных

— Решает самую частую задачу

— Точность> 70%

— Запуск за 1—3 месяца

— Стоимость <$200 тыс.

Принципы итераций:

— Запускайте быстро — лучше запустить MVP за 2 месяца, чем ждать «идеала» 12 месяцев

— Учитесь на реальных данных — гипотезы всегда ошибочны

— Переделывайте спокойно — первая версия никогда не идеальна

— Измеряйте постоянно — точность, Adoption, NPS, ROI

— Не бойтесь отката — если система хуже старого процесса, откатите

Как измерять прогресс

Остановитесь, когда точность станет выше 85%, adoption> 70%, NPS> +8, а ROI более 5x. Дальнейшие улучшения могут быть слишком дорогими. Помните правило 70/30.

Закономерность 8. Система успеха — три области управления

Все предыдущие закономерности можно объединить в единую систему успеха, которая покрывает три области:

— Управление и принятие решений

— Технология и интеграция

— Люди и культура

Лидеры выстраивают все три области одновременно.

Область 1. Управление и принятие решений

Трёхуровневая система управления ИИ:

Уровень 1. Спонсор на уровне C-level (топ-менеджмент)

— Роль: Chief AI Officer (CAIO) или Head of AI Program

— Ответственность: формирует общую программу, координирует портфель проектов

— Полномочия: бюджет, прямой доступ к CEO

Уровень 2. Управляющий комитет (AI Board)

— Состав: представители всех ключевых функций (финансы, ИТ, операционная деятельность, продажи)

— Частота встреч: ежемесячно

— Ответственность: управляют приоритетами, согласуют бюджет

Уровень 3. Центры компетенций

— Состав: ИИ-лидеры в каждом отделе (10% персонала)

— Ответственность: внедрение на местах, обучение, обратная связь

Область 2. Технология и интеграция

Четыре компонента технологической готовности:

— Единое хранилище данных

— Централизованные данные (Data Warehouse)

— Управление качеством данных (Data Quality)

— API интеграции

— Связь между системами (ERP, CRM, ИИ-платформы)

— Стандартизированные протоколы

— Платформа обучения систем

— Системы улучшаются непрерывно (MLOps)

— Автоматическое переобучение

— Готовность инфраструктуры

— Облако или on-premise

— Масштабируемость под рост нагрузки

Область 3. Люди и культура

Три ключевых элемента:

— «Чемпионы» в каждом отделе

10% персонала — местные проводники ИИ, которые обучают коллег и собирают обратную связь.

— Обучение на всех уровнях

— Топ-менеджмент: стратегия ИИ (8 часов)

— Средний менеджмент: управление ИИ-проектами (40 часов)

— Исполнители: работа с ИИ-инструментами (16 часов)

— Переделка ролей

— Скучная рутина превращается в интересную аналитику

— Люди переходят на стратегию вместо операционки

— Новые роли: Data Steward, AI Champion, Project Owner

Как три области работают вместе

Успех = Управление × Технология × Люди

Если хотя бы одна из областей слабеет, результат тут же падает:

— Отличная технология + плохое управление = проект застревает.

— Отличное управление + люди сопротивляются = система не используется.

Резюме главы

Мы разобрали восемь закономерностей. Они отличают 5% лидеров от 95% отстающих. Сведём их вместе.

Чек-лист

Применяете ли вы восемь закономерностей? Оцените свою компанию, ответив на вопросы (Да / Частично / Нет):

Закономерность 1. Buy вместо Build

☐ Начинаем с поиска готовых решений (Buy)

☐ Используем матрицу Buy / Build / Modify для выбора стратегии

☐ Тестируем Buy-решения перед Build

Закономерность 2. Сначала процессы

☐ Картируем и оптимизируем процессы ДО внедрения ИИ

☐ Определяем, где ИИ может добавить ценность

☐ Не пытаемся решить организационные проблемы технологией

Закономерность 3. Четыре элемента

☐ Есть спонсор на уровне C-level (CAIO)

☐ В каждом отделе есть ИИ-лидеры (10% персонала)

☐ Наши системы обучаются и улучшаются

☐ Выбираем узкие высокоценные задачи

Закономерность 4. Трансформация

☐ Переделываем процессы полностью

☐ Люди переходят на анализ и стратегию

Закономерность 5. 70/30 оптимум

☐ Автоматизируем 60—70%, оставляем 30—40% людям

☐ Не стремимся к 100% автоматизации

☐ Измеряем NPS и Adoption Rate

Закономерность 6. Вознаграждения

☐ Есть система вознаграждений за использование ИИ

☐ Поощряем обратную связь и документирование ошибок

☐ Люди видят ИИ как союзника

Закономерность 7. Итерации

☐ Переделываем системы каждые 3—6 месяцев

☐ Запускаем MVP быстро (80% готовности)

☐ Не боимся ошибок и учимся на них

Закономерность 8. Три области

☐ Выстроено управление (3 уровня)

☐ Готова технология (данные, API, MLOps)

☐ Подготовлены люди (чемпионы, обучение, новые роли)

Главный вывод главы состоит в том, что успех в ИИ обеспечивает не технология, а система.

Восемь закономерностей работают вместе:

— Buy вместо Build — экономит время и деньги

— Сначала процессы — усиливает эффект ИИ в 3—5 раз

— Четыре элемента — создаёт фундамент для успеха

— Трансформация — даёт результат в 3.6x раз лучше

— 70/30 оптимум — находит баланс между ИИ и людьми

— Вознаграждения — превращает людей в союзников

— Итерации — позволяет системе эволюционировать

— Три области — связывает всё воедино

Применяя все восемь закономерностей, вы переходите из 95% отстающих в 5% лидеров. Результат измеряется цифрами: EBIT +5—15%, ROI 7.3x, Adoption Rate 75%+. Но теперь возникает вопрос, как же это всё организовать на практике, об этом мы будем говорить в следующей части.

ЧАСТЬ 2: РЕШЕНИЕ И СИСТЕМА

В первой части мы разобрали проблему: 95% инвестиций в ИИ не дают результата из-за того, что компании попадают в шесть ловушек внедрения таких проектов. Помимо этого, мы изучили восемь закономерностей, которые прослеживаются у лидеров успешного внедрения ИИ.

Теперь давайте разберём систему управления, которая позволит вам выбирать правильные проекты, грамотно их финансировать, реализовывать с минимальными рисками и масштабировать от пилота к промышленной эксплуатации.

ГЛАВА 4: СИСТЕМНЫЙ ПОДХОД К УПРАВЛЕНИЮ

Представьте симфонический оркестр. Сто музыкантов с разными инструментами играют одновременно. У каждого своя партия, свой ритм. Но если нет дирижёра, получится какофония, а не симфония. Дирижёр не играет ни на одном инструменте, но именно он создаёт музыку.

Управление в проектах с искусственным интеллектом — это дирижёр. Технологии, данные, модели, алгоритмы — это инструменты. Без управления они не создают ценность.

История из практики

В 2023 году производственная компания вложила 45 миллионов руб. в систему прогнозирования отказов оборудования. Технология была передовой: Machine Learning модели анализировали данные с датчиков и предсказывали поломки за 3 дня.

Но через год руководство задало вопрос: «Где результат?».

Выяснилось следующее:

— Производственный отдел не понимал, как использовать прогнозы. Модель предсказывала поломки, но не говорила, что с этим делать.

— Служба ремонта работала по старому графику, игнорируя рекомендации системы. У них были свои приоритеты.

— Закупки не корректировали поставки запчастей с учётом прогнозов. Нужные детали по-прежнему приходили с опозданием.

Техническая сторона была идеальной, но не было управления: никто не отвечал за внедрение, не связал модель с процессами, не обучил людей, не изменил KPI отделов.

Эта история — не исключение. Управление — это первый и главный столп, который держит всю систему. Компании-лидеры инвестируют в управление 30–40% бюджета ИИ-программы. Отстающие — менее 5%.

Системный подход к внедрению ИИ

Искусственный интеллект не внедряется так же, как традиционные ИТ-системы. Установка ERP или CRM — это процесс с чёткими этапами: анализ требований, выбор решения, внедрение, обучение. С ИИ всё иначе (по крайней мере на момент написания книги в начале 2026 года).

Почему ИИ сложнее традиционных ИТ-систем?

1. Неопределённость результата

— В ERP вы знаете, что получите (например, автоматизированный бухгалтерский учёт)

— В ИИ вы экспериментируете: достаточно ли данных, достигнет ли модель точности 90%, будут ли пользователи доверять рекомендациям?

2. Зависимость от данных

— Традиционные ИТ-системы работают с любыми данными (даже плохого качества)

— ИИ категорически требует качественных данных. «Мусор на входе, мусор на выходе». Даже если берётся ChatGPT или другая крутая генеративная модель, она будет выдавать мусор

3. Непрерывное обучение

— После установки ERP работает годами без изменений

— ИИ-модель деградирует со временем (data drift, concept drift). Нужен постоянный мониторинг и переобучение

4. Человеческий фактор

— В ERP роль пользователей понятна — они вводят данные

— В ИИ людям приходится доверять «чёрному ящику», который принимает решения за них. Это вызывает страх и сопротивление

5. Изменение ролей и процессов

— ERP автоматизирует процесс, но роль остаётся той же

— ИИ меняет роль: из «принимающего решения» в «контролирующего решения ИИ»

Пример из практики

Компания А внедрила CRM систему за 6 месяцев. Менеджеры продаж стали вводить данные о клиентах в CRM вместо Excel. Роль та же: ввод данных и работа с клиентами.

Компания Б внедрила ИИ-систему рекомендаций. Менеджеры продаж теперь не сами решают, какой продукт предложить, а получают рекомендации от системы. Роль изменилась: из «эксперта» в «исполнителя рекомендаций». Сопротивление было огромным.

Почему нужен системный подход?

Потому что ИИ затрагивает не одну область, а всю компанию.

— Данные: становится критичным управление данными

— Технологии: нужна специфичная инфраструктура

— Процессы: нужно описать и оптимизировать процессы (Lean) перед автоматизацией (если мы хотим что-то большее, чем просто ассистент)

— Люди: нужно обучить сотрудников, создать культуру экспериментов

— Управление: нужны роли (Chief AI Officer), структуры, процессы принятия решений

— Стратегия: нужна чёткая стратегия — что автоматизируем и зачем?

Попытка внедрить ИИ без системного подхода — это как строить дом, начиная с крыши. Результат известен: 95% проектов не дают результата.

Восемь компонентов системного подхода

Системный подход к ИИ состоит из восьми взаимосвязанных компонентов. Они работают вместе, как шестерёнки в механизме. Уберите один — система сломается.

Компонент 1. Теория ограничений систем

Производительность системы определяется её самым узким местом (бутылочное горлышко). Нет смысла ускорять то, что и так работает быстро. Нужно найти, где работа «застревает», и направить ИИ именно туда.

Пример. Процесс кредитования выглядит следующим образом: клиент подаёт заявку (5 минут), система проверяет данные (2 минуты), после чего специалист по рискам проверяет всё вручную (2 часа — то самое бутылочное горлышко), и в конце система отправляет решение (1 минута). Итого: 2 часа 8 минут, 95% из которых занимает ожидание специалиста по рискам. Решение тут очевидное. Нужно автоматизировать проверку рисков с помощью ИИ, что сокращает весь процесс до 8 минут (95% ускорение).

Как применять Теорию ограничений к ИИ?

— Найти бутылочное горлышко в процессе

— Понять, можно ли его автоматизировать через ИИ

— Если да, то это приоритетный проект для ИИ

— Если нет, то нужно оптимизировать процесс другими методами

Компонент 2. Lean (Бережливое производство)

Сначала наведи порядок, потом автоматизируй. Если автоматизировать хаос, получится автоматизированный хаос. Быстрее, масштабнее, дороже.

Что делает Lean?

— Выявляет 8 видов потерь, устраняет их и позволяет понять, какие проблемы должен решать ИИ

— Стандартизирует процесс

— Готовит процесс к автоматизации

Разберем на примере автоматической обработки заявок. Клиент отправляет заявку по почте, после чего ждет пару часов, пока оператор освободится для обработки заявки. Далее данные вручную вводятся в CRM (15 минут), менеджер проверяет эти данные (1 час), система всё обработает (5 минут), после чего оператор готовит ответ клиенту (10 минут). Итого: 3 часа 30 минут, из которых 3 часа — это ожидание!

Если этот процесс оптимизировать по Lean, то всё время ожидания будет устранено при помощи автоматической маршрутизации. Также устраняется дублирующий ввод данных путем интеграции почты с CRM. Время процесса тем самым сокращается до 30 минут.

Теперь внедряем ИИ: автоматическое извлечение данных из email и классификация заявок. И это еще больше сокращает время (до 5 минут).

Подробнее о Lean я расскажу в Главе 8.

Сочетание теории ограничений систем и бережливого производства позволяет расставлять приоритеты (куда идти), а также понимать, что именно нужно делать для повышения эффективности.

Компонент 3. Управление проектами и продуктами

Любое внедрение — это проект, к которому надо подходить методично. А ИИ — это ещё и необычный ИТ-проект. Здесь нельзя просто написать требования, разработать решение и сдать. ИИ требует итеративного подхода с постоянными экспериментами, развитием системы, поддержанием её работоспособности и переобучением.

В главе 16 я расскажу подробнее о портфельном управлении проектами.

Компонент 4. Практики регулярного менеджмента

ИИ-проекты нельзя запустить и забыть. Нужны регулярные практики управления как для самих ИИ-проектов, так и для внедрения ИИ в регулярную деятельность, для продвижения ИИ среди работников.

Что входит в регулярный менеджмент?

— Еженедельный обзор проектов (статус, препятствия, решения)

— Ежемесячный обзор портфеля проектов (ROI, EBIT, успехи и неудачи)

— Квартальный обзор с C-level (стратегия, бюджет, результаты)

— Контрольные точки (Gates) перед переходом на следующий этап

Хорошая практика интеграции ИИ в такие встречи — использование его для расшифровки встреч и сокращения трудозатрат на подготовку протоколов.

Компонент 5. Коммуникация

Многие компании внедряют ИИ втайне, и когда всё готово, «Сюрприз! У нас теперь ИИ, который будет помогать вам работать». Это большая ошибка, ведь персонал начинает сильно сопротивляться банально из-за неизвестности.

Правильная коммуникация — это проговаривание предстоящих изменений на всех этапах.

Модель ADKAR:

— Awareness (Осознание) — объясняем, зачем нужен ИИ, какие проблемы он решает.

— Desire (Желание) — показываем выгоды для сотрудников (меньше рутины, больше интересной работы).

— Knowledge (Знание) — обучаем, как работать с ИИ-системой.

— Ability (Способность) — даём время на практику, поддержку.

— Reinforcement (Закрепление) — мотивация, признание успехов.

Коммуникация должна быть честной, регулярной, двусторонней (не только говорим, но и слушаем) и включать все необходимые формы, виды и уровни.

Разберем коммуникацию на примере внедрения чат-бота для поддержки клиентов. Операторы, до этого принимающие вопросы клиентов, теперь опасаются, что технология их заменит. Говорить им «Мы внедряем чат-бот, чтобы повысить эффективность. Не волнуйтесь, вас не уволят» будет неправильно, так как подобные речи не несут никакого эффекта. Это даже коммуникацией назвать нельзя. Вместо этого стоит применить ADKAR:

— Awareness: «Мы подняли всю историю запросов и поняли, что 70% из них — это простые, но постоянные вопросы типа „до скольки работаете“ или „что с моим заказом“. Это рутина, на которую вы тратите кучу времени. А на разбор реально сложных вопросов времени не хватает, поэтому у нас есть провалы и несправедливые жалобы, ведь в остальном мы работаем хорошо».

— Desire: «Чтобы этого не происходило, мы решили внедрить чат-бот, который заберет на себя вот эти простейшие запросы. Вам не придется по сто раз отвечать одно и то же, и вы сможете заниматься нормальными вопросами, а не бегать второпях, решая их».

— Knowledge: «Давайте вместе настроим чат-бота. Вы знаете клиентов лучше всех. Ваши знания — основа для обучения бота».

— Ability: «Разумеется, первые три месяца мы будем обкатывать бот, поэтому вы работаете параллельно с ним, контролируете его ответы и корректируете».

— Reinforcement: «За три месяца бот обработал 40% запросов, освободил вам 30 часов в неделю. Премии за успешное решение сложных кейсов стали получать чаще. Это успех».

Так технологию принимают охотнее, и вместо саботажа вы получаете поддержку.

Подробнее о коммуникации мы поговорим в Главе 13.

Компонент 6. Внедрение изменений

Любая трансформация — это изменения. А изменения всегда вызывают сопротивление.

Управление изменениями — это методология. Она помогает людям принять новое, облегчая переход к нему.

Специфика изменений в ИИ-проектах

ИИ вызывает больше сопротивления, чем обычная автоматизация. Этому есть три причины:

— Страх потери работы: «ИИ заменит меня»

— Непонимание технологии: «Как я могу доверять чёрному ящику?»

— Изменение власти: «Раньше я принимал решения, теперь ИИ»

Подходы к работе с сопротивлением:

— Информирование: объяснить, что делает ИИ, почему его рекомендации правильные

— Участие: вовлечь людей в настройку ИИ

— Поддержка: дать время на адаптацию, обучение, практику

— Мотивация: показать, что ИИ помогает, а не заменяет

— Принуждение: в крайнем случае (используется редко)

Компонент 7. Стратегия, бизнес-процессы и организационная структура

Стратегия отвечает на вопросы:

— Зачем нам ИИ? (Рост выручки, снижение затрат?)

— Что автоматизируем? (Какие процессы, функции, продукты?)

— Как реализуем? (Buy, Build или Hybrid?)

— Когда запускаем? (Приоритеты, дорожная карта)

— Сколько инвестируем? (Бюджет, окупаемость)

Бизнес-процессы — это основа для ИИ. Если процесс хаотичный, неописанный, неоптимизированный, то ИИ не поможет. В лучшем случае получится внедрить простого ассистента.

Если говорим про ИИ-агентов (автономные решения, работающие без человека), то там чёткий алгоритм ещё важнее, чем в ручном труде. Так как ИИ — это имитация человеческого интеллекта. Он не думает за вас, а выполняет задачи. Управление им похоже на управление незрелым сотрудником. Если где-то возникает «серая» зона, то агент начнёт ошибаться.

А про мультиагентные решения вообще отдельный разговор. Там различные ИИ-агенты начинают входить в конфликт между собой. Все как в управлении человеческими командами, только без эмоций.

Пример. Компания хочет автоматизировать обработку заявок с помощью ИИ. При этом сам процесс не документирован (каждый оператор делает по-своему), стандартов нет, заявки приходят через разные каналы (от почты до мессенджеров) и по-разному обрабатываются. Есть проблемы с зонами ответственности.

В такой ситуации Дата-сайентисты будут пытаться обучить модель на хаотичных данных. Как следствие, модель не сможет понять логику процесса (потому что её нет), а пользователи не примут систему (потому что она автоматизирует хаос). В реальном кейсе, компания потратила на это около 40 млн рублей и провалила проект.

Что нужно было сделать: сначала описать и стандартизировать процесс (применить Lean), затем определить владельца этого процесса (кто больше всех заинтересован в его результате) и только после этого приступать к автоматизации с помощью ИИ (разумеется с заранее выбранными метриками, по которым можно будет судить об успешности автоматизации)

Вывод: Сначала процессы, потом технология.

Какие процессы автоматизировать в первую очередь, определяет стратегия. Например, если наша цель рост выручки, то нужно автоматизировать продажи и маркетинг (подсчет потенциальных клиентов, персонализация и т.д.). Если мы хотим снизить затраты, то автоматизировать нужно операционку и финансы. Если нам нужно улучшить клиентский опыт, то идем в чат-боты, анализ тональности, маршрутизацию обращений.

Организационная структура определяет: кто принимает решения, кто их реализует, как при этом взаимодействуют.

Три типа организационных структур для ИИ:

1. Централизованная: один центр компетенций для всей компании

— Плюсы: единые стандарты, экспертиза в одном месте

— Минусы: медленное реагирование на запросы бизнеса

2. Федеративная: у каждого подразделения своя ИИ-команда

— Плюсы: быстрая реакция, близость к бизнесу

— Минусы: дублирование усилий, разные стандарты

3. Гибридная: центр компетенций задаёт стандарты, а подразделения реализуют проекты

— Плюсы: баланс стандартов и скорости

— Минусы: сложность координации

Компании-лидеры используют гибридную структуру.

Подробнее о структурах — в Главе 6.

Компонент 8. Цифровые технологии, работа с данными и кибербезопасность

ИИ требует современной технологической инфраструктуры, правильного управления данными, надёжной кибербезопасности. А наибольший потенциал раскрывается именно в сочетании с другими технологиями: интернет вещей, беспроводная передача данных, облачные вычисления больших данных. Это формирует три взаимосвязанные области.

1. ИТ-инфраструктура:

— Хранилище данных

— MLOps (операции машинного обучения)

— Облачная инфраструктура

— API и интеграции

2. Работа с данными:

— Data Governance Framework (политики, роли, процессы)

— Data Quality Management (KPI, инструменты)

— Master Data Management (единые и точные источники данных)

— Metadata Management (глоссарий)

— Каталог данных (поиск и доступ к данным)

— Data Lineage (происхождение и impact analysis)

3. Кибербезопасность:

— Защита данных (шифрования, токенизация)

— Защита моделей (атаки, кража моделей)

— Защита персональных данных

— Соответствие законам

— Лучшие практики безопасности

Важно: 40—50% бюджета ИИ-проекта идёт на инфраструктуру и MLOps. Это не расходы, а инвестиция. Без правильной инфраструктуры модели не перейдут в промышленную эксплуатацию.

Подробнее об инфраструктуре — в Главе 10.

Таким образом, Системный подход — это не выбор, а необходимость для успешного внедрения ИИ.

Восемь компонентов работают вместе:

— Lean (бережливое производство)

— Управление проектами и продуктами

— Теория ограничений систем

— Практики регулярного менеджмента

— Коммуникация

— Внедрение изменений (Change Management)

— Стратегия, бизнес-процессы и организационная структура

— Цифровые технологии, работа с данными и кибербезопасность

Уберите один компонент — и система перестанет работать.

Три столпа успеха ИИ-проектов

Восемь компонентов я создавал для работы над тремя столпами, которые обеспечивают успех внедрения ИИ.

Успех = Управление × Технология × Люди — это не сумма, а произведение!

Если один множитель равен нулю, весь результат — ноль.

— Управление = 0. Проект хаотичен, цели неясны, роли не определены. Даже хорошая технология не поможет.

— Технология = 0. Система не работает, данные грязные, интеграция сломана. Даже хорошее управление не спасёт.

— Люди = 0. Люди саботируют, не учатся, не используют систему. Даже если управление и технология идеальны, результата не будет.

Сбалансированность трёх столпов важнее, чем сильная специализация в одной области.

Столп 1. Управление

Без него не работают ни технологии, ни люди. Без управления компания делает много проектов, но они не связаны с общей целью, реализуются хаотично. С управлением каждый проект служит стратегии, роли ясны, результаты видны.

Что включает управление?

1. Роли и ответственность:

— Chief AI Officer (CAIO) — стратегия и управление программой

— Управляющий комитет по ИИ (AI Board) — приоритизация и утверждение проектов

— Владельцы продуктов — управление конкретными продуктами

— ИИ-чемпионы — амбассадоры ИИ в подразделениях

2. Процессы принятия решений:

— Контрольные точки (Исследование, Валидация, Масштабирование, Эксплуатация)

— Портфельное управление

— Процесс приоритизации (какие проекты запускать, какие закрывать)

3. Метрики и KPI:

— Бизнес-метрики: ROI, EBIT impact, Cost Savings

— Технические метрики: точность модели, качество данных и т. д.

— Метрики внедрения: принятие технологии, удовлетворенность пользователя, время внедрения.

4. Бюджет и ресурсы:

— Распределение бюджета между проектами

— Распределение людей (Data Scientists, ML-инженеры) между проектами

— Инвестиции в инфраструктуру и инструменты

Компании-лидеры инвестируют 30—40% бюджета ИИ-программы в управление (роли, процессы, управление данными), компании-отстающие инвестируют 5—10% в управление, остальное — в технологии. В результате лидеры имеют успех при внедрении ИИ в 85% случаев и затрачивают 2—4 месяца на перевод технологии в промышленную эксплуатацию с ROI 200—300%. Отстающие же имеют до 20% успеха при 12—18 месяцев внедрения в эксплуатацию и ROI до 10% (начиная с отрицательных значений).

Столп 2. Технология

Архитектура, данные, инфраструктура, выбор между покупкой и разработкой.

Без технологии система не может масштабироваться. Данные грязные, интеграция сломана, результат работы моделей не подходит бизнесу. С технологией система надёжна, масштабируется, даёт необходимые и предсказуемые результаты.

Что включает технология?

— Данные — основа для ИИ

— ИИ-модели — LLM или классические модели ML (машинное обучение)

— Инфраструктура — облака, серверы, вычислительные мощности, каналы связи

— Инструменты разработки — MLOps, платформы, фреймворки

— API и интеграции — связь между моделями и ИТ-системами

Технологии выбираются исходя из бизнес-задач, а не наоборот. Алгоритм следующий:

— Определить бизнес-задачу (например, снизить отток клиентов на 20%)

— Определить, готовность к внедрению ИИ

— Определить, какая модель нужна

— Выбрать технологию

— Построить MVP (минимальную рабочую версию) и протестировать

Столп 3. Люди

Это всё, что связано с компетенциями (цифровая грамотность, навыки работы с ИИ, формулирование и описание идей), культурой (готовность к экспериментам, принятие неудач) и мотивацией (система поощрений за использование ИИ). Без этого люди саботируют систему, даже если она хорошая.

Людей нужно готовить и обучать. Так они становятся союзниками, система используется, а мы получаем результат.

— Люди принимают решения (какие проекты запускать, как интерпретировать результаты)

— Люди создают модели (Data Scientists, ML-инженеры)

— Люди используют систему (если принятие ниже 20%, то ROI = 0)

— Люди адаптируются к изменениям (или саботируют их)

Компании-лидеры инвестируют в людей (обучение, культура, изменения) 30% бюджета ИИ-программы, компании-отстающие — до 10%. В результате лидеры имеют 80—90% принятие изменений, высокую удовлетворенность пользователей и ROI, а отстающие 20—40% принятия и ROI, не оправдывающий инвестиций.

Пример.

Компания А (лидер) провела базовое обучение для 100% сотрудников (10 часов онлайн-курсов), углублённое обучение для лидеров изменений (50 амбассадоров по подразделениям) и руководства, вовлекала пользователей в настройку систем и их тестирование и в результате получала ROI 280% (принятие изменений 85%, NPS системы 9).

Компания Б (отстающая) обучила только ИТ-команду, остальным пользователям дался уже полностью готовый продукт с приказом работать теперь только при помощи него. Страхи не были развеяны руководством. Как результат — ROI 10% (принятие изменений 20%, NPS системы 3)

Вывод очевиден: инвестиции в людей дают наибольший возврат. Технологии можно купить, а компетенции и культуру — нужно создавать.

Баланс трёх столпов

Многие компании делают перекос в сторону технологий:

— 80% бюджета на технологии

— 5—10% на управление

— 5—10% на людей

В итоге, технологии есть, но они не работают, потому что нет управления, и люди не используют систему.

Правильный баланс (по опыту лидеров) — по трети бюджета на каждый из столпов.

В следующих главах (Главы 5—14) мы детально разберём каждый столп.

Модель цифровой трансформации и внедрения ИИ

Чтобы искусственный интеллект, системный подход и три столпа приносили результат, нужна системная рамка. Она должна направлять все усилия в практическое русло.

Я использую модель цифровой трансформации, поскольку ИИ — это частный случай цифровизации и автоматизации.

Модель была разработана мною и моими коллегами. Для себя я называю её «Модель 136» (1 фокус, 3 интегрирующих элемента, 6 изменяемых элементов / доменов).

Структура модели.

Три уровня

1. Фокус

Всё, что мы делаем с ИИ, должно служить стратегии компании. Технологии — это средство, а не цель. Если ИИ-проект не связан с целями бизнеса, он превращается в дорогой эксперимент.

2. Интегрирующие элементы (домены)

Фундаментальные компоненты, необходимые для успешной цифровизации и цифровой трансформации организации, внедрения ИИ.

3. Изменяемые домены

Области бизнеса, которые подвергаются трансформации, и компания получает преимущества.

Интегрирующие элементы (3 домена)

Домен 1. Система управления и стратегия

Стратегическая основа цифровой трансформации. Включает формирование стратегии цифровизации, процессное управление, управление проектами и изменениями, организационную структуру и систему регулярного менеджмента.

Субдомены

1. Стратегия цифровизации

Наличие и качество долгосрочной цифровой стратегии (с включением ИИ), её интеграция с общей бизнес-стратегией организации, регулярный пересмотр и каскадирование на уровень подразделений.

2. Управление ограничениями, проектами и изменениями

Зрелость методологий управления проектами, практик управления изменениями и способность организации идентифицировать и преодолевать ограничения в ходе цифровых инициатив.

3. Процессное управление

Уровень формализации, оптимизации и цифровизации бизнес-процессов организации, включая применение нотаций (BPMN), автоматизацию и непрерывное совершенствование.

4. Управление коммуникациями

Эффективность внутренних и внешних коммуникаций по вопросам цифровой трансформации, включая прозрачность принятия решений и вовлечение стейкхолдеров.

5. Организационная структура

Соответствие организационной структуры задачам цифровой трансформации: наличие цифровых ролей, кросс-функциональных команд, центров компетенции.

6. Практики регулярного менеджмента

Системность управленческих практик: регулярные ревью, KPI-мониторинг, управление по целям в контексте цифровой трансформации и внедрения ИИ.

Домен 2. Персонал и организационная культура

Готовность персонала и организационной культуры к цифровым изменениям. Включает развитие компетенций, мотивацию сотрудников, лидерство и формирование культуры инноваций и непрерывного обучения.

Субдомены

1. Цифровые компетенции и обучение

Уровень цифровых компетенций сотрудников, наличие систематических программ обучения, оценки компетенций и планирования развития цифровых навыков.

2. Организационная культура трансформации

Зрелость культурных установок, поддерживающих цифровую трансформацию: готовность к экспериментам, принятие ошибок, ориентация на данные и клиента.

3. Мотивация и вовлечённость

Системы нематериальной и материальной мотивации, направленные на поддержку цифровых изменений; уровень вовлечённости сотрудников в инициативы трансформации.

4. Лидерство и управление талантами

Наличие цифровых лидеров на всех уровнях организации, программы идентификации и развития талантов в области цифровых технологий, преемственность лидерства.

5. Система управления персоналом

Цифровизация HR-функции: наличие HR-аналитики, автоматизированных процессов найма, адаптации и оценки персонала с учётом цифровых ролей.

6. Адаптация к изменениям

Наличие практик и инструментов, обеспечивающих организационную адаптацию: управление сопротивлением, change management frameworks, регулярные ретроспективы.

Домен 3: Цифровая инфраструктура и технологии

Наличие и использование необходимой ИТ-инфраструктуры для выполнения рабочих задач, работы с данными, обеспечения безопасности и разработки цифровых решений. Включает оборудование, ПО, каналы связи и технические процессы.

Субдомены

1. ИТ-архитектура и инфраструктура

Зрелость корпоративной ИТ-архитектуры: наличие описанной архитектуры, стандартизация технологического стека, масштабируемость и надёжность инфраструктуры, возможность удалённой работы.

2. Кибербезопасность и защита данных

Комплекс мер по защите информационных активов: политики безопасности, технические средства защиты, управление инцидентами и соответствие регуляторным требованиям.

3. Облачные технологии и сервисы

Уровень освоения облачных технологий: стратегия cloud adoption, использование IaaS/PaaS/SaaS, управление мульти-облачными средами и оптимизация облачных расходов.

4. Интеграция и API

Связность внутренних систем: внутренняя интеграционная шина, API-управление внутри периметра, стандарты обмена данными между подразделениями. Разграничено с разделом 5.5: здесь — внутренняя интеграция, в 5.5 — внешняя API-экономика.

5. Жизненный цикл приложений

Зрелость процессов разработки, тестирования и вывода из эксплуатации приложений: DevOps-практики, управление техническим долгом, портфельное управление приложениями.

6. ИТ-поддержка и сервис

Качество и оперативность ИТ-поддержки пользователей: SLA-выполнение, ITSM-зрелость, самообслуживание и автоматизация Service Desk.

Изменяемые домены (6 доменов)

Домен 4. Клиенты и ценностное предложение

Повышение ценности для клиентов через цифровые каналы взаимодействия, улучшение клиентского опыта, создание новых продуктов и услуг, а также разработку инновационных бизнес-моделей.

Субдомены

1. Омниканальное взаимодействие

Бесшовный клиентский опыт через все каналы коммуникации: цифровые, физические и голосовые. Единое представление клиента, согласованность сообщений и переходов между каналами.

2. Управление клиентским опытом

Измерение, анализ и улучшение клиентского опыта: NPS/CSAT/CES-метрики, карта взаимодействия с клиентом, голос клиента (VoC) и замкнутый цикл обратной связи.

3. Цифровые продукты и сервисы

Продуктовая зрелость цифрового портфеля: скорость запуска, охват, использование продуктового подхода (product-led growth) и customer-centric design.

4. Персонализация и настраиваемость

Применение ML/AI для персонализации клиентского взаимодействия: рекомендательные системы, динамическое ценообразование, сегментация и индивидуальная коммуникация.

5. Маркетинг, лояльность и удержание

Цифровой маркетинг, программы лояльности и метрики удержания: CLV, churn rate, ROI маркетинговых кампаний, автоматизация маркетинга.

6. Новые бизнес-модели и монетизация

Способность организации создавать и монетизировать новые цифровые бизнес-модели: подписки, маркетплейсы, freemium, data-as-a-service, платформенные модели.

Домен 5. Экосистема и партнёрства

Получение конкурентных преимуществ через развитие экосистемных взаимодействий, стратегических партнёрств и создание сетевых эффектов в цифровой среде.

Субдомены

1. Стратегическое партнёрство

Формирование и управление стратегическими партнёрствами для ускорения цифровой трансформации: совместные инвестиции, технологические альянсы, партнёрства с компаниями в сфере финансовых технологий и регуляторных технологий.

2. Платформенные модели

Развитие и монетизация платформенных бизнес-моделей: двусторонние рынки, магазины приложений, маркетплейсы партнёров, управление платформенной экосистемой.

3. Совместное создание ценности

Практики совместного создания продуктов и сервисов с клиентами, партнёрами и сообществами: бета-программы, совместные лаборатории, открытые инновационные платформы.

4. Экосистемное взаимодействие

Глубина участия в отраслевых экосистемах: членство в платформах, стандартах и альянсах, измеримые результаты экосистемного сотрудничества.

5. Экономика программных интерфейсов

Монетизация внешних API: доход от API-продуктов, количество внешних партнёров-интеграторов, магазины API и т. д. Сфокусирован на внешнем эффекте.

6. Сетевые эффекты

Способность организации создавать и усиливать сетевые эффекты: рост ценности платформы с увеличением числа участников, виральность, метрики сетевой плотности.

Домен 6. Безопасность, риски и соответствие требованиям

Комплексное обеспечение безопасности бизнеса во всех аспектах, управление рисками цифровой трансформации и соответствие регулятивным требованиям.

Субдомены

1. Физическая и производственная безопасность

Комплексная безопасность физической инфраструктуры с акцентом на цифровые технологии: IoT-мониторинг, видеоаналитика, СКУД, цифровые системы ОТ/ICS и интеграция физической и кибербезопасности.

2. Этика ИИ и ответственное использование технологий

Политики и практики ответственного применения ИИ: предотвращение предвзятости алгоритмов, объяснимость, управление ИИ-рисками, соответствие регуляторными правилам и внутренние этические кодексы.

3. Информационная безопасность

Зрелость управления информационной безопасностью: ISO 27001, SIEM, SOC, управление уязвимостями, киберустойчивость и защита от продвинутых угроз (APT).

4. Экономическая безопасность

Цифровые аспекты экономической безопасности: мониторинг контрагентов, противодействие мошенничеству, защита интеллектуальной собственности, антикоррупционные цифровые системы.

5. Операционная безопасность

Непрерывность бизнеса в цифровом контексте: BCP/DR, управление инцидентами, резервирование, кризисные коммуникации и тестирование устойчивости.

6. Соответствие и управление рисками

Управление регуляторным соответствием и корпоративными рисками в цифровом контексте: GDPR, отраслевые регуляторы, управление рисками третьих сторон, GRC-платформы.

Домен 7. Инновации и развитие продуктов

Способность организации создавать инновации, разрабатывать новые продукты и услуги, внедрять передовые технологии и поддерживать культуру непрерывного развития.

Субдомены

1. Результативность НИОКР

Измеримые результаты R&D-деятельности: доля выручки от продуктов, созданных за последние 3 года, конверсия R&D-проектов в коммерческие продукты, ROI инвестиций в исследования и разработки.

2. Прототипирование и проверка гипотез

Скорость инновационного цикла: lean startup-практики, MVP-подход, дизайн мышления, время от идеи до первого прототипа, доля вовремя остановленных неперспективных проектов.

3. Управление жизненным циклом продукта

Результативность управления жизненным циклом продукта: скорость вывода на рынок (time-to-market), доля успешных запусков, портфельное управление продуктами, ретроспективный ROI-анализ продуктового портфеля.

4. Гибкие методологии и непрерывная поставка

DORA-метрики: частота внедрения изменений, время прохождения изменений от разработки до внедрения, доля неуспешных изменений, среднее время восстановления. Уровень зрелости гибких подходов к разработке и эксплуатации, а также процессов непрерывной интеграции и поставки изменений.

5. Открытые инновации

Вовлечение внешних источников инноваций: хакатоны, программы ускоренного развития проектов, открытые программные интерфейсы для стартапов, коллективный сбор идей, корпоративные венчурные инвестиции и партнёрства с университетами.

6. Результативность передовых технологий

Измеримая отдача от внедрения передовых технологий: доля бизнес-процессов с применением искусственного интеллекта и машинного обучения, экономическая эффективность внедрений интернета вещей, экономический эффект от роботизации процессов, количественно оценённые эффекты от использования технологий распределённых реестров.

Домен 8. Данные и аналитика

Повышение уровня использования данных для принятия управленческих решений, включая сбор, обработку, анализ данных и создание data-driven культуры в организации.

Субдомены

1. Качество и доступность данных

Возможность использовать данные для принятия решений. Измеримые показатели качества данных: полнота, актуальность, точность, доступность для бизнес-пользователей. Каталог данных, управление основными данными, соглашения об уровне доступности данных.

2. Результативность аналитики

Бизнес-эффект от аналитики: доля решений, принятых на основе данных, покрытие ключевых процессов информационными панелями, скорость получения аналитических выводов, уровень использования аналитических инструментов.

3. Прикладное машинное обучение и генеративный ИИ

Зрелость применения машинного обучения и генеративного искусственного интеллекта: количество моделей в промышленной эксплуатации, экономическая эффективность проектов машинного обучения, применение генеративного ИИ для автоматизации, зрелость процессов сопровождения и эксплуатации моделей.

4. Ценность данных как актива

Монетизация данных и экономическая эффективность управления данными: доход от использования данных, оценка стоимости информационных активов, внутренние площадки обмена данными, эффективность инвестиций в управление данными.

5. Доступность данных и аналитики

Самостоятельная аналитика и уровень владения данными: доля сотрудников, самостоятельно использующих аналитические инструменты, программы повышения грамотности работы с данными, децентрализованная организация аналитики.

6. Принятие решений на основе данных

Культура принятия решений на основе данных: уровень использования данных на уровне руководства, проведение контролируемых экспериментов как стандартная практика, управление продуктами с опорой на данные.

Домен 9. Гибкость и операционная эффективность

Повышение гибкости и эффективности бизнес-процессов через автоматизацию, цифровизацию операций и внедрение современных подходов к управлению.

Субдомены

1. Архитектура и управление процессами

Зрелость управления бизнес-процессами: архитектура процессов с использованием стандартизированной нотации, анализ фактического выполнения процессов на основе данных, непрерывное совершенствование (бережливое производство, кайдзен) и управление операционными показателями.

2. Автоматизация процессов

Результативность автоматизации: доля автоматизированных рутинных процессов, экономическая эффективность внедрения программных роботов, интеллектуальная автоматизация (сочетание роботизации и искусственного интеллекта), стратегия сквозной автоматизации.

3. Цифровой документооборот и управление знаниями

Цифровизация документооборота и управление корпоративными знаниями: электронный документооборот, базы знаний, корпоративные справочные системы, интеллектуальный поиск по знаниям, адаптация сотрудников через системы управления знаниями.

4. Операционное совершенство

Результативность операционной деятельности: общая эффективность использования ресурсов и оборудования, показатели качества и снижения дефектов, скорость операционного цикла, уровень удовлетворенности внутренних сервисов, оптимизация затрат на обслуживание процессов.

5. Цифровое рабочее место

Результативность цифрового рабочего места: индекс продуктивности сотрудников, доля времени на нецифровые задачи, скорость внутренних коммуникаций, уровень использования инструментов совместной работы.

6. Гибкие подходы и адаптивность

Организационная гибкость как результат трансформации: скорость адаптации организации, индекс гибкости бизнеса, доля команд, работающих по гибким методологиям, показатели устойчивости к изменениям.

Связь модели с тремя столпами

Модель 136 интегрирует три столпа успеха ИИ-проектов:

— Столп «Управление» соответствует Домену 1 (Система управления и стратегия)

— Столп «Люди» соответствует Домену 2 (Персонал и организационная культура)

— Столп «Технология» соответствует Домену 3 (Цифровая инфраструктура и технологии)

Изменяемые домены (4—9) — это области бизнеса, где ИИ приносит конкретную ценность.

Фокус — это стратегия компании, которая определяет, какие домены приоритетны.

Три уровня системного управления ИИ

Управление ИИ происходит на трёх уровнях:

— Стратегический уровень (C-level)

— Тактический уровень (Программный)

— Операционный уровень (Проектный)

Каждый уровень отвечает за свои задачи, но они взаимосвязаны.

Уровень 1. Стратегический (C-level)

Кто: CEO, CFO, CIO/CTO, Chief AI Officer (CAIO)

Задачи:

— Определить стратегию ИИ (зачем нам ИИ? какие проблемы решаем?)

— Утвердить бюджет и ресурсы

— Создать управляющий комитет по ИИ (AI Board)

— Мониторить влияние на EBIT, ROI, стратегические цели

— Принимать ключевые решения (какие проекты запускать, какие закрывать)

Частота встреч: 1 раз в 1—3 месяца (на старте возможно 1 раз в 2 недели)

Уровень 2. Тактический

Кто: Chief AI Officer, Центр компетенций (CoE), владелец продукта

Задачи:

— Управлять портфелем проектов

— Распределять бюджет и ресурсы между проектами

— Проводить контрольные точки для каждого проекта

— Мониторить KPI (ROI, EBIT, степень принятия, точность модели)

— Координировать между подразделениями

Частота встреч: Еженедельно или ежемесячно

Уровень 3. Операционный

Кто: владелец продукта, дата-сайентисты, ML-инженеры, бизнес-аналитики

Задачи:

— Реализовать конкретные проекты

— Разработать и обучить модели

— Провести пилоты и тесты

— Внедрить в промышленную эксплуатацию

— Мониторить качество моделей, переобучать при необходимости

Частота встреч: Ежедневно или еженедельно

Резюме главы

Ключевые выводы

1. Системный подход — это необходимость.

ИИ требует системного подхода, не просто технологии, а управления, людей, культуры. ИИ-проекты еще сложнее, нежели обычные ИТ-проекты, так как больше неопределённости и меньше точности. Однако ИИ создаёт больше гибкости и эффект может быть кратно выше обычной автоматизации.

Восемь компонентов системного подхода:

— Lean (бережливое производство)

— Управление проектами и продуктами

— Теория ограничений систем

— Практики регулярного менеджмента

— Коммуникация

— Внедрение изменений

— Стратегия, бизнес-процессы и организационная структура

— Цифровые технологии, работа с данными и кибербезопасность

2. Три столпа должны быть сбалансированы

Успех = Управление × Технология × Люди

Правильный баланс — треть бюджета на каждый столп

3. Модель 136 направляет усилия

Модель цифровой трансформации:

— 1 фокус: реализация стратегии компании

— 3 интегрирующих элемента: Управление, Люди, Технологии

— 6 изменяемых доменов: Клиенты, Экосистема, Безопасность, Инновации, Данные, Эффективность и гибкость

4. Три уровня управления

— Стратегический (C-level) — стратегия, бюджет, ключевые решения

— Тактический (Программный) — портфель проектов, контрольные точки (Gates), KPI

— Операционный (Проектный) — реализация проектов, пилоты, промышленная эксплуатация (production)

5. Четыре волны внедрения (18 месяцев)

— Волна 1: фундамент (0—3 мес) — создать управление, запустить пилоты

— Волна 2: быстрые победы (4—9 мес) — первые результаты, 2—3 проекта в production

— Волна 3: масштабирование (10—15 мес) — 8—12 проектов, инфраструктура

— Волна 4: трансформация (16—18+ мес) — 15—20 проектов, +5 EBIT-пунктов

В этой главе я описал общую схему, далее детально разберу каждый элемент.

ГЛАВА 5. УПРАВЛЕНИЕ КАК ФУНДАМЕНТ ВНЕДРЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Почему ИИ должен следовать за бизнес-стратегией

Самая распространённая ошибка компаний — технология впереди цели.

Это выглядит так: услышали про нейросеть, выделили бюджет и наняли специалистов, после чего запустили проект. Но зачем? Что должно измениться в бизнесе? Какая проблема должна быть решена?

Без ответов на эти вопросы получается дорогой эксперимент, который не приносит пользы. Даже если модель работает идеально с технической точки зрения, она не добавляет ценности, ведь не связана с целями компании.

Правильный подход — от стратегии к инструменту.

— Определите, куда движется бизнес

— Найдите препятствия на этом пути

— Выберите инструмент для преодоления препятствий

— ИИ — один из возможных инструментов, не единственный

Пример. Строительная компания со стратегической целью увеличить прибыльность проектов с 3% до 8% за три года. Это цель бизнеса, а не технологий. Теперь задача — понять, как ИИ может помочь.

Анализ выявил три проблемы:

— Перерасход материалов. В среднем 40% песка, цемента и арматуры заказывается с избытком. Излишки пропадают или портятся.

— Простои техники. Экскаваторы и краны стоят без дела до 2 часов в день. Это ₽120 млн потерь в год на парк из 89 единиц.

— Задержки поставок. Каждый второй проект задерживается на 0.5–1 месяц. Причина — материалы приходят не вовремя.

Эти три проблемы напрямую влияют на прибыльность. Для каждой из них ИИ может стать решением:

— Прогнозирование потребности в материалах с учётом типа объекта, погоды, подрядчиков снизит перерасход с 40% до 10%.

— Оптимизация графиков работы техники на основе данных о загрузке и перемещениях сократит простои с 2.1 до 0.8 часа в день.

— Предсказание срывов поставок через анализ поведения поставщиков и внешних факторов уменьшит задержки проектов с 50% до 15%.

Теперь у компании есть стратегия применения ИИ. Она вытекает из стратегии бизнеса: каждый проект ИИ привязан к конкретной бизнес-цели, каждый имеет измеримый вклад в прибыльность.

Типовые стратегии компании, цели и роль ИИ

Любая стратегия сводится к нескольким направлениям. ИИ может усилить каждое из них.

1. Рост бизнеса

Цель: увеличить выручку, долю рынка, количество клиентов или средний чек.

Примеры использования ИИ:

— Персонализация предложений для клиентов (системы рекомендаций)

— Прогнозирование спроса и выявление новых сегментов рынка

— Автоматизация продаж и маркетинга (чат-боты, точный подбор рекламы)

Например, розничная сеть использует систему рекомендаций, которая анализирует покупки клиента и предлагает товары в нужный момент. Средний чек вырос на 18%, частота покупок — на 12%. Это рост бизнеса через технологии.

И здесь я хочу вернуться к своим словам из Главы 2 (про вторую ловушку). Большинство компаний допускает перекос инвестиций из-за того, что думает о росте как о продажах и маркетинге. Но это заблуждение. Рост — это ещё и качественный сервис (или продукция) в зависимости от своего сегмента, и исключение болезней роста. Что под этим подразумевается?

— Гарантированность стандарта качества для продукции (услуги) при масштабировании.

Это отсутствие брака и человеческих ошибок, контроль качества продукции. Тут, например, ИИ может решать вопросы контроля качества через машинное зрение, анализа звонков менеджеров и так далее.

— Возможность кастомизации продукции (услуги) для каждого клиента

Тут ИИ можно использовать для быстрой переналадки оборудования, создания карточек заказов, персонализированных предложений и т. д.

— Конкурентноспособная цена

Один из критериев качества для большинства клиентов — цена. Особенно с учетом макроэкономических факторов в середине 2020-х годов. Тут ИИ может снижать себестоимость услуг и товаров с помощью решения задач из блока ниже, а для этого нужны процессы, мотивированная и компетентная команда (которую вы не сформируете на рутинных и ручных задачах), необходимая инфраструктура.

Давайте приведу несколько примеров реализации стратегии роста.

1. Рост через Лидерство по издержкам

2. Рост через Дифференциацию

Привлечение клиентов уникальностью продукта/сервиса, за которую готовы платить.

3. Рост через Выход на новые рынки / Экспансию

Физическое или географическое расширение бизнеса.

Это далеко не все примеры, но и книга не про стратегии. ИИ — это не просто «ускоритель», а механизм, позволяющий выбрать конкретный путь роста и устранить барьеры этого пути.

Давайте приведу ещё один пример из моей практики в нефтесервисной компании. Для определения пула ИИ-проектов (и в целом направления цифровизации) необходимо было понять, что такое качество для клиентов компании. Я сформировал следующие критерии.

— Своевременный старт работ и комплектность полевых партий (мобилизация людей и техники)

— Отсутствие отказов по техническим причинам (обслуживание оборудования и его техническое состояние)

— Компетентность сотрудников и отсутствие отклонений по вине людей

— Стоимость работ (рыночная цена)

— Качественная (оформление, содержание и достоверность) и своевременная документация по проекту

— Соответствие инженерных решений исходному заданию и ожиданиям заказчика

— Производственная безопасность

И уже исходя из этого мы определили пул приоритетных ИИ-проектов:

— Ассистент для планирования проектов и создания заявок на комплектацию, плана мобилизации (в т.ч. подбор сотрудников с необходимыми компетенциями и допусками)

— Ассистент по расследованию инцидентов, рассылке его результатов и проверке знаний персонала по итогам ознакомления

— Ассистент технологической поддержки

— Ассистент руководителя проекта по проверке ежесуточной отчётности и так далее.

2. Снижение затрат / повышение прибыльности

Цель: сократить издержки на персонал, материалы, логистику, брак, простои.

Примеры использования ИИ:

— Автоматизация рутинных операций (обработка документов, ответы на запросы)

— Предсказание поломок оборудования и предотвращение простоев

— Оптимизация цепочки поставок и логистики

— Выявление дефектов в производстве (компьютерное зрение)

Подобные примеры можно использовать и для обеспечения роста бизнеса, но уже как менее приоритетные.

Пример. Банк внедрил систему автоматической обработки платёжных документов. Раньше обработка одного документа занимала 8 минут, требовалось 4 проверки. Система обрабатывает 500 документов в день. Затраты сократились на 35%, а скорость обслуживания клиента выросла в 20 раз.

3. Управление рисками и соответствие требованиям

Цель: защитить активы, соблюсти регуляторные требования, предотвратить мошенничество.

Примеры использования ИИ:

— Детектирование мошенничества и аномалий в реальном времени

— Мониторинг соответствия требованиям

— Прогнозирование кредитных рисков

Пример. Страховая компания внедрила систему выявления мошеннических претензий, которая анализирует 100+ признаков и определяет подозрительные заявки с точностью 94%. Это сохранило компании ₽180 млн в год.

Пять вопросов для привязки ИИ к стратегии

Прежде чем запускать проект с ИИ, ответьте на пять вопросов. Они помогут убедиться, что технология служит стратегии.

Вопрос 1. Какова главная стратегическая цель компании на ближайшие 2–3 года?

Формулировка должна быть конкретной. Не «стать лучше», а «увеличить долю рынка с 15% до 22%». Или «снизить операционные расходы на ₽10 млн».

Вопрос 2. Какие препятствия мешают достичь этой цели?

Перечислите три главных проблемы. Например:

— «Теряем клиентов из-за медленного сервиса»

— «Перерасход материалов на 20%»

— «Не можем масштабировать производство без найма новых людей»

Вопрос 3. Как ИИ может устранить или смягчить эти препятствия?

Для каждой проблемы опишите конкретное решение через ИИ. Например:

— «Чат-бот ответит на 70% запросов мгновенно»

— «Модель спрогнозирует точную потребность в материалах»

— «Роботизация позволит увеличить выпуск без роста штата»

Вопрос 4. Какие показатели изменятся, если решение сработает?

Определите метрики успеха. Например:

— «Время ответа клиенту снизится с 4 часов до 30 минут»

— «Перерасход материалов сократится с 20% до 5%»

— «Производительность линии вырастет на 35%»

Вопрос 5. Какова связь этих показателей с финансовыми результатами компании?

Переведите изменения в деньги. Например:

— «Сокращение времени ответа увеличит удовлетворённость клиентов на 15%»

— «Это снизит отток с 12% до 8%»

— «Это сохранит ₽45 млн выручки»

Или: «Экономия материалов даст ₽18 млн чистой прибыли в год».

Вопрос 6. Выделите 5—10 основных критериев качества продукции/услуг вашей компании (или подразделения), которые важны для внутренних и внешних партнёров.

Определите, что важно для ваших клиентов, ведь именно они приносят деньги, и именно они определяют вашу эффективность.

Если на любой из пяти вопросов нет чёткого ответа — проект ИИ рискует превратиться в дорогой эксперимент. Результат — потеря денег и разочарование команды.

Пример мышления компаний-лидеров и отстающих.

Компания-лидер: производство, 5000 сотрудников

Стратегическая цель: увеличить EBIT-показатель на 5 пунктов за 18 месяцев.

Стратегия ИИ (трёхлетний горизонт):

— Год 1. Внедрить предиктивное обслуживание, чтобы сократить простои на 40% и сэкономить 120 млн руб. в год.

— Год 2. Система контроля качества на основе компьютерного зрения снизит брак с 3% до 0,5% и сэкономит 80 млн руб. в год.

— Год 3. Оптимизация цепочки поставок позволит сократить затоваривание на 30% и высвободить 200 млн руб. оборотных средств.

Результат: через 18 месяцев компания достигла +4,2 EBIT-пункта. Целевые 5 пунктов были амбициозными, но направление правильное.

Компания-отстающая: торговля, 3000 сотрудников

Стратегическая цель неясна, руководство просто хочет быть современным.

Подход к ИИ: точечные проекты без связи друг с другом.

— Проект 1. Чат-бот (видели у конкурента).

— Проект 2. Анализ настроений (потому что модно).

— Проект 3. Система рекомендаций (прочитали статью).

Результат: через 18 месяцев ни один проект не вышел в промышленную эксплуатацию. Чат-бот работает на 60% точности, анализ настроений никто не использует, система рекомендаций застряла в пилоте. Возврат инвестиций близок к нулю.

Разница: лидер начал со стратегии и привязал ИИ к целям, отстающая начала с технологии без системного подхода.

Модель каскадирования целей: от стратегии к проектам

Стратегия компании живёт на высоком уровне: «Увеличить прибыль», «Стать лидером», «Выйти на новый рынок». Команда, внедряющая ИИ, работает на уровне задач: разработать модель, собрать данные, обучить пользователей. Между ними существует разрыв.

Каскадирование целей превращает стратегические намерения в конкретные действия. Это логическая цепочка, показывающая, как каждый проект работает на общую цель.

Каскадирование отвечает на вопросы:

— Почему именно этот проект, а не другой?

— Как он влияет на стратегию компании?

— Какие показатели докажут его успех?

Без каскадирования проекты живут своей жизнью: команда гордится точностью модели, а бизнес не понимает, зачем это нужно.

Уровни каскадирования

Уровень 1. Стратегия компании

Здесь формулируются главные цели бизнеса на 2—3 года в финансовых и рыночных терминах.

Примеры стратегических целей:

— Увеличить EBIT с 12% до 17% за 24 месяца.

— Выйти на новый рынок, достичь доли 8% за 18 месяцев.

— Повысить удовлетворённость клиентов с 72% до 89%.

— Снизить операционные затраты на 15% без потери качества.

На этом уровне ИИ еще не упоминается. Задача — понять, что нужно достичь.

Роль ИИ: руководство оценивает, может ли ИИ ускорить достижение целей. Например, для повышения удовлетворённости клиентов ИИ может автоматизировать ответы, ускорить обработку заказов, персонализировать предложения.

Уровень 2. Стратегия цифровизации и ИИ

Стратегические цели переводятся в приоритеты для технологий. Определяется, где ИИ будет применяться, какие направления получат инвестиции, кто отвечает за результат.

Ключевые вопросы уровня 2:

— Каков бизнес-контекст компании и основные ограничения (физические, политические, рыночные, человеческие), уровень зрелости и готовности компании?

— Какие области бизнеса нуждаются в трансформации через ИИ?

— Каков идеальный образ результата?

— Какой бюджет выделяется на каждое направление и какие необходимы ресурсы?

— Какие показатели успеха установлены?

— Кто отвечает за достижение результата?

Я в работе использую более комплексную версию, но хотя бы на эти вопросы нужно ответить.

Пример каскадирования.

Стратегическая цель — увеличить EBIT с 12% до 17% за 24 месяца.

Стратегия ИИ:

Направление 1. Оптимизация логистики (целевой вклад: +2 EBIT-пункта)

— Прогнозирование спроса для сокращения затоваривания на 30%

— Оптимизация маршрутов для снижения транспортных затрат на 20%

— Бюджет: 40 млн руб.

— Ответственный: операционный директор

Направление 2. Персонализация маркетинга (целевой вклад: +1,5 EBIT-пункта)

— Система рекомендаций для увеличения среднего чека на 25%

— Автоматизация кампаний для снижения затрат на рекламу на 15%

— Бюджет: 30 млн руб.

— Ответственный: директор по маркетингу

Направление 3. Предиктивное обслуживание (целевой вклад: +1,5 EBIT-пункта)

— Прогнозирование поломок для сокращения простоев на 40%

— Оптимизация графиков ремонта для снижения затрат на 25%

— Бюджет: 30 млн руб.

— Ответственный: директор по производству

Итого: три направления, бюджет 100 млн руб., целевой прирост EBIT 5 пунктов. Теперь видно, куда идут деньги, кто отвечает, какой результат ожидается.

Уровень 3. Портфель проектов

Каждое направление детализируется до конкретных проектов с чёткими целями, показателями, ресурсами и сроками.

Пример детализации:

Направление: оптимизация логистики (цель: +2 EBIT-пункта)

Проект 1. Прогнозирование спроса

— Цель: сократить затоваривание с 15% до 10% за 6 месяцев.

— Показатель успеха: точность прогноза ≥ 85%.

— Бюджет: 15 млн руб..

— Сроки: запуск через 6 месяцев, масштабирование через 12 месяцев.

— Ответственный: руководитель отдела логистики.

Проект 2. Оптимизация маршрутов доставки

— Цель: снизить транспортные затраты на 20% за 9 месяцев.

— Показатель успеха: средний километраж на доставку с 120 км до 96 км.

— Бюджет: 12 млн руб..

— Сроки: запуск через 4 месяца, масштабирование через 9 месяцев.

— Ответственный: руководитель транспортного отдела.

Проект 3. Автоматизация управления складами

— Цель: увеличить скорость обработки заказов на 30% за 12 месяцев.

— Показатель успеха: время комплектации с 45 до 32 минут.

— Бюджет: 13 млн руб..

— Сроки: запуск через 9 месяцев, масштабирование через 15 месяцев.

— Ответственный: руководитель складского комплекса.

Теперь каждый проект имеет конкретную цель, метрику, бюджет, сроки и ответственного. Команда понимает, что делать, а руководство видит, как проекты работают на стратегию.

Уровень 4. Операционные метрики

Операционные метрики показывают изменения в процессах и эффективности работы.

Почему операционные метрики важны:

— Они показывают, как именно ИИ влияет на работу компании

— Они помогают найти узкие места, если бизнес-результаты не достигнуты

— Они дают обратную связь для улучшения системы

Уровень 5: Технические метрики

Технические метрики показывают качество работы самой ИИ-системы.

Почему технические метрики важны:

— Они показывают, работает ли система технически

— Они помогают специалистам улучшать модель

— Они дают ранние сигналы о деградации системы

Ошибки при каскадировании целей

Ошибка 1. Проекты без связи со стратегией

Команда запускает проект, потому что «это интересно» или «конкуренты делают». Но никто не объясняет, как это влияет на стратегию.

Чтобы избежать этого, для каждого проекта задайте вопрос: «На сколько вырастет EBIT, если проект успешен?» Если ответ неясен, то проект не стратегический.

Ошибка 2. Технические цели вместо бизнес-целей

Команда формулирует: «Разработать модель машинного обучения с точностью 90%». Это техническая цель, не бизнес-цель.

Правильная формулировка: «Сократить затоваривание с 15% до 10%, сэкономив 50 млн руб. в год. Для этого модель должна прогнозировать спрос с точностью ≥ 85%».

Техническая метрика существует, но служит бизнес-цели.

Ошибка 3. Проект отвечает на вопрос «Как это поможет?» только на словах

Нет расчётов. Нет логики. Просто вера.

Требуйте письменное обоснование: «Если достигнем [техническая метрика], это приведёт к [изменение процесса], что даст [финансовый результат]».

Система целей и ключевых результатов для трансформации

Система целей и ключевых результатов (OKR) — методология для постановки амбициозных целей и отслеживания прогресса. Она состоит из двух элементов:

— Цель — амбициозная, вдохновляющая, качественная.

— Ключевые результаты — 3—5 измеримых показателей, доказывающих достижение цели.

Эта методология особенно эффективна для программ трансформации, где результаты появляются не сразу, а команде нужен ясный ориентир.

Формат системы целей и ключевых результатов

Цель: [Амбициозная цель в 1—2 предложениях]

Ключевые результаты:

— [Метрика] от [текущее значение] до [целевое значение]

— [Метрика] от [текущее значение] до [целевое значение]

— [Метрика] от [текущее значение] до [целевое значение]

Пример для программы внедрения ИИ

Цель: трансформировать клиентское обслуживание через автоматизацию и персонализацию.

Ключевые результаты:

— Автоматизировать обработку 70% обращений (сейчас 15%).

— Повысить удовлетворённость клиентов с 72% до 89%.

— Сократить время ответа с 48 часов до 2 часов.

— Снизить затраты на обслуживание на 30%.

Теперь у команды есть ясность, что делать, к чему стремиться, как измерять успех.

Принципы постановки системы целей и ключевых результатов

Принцип 1. Амбициозность

Цель должна требовать усилий. Если команда достигает 100% результатов, то они были слишком лёгкими. Правильный результат: 70—80% выполнения.

Амбициозные цели заставляют команду искать нестандартные решения.

Плохая цель: «Запустить пилот системы рекомендаций». Это задача, не цель. Пилот можно запустить за 2 месяца с точностью 60%, и цель формально достигнута. Но бизнес-результата нет.

Хорошая цель: «Увеличить средний чек на 25% через персонализацию товаров, внедрив систему в промышленную эксплуатацию на всей клиентской базе». Теперь команда понимает: недостаточно пилота, нужен реальный результат.

Принцип 2. Ясность

Цель и результаты должны быть понятны всем: от генерального директора до инженера.

Плохая формулировка: «Улучшить клиентский опыт с помощью ИИ». Что значит «улучшить»? На сколько? Как измерять?

Хорошая формулировка: «Сократить время ответа на запрос с 48 часов до 2 часов за 6 месяцев». Всё понятно.

Принцип 3. Измеримость

Каждый результат — это число.

Пример:

Цель: минимизировать простои оборудования и снизить стоимость обслуживания.

Ключевые результаты:

— Предсказывать поломки с упреждением 5+ дней.

— Сократить внеплановые простои с 12 часов в месяц до 2 часов.

— Снизить стоимость обслуживания на 25%.

Все результаты измеримы. Через 6 месяцев команда сможет проверить успех.

Принцип 4. Периодичность

Цели ставятся на квартал. Не на год (слишком долго) и не на месяц (слишком коротко).

Квартал — срок, за который можно достигнуть значимый результат, при этом он достаточно короткий для сохранения фокуса. Через квартал команда пересматривает цели, анализирует результаты, корректирует курс.

Примеры системы целей и ключевых результатов для разных компаний

Пример 1. Электронная торговля

Цель: повысить точность прогнозирования спроса для сокращения затоваривания.

Ключевые результаты:

— Точность прогноза ≥ 85% (сейчас 65%).

— Затоваривание с 15% до 10%.

— Оборачиваемость товаров с 45 до 60 дней.

— Система в промышленной эксплуатации в 3 регионах.

Бюджет: 20 млн руб.. Срок: один квартал на пилот и один квартал на масштабирование.

Пример 2. Обслуживание клиентов

Цель: автоматизировать 50% обращений через голосового помощника.

Ключевые результаты:

— Доля автоматизированных обращений ≥ 50% (сейчас 10%).

— Время обработки с 15 до 9 минут.

— Система в 2 контакт-центрах.

Бюджет: 15 млн руб.. Срок: один квартал на разработку, следующий квартал на масштабирование.

Пример 3. Производство

Цель: внедрить предиктивное обслуживание для минимизации простоев.

Ключевые результаты:

— Прогнозировать поломки за 5+ дней (сейчас 0).

— Внеплановые простои с 12 часов/месяц до 2 часов.

— Стоимость обслуживания снизить на 25% (экономия 30 млн руб. в год).

— Система на 5 единицах критичного оборудования.

Бюджет: 25 млн руб.. Срок: один квартал на пилот, следующие два квартала на масштабирование.

Пример 4. Финансовая компания

Цель: автоматизировать верификацию платежей и снизить ошибки.

Ключевые результаты:

— Автоматизировать 90% платежей (сейчас 30%).

— Ошибки с 2% до 0,2%.

— Время обработки с 3 часов до 30 минут.

— Система в 2 регионах.

Бюджет: 18 млн руб.. Срок: один квартал на пилот и один квартал на расширение.

Таким образом, рекомендую использовать следующий шаблон:

ЦЕЛЬ ПРОГРАММЫ ВНЕДРЕНИЯ ИИ (Квартал: ___)

Цель: [Амбициозная, вдохновляющая формулировка в 1—2 предложениях]

КЛЮЧЕВЫЕ РЕЗУЛЬТАТЫ:

1. [Метрика процесса/системы]

— Текущее значение: ___

— Целевое значение: ___

— Срок: ___

2. [Метрика бизнес-результата]

— Текущее значение: ___

— Целевое значение: ___

— Срок: ___

3. [Метрика масштабирования]

— Текущее значение: ___

— Целевое значение: ___

— Срок: ___

4. [Метрика финансового результата]

— Текущее значение: ___

— Целевое значение: ___

— Срок: ___

БЮДЖЕТ: ___ млн руб.

ОТВЕТСТВЕННЫЙ: ___

ДАТА ОЦЕНКИ РЕЗУЛЬТАТОВ: ___

Проблема выбора: не всё одновременно

Компании хотят внедрить ИИ везде: в продажах, маркетинге, логистике, производстве, финансах, обслуживании клиентов. Но ресурсы ограничены: бюджет, специалисты, время руководителей.

Попытка сделать всё одновременно приводит к распылению усилий. Вместо трёх успешных проектов компания получает десять наполовину сделанных.

Правильный подход — выбрать 2—3 приоритетных направления, которые дадут максимальную ценность при разумных затратах.

Это требует анализа, где ИИ даст наибольший эффект, где компания готова к внедрению, где риски минимальны. Портфельное управление и выбор проектов мы рассмотрим подробно в отдельной главе.

Резюме главы

Ключевые идеи:

— Стратегия впереди технологии. ИИ должен служить бизнес-целям, а не существовать сам по себе.

— Каскадирование целей. Стратегия компании разбивается на направления ИИ, которые детализируются до конкретных проектов.

— Три типовые цели бизнеса: рост, снижение затрат, управление рисками. ИИ может усилить каждое направление.

— Система целей и ключевых результатов (OKR). Методология для постановки амбициозных целей на квартал с чёткими показателями.

— Пять вопросов для привязки ИИ к стратегии: отвечая на них, вы обеспечиваете связь между технологией и бизнесом.

— Лидеры начинают со стратегии, а отстающие — с технологии. Разница в результатах — 3.6x.

Действие на практике:

— Сформулируйте стратегическую цель компании на 2—3 года.

— Ответьте на пять вопросов о роли ИИ.

— Создайте таблицу каскадирования целей.

— Поставьте систему целей и ключевых результатов на квартал.

— Выберите 2—3 приоритетных направления для внедрения.

ГЛАВА 6: ОРГАНИЗАЦИОННАЯ СТРУКТУРА И РОЛИ

Правильная организационная структура — это основа успешного внедрения искусственного интеллекта. Не технология определяет успех, а то, как вы организуете работу людей вокруг этой технологии. Компании, которые добились результатов от внедрения систем на основе искусственного интеллекта (те самые 5% лидеров), начинали не с выбора платформ и моделей, а с построения правильной структуры управления.

Даже идеальная технология не поможет, если неясно, кто отвечает за результат или за все отвечает один человек; если роли перекрываются или размыты, а людей слишком много или слишком; если решения принимаются медленно, а проекты конкурируют за ресурсы.

Три модели организации: централизованная, распределённая, гибридная

Как организовать команду для внедрения ИИ? Существует три основные модели, и каждая имеет преимущества и недостатки.

Выбор зависит от размера компании, зрелости организации, специфики задач, доступности специалистов и, конечно же, выбранной стратегии внедрения (покупка готовых решений, адаптация, разработка с нуля)

Модель 1. Централизованная структура

Вся работа по ИИ сосредоточена в одном подразделении. Это центр компетенций по ИИ (или офис по ИИ), который подчиняется директору по цифровизации или технологиям.

Такую структуру можно использовать, когда компания только начинает работать с ИИ (бизнес еще не готов, так как нет компетенций и понимания, нужно дать толчок и показать возможности), нет нужна координация по организации и единые стандарты, квалификация есть только в центре и размер компании до 1000 сотрудников (средний бизнес).

Преимущества

1. Стандартизация

Все проекты используют единую методологию, инструменты, лучшие практики. Нет разброса подходов.

2. Эффективность ресурсов

Нет дублирования. Специалисты не размазаны по отделам. Легче масштабировать команду.

3. Контроль качества

Центральная команда следит за соблюдением стандартов. Модели не деградируют. Данные остаются чистыми.

4. Обмен опытом

Проекты учатся друг у друга. Решение, найденное в одном проекте, быстро переносится в другой.

5. Результативность на ранних этапах

В незрелой команде лучше иметь одного лидера, который будет инициировать проекты и продавливать некоторые из них.

Недостатки

1. Узкое место (бутылочное горло)

Все проекты проходят через одно подразделение. Образуется очередь. Скорость внедрения со временем (ростом сложности проектов и количества) падает.

2. Отдалённость от бизнеса

Центр может не понимать специфику каждого направления. Разговор между центром и бизнесом идёт через переводчика (руководителя проекта).

3. Мотивация

Бизнес-направления воспринимают центр как навязанное сверху. Результат работает на центр, а не на них.

4. Медленная адаптация

Если требуется срочное изменение подхода, централизованная система медленно реагирует.

Рассмотрим реальный пример. В производственной компании на 800 сотрудников создали центр компетенций из 12 человек. Структурно он отчитывался директору по ИТ.

В первый год запустили 3 успешных проекта (логистика, контроль качества, предсказание спроса), и через 10 месяцев получили 15 запросов на новые проекты, что вызвало очередь на их реализацию длиной в 3 месяца. Поэтому во второй год скорость внедрения упала. Централизованная модель работала, пока проектов было не больше 5. Когда же спрос вырос, система стала узким местом.

Модель 2. Распределённая (федеративная) структура

Каждое бизнес-направление имеет собственную команду по ИИ. Команды подчиняются руководителям своих направлений.

Такая структура хороша для компаний, имеющих не один опыта в ИИ и обладающей высокой экспертизой. Также рекомендуется для компаний, где каждое направление имеет специфичные задачи, есть квалифицированные специалисты в разных подразделениях и размер компании более 1000 сотрудников (крупный бизнес)

Преимущества

1. Скорость внедрения

Проекты запускаются параллельно. Нет очереди. Каждое направление работает независимо.

2. Близость к бизнесу

Команда ИИ глубоко понимает свой бизнес, говорит на одном языке с руководством, видит боль.

3. Ответственность

Команда подчиняется руководителю направления, которого интересуют результаты. Высокая личная ответственность.

4. Гибкость

Каждая команда может адаптировать подходы под свои задачи и не привязана к корпоративным стандартам.

Недостатки

1. Дублирование усилий

Разные команды решают одну задачу разными способами. Одна разработала модель классификации текстов, вторая разрабатывает ту же модель для своего направления.

2. Разброс стандартов

Нет единого подхода к данным, к качеству, к метрикам. Каждая команда придумывает своё.

3. Отсутствие контроля качества

Никто не смотрит на модель в целом. Модель начинает деградировать, но никто этого не замечает. А также все совершают одни и те же ошибки.

4. Сложность найма

Нужно много квалифицированных специалистов вместо одного центра. Это сложнее и дороже.

5. Отсутствие синергии и координации

Каждый руководитель решает свою задачу. И вроде проекты успешны, но компания от этого не получает стратегического преимущества.

6. Высокие затраты

Все факторы выше приводят к высокому уровню затрат: дублирование проектов, много людей, однотипных ошибок.

Реальный пример одной торговой сети на 3000 сотрудников. Каждый регион имел собственную команду ИИ (маркетинг, логистика, финансы), которая работала независимо. Проекты шли параллельно: за 12 месяцев запустили 18 проектов, что дало в среднем +3% EBIT за первый год. Однако каждая команда использовала разные инструменты, разные метрики, разные методы выборки данных. В результате модель из отдела логистики работала с точностью 87%, из отдела маркетинга — 69%. Была ли это проблема инструмента или данных, никто не знал.

Таким образом, распределённая модель даёт скорость, но без координации страдает качество. На практике такая модель приводит к тому, что количество ИТ-специалистов становится слишком большим, проекты дублируются и эффективность затрат начинает падать.

Модель 3. Гибридная структура

В ней руководство компании (собственники, акционеры, СЕО) определяет долгосрочную стратегию компании и целевую бизнес-модель, лимиты на использование ресурсов и правила финансирования.

Бизнес-подразделения:

— Выявляют бизнес-нужды, генерируют идеи проектов и участвуют в формировании стратегии цифровизации и внедрения ИИ.

— Генерируют и детализируют требования (например, описание продукта, эпиков, пользовательских историй) и критерии успешности.

— Определяют KPI обновлённых процессов, управляют изменениями и фиксируют договорённости по обновлённым процессам, обучают сотрудников и контролируют достижения целевых показателей.

— Обосновывают инвестиции и оценивают возврат на инвестиции (ROI).

То есть бизнес становится заказчиком и курирует свои проекты, отвечает за организационные изменения и использование того инструментария, который он «заказал».

ИТ-подразделение (с помощью подрядчиков)

— Формирует «техническую» составляющую стратегии, определяет общую ИТ-архитектуру, стандарты, требования к безопасности и интеграции.

— Выступает центром технической экспертизы, детализирует требования в технические задания, участвует в выборе подрядчиков/решений, управляет договорами. Отвечает за техническое качество и работоспособность решения.

— Инициирует и реализует необходимые инфраструктурные и «технические» проекты. Управляет портфелем ИТ-проектов для исключения технических конфликтов и балансировки проектов по готовности инфраструктуры. Контролирует соблюдение архитектурных принципов.

— Обеспечивает стабильную эксплуатацию ИТ-систем и инфраструктуры.

CDTO / директор по ИИ / Центр компетенций

— Формирует общую стратегию, которая соответствует требованиям компании и достижению бизнес-целей.

— Формирует «правила игры», по которым запускаются и сопровождаются проекты, оцениваются эффекты

— Консультирует и помогает бизнесу выявлять возможности внедрения ИИ

— Координирует и сопровождает реализацию портфеля проектов, расставляет приоритеты между проектами

— Устраняет конфликты между бизнес-подразделениями

— Формирует центр компетенции

Центр компетенций отвечает за методологию и стандарты, а направления за реализацию и результаты.

В целом по этому подходу важно отметить, что если у компании стратегия покупки готовых решений и их встраивание в процессы с пересмотром этих процессов, то на уровне подразделений можно в целом отказаться от специалистов по ИИ.

Такую модель хорошо использовать компаниям среднего-крупного размера (от 500 сотрудников), в которых есть несколько специалистов по ИИ, когда нужны одновременно скорость и качество, и если компания планирует расширяться в ИИ.

Преимущества

1. Скорость и качество

Направления работают быстро. Центр следит за качеством. Лучшее из обоих миров.

2. Единые стандарты без бутылочного горла

Направления следуют методологии центра, но разработку ведут сами. Нет очереди.

3. Борьба с дублированием

Центр видит, что несколько направлений решают одну задачу, и помогает обобщить решение.

4. Развитие специалистов

Центр обучает специалистов из направлений, помогает им расти.

5. Масштабируемость

Модель легко расширяется. Новое направление подключается к центру, берёт инструменты, методологию, запускает свой проект.

Недостатки

1. Матричная структура (усложнение)

Специалист в направлении отчитывается и руководителю направления, и центру. Может быть конфликт приоритетов.

2. Требует лидерства

Нужен сильный архитектор в центре, который может координировать без приказов.

3. Синхронизация

Требует регулярной синхронизации между центром и направлениями. Без этого они разойдутся.

Рассмотрим реальный пример от финансовой компании с 2000 сотрудников, где внедрили гибридную структуру: Центр компетенций (6 человек) и разные направления: кредитование, риск-менеджмент, обслуживание клиентов, финансы и контроль, — в каждом по 2 человека.

Результатом их работы стали 14 проектов за 18 месяцев (очень быстро) с общим ROI +4 EBIT-пункта. Все модели работали с точностью 85%+ (в отличие от разброса 69—87%). Плюс всегда оставалась возможность легко добавить новое направление (обучение за 2 недели).

Вывод: гибридная модель — оптимальный баланс, который я бы рекомендовал для большинства компаний.

Ключевые роли программы внедрения ИИ

Какие роли нужны? Ответ зависит от модели организации. Но основные роли одинаковы.

Уровень C-suite:

Chief AI Officer (CAIO, Руководитель по ИИ) — входит в управляющий комитет компании. Подчиняется CEO или COO или CDTO.

В крупных компаниях (500+ сотрудников) он нужен сразу. В средних (300—500) — через 12 месяцев успешных пилотов, а в малых (до 300) эта роль вообще не нужна, поскольку ее временно выполняет CEO или директор по ИТ (или по совмещению), возможен внешний консультант.

Что делает:

— Определяет стратегию ИИ на 2—3 года

— Координирует директоров в управляющем комитете

— Решает конфликты между направлениями

— Отвечает перед CEO за результаты

— Выделяет бюджет между проектами

— Лобирует ИИ на уровне руководства

— Отвечает за ROI и результаты

Чего не делает:

— Не разрабатывает модели (это работа для Data Scientists)

— Не пишет код (это работа ML-инженеров)

— Не внедряет проекты (это работа руководителей проектов)

Компетенции:

— Стратегическое мышление

— Понимание бизнеса (не обязательно технический)

— Умение работать с людьми (менторинг, мотивация)

— Опыт трансформации (не менее 2 лет)

Он организует людей, которые это делают и выступает лидером.

Статистика от McKinsey говорит, что CAIO есть у 95% успешных компаний, а MIT NANDA подтверждает, что компании с явным CAIO получают в 5x лучше результаты.

Директор по ИТ — это базовая роль, тогда как рассмотренный ранее CAIO нужен дополнительно.

Что делает:

— Отвечает за инфраструктуру, данные, технологические стеки

— Координирует с CAIO по вопросам технологии

— Управляет центром компетенций (в централизованной модели)

— Определяет, какие инструменты и платформы использует компания

Chief Data Officer (CDO) — в крупных компаниях (более 1000 сотрудников) является отдельной ролью, в остальных может быть совместителем.

Что делает:

— Отвечает за стратегию данных компании

— Определяет политику управления данными

— Управляет качеством данных

— Защищает данные (Security, Privacy)

— Контролирует соответствие регуляциям (GDPR, HIPAA)

Компетенции:

— Опыт управления данными 5+ лет

— Понимание управление данными.

— Знание регуляций (GDPR, локальные)

— Стратегическое мышление

Уровень управления программой / портфелем ИИ-проектов

Архитектор решений (Главный) — подчиняется директору по цифровизации или ИИ и входит в управляющий комитет по ИИ. Нужен в компаниях 300+ сотрудников с планом на 3+ проекта в год.

Что делает:

— Проектирует архитектуру ИИ-решений и их согласованность

— Обеспечивает интеграцию между проектами

— Выбирает инструменты и платформы

— Обучает других архитекторов

— Утверждает технологические решения

Руководитель Центра компетенций (или Офиса по ИИ) — подчиняется директору по ИИ или директору по цифровизации. Размер его команды в зависимости от размера компании составляет от 3 до 15 человек.

Что делает:

— Управляет работой Центра и руководителями проектов

— Распределяет ресурсы между проектами (люди, доступная инфраструктура и иные доступные ресурсы в оперативном управлении)

— Следит за качеством работ

— Развивает специалистов

— Отчитывается перед CAIO и директором по цифровизации

Уровень проектов

Руководитель проекта — подчиняется руководителю Центра компетенций (или руководителю направления, если распределённая модель).

Что делает:

— Управляет 1—3 ИИ-проектами

— Взаимодействует с бизнесом

— Координирует специалистов по данным, ML-инженеров

— Следит за сроками и бюджетом

— Отчитывается перед спонсором проекта (бизнес-руководителем)

Специалист по данным (Data Scientist) — подчиняется руководителю проекта. На каждый проект в зависимости от сложности нужно от 1 до 3 таких специалистов.

Что делает:

— Исследует данные

— Разрабатывает и обучает ML-модели

— Тестирует гипотезы

— Оценивает качество данных

— Документирует модель

MLOps –инженер — подчиняется руководителю проекта или архитектору решений. Нужен, когда проект переходит из пилота в промышленную эксплуатацию.

Что делает:

— Внедряет модель в промышленную эксплуатацию

— Интегрирует модель с существующими системами

— Настраивает мониторинг и обновление модели

— Документирует код и процессы

— Поддерживает модель в промышленной эксплуатации

Бизнес-аналитик — подчиняется руководителю проекта

Что делает:

— Переводит бизнес-требования в технические задачи

— Выявляет данные, необходимые для модели

— Определяет метрики успеха

— Проверяет, выполнила ли модель бизнес-цель

— Помогает с внедрением (объясняет пользователям, как работает система)

Инженер по данным (Data Engineer) — подчиняется архитектору решений. Также на определенном уровне зрелости может подчиняться руководителю по управлению данными (CDO), который определяет политику управления данными, инфраструктуру, процессы и так далее. Нужен всегда.

Что делает:

— Подготавливает данные для модели (очистка, трансформация, интеграция)

— Строит конвейеры обработки данных

— Следит за качеством данных

— Документирует источники данных

Специалист по управлению изменениями — подчиняется руководителю проекта или CAIO. Нужен всегда. Это критичная роль, которую часто недооценивают.

Что делает:

— Работает с людьми, которые будут использовать систему

— Проводит обучение

— Помогает людям адаптироваться

— Собирает обратную связь

— Работает с сопротивлением

Как узнать, сколько людей нужно для вашей ИИ-программы?

Примерная формула: Размер команды = (N × 4 или 5) +2, где N = количество параллельных проектов.

Как работает:

— N × 4 (или 5) = основная команда

— +2 = координация (1 руководитель Центра +1 архитектор)

Примечание: Формула даёт ориентир. Точный размер зависит от сложности проектов, доступности ресурсов и выбранной модели.

Когда формула не работает:

— Компании до 100 сотр. — слишком малы для полноценной команды. Начните с 2–3 человек + внешний консультант

— Проекты разной сложности — нужна индивидуальная оценка каждого

— Стратегия Buy (покупка готовых решений) — нужна меньшая команда: (N × 2) +1

Типичные ошибки в назначении ролей

Ошибка 1. Технический специалист как руководитель проекта

Специалист по данным или инженер назначается руководителем проекта. Результат: проект фокусируется на технической части, бизнес-требования игнорируются.

Решение: руководитель проекта должен быть человеком с навыками управления проектами и пониманием бизнеса, а не техническим экспертом.

Ошибка 2. Отсутствие бизнес-лидера

Проект управляется только технической командой. Результат: система работает, но не используется бизнесом.

Решение: назначьте представителя бизнеса, который отвечает за требования и внедрение.

Ошибка 3. Отсутствие роли эксплуатации

После запуска модель не поддерживается. Результат: точность падает, система перестаёт работать.

Решение: выделите роль инженера по эксплуатации или используйте внешний сервис.

Ошибка 4. Все роли выполняет один человек

Один специалист совмещает роли руководителя проекта, специалиста по данным, инженера и аналитика. Результат: выгорание, низкое качество, проект затягивается.

Решение: даже в малой компании разделите ключевые роли между 2–3 людьми или привлекайте внешних экспертов.

Матрица ответственности (RACI)

Когда в проекте участвует 5–10 ролей, возникает путаница: кто за что отвечает, кто принимает решения, кого нужно проконсультировать, а кого просто проинформировать. Без четкого разграничения ответственности проект застревает в бесконечных согласованиях и конфликтах.

Решение — матрица ответственности (модель разграничения ответственности).

Матрица RACI определяет роли и ответственность для каждого вида работ в проекте. RACI расшифровывается как:

— R (Responsible) — тот, кто выполняет работу

— A (Accountable) — тот, кто отвечает за результат

— C (Consulted) — тот, кто даёт совет

— I (Informed) — тот, кто должен быть в курсе

Практическое применение:

— Определите всех участников проекта

— Для каждой задачи заполните таблицу

— Убедитесь, что каждая задача имеет ровно ОДНОГО «A» (ответственного). Исполнителей («R») может быть несколько. «C» и «I» не должно быть много.

Типичные ошибки при использовании матрицы

Ошибка 1. Несколько утверждающих на одну задачу

Пример: и спонсор, и бизнес-лидер утверждают требования. Результат: конфликт, бесконечные согласования.

Решение: для каждой задачи назначьте только одного утверждающего.

Ошибка 2. Нет утверждающего

Пример: все участвуют как консультанты, но никто не принимает решение. Результат: задача зависает.

Решение: всегда назначайте утверждающего.

Ошибка 3. Слишком много консультантов

Пример: 10 человек должны дать рекомендации перед принятием решения. Результат: процесс затягивается на недели.

Решение: Ограничьте количество консультантов до 2–3 ключевых людей.

Ошибка 4. Матрица существует только на бумаге

Команда составила матрицу в начале проекта, но никто ее не использует. Результат: путаница, конфликты ролей.

Решение: регулярно возвращайтесь к матрице на встречах, обновляйте ее при изменении ролей.

Где брать специалистов: найм, переподготовка, аутсорс

Вариант 1. Найм на открытом рынке

Плюсы:

— Люди сразу готовы к работе

— Приносят свежие идеи

— Ускоряют старт

Минусы:

— Дорого (зарплата Data Scientist в Москве 200—400 тыс.руб.. в месяц)

— Сложно найти (в России дефицит специалистов)

— Долго адаптируются (3—6 месяцев)

Когда использовать:

— Нужна критичная роль (архитектор, CAIO)

— Нужна редкая специальность

— Срок критичен

Вариант 2. Переподготовка внутренних сотрудников

Плюсы:

— Дешевле (экономия 30—50% от зарплаты)

— Люди знают компанию

— Быстрее адаптируются

— Мотивируют других

Минусы:

— Требует времени на обучение (3—6 месяцев)

— Нужно найти правильных кандидатов

— Они отвлекаются от текущей работы

Когда использовать:

— На роли руководителя проекта, бизнес-аналитика

— На роли специалиста по управлению изменениями

— Когда есть время на обучение

Как делать:

— Определите, какие люди сейчас работают хорошо (в любой области)

— Предложите им 3-месячное обучение по ИИ

— Дайте им реальный проект после обучения

— Платите на 15—20% выше текущей зарплаты

Например, аналитик из отдела финансов прошёл курс по Data Science. Через 3 месяца обучения стал специалистом по данным в проекте по анализу рисков. Зарплата выросла с 150 до 180 тыс.руб.. (рост 20%).

Вариант 3. Аутсорс (внешние команды)

Плюсы:

— Быстро начать

— Не нужно нанимать постоянно

— Можно масштабировать вверх-вниз

Минусы:

— Дорого (в 1.5—2 раза дороже, чем наёмные)

— Меньше мотивация результатом

— Сложнее передать знания в компанию

Когда использовать:

— На конкретные проекты с чётким результатом

— Когда нет времени ждать найма

— Когда нужна специальная экспертиза (например, компьютерное зрение)

Как делать:

— Определите чёткий результат (не «разработать модель», а «модель с точностью ≥85% для классификации платежей»)

— Установите сроки

— Выберите команду с портфелем похожих проектов

— Подпишите контракт с штрафами за недостижение метрик

Переходный период: от централизованной к гибридной модели

Если вы сейчас в централизованной модели и хотите перейти на гибридную, как это делать без хаоса? Давайте рассмотрим план, рассчитанный на 18 месяцев.

Месяцы 1—6. Подготовка

— Определите роли в направлениях (кто будет руководить?)

— Найдите первого Data Scientist в направлении (или переподготовьте)

— Документируйте стандарты (методология, инструменты, метрики)

— Переведите первый проект в направление (пилот)

Месяцы 7—12. Параллельная работа

— Центр компетенций и направление работают вместе на одном проекте

— Центр обучает команду направления

— Центр проверяет качество работ

— После успеха переводим второй и третий проекты

Месяцы 13—18. Оптимизация

— Центр теперь только координирует и обучает

— Направления работают самостоятельно

— Центр следит за стандартами

Риски при переходе

Риск 1. Качество падает

Решение: центр проверяет первые модели. Утверждает перед внедрением.

Риск 2. Направления не захотят работать

Решение: покажите результаты на пилоте. Дайте им победу.

Риск 3. Центр теряет влияние

Решение: переоформите центр из «начальника» направлений в «партнёра».

Управляющий комитет по ИИ

Управляющий комитет по ИИ (AI Board) — это коллегиальный орган принятия решений о направлении и приоритизации ИИ-проектов в компании. Рабочая встреча с полным составом происходит 1 раз в месяц и длится около 2 часов.

Зачем он нужен?

Причина 1. Принятие стратегических решений

Некоторые решения слишком важны, чтобы их принимала только команда проекта:

— Остановить проект, который не даёт результата

— Перераспределить бюджет между проектами

— Изменить приоритеты

— Запустить новый проект

Управляющий комитет принимает эти решения на основе данных и стратегии компании.

Причина 2. Снятие организационных барьеров

Проекты искусственного интеллекта часто сталкиваются с препятствиями:

— Конфликты между подразделениями (кто владеет данными?)

— Сопротивление изменениям (люди не хотят использовать новую систему)

— Нехватка ресурсов (нужны специалисты, но они заняты)

Управляющий комитет имеет полномочия решать эти проблемы. Как показывает опыт, порой проблемы, которые решаются месяцами, можно решить за 5 минут прямого диалога между двумя заместителями директора.

Причина 3. Контроль результатов

Комитет следит за тем, достигаются ли цели программы:

— Возвращается ли инвестиция?

— Достигаются ли бизнес-показатели?

— Соблюдаются ли сроки?

Если результаты не соответствуют ожиданиям, комитет принимает корректирующие действия.

Причина 4. Обеспечение поддержки на уровне руководства

Когда топ-менеджеры регулярно обсуждают программу, она становится приоритетом для всей компании.

Функции комитета:

— Утверждает стратегию ИИ

— Приоритизирует проекты

— Распределяет бюджет

— Разрешает конфликты между направлениями

— Следит за результатами

Типичный состав: 8—11 человек

Повестка дня управляющего комитета

— Статус проектов (30 мин)

— Зелёные (на плане)

— Жёлтые (есть риски)

— Красные (есть проблемы)

— Выявление бутылочных горл (20 мин)

— Данные готовы? / Есть ли задержки?

— Люди есть? / Нужен ли найм?

— Технология готова? / Есть ли архитектурные проблемы?

— Конфликты и приоритизация (40 мин)

— Два проекта просят одного ML-инженера. Кто получит?

— Бюджет ограничен. Какие проекты получат финансирование?

— Есть ли новые идеи, требующие prioritization?

— Обучение и найм (20 мин)

— Какие роли критичны?

— Какие специалисты нужны?

— Какое обучение нужно провести?

— Результаты и ROI (10 мин)

— Какие проекты выйдут в промышленную эксплуатацию в следующем месяце?

— Какие результаты достигнуты?

Результаты хорошего управляющего комитета

— Проекты не конфликтуют по ресурсам

— Приоритеты ясны и меняются редко

— Проблемы выявляются рано

— Специалисты распределяются оптимально

— Результаты улучшаются каждый квартал

Результаты плохого управляющего комитета

— Проекты конкурируют по ресурсам каждый день

— Приоритеты меняются еженедельно

— Проблемы обнаруживаются слишком поздно

— Лучшие люди перегружены во всех проектах

— Нет роста результатов

Практический чек-лист: построена ли структура правильно

Ответьте на эти вопросы:

Управление и роли

— Определена роль «Главный отвечающий» (CAIO или его заместитель)?

— Входит ли эта роль в управляющий комитет?

— Есть ли мониторинг результатов (раз в месяц)?

— Есть ли прозрачная матрица ответственности (RACI)?

— Каждый ли проект имеет спонсора (бизнес-руководителя)?

Центр компетенций

— Определён архитектор решений (главный)?

— Есть ли инженер по MLOps (управление моделями)?

— Есть ли инженер по данным (качество данных)?

— Есть ли специалист по стандартам (методология)?

Проектные команды

— Каждый проект имеет руководителя (не разделён между несколькими)?

— На каждый проект назначен ответственный за данные?

— На переходе в промышленную эксплуатацию назначен ML-инженер?

— Есть ли бизнес-аналитик (переводит требования)?

— Есть ли специалист по управлению изменениями?

Скорость и качество

— Средний срок проекта от идеи до промышленной эксплуатации 6—9 месяцев?

— Средняя точность моделей 85%+ или выше?

— ROI проектов положительный в течение года?

— Люди не перегружены (один человек в одном проекте)?

Масштабируемость

— Есть ли план нанять специалистов на новые проекты?

— Документирована ли методология (новичок может прочитать и понять)?

— Есть ли обучающие программы для новых членов команды?

— Можно ли добавить новое направление за 1—2 месяца?

Резюме главы

Ключевые идеи:

— Правильная организация людей даёт результаты. Неправильная — теряет деньги.

— Три модели: централизованная (быстро начать), распределённая (быстрая скорость), гибридная (оптимум).

— Гибридная модель рекомендуется для большинства компаний среднего и крупного размера.

— Ключевые роли: CAIO, Архитектор, Руководитель проекта, Data Scientist / ИИ-инженер, MLOps-инженер, Специалист по управлению изменениями, бизнес-аналитики

— Управляющий комитет по ИИ — коллегиальный орган, встречается 1 раз в месяц, решает вопросы приоритизации и конфликты.

— Матрица RACI обеспечивает ясность ответственности. Каждая задача имеет одного ответственного.

— Размер команды: (N проектов × 4) +2 = общее число людей.

— Ступенчатый найм: начните с малого, добавляйте людей по мере роста.

ГЛАВА 7. ОЦЕНКА ГОТОВНОСТИ ОРГАНИЗАЦИИ К ВНЕДРЕНИЮ ИИ

Большинство компаний начинают с конца. Они сразу выбирают технологию, ищут поставщика, запускают пилот. И застревают.

Правильный путь: сначала диагностика, потом подготовка, потом действие. Как лечение у врача.

Компании часто запускают проекты, не оценив свою зрелость, и сталкиваются с проблемами: проекты застревают, люди сопротивляются, системы не работают. Поэтому перед запуском проектов ИИ (AI) необходимо понять, насколько ваша организация к ним готова.

Оценка готовности — это не формальность. Это инструмент, который показывает, готовы ли вы к пилотным проектам и дальнейшему масштабированию.

Эта глава даст вам ясное понимание готовности компании.

Кому адресована диагностика?

— Руководителям компаний (CEO, CTO, Chief AI Officer)

— Руководителям IT-отделов (CIO)

— Руководителям отделов (если рассматривается ИИ для их подразделения)

— Консультантам и аналитикам по цифровой трансформации

Последовательность прохождения

— Сначала заполните ОПРОСНИК 1 (Готовность к пилоту)

— Затем, если готовы к пилоту, заполните ОПРОСНИК 2 (Готовность к масштабированию)

— Ответьте на все вопросы, определяя свой флаг по критериям

— Подсчитайте флаги в конце каждого опросника

— Интерпретируйте результаты согласно шкале

Отвечайте честно — результат нужен для внутреннего использования. Если не знаете ответ или ситуация неясна — это красный флаг. Обсудите результаты с управляющим комитетом по ИИ перед началом внедрения.

Это универсальная модель. В главах 17, 18 и 19 будет указана адаптированная версия для компаний разного масштаба (малые, средние и крупные).

Методология: система флагов

Для упрощения я сформулировал методологию через работу по системе флагов — зелёный, жёлтый, красный.

Зелёный флаг:

— Компания готова к этому аспекту внедрения ии

— Нет основных препятствий

— Можно двигаться вперёд

Жёлтый флаг:

— Компания частично готова, но есть риск

— Требуется дополнительная работа или контроль

— Без внимания это может стать красным флагом

— Можно запускать пилотный проект, но масштабирование будет под угрозой

Красный флаг:

— Компания не готова к этому аспекту

— Требуется серьёзная работа

— Высок риск провала даже пилотного проекта

Диагностика оценивает две готовности одновременно:

— Готовы ли к запуску пилотных проектов? (внедрение первого проекта за 3–4 месяца)

— Готовы ли к масштабированию? (расширение на 5–10 проектов за 12 месяцев)

Три столпа успеха:

Согласно основному смыслу книги, оценка строится на трёх ключевых областях:

— Управление — бюджет, спонсор, владелец, процессы, стратегия

— Технология — данные, инфраструктура, интеграция, масштабируемость

— Люди и культура — готовность, мотивация, опасения

Опросник 1. Готовность к пилоту

Этот опросник диагностирует готовность компании к запуску первых пилотных проектов по ИИ (1—3).

Пилот — это небольшой проект (8–12 недель), на котором компания тестирует ИИ в одном отделе или на одной задаче.

Время на заполнение: 15–20 минут

СТОЛП 1. УПРАВЛЕНИЕ

Вопрос 1. Готов ли директор / собственник и заместители (по 1 на каждый проект) лично курировать пилотный / пилотные ИИ-проекты?

— Зелёный флаг

Да, первое лицо и по 1 заместителю директора на каждый пилотный проект готовы лично курировать запуск и реализацию (3—4 часа в неделю).

— Жёлтый флаг

Первое лицо или заместитель готовы включаться, но эпизодически или только для решения проблемных вопросов (3—4 часа в месяц). Большая часть делегируется на средний менеджмент.

— Красный флаг

Нет, высшее руководство полностью делегирует проект / проекты среднему менеджменту.

Вопрос 2. Есть ли бюджет, выделенный под ИИ-проекты на текущий год?

— Зелёный флаг

Да, бюджет утверждён и зафиксирован (например, 3 — 10 млн рублей). Все знают цифру, она заложена в планах.

— Жёлтый флаг

Бюджет обещан или планируется, но точная сумма и условия не определены («выделим когда-нибудь»).

— Красный флаг

Нет. Никакого бюджета на ИИ не выделено. Работа в рамках текущих лимитов.

Вопрос 3. Есть ли чёткое понимание, где реализовывать первые ИИ-проекты и готовы ли бизнес-руководители отвечать за результаты ИИ-проектов? Определены ли KPI и метрики успеха?

— Зелёный флаг

Да, есть чёткие цели и метрики (например, ROI 150%, уровень использования 70%, время внедрения 12 недель) или сможем определить на старте проекта и включить их в метрики бизнес-руководителей.

— Жёлтый флаг

Есть общее куда и зачем (например, «нужен положительный ROI»), но KPI не формализованы в документах. Бизнес-руководители готовы взять на себя ответственность (или под влиянием решения первого лица).

— Красный флаг

Нет. Никаких чётких метрик успеха не определено. Непонятно, как будет измеряться результат. Вся ответственность будет на ИТ-службе.

Вопрос 4. Какая стратегия реализации ИИ выбрана в компании?

— Зелёный флаг

Преимущественно покупка готовых решений (SaaS, готовые платформы, API). Компания готова покупать вместо разработки с нуля. Или покупка готовых решений для некритичных задач + собственная разработка или адаптация для основных процессов бизнеса. В идеале — есть наличие готовых решений для пилотных проектов.

— Жёлтый флаг

Покупка возможна, но имеет сложности согласования со службами безопасности и т. п.

— Красный флаг

Все необходимо разрабатывать самостоятельно (выше риск, выше затраты, ниже вероятность успеха).

СТОЛП 2. ТЕХНОЛОГИЯ

Вопрос 5. Какое состояние данных в компании? Насколько они чистые, организованные и доступные для пилотных проектов?

— Зелёный флаг

Данные чистые (80%+ качество) и организованы в единую систему (хранилище данных, озеро данных). Нет критичных дублей или пропусков в пилотных направления, есть возможность выявить владельцев данных.

— Жёлтый флаг

Данные есть, но разбросаны по разным системам (Excel, CRM, ERP). Качество среднее (50–70%). Есть проблемы со связями между различными данными и пониманию того, кто отвечает за данные со стороны бизнеса (но решение возможно).

— Красный флаг

Данные грязные (качество <50%) или недоступны. Много пропусков, дублей, ошибок. Нет единой системы хранения. Нет ответственных со стороны бизнеса.

Вопрос 6. Есть ли в компании IT-инфраструктура для работы с ИИ (использование облаков или собственные мощности?

— Зелёный флаг

Да, есть хорошая облачная или локальная инфраструктура с достаточной вычислительной мощностью для ИИ (или готовы и можем провести быструю закупку / заключение договора на аренду).

— Жёлтый флаг

Есть инфраструктура, но устаревшая или с ограниченными возможностями. Потребуется обновление для запуска ИИ, однако это возможно.

— Красный флаг

Нет или очень слабая инфраструктура. Нет облака, нет серверов, только офисные ПК и устаревшее оборудование. Обновление будет сложным, а использование облачной инфраструктуры запрещено.

СТОЛП 3. ЛЮДИ И КУЛЬТУРА

Вопрос 7. Есть ли в компании люди, которые разбираются в ИИ и могут вести проекты?

— Зелёный флаг

Есть 1—3 руководителя (бизнес + ИТ) способных и мотивированных руководить пилотными проектами. Есть своя команда или готовы привлекать экспертов.

— Жёлтый флаг

Есть 1 специалист с базовыми знаниями в ИИ от ИТ и 1 от бизнеса, или компания готова быстро нанять нужных людей / привлечь экспертов со стороны (аутсорс, команды у разработчиков готовых решений) за 2—4 недели.

— Красный флаг

Нет. Никакой компетенции в ИИ нет, и нет плана по найму специалистов или возможности привлечения экспертов на проект, использования коробочных решений.

Вопрос 8. Люди в компании готовы меняться или боятся потерять работу / изменить привычные процессы?

— Зелёный флаг

Люди вовлечены и готовы к ИИ. Видят ИИ как возможность, а не угрозу. Есть понимание, что ИИ поможет, а не заменит.

— Жёлтый флаг

Смешанное отношение. Есть и энтузиасты, и скептики. Часть людей боятся за свои рабочие места, но в целом не критично.

— Красный флаг

Массовое сопротивление. Люди боятся ИИ, не верят в технологию, активно выступают против изменений.

Вопрос 9. Была ли у компании успешная история с внедрением изменений (на любых проектах, не обязательно ИИ)?

— Зелёный флаг

Да, есть примеры успешно внедрённых проектов трансформации, цифровизации или других изменений.

— Жёлтый флаг

Были попытки, некоторые проекты успешны, некоторые нет. История смешанная.

— Красный флаг

Нет. Все проекты изменений падали или стагнируют. История неудач создаёт у людей скептицизм.

Подсчёт и интерпретация опросника 1

Подсчитайте количество флагов:

— Зелёных флагов: ___

— Жёлтых флагов: ___

— Красных флагов: ___

Опросник 2. Готовность к масштабированию

Этот опросник диагностирует готовность к масштабированию — переходу от пилота (одна задача, один отдел) к промышленной эксплуатации (весь бизнес, 10x–100x нагрузка, разные источники).

Заполняйте ОПРОСНИК 2 только если прошли ОПРОСНИК 1 и готовы к пилотам (или готовы принять на себя ответственность).

Время на заполнение: 20 — 30 минут

СТОЛП 1. УПРАВЛЕНИЕ

Вопрос 1. Есть ли в компании назначенный лидер по ИИ или цифровой трансформации?

— Зелёный флаг

Да, есть назначенный лидер (СЕО для малой компании, руководитель цифровой трансформации для средней компании, Chief AI Officer или CTO/ аналог для крупной) с явными полномочиями, ресурсами (бюджет, команда, компетенции) и ответственностью за результаты ИИ-проектов. Или готовы нанять человека в течение 1—2 месяцев.

— Жёлтый флаг

Есть ответственный, но его роль размыта или не формализована. Нет чёткого мандата и ресурсов (людей, компетенций, полномочий, бюджета)

— Красный флаг

Нет назначенного лидера. Никто явно не отвечает за ИИ, работой занимаются по возможности и ситуации, под конкретный проект.

Вопрос 2. Включён ли ИИ в стратегию компании (написано в документах, обсуждается на встречах руководства)?

— Зелёный флаг

Да, есть письменная стратегия ИИ. В стратегических документах компании (общая стратегия, стратегия цифровизации) явно упоминается ИИ, указаны цели, сроки, выделены ресурсы.

— Жёлтый флаг

ИИ обсуждается на встречах и считается важным, но не внесён в официальные стратегические документы.

— Красный флаг

Нет. ИИ не упоминается в стратегии компании или упоминается вскользь без конкретики.

Вопрос 3. Есть ли в компании управляющий комитет или рабочая группа по ИИ / цифровой трансформации (включает директора и заместителей)?

— Зелёный флаг

Да, комитет создан и встречается регулярно (минимум раз в месяц). В него входят директор и его заместители, руководители ключевых отделов для решения конфликтных вопросов и выработки решений.

— Жёлтый флаг

Комитет создан, но встречается редко или нерегулярно (раз в квартал или реже). Или создание возможно, но могут быть сложности, особенно с вовлечением первого лица.

— Красный флаг

Нет. Никакого комитета или рабочей группы не создано. А создание будет трудным, первое лицо не готово вовлекаться на постоянной основе и принимать на себя ответственность и конечные решения.

Вопрос 4. Есть ли в компании процессы управления проектами (методология, инструменты, регулярные отчёты)?

— Зелёный флаг

Да, есть установленная методология и инструменты. Компания умеет управлять проектами, проводит планирование и отслеживает прогресс, делать ретроспективы и учиться на ошибках.

— Жёлтый флаг

Есть попытки управления проектами, но процессы нечёткие / неформальные или страдает дисциплина, соблюдение методологии.

— Красный флаг

Нет. Управления проектами нет, всё работает по ситуации и в ручном режиме.

Вопрос 5. Как планируется распределять инвестиции в ИИ-проекты между back-office (операционной деятельности) и front-office (продажи и маркетинг)?

— Зелёный флаг

60–80% инвестиций в back-office (ИТ, финансы, операционное управление, кадры), 20–40% в front-office (продажи и маркетинг). Также готовы распределять и учитывать распределение бюджета на технологии и инфраструктуру (30—50%), процессы и подготовку данных (20—40%), обучение и адаптацию персонала, пересмотр его мотивации (20—50%).

— Жёлтый флаг

Примерно 40–60% в back-office, 40–60% в front-office. Готовы включать в бюджет инвестиции на процессы, подготовку данных и людей.

— Красный флаг

60–80% инвестиций в front-office, 20–40% в back-office. Инвестиции только в технологию.

Вопрос 6. Как планируется измерять успех ИИ-проектов в вашей компании?

— Зелёный флаг

Комбинация бизнес-метрик по финансам, процессам, клиентам и персоналу (ROI, экономия денег, выручка, скорость обработки, качество сервиса, удобство решений, функциональность) и технических показателей (точность моделей, скорость работы, стабильность). Руководство готово обращать внимание на обе стороны вопроса

— Жёлтый флаг

Фокус только на бизнес-метриках.

— Красный флаг

Только технические метрики или их отсутствие.

СТОЛП 2. ТЕХНОЛОГИЯ

Вопрос 7. Какое состояние данных в компании? Насколько они чистые, организованные и доступные?

— Зелёный флаг

Данные чистые (80%+ качество) и организованы в единую систему (хранилище данных, озеро данных), выстроено системное управление данными: процессы, люди и распределение ответственности, необходимая инфраструктура (оборудование и ПО для автоматизации). В компании чёткое понимание где и какие данные появляются, как обеспечивается качество, кто их использует и т. д.

— Жёлтый флаг

Данные есть, но разбросаны по разным системам (Excel, CRM, ERP). Качество среднее (50–70%). Есть проблемы со связями между различными данными и пониманию того, кто отвечает за данные со стороны бизнеса (но решение возможно). Управление данными ведётся эпизодически и в основном настройками в ИТ-системах, назначением отдельных проверяющих. В целом руководство доверяет данным и может использовать для принятия решений.

— Красный флаг

Данные грязные (качество <50%) или недоступны. Много пропусков, дублей, ошибок. Нет единой системы хранения. Нет ответственных со стороны бизнеса.

Вопрос 8. Есть ли процессы регулярного дообучения и обновления ИИ-моделей, их адаптацию с учётом изменения данных? Или готовы ли к инвестициям в это направление (люди, инфраструктура, управление) или покупку готовых решений и работу с разработчиками (долгосрочные контракты)?

— Зелёный флаг

Да, есть или сможем организовать автоматизированный процесс дообучения с контролем деградации. Готовы выделить отдельного человека и привлекать подрядчиков, покупать готовые решения и заключать долгосрочные контракты.

— Жёлтый флаг

Есть процесс, но ручной. Модели переучивают / адаптируют периодически по плану (раз в квартал или раз в полгода), но не автоматизированно. Готовы покупать коробочные / готовые решения и выделить отвественного.

— Красный флаг

Нет. Моделями планируют «работать как есть».

Вопрос 9. Готовы ли проектировать ИИ-системы для масштабирования? Рассчитана ли она на 10x–100x увеличение нагрузки и есть ли необходимая инфраструктура?

— Зелёный флаг

Да, умеем проектировать решения с самого старта с учётом масштабирования нагрузки (есть свободные мощности или возможность использовать облака). Готовы привлекать экспертов / покупать готовые решения с поддержкой разработчиков на старте проекта.

— Жёлтый флаг

Частично. Можем выделять ресурсы если столкнёмся с проблемами и доработать архитектуру за 2–4 недели

— Красный флаг

Нет. Пилотная архитектура (монолит, одна машина). Переделка займёт месяцы. Нет понимания требований к промышленной эксплуатации.

Вопрос 10. Спланирована ли / возможна ли интеграция ИИ-системы с основными системами компании (ERP, CRM, HR, хранилище данных)?

— Зелёный флаг

Да, мы умеем организовывать это и выделять ресурсы (разработчики, время). Понимаем доступные инструменты / есть единое хранилище. С проблемами настройки и обмена данными мы не сталкиваемся и умеем решать этот вопрос за 1—2 недели.

— Жёлтый флаг

Мы можем решать эту задачу, но это может занимать 1—12 месяцев, вызывать сложности. Готовы привлекать экспертов и подрядчиков.

— Красный флаг

Обмен данными для нас затруднённый, все будет работать отдельно, данные будут передаваться вручную (Excel, CSV). Нанимать подрядчиков у нас нет ресурсов.

СТОЛП 3. ЛЮДИ И КУЛЬТУРА

Вопрос 11. Есть ли в компании люди, которые разбираются в ИИ и могут вести проекты?

— Зелёный флаг

Да, все бизнес-руководители обладают базовыми компетенциями и пониманием принципов работы, прикладным использованием технологии. Есть ИТ-команда (Data Scientist, ML-инженер, IT-специалисты с опытом в ИИ) или возможность привлечь со стороны / готовы приобретать готовые / коробочные решения.

— Жёлтый флаг

Есть 1 специалист с глубоким знаниями в прикладном использовании ИИ, базовыми техническими навыками, а руководители готовы к коммуникации и взаимодействию. Также компания готова и может быстро нанимать нужных людей (в течение 2–4 недель) и привлекать экспертов со стороны (аутсорс, команды у разработчиков готовых решений).

— Красный флаг

Нет. Никакой компетенции в ИИ нет, и нет плана по найму специалистов или возможности привлечения экспертов на проект, использования коробочных решений.

Вопрос 12. Компания регулярно инвестирует в обучение и развитие сотрудников?

— Зелёный флаг

Да, регулярно. Есть бюджет на тренинги, конференции, обмен опытом, сертификации. Компания вкладывает в развитие людей системно.

— Жёлтый флаг

Иногда, по мере необходимости. Обучение есть, но не систематичное.

— Красный флаг

Нет. Дополнительного обучения (кроме обязательного) не проводится или все своими силами.

Вопрос 13. Насколько легко вам было читать и отвечать на вопросы? Все ли было понятно?

— Зелёный флаг

Все было легко и понятно, трудностей не возникало.

— Жёлтый флаг

Были отдельные сложности, но в целом нормально

— Красный флаг

Большая часть вопросов абсолютно не понятная, отвечали с помощью других людей или просто так.

Подсчёт и интерпретация опросника 2

Подсчитайте количество флагов:

— Зелёных флагов: ___

— Жёлтых флагов: ___

— Красных флагов: ___

Заключение

Эта модель оценки позволяет:

— Диагностировать готовность к пилоту (Опросник 1) и масштабированию (Опросник 2)

— Выявлять критичные несоответствия до начала внедрения (система флагов)

— Предотвращать 75% провалов, связанных с разрывом между пилотом и промышленной эксплуатации

— Планировать подготовку через анализ красных/жёлтых флагов

— Соответствовать шести ловушкам (см. Главу 2), восьми закономерностям (см. Главу 3) и трём столпам успеха (см. Введение)

Используйте этот опросник как входную диагностику перед началом любого ИИ-проекта.

Итоговый чек-лист

☐ Заполнены все вопросы

☐ Каждому вопросу присвоен флаг

☐ Посчитано количество красных/жёлтых флагов

☐ Определена категория готовности

☐ Выявлены критичные красные флаги для решения ДО пилота

☐ Выявлены жёлтые флаги для решения ПАРАЛЛЕЛЬНО с пилотом

☐ Подготовлен план действий на 2–12 месяцев

☐ Результаты обсуждены с управляющим комитетом по ИИ

Ключевые выводы:

— Не начинайте проекты, не оценив готовность

— Два уровня готовности: пилот и масштабирование требуют разных возможностей

— Оценивайте одновременно все три столпа: управление, технологию и людей

— Используйте систему флагов для быстрой оценки рисков

— Честность критична, самообман приведёт к провалу проекта

— Несоответствия исправимы, большинство разрывов закрываются за 2–12 недель

Оценка готовности — это не формальность. Это инструмент предотвращения провалов. 75% компаний застревают при переходе от пилота к масштабированию именно из-за пропуска диагностики.

Следующий шаг

После подтверждения готовности переходите к Главе 16 для выявления и приоритезации конкретных ИИ-проектов.

И этот алгоритм я реализовал в своём продукте Ассистент руководителя, который доступен по ссылке ассистент-руководителя.рф.

ГЛАВА 8. БЕРЕЖЛИВОЕ ПРОИЗВОДСТВО И ОПТИМИЗАЦИЯ ПРОЦЕССОВ

Почему бережливое производство стоит одним из первых пунктов? Потому, что это фундамент, без которого ИИ не даст ожидаемого результата. Автоматизация неэффективного процесса = автоматизированный хаос. Прежде чем внедрять ИИ, нужно оптимизировать процесс методами бережливого производства.

Почему бережливое производство идёт до ИИ?

Парадокс автоматизации

Одна компания решила автоматизировать обработку заявок клиентов, которые приходили по пяти разным каналам: почта, телефон, мессенджеры, сайт, соцсети. Каждый канал обрабатывался по-своему, поэтому одни и те же данные вводились по несколько раз в разные системы. Никто не замерял, сколько на это тратится времени. Внедряемый ИИ для автоматизации всей этой рутины в лабораторных условиях работал с точностью 95%. Однако, когда дело дошло до полноценного развертывания ИИ, система получила разнородные данные, что привело к падению точности до 60%. Разумеется, таким результатам никто не доверял, поэтому уровень использования составил всего 15% — ROI отрицательный.

Подобная схема работы — не уникальная, но то, как её автоматизировать — вопрос грамотного менеджмента. Другая компания пошла по пути предварительной оптимизации, затратив на это дополнительные два месяца. Описали процесс (блок-схема, стандартные процедуры), стандартизировали каналы (все заявки через единую систему), устранили дублирование ввода и измерили время выполнения операции. Так, выяснилось, что из 3 часов на всю операцию, время обработки составляло всего 30 минут. Эффективность такого процесса оценена в 17%. Оптимизация сократила время выполнения операции до 45 минут, т.е. еще до внедрения ИИ удалось добиться экономии в 75%. Помимо этого, получили структурированные и чистые данные, стандартизированный процесс и измеренный базовый уровень для дальнейшего сравнения.

После такого серьезного подготовительного этапа в течение трёх месяцев реализовали автоматизацию процесса с помощью ИИ, что еще больше сократило время — с 45 минут до 5 минут. Таким образом, подход бережливого производства дал 75% улучшения, после чего ИИ дал ещё 89% от нового базового уровня.

Четыре причины оптимизировать до ИИ

Причина 1. ИИ автоматизирует процесс целиком

Если процесс неэффективен, ИИ просто ускорит неэффективность. Пример: процесс счёта с 6 часами ожидания — ИИ автоматизирует ввод данных (5 минут экономии), но 6 часов ожидания остаются. Поэтому сначала устраните потери, потом автоматизируйте.

Причина 2. ИИ требует чистых, структурированных данных

Оптимизированный процесс = структурированные данные, а это значит, что ИИ-модель будет точнее.

Хаотичный процесс = грязные, несогласованные данные, т. е. ИИ-модель будет давать ошибки.

Причина 3. Нужен базовый уровень для сравнения

Как измерить улучшение от ИИ, если не знаете исходное состояние? Бережливый подход даёт этот уровень.

Причина 4. ИИ требует стандартизации

Модель обучается на стандартных процессах. Если один процесс выполняется 10 разными способами, модель не может обучиться.

Основы бережливого производства

Бережливое производство — методология оптимизации процессов, разработанная Toyota в 1950-х годах. Её суть сводится к устранению из процесса всех видов потерь, то есть таких действий, которые не создают ценность для клиента, но потребляют ресурсы (время, деньги, люди).

Например, клиент заказывает товар в интернет-магазине. Что создает для него ценность: выбор товара, оформление заказа, доставка товара. Что НЕ создает ценность: ожидание подтверждения заказа, комплектации на складе и курьера, переупаковка товара (склад упаковал, курьер переупаковал) и ошибки (неправильный адрес, нужно звонить клиенту).

Как бережливое производство применяется к ИИ?

ИИ автоматизирует процессы, но, если они полны потерь, ИИ просто автоматизирует эти потери. Результат: потери выполняются быстрее, но они все равно остаются потерями.

Приведу пример на процессе обработки счетов:

— Бухгалтер получает счет по почте — 2 часа ожидания

— Бухгалтер вручную вводит данные счета в систему — 10 минут

— Офис проверяет данные — 1 час ожидания

— Менеджер утверждает счет — 3 часа ожидания

— Система формирует платеж — 5 минут

Полное время выполнения: 6 часов 15 минут, из них 6 часов — ожидание (потери!). При таком раскладе ИИ сократил бы время на отдельные задачи, но процесс остался бы неэффективным. Теперь вместо 6 часов 15 минут он длился бы 6 часов. Поэтому сначала нужно применить к процессу принципы бережливого производства, а затем уже внедрять ИИ.

Шаг 1. Устранить потери (ожидания)

— Автоматическая маршрутизация счета (без ожидания в почте)

— Автоматическая проверка данных (без ожидания офиса)

— Автоматическое утверждение по правилам (без ожидания менеджера)

Результат после бережливого подхода: полное время выполнения = 15 минут (сократили ожидания).

Шаг 2. Внедрение ИИ

— ИИ извлекает данные из счетов автоматически

Результат после ИИ: полное время выполнения = 5 минут (убрали ручной ввод).

Итого: бережливое производство дало улучшение на 96% (с 6 часов до 15 минут), после чего ИИ дал дополнительное улучшение на 67% (с 15 до 5 минут).

Муда, Мури, Мура — основа эффективности.

Муда (потери) — это действия, не создающие ценность, но потребляющие ресурсы.

Эффективность процесса = (Время обработки / Полное время выполнения) × 100%. Например, Полное время выполнения заявки — 180 минут, время активной обработки — 30 минут, следовательно, эффективность — 17%. Это означает, что 83% времени — потери.

Мури — перегрузка людей, оборудования, процессов сверх разумных возможностей.

Примеры:

— Оператор обрабатывает 200 заявок в день вместо нормы 100, что приводит к выгоранию (плохо для человека) и ошибкам (плохо для бизнеса)

— Сервер работает на 95% CPU, что повышает риск его отказа

— Работа на производстве более 12 часов в день повышает стресс и вероятность получения травмы (плохо и для человека, и для бизнеса).

Если процесс перегружен, люди сопротивляются внедрению ИИ («У нас нет времени на ваши системы!»). А дальнейшее ускорение может привести к текучке персонала и выходу из строя оборудования.

Мура — неравномерность нагрузки — то пусто, то густо.

Примеры:

— В начале месяца 50 заявок в день, в конце 500.

— Утром 10 звонков в час, днём 100.

Иногда мы повышаем производительность задач, которые нужны 1 раз в месяц, в то время как большая часть задач остаётся ручной.

Восемь видов потерь (муда)

Потеря 1. Ожидание

Время, когда работа стоит, а клиент (внешний или работник) ждёт. Например, ожидание подтверждения от менеджера или пока система обработает запрос, ожидание данных от другого отдела.

Итого: 3 дня ожидания и 2 часа полезной работы.

Устранить ожидания можно при помощи автоматической маршрутизации документов, делегирования полномочий и организации параллельной работы.

Как ИИ помогает устранить ожидание?

— Прогнозирование: ИИ прогнозирует, какие договоры будут отклонены, и сразу отправляет их на доработку

— Автоматическое утверждение: ИИ проверяет договор, классифицирует и автоматически утверждает типовые договоры (низкий риск)

— Приоритизация: ИИ расставляет приоритеты (срочные договоры на основе интеллектуального анализа идут первыми)

Потеря 2. Транспортировка

Перемещение материалов, документов, информации без создания ценности. Например, пересылка документов между отделами (вместо электронного распределения), передача данных между системами (вместо автоматической синхронизации).

Решить проблемы лишней транспортировки можно при помощи единой системы для заявок (без пересылок или с автоматическим обменом данными) и прямой коммуникации клиента с исполнителем

Чем тут может помочь ИИ?

— Автоматическая маршрутизация: ИИ анализирует заявку или запрос в техподдержку (при необходимости задаёт уточняющие вопросы) и сразу направляет нужному специалисту.

— Чат-бот: клиент общается с чат-ботом, который сам находит информацию по базе знаний (без пересылок между людьми).

Потеря 3. Перепроизводство

Производство большего количества, чем нужно, или быстрее, чем нужно. Например, производим 300 деталей, когда нужно 100 (200 лежат на складе); направляем 10 отчётов, когда читают всего 2 из них; создаём 10 вариантов дизайна для того, чтобы клиент выбрал 1.

Представим, маркетинговый отчёт на 50 страниц. Руководство читает только сводку (3 страницы), а остальные 47 — потеря времени.

Чтобы избежать этого, нужно производить по запросу, а не «про запас», использовать для демонстрации работы минимально жизнеспособный продукт, и вообще спрашивать у клиента, что ему действительно нужно (порой он и сам не знает).

Как ИИ помогает устранить перепроизводство?

— Прогнозирование спроса: ИИ прогнозирует, сколько товара нужно произвести (не больше, не меньше)

— Персонализация отчётов: ИИ генерирует отчёт только с той информацией, которая нужна конкретному пользователю, и сразу готовит необходимые рекомендации.

Потеря 4. Запасы

Излишки материалов, товаров, незавершённого производства. Например, товары на складе, которые не продаются, детали, которые ждут сборки, незавершённые документы, ждущие утверждения.

Запасы замораживают деньги (товар на складе — это неработающие деньги), требуют площадей (аренда склада), устаревают и портятся.

Чтобы избежать лишних запасов, рекомендуется производить точно в срок (just-in-time), проводить анализ оборачиваемости и использовать динамическое ценообразование для залежавшихся товаров.

Как ИИ помогает устранить избыточные запасы?

— Прогнозирование спроса: ИИ прогнозирует, какой товар будет продаваться, и оптимизирует запасы

— Динамическое ценообразование: ИИ автоматически снижает цену на товары, которые залёживаются

Потеря 5. Избыточная обработка

Действия, делающие работу сложнее, чем нужно. Перфекционизм в работе — это одна из форм избыточной обработки. Это когда мы вводим данные в 3 разные системы (вместо одной), делаем отчёт с 20 графиками для красоты, когда для понимания сути достаточно всего 3, или проверяем документ по несколько раз.

Чтобы убрать избыточную обработку, рекомендуется активно использовать все преимущества цифровизации, электронных подписей и автозаполнения (система заполняет часть полей)

ИИ здесь тоже помогает. Например, автоматическое извлечение данных из документов (не нужно вводить вручную) или умное автозаполнение, когда ИИ предсказывает, что нужно ввести, или заполняет автоматически.

Потеря 6. Перемещения

Лишние движения людей, не создающие ценность. Например, хождения по кабинетам за подписью (вместо электронной), поиск документов в архиве (в том числе в электронном), присутствие на совещаниях, где оно не требуется.

Всего этого можно избежать при помощи цифровизации (когда все документы хранятся в системе), единого рабочего места (всё доступно с компьютера) и удаленного / гибридного формата работы (без поездок в офис).

В отличие от людей, ИИ находит нужные документы за секунды (не нужно искать в архиве), а виртуальный ассистент отвечает на вопросы, не беспокоя остальных коллег, готовит повестку совещания и определяет необходимых участников.

Потеря 7. Дефекты

Ошибки, брак, переделка.

Пример: 10% заказов в интернет-магазине происходит с ошибками (неправильный адрес, товар). На исправление каждой ошибки требуется до 30 минут. Таким образом, при 1000 заказах мы имеем 100 ошибок, а это 3000 минут или 50 часов исправлений!

Чтобы не допускать ошибок, нужно использовать валидацию данных, подсказки для пользователей, анализ причин неправильных действий.

Как ИИ помогает устранить дефекты?

— Автоматическая проверка: ИИ проверяет данные на ошибки

— Прогнозирование дефектов: ИИ прогнозирует, где возможна ошибка, и предупреждает о них.

— Контроль качества: ИИ (компьютерное зрение) проверяет качество продукции (находит брак)

Потеря 8. Неиспользованный потенциал

Неиспользование талантов, знаний, идей сотрудников. Например, когда квалифицированный специалист 80% времени тратит на рутину, сотрудники предлагают идеи по улучшению бизнеса, но их никто не слушает, или когда эксперты не делятся своими знаниями.

Представьте ситуацию, когда специалист по данным 70% времени тратит на сбор и очистку данных (рутина) и только 20% — на создание моделей (творческая работа). Остальные 10% времени уходят на анализ результатов. Другими словами, довольно дорогой специалист тратит 70% времени на рутину, которую может делать и менее квалифицированный человек.

Автоматизация рутины высвобождает время для более творческих задач. Вовлечение сотрудников в проблемы бизнеса, их обучение приводят к генерации идей по улучшениям.

Помимо автоматизации, ИИ здесь можно использовать для выдачи рекомендаций по принятию решений (ИИ рекомендует, эксперт сам решает) и адаптации обучающих курсов под каждого сотрудника.

Дополнительные инструменты

Инструмент 1: Теория ограничений

Производительность системы определяется самым узким местом, то есть таким этапом, который работает медленнее всех остальных или дает наибольшее число ошибок. Увеличение производительности других участков неминуемо приведёт к кризису, если это узкое место не устранить.

Таким образом, общая производительность системы = 60 единиц в час, поскольку она ограничена этапом №3. Даже если этап №1 даёт 100 единиц, а этап №5 может 130, общая производительность всё равно 60 единиц в час.

Ещё один пример из моей личной практики. Увеличение производительности отдела маркетинга и продаж привело к росту количества заказов, а производство оказалось не готовым к этому. Итог — риск штрафных санкций на 20 млн руб. при годовом бюджете подразделения 10 млн руб.. Этого нам удалось избежать, устранив «узкое место», в то время как другая компания получила штраф на 12 млн руб. при годовом обороте в 10 млн руб..

Как работать с ограничениями:

— Найти узкое место

— Максимально использовать узкое место (без простоев)

— Подчинить все остальные этапы возможностям узкого места

— Расширить узкое место (добавить ресурсы, автоматизировать)

— Вернуться к шагу 1 (найти новое узкое место)

Применение ИИ здесь даёт свой результат.