Почему бизнесу не нужен очередной хайповый ИИ-инструмент

Ко мне часто обращались клиенты с вопросами о том, как внедрить OpenClaw или какой-нибудь другой инструмент в свой бизнес.

Но гораздо реже задают вопрос: «Мы хотим улучшить конкретную бизнес-метрику. Как нам здесь поможет ИИ?»

Хотя именно с этого вопроса и должна начинаться любая автоматизация.

Потому что после разбора процесса иногда оказывается, что компании вообще не нужен ИИ-агент. Достаточно изменить сам процесс или написать обычный скрипт на питоне.

В других случаях выясняется, что проблема находится в данных: они неполные, хранятся в разных системах или вообще не собираются.

Но вместо анализа процессов и данных некоторые компании сразу смотрят на хайповые инструменты как на волшебную таблетку.

Думаю, здесь работает обычный FOMO. Инфлюенсеры показывают красивую картинку (зачастую это просто ложь), все вокруг обсуждают новый инструмент, и предпринимателю начинает казаться, что он что-то упускает.

На самом деле — нет.

Именно поэтому я не использую OpenClaw и подобные универсальные инструменты для автоматизации критических бизнес-процессов.

Их работа построена на LLM, что позволяет решать сложные интеллектуальные задачи, но не обеспечивает абсолютной надежности и повторяемости результата.

У меня есть несколько знакомых предпринимателей, которые сначала очень вдохновились такими инструментами, а затем сильно разочаровались. Они не смогли добиться того, чтобы система изо дня в день выполняла процесс одинаково и давала устойчивый результат.

Так устроены языковые модели: иногда они могут неправильно интерпретировать задачу или просто сгаллюцинировать.

Для эксперимента это допустимо. Но представьте, что на такой системе завязан реальный бизнес-процесс.

Если через него проходит тысяча заявок, даже одна неправильно обработанная заявка означает потерянного или недовольного клиента и негативный отзыв о вашей компании. А при увеличении масштаба редкие ошибки превращаются в постоянную проблему.

Там, где действительно требуется интеллектуальная операция, нужно использовать LLM или ИИ-агентов. Там, где интеллектуальной операции нет, они могут только снизить надежность, увеличить время выполнения и создать дополнительные расходы.

Например, если нужно проверить, заполнено ли обязательное поле или соответствует ли телефон заданному формату, языковая модель попросту не нужна.

Обычный скрипт выполнит такую проверку за доли секунды, практически бесплатно и всегда по одним и тем же правилам.

А вот если нужно понять свободный текст клиента, определить смысл обращения или проанализировать нестандартный документ, это уже задача для языковой модели.

Есть и другая ошибка — пытаться решать с помощью LLM задачи, для которых она сама по себе не предназначена.

Например, меня спрашивают, как через ChatGPT прогнозировать цены акций. Но языковая модель прогнозирует следующий токен на основе выученных паттернов, а не будущую цену актива.

Для таких задач нужно отдельно собирать и готовить данные, выделять признаки, обучать и проверять специальную математическую модель или модель машинного обучения.

ChatGPT может помочь написать код, проанализировать текст или картинку, но просто загрузить историю котировок и спросить: «Что будет дальше?» — недостаточно.

Получается, что сначала нужно полностью описать процесс, а затем определить, какой тип автоматизации требуется на каждом его этапе.

Об этом новая статья. А в следующей статье разберем, с какого процесса стоит начинать автоматизацию.

👉 Полная статья