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

В искусственном интеллекте таких стен много.

Одна стена называется данными. Модель может быть мощной, но если ваши данные грязные, разрозненные или юридически непригодные для использования, магии не будет. Другая стена называется процессами. Если процесс сам по себе бессмысленный, ИИ ускорит бессмыслицу. Третья стена называется ответственностью. Машина может предложить решение, но кто подпишется под ним? Четвёртая стена называется доверием. Сотрудники могут саботировать даже хороший инструмент, если чувствуют, что его внедряют против них. Клиенты могут отказаться от удобного сервиса, если видят в нём слежку или равнодушие.

История ИИ не говорит: «Не верьте технологии». Она говорит: «Не верьте гладким траекториям».

Есть ещё один урок, менее очевидный. Старые подходы не исчезают полностью. Они возвращаются в новых сочетаниях.

Когда-то многие системы строились на правилах. Эксперты формулировали: если у пациента такие симптомы, возможен такой диагноз; если в заявке такие признаки, нужно проверить риск; если клиент сделал то-то, предложить ему это. Потом пришло машинное обучение и сказало: не надо вручную писать все правила, дайте данные, модель найдёт закономерности. Это был сильный сдвиг. Но правила не умерли.

В бизнесе правила нужны. Законодательство, политика безопасности, кредитные лимиты, регламенты, профессиональные стандарты, этические запреты. Нельзя просто сказать модели: «Разберись как-нибудь». Иногда нужно жёстко задать границы. Не предлагать клиенту продукт, если он ему противопоказан. Не использовать персональные данные без основания. Не принимать автоматическое решение там, где требуется человек. Не выдавать уверенный ответ, если уверенности нет.

Будущее, скорее всего, не будет чисто «правильным» или чисто «данным». Оно будет смешанным. Данные помогут видеть закономерности, правила будут задавать рамки, люди будут отвечать за смысл и последствия. На бумаге это звучит аккуратно. На практике потребует много скучной управленческой работы.

А ИИ любит, когда за него сделали скучную работу.

Я иногда прошу руководителей представить не блестящую лабораторию, а обычную среду своей организации. Почтовые цепочки на двадцать семь писем. Файлы с названиями «финал_новый_точно_последний». Клиентские записи, заполненные по-разному в разных регионах. Отделы, которые используют одни и те же слова в разных смыслах. Старые системы, к которым никто не хочет прикасаться, потому что они «как-то работают». Новые инициативы, которые накладываются на старые и создают ещё один слой отчётности.

И вот в эту среду приходит искусственный интеллект.

Он не приходит в пустую комнату. Он приходит в вашу комнату. Со всеми её проводами, привычками, конфликтами, страхами, обходными путями и табличками на стене.

Поэтому вопрос «новый ли ИИ?» менее важен, чем вопрос «готовы ли мы не повторять старые ошибки?»

Старые ошибки хорошо известны.

Первая: ждать слишком многого слишком быстро. Это ведёт к разочарованию. Руководитель объявляет большую программу, сотрудники видят несколько сырых инструментов, через полгода энтузиазм превращается в усталость. Потом появляется фраза: «Мы уже пробовали ИИ, не сработало». Хотя на самом деле пробовали не ИИ, а плохо выбранный пилот без ясной цели.

Вторая: недооценивать технологию после первых неудач. Система ошиблась в смешном месте, и все решили, что она бесполезна. Но смешная ошибка в одном типе задач не означает бесполезность в другом. Человек тоже может плохо петь и хорошо вести переговоры. Инструменты надо оценивать по задаче, а не по общему впечатлению.

Третья: отдавать тему только техническим специалистам. Технические специалисты необходимы, но они не могут в одиночку решить, где ИИ принесёт пользу бизнесу, какой риск допустим, как изменится работа людей, что будет считаться успехом. Если руководитель прячется за фразой «это пусть айтишники разбираются», он уже проигрывает часть управления.

Четвёртая: превращать ИИ в символ современности. Компания покупает модный инструмент, потому что так делают другие. Появляется внутренний портал, несколько обучающих сессий, красивые слайды. Вопрос «зачем?» остаётся без ответа. Через год инструмент либо тихо умирает, либо живёт как игрушка для энтузиастов.

Пятая: забывать, что каждая волна ИИ приносит не только возможности, но и новую ответственность. Чем естественнее машина разговаривает, тем легче человеку забыть, что она может ошибаться. Чем дешевле создавать контент, тем выше риск мусора. Чем проще автоматизировать решение, тем важнее понять, кого это решение затронет.

В истории ИИ есть много поводов для оптимизма. Машины научились делать то, что раньше казалось далёкой фантастикой. Они помогают искать лекарства, управлять сложными сетями, переводить языки, распознавать изображения, писать код, анализировать документы, поддерживать клиентов. Они уже стали частью экономики, даже если мы не всегда называем их по имени.

Но в этой же истории есть много поводов для осторожности. Обещания часто опережали результат. Уверенность часто оказывалась преждевременной. Системы, хорошо работающие в узком примере, ломались при столкновении с реальностью. Деньги тратились быстрее, чем появлялась польза. Люди сопротивлялись не из глупости, а потому что им предлагали не помощь, а очередной плохо объяснённый контроль.

Мне кажется, хороший руководитель должен держать в голове обе стороны.

Без оптимизма вы будете слишком медленны. Без осторожности слишком дороги.

Сейчас многие организации находятся в странном положении. Они уже не могут игнорировать ИИ, но ещё не понимают, как встроить его в нормальную работу. Это похоже на момент, когда в офисах появился интернет. Сначала он был отдельной штукой: кто-то умел пользоваться, кто-то боялся, кто-то печатал адреса сайтов на визитках как знак прогресса. Потом интернет стал инфраструктурой. Никто не говорит: «У нас интернет-стратегия для отправки писем». Он просто есть в каждом процессе.

С ИИ может произойти нечто похожее. Не сразу. И не само.

Пока технология шумит, её трудно рассмотреть. Одни кричат, что она заменит всех. Другие говорят, что пузырь лопнет. Третьи продают курсы, платформы, консультации и чудеса. В такой обстановке полезно сделать шаг назад и посмотреть на длинную историю. В ней видно, что ИИ переживал восторги и зимы, провалы и спокойные инженерные победы, модные названия и тихое внедрение в повседневные системы.

Это снижает градус.

Если искусственный интеллект не новорождённый, то не надо носиться вокруг него с криками. Если он не всемогущий, то не надо падать перед ним на колени. Если он не игрушка, то не надо отдавать его на самотёк. Если он не магия, то можно управлять им как технологией, хоть и сложной.

Для начала руководителю стоит задать себе несколько простых вопросов.

Какие задачи в нашей организации уже решаются с помощью ИИ, даже если мы так их не называем? Где у нас есть автоматические рекомендации, скоринг, прогнозы, распознавание, классификация, поиск аномалий? Кто отвечает за эти системы? Как мы проверяем их работу? Какие решения они поддерживают? Где человек остаётся в контуре, а где только делает вид?

Потом другой набор вопросов. Что изменилось именно с появлением генеративных моделей? Какие сотрудники уже используют их в работе? Для каких задач? С какими данными? Что они делают лучше? Где тратят больше времени из-за проверки результата? Где появляются риски, о которых раньше не думали?

И ещё один вопрос, самый неприятный: где мы сейчас верим красивому ответу больше, чем проверенному процессу?

История ИИ показывает, что красивая форма ответа обладает силой. Человеку трудно сопротивляться уверенной речи. Особенно если она экономит время. Особенно если он устал. Особенно если начальство ждёт результата вчера. Поэтому зрелая организация должна учиться не только пользоваться ИИ, но и сомневаться в нём без истерики.

Сомнение не тормозит внедрение. Оно делает внедрение взрослым.

Взрослый подход начинается с признания: ИИ не новый гость, а давний сосед, который вдруг стал разговорчивым. Раньше он помогал незаметно. Теперь он просит место за столом. Его стоит выслушать. Иногда он скажет полезное. Иногда глупость. Иногда опасную глупость уверенным тоном. Иногда увидит закономерность, которую люди пропустили. Иногда сэкономит часы. Иногда создаст новую работу.

Наша задача не угадать, станет ли очередная волна ИИ вечным летом или снова принесёт холод. Наша задача проще и труднее: строить решения так, чтобы они приносили пользу при любой погоде.

Если завтра ажиотаж спадёт, останутся хорошие данные, понятные процессы, обученные люди, ясные правила и несколько работающих применений. Это уже неплохо. Если развитие ускорится, те же самые вещи позволят двигаться быстрее других. А если организация ограничится восторгом, закупкой лицензий и общими словами, она будет зависеть от погоды целиком.

История искусственного интеллекта не даёт готовой стратегии. Но она даёт хорошую прививку от двух болезней: паники и самоуверенности.

Паника говорит: «Всё изменилось, мы не успеем». Самоуверенность говорит: «Мы сейчас внедрим платформу, и всё заработает». Обе говорят слишком громко.

Лучше начать тише. Посмотреть, что ИИ уже умеет. Вспомнить, как долго он к этому шёл. Признать, что у него были зимы не случайно. Выбрать несколько задач, где польза проверяема. Не обещать чудес. Не прятаться за осторожностью. Не путать старые мечты с сегодняшними возможностями. И не забывать, что самые прочные изменения обычно выглядят скучно до тех пор, пока не становятся незаменимыми.

Когда технология взрослеет, она перестаёт требовать аплодисментов. Она начинает работать.

Искусственный интеллект ещё не везде дошёл до этой стадии. Где-то он уже обычный инструмент. Где-то всё ещё ярмарочный фокус. Где-то дорогой эксперимент. Где-то риск, который плохо понимают. Но если смотреть на него не как на внезапное чудо, а как на длинную историю, становится легче выбрать правильный тон.

Не восторг. Не страх. Рабочее любопытство.

С него и стоит начинать.

Не магия, а привычка считать

Один из самых вредных способов говорить об искусственном интеллекте выглядит невинно. Человек поднимает глаза от экрана и говорит: «Это же почти как живой ум».

Я понимаю, почему так хочется сказать. Иногда ответ машины действительно похож на мысль. Она подбирает слова, объясняет, спорит, шутит, признаёт ошибку, переписывает фразу, предлагает другой вариант. После первых удачных опытов легко забыть, что перед нами не существо, а система. Не коллега, который много читал и мало спал. Не консультант с опытом. Не новый сотрудник, которого нужно познакомить с командой.

Перед нами математика, статистика, данные, правила, вычисления и очень много инженерной работы.

Сказано сухо. Зато честно.

Проблема в том, что слово «интеллект» само толкает нас в сторону лишних ожиданий. Мы слышим его и сразу думаем о человеке. О способности понимать, хотеть, сомневаться, помнить детство, обижаться, менять мнение после тяжёлого разговора. Но искусственный интеллект не обязан быть похожим на человеческий ум, чтобы быть полезным. И не обязан быть бесполезным только потому, что не похож.

Это первая вещь, которую руководителю стоит принять без раздражения: ИИ не надо любить как чудо и не надо разоблачать как мошенника. С ним надо разобраться как с инструментом, который иногда ведёт себя неожиданно.

Слово «инструмент» тоже не совсем точное. Молоток не предлагает вам новый способ построить дом. Таблица не спорит с финансовым директором. Навигация не пишет письмо клиенту. А современные ИИ-системы уже могут участвовать в работе так, что граница между инструментом и помощником становится размытой. Но размытой не значит исчезнувшей.

Когда сотрудник говорит: «ИИ решил», в компании должен найтись кто-то, кто спросит: «Что именно он сделал?» Предложил текст? Выбрал вариант? Посчитал вероятность? Нашёл похожие случаи? Составил прогноз? Сгенерировал картинку? Сократил документ? Принял решение без человека?

Все эти действия разные. Риски разные. Требования к качеству разные. Ответственность разная.

Поэтому разговор об ИИ лучше начинать не с больших слов, а с простого вопроса: какую задачу он выполняет?

Когда мы говорим «искусственный интеллект», мы складываем в одну корзину множество разных методов. Там есть старые экспертные системы, которые работают по правилам. Есть машинное обучение, которое ищет закономерности в данных. Есть нейронные сети. Есть системы распознавания речи и изображений. Есть рекомендательные алгоритмы. Есть большие языковые модели. Есть генераторы изображений, музыки, видео, кода. Есть автономные агенты, которые не просто отвечают, а пытаются выполнить цепочку действий.

Для технического специалиста различия между ними важны. Для руководителя тоже, но в другом смысле. Ему не обязательно знать устройство каждого алгоритма. Но ему нужно понимать, какой тип мышления заложен в системе. Если выразиться грубо, есть два больших семейства: системы, которые следуют правилам, и системы, которые учатся на данных.

Этого деления уже достаточно, чтобы перестать воспринимать ИИ как туман.

Представьте небольшую сеть кофеен. Владелец хочет предугадывать, что постоянный клиент закажет утром, днём или вечером. Можно пойти старым путём и написать правила. Если клиент приходит до девяти утра в будний день, предложить американо. Если в субботу после одиннадцати и с друзьями, предложить капучино. Если после четырёх и выглядит усталым, предложить двойной эспрессо. Если на улице жара, показать холодный напиток.

Такую систему легко объяснить. Она почти бытовая. Вот правило, вот условие, вот ответ. Руководитель может открыть список правил и понять, почему клиенту показали именно это предложение. Юрист может проверить, нет ли там запрещённых признаков. Маркетолог может спорить с логикой. Операционный директор может спросить, кто обновляет правила и как часто.

В этом сила подхода на правилах. Он прозрачен.

Но у него быстро появляется слабое место: жизнь не помещается в список правил.

Клиент пришёл в восемь сорок, но сегодня воскресенье. Он с друзьями, но не хочет сладкого. Он обычно пьёт кофе, но неделю назад врач посоветовал ему снизить кофеин. Он нажал в приложении на латте, потому что ошибся пальцем. Он покупает напиток не себе, а коллеге. Он устал, но не из-за работы, а потому что всю ночь летел. Какое правило сработает? Кто будет записывать все исключения? Сколько правил понадобится, чтобы не выглядеть глупо?

В маленьком примере это забавно. В медицине, страховании, банках, логистике, кадровом отборе и промышленности уже не забавно.

Системы на правилах долго были основой многих полезных решений. Они и сейчас не исчезли. Если нужно жёстко соблюдать закон, регламент или корпоративную политику, правила незаменимы. Нельзя просить модель «как-нибудь» соблюдать требования. Ей нужно задать границы. Нельзя выдавать кредит выше лимита. Нельзя отправлять персональные данные туда, куда нельзя. Нельзя рекомендовать клиенту продукт, если он запрещён условиями.

Но если вся логика держится только на правилах, компания быстро упирается в трудоёмкость. Правила надо придумать, проверить, согласовать, обновлять. Они конфликтуют. Они устаревают. Они закрывают вчерашние случаи и пропускают завтрашние.

Тут появляется другой подход: не описывать поведение вручную, а дать системе данные и позволить ей найти закономерности.

Вернёмся к кофейне. Вместо того чтобы писать правила, можно собрать историю заказов. Когда клиент приходил, что покупал, какая была погода, был ли он один, какие акции действовали, сколько времени прошло с прошлого визита. Система смотрит на тысячи таких случаев и начинает предсказывать следующий заказ. Она не знает клиента как бариста, который видит его каждое утро. Но она видит повторы. Если похожие обстоятельства часто заканчиваются капучино, она предложит капучино.

В этом сила подхода на данных. Он масштабируется.

Человеку трудно просмотреть миллион историй заказов. Машине не трудно. Человеку трудно заметить слабую закономерность между временем визита, погодой, скидкой и поведением клиента через три дня. Машина может заметить. Человеку сложно удержать в голове тысячи переменных. Машина для этого и создана.

Но у подхода на данных есть своя неприятная правда: система учится не на мире, а на ваших данных о мире.

Если данные бедные, система будет бедной. Если данные кривые, система будет кривой. Если в данных есть перекосы, система научится перекосам. Если вы учили модель на клиентах одного региона, а применяете в другом, не удивляйтесь странностям. Если исторические решения компании были несправедливыми, модель может аккуратно воспроизвести эту несправедливость и придать ей вид объективного расчёта.

Фраза «данные говорят» звучит убедительно, но данные сами не говорят. Их кто-то собрал. Кто-то решил, что измерять. Кто-то оставил пропуски. Кто-то ввёл значения вручную. Кто-то назвал один и тот же объект разными словами. Кто-то удалил неудобные записи. Кто-то построил систему так, что ошибки копились годами и никого не трогали, пока на них не начали обучать модель.