Разговор об ИИ. Как превратить модную технологию в пользу для клиентов, сотрудников и прибыли

Итон Блейк

Разговор об ИИ. Как превратить модную технологию в пользу для клиентов, сотрудников и прибыли

Введение

Последние два года я почти не встречал руководителей, которые не думали бы об искусственном интеллекте. Одни уже купили несколько подписок, раздали их сотрудникам и ждут чуда. Другие провели пилот, получили аккуратную презентацию с зелеными галочками и теперь не знают, что делать дальше. Третьи вообще не начали, но на каждом совещании чувствуют, что от них ждут решения. ИИ оказался в странном положении: о нем говорят все, а ясности от этого не становится больше.

В этом нет ничего удивительного. Когда технология становится модной, вокруг нее быстро вырастает рынок обещаний. Продавцы рассказывают, что она сократит расходы, увеличит выручку, ускорит сотрудников, улучшит клиентский опыт и заодно спасет компанию от конкурентов. Скептики отвечают, что все это пузырь, что модели выдумывают факты, что сотрудники разучатся думать, а расходы на внедрение съедят любой выигрыш. Оба лагеря говорят громко. Руководителю от этого легче не становится.

Эта книга написана для человека, которому нужно принять решение, а не победить в споре о будущем человечества. Вам не нужно становиться инженером машинного обучения. Вам не нужно знать названия всех моделей, читать каждую новость о новом чат-боте и спорить о том, где проходит граница между статистикой и разумом. Но вам придется понимать достаточно, чтобы не путать демонстрацию с результатом, пилот с внедрением, удобную игрушку с рабочим инструментом.

ИИ уже вошел в бизнес, но вошел неровно. Где-то он помогает сотрудникам писать письма, искать информацию, собирать черновики документов. Где-то он управляет ценами, прогнозирует спрос, ищет дефекты на производстве или помогает врачу увидеть то, что человек мог пропустить. Где-то он просто стоит в виде дорогой лицензии, которой никто толком не пользуется. И вот это последнее встречается чаще, чем принято признавать на конференциях.

Главная ошибка начинается с вопроса: где нам применить ИИ? Вопрос звучит разумно, но он слишком рано ставит организацию в режим поиска инструмента. Лучше начать иначе: какую проблему мы хотим решить, почему она стоит денег, кому станет лучше, что изменится в работе людей и как мы поймем, что получилось? Только после этого имеет смысл спрашивать, нужен ли здесь ИИ. Иногда нужен. Иногда хватит нормального поиска по документам, переписанного процесса или честного разговора между отделами.

Мне нравится трезвый подход. Не потому, что ИИ слабая технология. Наоборот, он силен именно там, где от него ждут конкретной работы. Он хорошо ищет закономерности, обрабатывает большие объемы информации, помогает с черновиками, классифицирует, сравнивает, предлагает варианты. Но он плохо переносит туман в постановке задачи. Если руководитель сам не понимает, чего хочет, ИИ не превратит эту неопределенность в стратегию. Он красиво ее переформулирует. Иногда этого достаточно, чтобы всех успокоить. Для бизнеса этого мало.

В книге будет много разговоров о пользе, расходах, рисках, данных, людях, клиентах и управлении. Технических деталей будет ровно столько, сколько нужно руководителю. Не больше. Человек, отвечающий за подразделение или компанию, должен понимать, почему модель ошибается, почему ей нужны данные, почему хороший пилот может умереть при масштабировании, почему сотрудники саботируют полезные инструменты, и почему безопасное внедрение почти всегда медленнее красивой демонстрации.

ИИ не является задачей ИТ-отдела в одиночку. Это уже не та история, где технологи что-то покупают, настраивают и потом показывают бизнесу. Если ИИ меняет способ работы, значит, его должны обсуждать те, кто отвечает за людей, клиентов, риски, финансы, право и репутацию. Иначе получится знакомая картина: модель есть, процесс не изменился; лицензии куплены, привычки остались прежними; отчет о внедрении написан, пользы никто не видит.

Я буду говорить о руководителе, который хочет стать достаточно грамотным в ИИ. Не фанатом и не противником. Грамотность здесь означает четыре простые вещи. Первое: понимать основу технологии настолько, чтобы отличать реальную возможность от рекламного шума. Второе: уметь сформулировать причину внедрения. Третье: видеть организационную сторону дела, а не только экран с чат-ботом. Четвертое: помнить о последствиях, включая этику, право, безопасность и доверие клиентов.

Эти четыре вещи звучат спокойно. На практике они требуют дисциплины. Например, сказать совету директоров, что компания пока не готова к сложному ИИ-проекту, гораздо труднее, чем одобрить модный пилот. Признать, что данные разбросаны по системам, стары, неполны и плохо описаны, неприятно. Объяснить сотрудникам, что ИИ не заменит их завтра утром, но изменит ожидания к их работе, тоже непросто. Зато именно такие разговоры отделяют внедрение от имитации.

Эта книга не обещает универсального рецепта. Организации разные. Банк, больница, сеть кафе, производственный завод, университет и небольшая юридическая фирма будут применять ИИ по-разному. Но вопросы у них похожи. Что уже можно делать? Сколько это стоит? Где риски? Почему одни сотрудники получают пользу, а другие тратят больше времени? Как выбрать первые проекты? Когда не надо использовать ИИ? Как не превратить все это в очередную волну корпоративного энтузиазма, которая через год оставит после себя только папку с презентациями?

Я не предлагаю бояться ИИ. Бояться обычно начинают там, где нет ясности. Я предлагаю относиться к нему как к сильной, полезной и местами упрямой технологии. Она может дать компании преимущество. Может сэкономить время. Может улучшить сервис. Может открыть новый продукт. Но она же может уверенно ошибиться, усилить старую несправедливость, усложнить работу людей и создать репутационную проблему из мелочи, которую никто не заметил на этапе пилота.

Хорошая новость в том, что руководителю не нужно ждать идеального момента. Его не будет. Технология будет меняться, цены будут меняться, регулирование будет меняться, сотрудники будут приносить новые инструменты быстрее, чем компания успеет написать политику использования. Поэтому задача не в том, чтобы один раз выбрать правильный ответ. Задача в том, чтобы выстроить способность организации учиться, проверять, отказываться от плохих идей и масштабировать хорошие.

Начнем с самого простого вопроса, который почему-то часто пропускают. Новый ли ИИ на самом деле? Ответ важен. Если считать, что ИИ появился вчера вместе с очередным чат-ботом, легко переоценить его магию и недооценить накопленный опыт провалов. Если помнить, что эта область развивается десятилетиями, становится понятнее другое: шум новый, но многие управленческие уроки старые. Технология изменилась. Люди и организации изменились меньше, чем нам хотелось бы.

Трезвый разговор об ИИ

Я впервые увидел, как руководитель всерьез растерялся перед ИИ, не на технологической конференции, а в обычной переговорной. На столе стояли чашки с остывшим кофе, кто-то пытался подключить экран, финансовый директор листал распечатку бюджета. Вопрос был простой: покупать ли корпоративный доступ к новому генеративному инструменту для всей компании. Через десять минут стало ясно, что обсуждают не лицензию. Обсуждают страх отстать.

Маркетинг хотел быстрее делать тексты и презентации. Юристы спрашивали, куда будут уходить данные. ИТ-директор говорил о безопасности. HR видел шанс обучить сотрудников новым навыкам. Финансовый директор хотел цифры. Генеральный директор молчал дольше всех, а потом сказал: я понимаю, что это важно, но не понимаю, что именно мы покупаем. Это была самая честная фраза в комнате.

С ИИ такое происходит постоянно. Он приходит в организацию не как один понятный продукт, а как набор возможностей, угроз, слухов и чужих историй успеха. Один конкурент уже заявил, что внедрил ИИ во все процессы. Другой сократил службу поддержки. Третий открыл лабораторию искусственного интеллекта, хотя вчера еще не мог свести клиентские данные из трех систем. На этом фоне спокойное решение кажется почти слабостью. Но как раз спокойствие здесь и нужно.

Для начала полезно убрать ощущение, что мы столкнулись с чем-то полностью новым. Да, современные системы, особенно генеративные, выглядят удивительно. Они пишут текст, создают изображения, объясняют код, переводят, резюмируют встречи, отвечают на вопросы в человеческом тоне. Но сама идея машин, которые выполняют задачи, требующие человеческого умения, появилась не вчера. У нее длинная история, и эта история важна не ради эрудиции, а ради управленческой памяти.

Еще в середине прошлого века ученые задавали вопрос, может ли машина мыслить. Потом появились первые программы, имитирующие разговор. Они были простыми, но люди уже тогда легко приписывали им понимание. Затем пришли экспертные системы. Инженеры записывали правила, по которым машина могла делать выводы, например в медицинской диагностике или технической поддержке. Некоторое время казалось, что достаточно собрать знания экспертов в огромную базу правил, и разумная машина готова.

Потом выяснилось, что реальный мир слишком плохо поддается таким правилам. Симптомы пересекаются, оборудование ведет себя странно, клиент говорит не так, как написано в инструкции, а опытный специалист часто решает задачу на основании тонких признаков, которые сам не может объяснить. У энтузиазма наступило похмелье. Деньги уходили, ожидания не оправдывались, и наступали периоды разочарования. В истории ИИ их обычно называют зимами. Название красивое, но смысл простой: обещали больше, чем смогли сделать.

Эти зимы полезно помнить каждому руководителю. Не потому, что нынешняя волна обязательно закончится так же. Нет. Сегодня у ИИ есть то, чего не хватало раньше: огромные данные, дешевые по историческим меркам вычисления, облака, зрелая инженерия, миллионы пользователей и сильный коммерческий спрос. Но причина многих провалов осталась прежней. Люди видят впечатляющую демонстрацию и сразу переносят ее на сложную организацию, где есть устаревшие системы, сопротивление сотрудников, плохие данные и клиенты, которые не обязаны восхищаться вашей инновацией.

Представьте ресторан, который решил внедрить ИИ для обслуживания гостей. В ролике все выглядит отлично: посетитель пишет в чат, система бронирует столик, учитывает аллергию, предлагает блюдо, передает заказ на кухню. А потом начинается жизнь. У постоянного гостя две фамилии в базе. Меню меняется каждый день, но сайт обновляют по пятницам. Официанты записывают пожелания в личные мессенджеры. Кухня заменяет ингредиенты без уведомления. Клиент просит не просто столик, а тот самый у окна, где он сидел в прошлом феврале. ИИ не провалился. Провалилась фантазия, что поверх хаоса можно положить умный интерфейс и получить порядок.

Поэтому первый урок такой: ИИ усиливает зрелость организации, но плохо заменяет ее. Если процессы понятны, данные доступны, ответственность распределена, а люди знают, зачем им инструмент, технология может дать заметный эффект. Если всего этого нет, ИИ часто превращается в зеркало. Он показывает старые проблемы быстрее и ярче, чем обычная автоматизация.

Теперь надо договориться, что мы вообще называем ИИ. В бизнесе этим словом часто называют все подряд: от простого правила в CRM до большой языковой модели. Такое расширение удобно для продавцов, но мешает управлению. Для руководителя достаточно различать две большие семьи. Первая работает на правилах. Вторая учится на данных. В реальных системах они часто смешиваются, но разделение помогает думать трезво.

Правила понятны. Если клиент не оплатил счет семь дней, отправить напоминание. Если сумма операции выше обычной и страна входа изменилась, отправить на проверку. Если датчик показывает температуру выше порога, остановить линию. Это не всегда называют ИИ, но сложные системы правил действительно могут вести себя достаточно умно. Они просматривают тысячи условий, выбирают подходящие, иногда оценивают вероятность и предлагают решение.

Плюс правил в том, что их можно объяснить. Минус в том, что их надо написать. А написать можно только то, что вы понимаете. Если эксперт не может сформулировать, почему он считает эту заявку подозрительной, правило будет грубым. Если ситуаций слишком много, база правил разрастается и начинает спорить сама с собой. В какой-то момент поддерживать ее становится тяжелее, чем решать задачу вручную.

Системы, которые учатся на данных, работают иначе. Им не объясняют каждую возможность. Им показывают много примеров. Вот письма клиентов и правильные ответы. Вот фотографии деталей и отметки, где есть дефект. Вот история покупок и факт, ушел клиент или остался. Модель ищет закономерности и потом применяет их к новой ситуации. Когда данных много и они хороши, такой подход бывает очень сильным.

Но слово 'хороши' здесь не украшение. Данные должны отражать задачу. Если вы учите модель на старых решениях, в которых уже были ошибки и предвзятость, она может аккуратно воспроизвести эти ошибки. Если данных мало, она будет угадывать. Если данные собраны в разных форматах, с пропусками и странными кодами, то сначала придется заниматься скучной работой. Чистить, согласовывать, описывать, проверять права на использование. Это не похоже на футуристическую презентацию. Это больше похоже на ремонт склада, где десять лет складывали коробки без подписей.

Генеративный ИИ сделал разговор сложнее, потому что он выглядит слишком человеческим. Обычная модель прогнозирования спроса не пытается быть обаятельной. Она выдает числа. А чат-бот отвечает вежливо, шутит, признает ошибки, объясняет сложное простыми словами. Руководитель видит текст и невольно думает: раз он так говорит, значит, он понимает. Это опасная привычка. Текст может быть гладким, а основание слабым.

Большая языковая модель, если говорить грубо, учится предсказывать продолжение текста. Она видела огромные массивы документов и по ним научилась подбирать вероятные слова, фразы, ответы, стили. Это потрясающее инженерное достижение. Но оно не отменяет простой факт: уверенный ответ не равен истинному ответу. Модель может ошибиться спокойно и убедительно. Для черновика письма это терпимо. Для юридической позиции, медицинского совета, кредитного решения или публичного заявления компании это уже другая история.

Один из самых неприятных управленческих вопросов звучит так: где ошибка ИИ будет стоить нам дороже, чем ошибка человека? Не только в деньгах. В доверии, в репутации, в отношениях с регулятором, в безопасности. Люди тоже ошибаются, конечно. Устают, торопятся, забывают, защищают любимую гипотезу. Но общество часто иначе воспринимает машинную ошибку. Когда сотрудник службы поддержки дал неверную скидку, это конфликт с сотрудником. Когда чат-бот компании пообещал клиенту то, чего компания не собиралась выполнять, это уже разговор о контроле над собственными системами.

Отсюда не следует, что ИИ надо держать под замком. Следует другое: у каждого применения должен быть уровень риска. В одном случае можно разрешить сотрудникам использовать инструмент свободно, потому что последствия малы. В другом нужен человек, который проверяет результат. В третьем ИИ вообще не должен принимать решение, а может только готовить информацию. В четвертом лучше пока не трогать задачу, потому что данных нет, ответственности нет, а желание показать прогресс слишком велико.

Я часто слышу от руководителей вопрос: с чего начать? Самый плохой ответ - начать с самого красивого. Красивые проекты любят презентации. Виртуальный помощник для клиентов, умная аналитика совета директоров, автоматический стратегический советник, цифровой сотрудник на все случаи жизни. Все это может быть полезно, но для первого шага часто слишком сложно. Начинать лучше там, где задача понятна, данные доступны, риск ограничен, а результат можно измерить без гадания.

Например, у компании есть сотни внутренних документов, и сотрудники тратят время, чтобы найти правила командировок, закупок или оформления отпусков. Здесь можно сделать помощника по базе знаний. Он не должен увольнять юристов или менять стратегию. Он должен быстрее находить ответы и ссылаться на источник. Такой проект учит организацию многому: как готовить документы, как ограничивать доступ, как проверять ответы, как обучать сотрудников задавать вопросы, как собирать обратную связь.

Другой пример: отдел продаж пишет типовые письма клиентам после встреч. ИИ может готовить черновик на основе заметок менеджера и карточки клиента. Но черновик должен оставаться черновиком. Менеджер отвечает за тон, обещания и факты. Польза здесь проста: меньше пустого времени на первый вариант текста. Риск управляемый, если запретить отправку без проверки и не подсовывать модели лишние персональные данные.

Есть и более сложные случаи. Прогнозирование спроса, динамическое ценообразование, выявление мошенничества, диагностика дефектов, персональные рекомендации. Там ИИ может дать серьезные деньги. Но там же растут требования. Нужны специалисты, экспериментальный дизайн, контроль качества данных, мониторинг модели после запуска, понятные правила остановки. Модель, которая хорошо работала весной, может начать ошибаться осенью, потому что изменился рынок, поведение клиентов или ассортимент. ИИ не поставили один раз и забыли. Его эксплуатируют.

Слово 'эксплуатация' звучит менее вдохновляюще, чем 'трансформация', зато ближе к реальности. Любая рабочая система требует владельца. Кто смотрит на показатели? Кто принимает решение о переобучении модели? Кто отвечает, если клиент пожаловался? Кто имеет право отключить инструмент? Кто проверяет, что данные используются законно? Пока эти вопросы не имеют ответов, проект остается экспериментом, даже если он уже встроен в процесс.

Отдельно стоит сказать о производительности. Это самое популярное обещание ИИ. Сотрудники будут писать быстрее, искать быстрее, анализировать быстрее. Иногда так и происходит. Особенно если задача повторяемая, критерий качества понятен, а ИИ помогает человеку, не заменяя его с первого дня. Новички часто получают большую пользу, потому что инструмент подсказывает им практики опытных коллег. Но у производительности есть неприятная сторона: выигрыш в одном месте может создать работу в другом.

Допустим, ИИ стал писать больше маркетинговых вариантов. Теперь юридический отдел проверяет больше материалов. Или модель ускорила подготовку отчетов, но руководители тратят время на выяснение, какие цифры взяты из системы, а какие красиво домыслены. Или программист быстрее создает код, а тестировщик дольше ищет ошибки. Это не аргумент против ИИ. Это аргумент против ленивой арифметики, где экономию считают там, где удобно, а новые расходы прячут в чужом календаре.

Если вы хотите оценивать продуктивность, сначала уточните уровень. Индивидуальный сотрудник может реально сэкономить час в день. Отдел может не сэкономить ничего, если процесс не меняется. Организация может даже замедлиться, если каждый начинает использовать разные инструменты, хранить данные в разных местах и спорить о качестве результатов. Национальная экономика тем более не меняется от того, что у всех появились красивые ассистенты. Между личной пользой и большим эффектом лежит управление.

Теперь о деньгах. ИИ часто продают как путь к снижению затрат. В отдельных задачах это правда. Автоматическая обработка обращений, предиктивное обслуживание оборудования, оптимизация маршрутов, поддержка операторов, анализ документов - все это может снизить расходы. Но внедрение тоже стоит денег. Лицензии, облачные вычисления, интеграция, подготовка данных, обучение, безопасность, юристы, консультанты, внутренние команды, изменение процессов. Иногда главная стоимость спрятана не в счете поставщика, а во времени людей, которые должны привести организацию в состояние, пригодное для ИИ.

У генеративного ИИ есть еще одна особенность: он кажется дешевым, пока им пользуется один человек. Подписка стоит как несколько обедов, и руководителю кажется, что масштабирование будет таким же простым. Но корпоративное использование быстро поднимает другие вопросы. Какие данные можно вводить? Что будет храниться у поставщика? Нужно ли подключать внутренние базы? Сколько будут стоить запросы через API при большом потоке клиентов? Кто поддерживает приложение? Как ограничить расходы, если нагрузка выросла? Как выйти из зависимости от одного поставщика?

Хороший финансовый директор в такой ситуации не портит праздник. Он задает правильные вопросы. Какой бизнес-показатель изменится? Где базовая линия? Сколько стоит текущий процесс? Какие расходы одноразовые, какие постоянные? Что будет, если точность модели окажется ниже ожиданий? Сколько стоит ручная проверка? Какой план остановки? Если ответов нет, бюджет на ИИ превращается в ставку на настроение рынка.

Польза для клиента требует отдельного разговора. Многие компании внедряют ИИ так, будто клиент должен быть благодарен уже за сам факт автоматизации. Но клиенту все равно, насколько современный у вас стек. Он хочет решить свою задачу. Быстрее получить ответ. Не повторять одно и то же трем каналам поддержки. Не ждать сорок минут из-за вопроса, который можно было решить письмом. Не разговаривать с ботом, который делает вид, что понял, а потом отправляет в тот же раздел сайта.

ИИ может дать клиенту ценность, если начинать с его проблемы. Не с того, что мы можем автоматизировать, а с того, где человек теряет время, деньги, уверенность или ощущение контроля. В страховании это может быть понятное объяснение полиса и быстрый разбор случая. В образовании - персональный темп и обратная связь. В медицине - напоминания, сортировка симптомов, поддержка врача, а не замена доверия. В рознице - рекомендации, которые не выглядят как навязчивая распродажа остатков.

Иногда лучшая клиентская ценность вообще не видна клиенту напрямую. ИИ помогает точнее планировать запасы, и нужный товар есть на полке. Он прогнозирует поломку оборудования, и сервис не падает. Он ищет мошенничество, и честные клиенты меньше страдают от лишних проверок. Но и здесь нельзя забывать о восприятии. Люди обычно не против удобства. Они против ощущения, что их данные используют без спроса, а решение принимает непрозрачная машина, с которой невозможно спорить.

Поэтому вопрос 'можем ли мы?' всегда должен идти рядом с вопросом 'стоит ли нам?'. Закон задает минимальную границу. Репутация живет выше этой границы. Можно формально иметь право использовать данные клиента для персонализации, но сделать это так навязчиво, что клиент почувствует слежку. Можно автоматизировать отбор кандидатов и не заметить, что модель повторяет старые перекосы. Можно поставить распознавание лиц ради безопасности и получить общественный конфликт, потому что людей не спросили и плохо объяснили цель.

Руководителю не нужно самому писать этические кодексы на пятьдесят страниц. Но он должен добиться, чтобы в компании был простой механизм: кто оценивает риск, какие применения запрещены, где нужен человек в контуре, как клиент может оспорить решение, что делаем при инциденте, кто говорит с прессой, какие данные нельзя использовать даже ради красивого результата. Без такого механизма этика остается плакатом на сайте.

Есть еще один слой, о котором многие вспоминают поздно: сотрудники. ИИ меняет не только процессы, но и чувство профессиональной ценности. Опытный человек может воспринять инструмент как помощника, а может как угрозу. Новичок может научиться быстрее, а может перестать разбираться в основе работы, потому что всегда есть подсказка. Менеджер может использовать ИИ, чтобы снять рутину, а может начать требовать больше задач за то же время, не понимая, что проверка результатов тоже работа.

Сотрудников нельзя просто поставить перед фактом. Им нужно объяснить, где ИИ помогает, где запрещен, как проверять результат, что будет оцениваться, какие навыки станут важнее. Очень полезно честно сказать: да, часть задач исчезнет; да, появятся новые; да, нам придется учиться; нет, мы не знаем всего заранее. Люди обычно лучше переносят неприятную ясность, чем бодрые лозунги.

Внутри компании быстро появятся три группы. Первые уже используют ИИ и никого не ждут. Они найдут инструменты сами, иногда нарушая правила просто потому, что правил нет. Вторые осторожно пробуют и ждут разрешения. Третьи сопротивляются, иногда разумно, иногда из страха. Задача руководителя не в том, чтобы всех загнать в одинаковый энтузиазм. Задача в том, чтобы энергию первых сделать безопасной, вторым дать обучение, а возражения третьих разобрать без насмешки. Среди скептиков часто сидят люди, которые первыми заметят будущую проблему.

Когда организация выбирает первые проекты, полезно разложить их по простым уровням. Самый легкий уровень - личная помощь сотруднику: черновик текста, резюме встречи, перевод, поиск идей. Второй - помощник внутри процесса, например бот по внутренним политикам или система подготовки ответов клиентам. Третий - специализированная модель, которая влияет на деньги, риск или качество, например прогноз спроса или выявление брака. Четвертый - сложные автономные решения, где ошибка может быть дорогой и где нужна серьезная инженерная зрелость.