Как выбрать правильный процесс для автоматизации

Помогая компаниям внедрять ИИ, я часто вижу одну ошибку.

Даже если компания выбирает бизнес-метрику и начинает автоматизировать процесс, который на нее влияет, она не всегда учитывает, что произойдет со всей системой.

Возьмем для примера финтех. Компания хочет увеличить прибыль. Для этого ей нужны новые клиенты, поэтому она внедряет ИИ в продажи и строит дополнительные воронки.

Компания начинает проводить автоматический онбординг и быстрее подключает больше клиентов.

Но больше клиентов — это больше транзакций и диспутов.

Если при этом компания не внедрила ИИ в поддержку и не увеличила ее пропускную способность, поддержка просто захлебнется в потоке обращений.

В итоге продажи вырастут, но удовлетворенность клиентов снизится. Локальная метрика улучшится, а вся система начнет работать хуже.

Поэтому нельзя автоматизировать отдельный процесс в вакууме. Нужно смотреть на всю цепочку создания ценности и заранее понимать, куда переместится нагрузка после оптимизации.

У меня был кейс, когда компания хотела стать AI-First, но найм разработчиков занимал несколько месяцев.

Можно было сколько угодно говорить об ИИ-трансформации в презентациях, но компания не могла двигаться с нужной скоростью, потому что ее главным ограничением оказался рекрутинг.

Поэтому ИИ нужно было внедрять именно туда.

Но здесь возникла другая проблема. Инструменты внедрили, а рекрутеры продолжили работать по-старому.

Они боялись, что ИИ их заменит, так как значительная часть их работы сводилась к вопросам вроде: «Готов ли кандидат к релокации?»

Такие операции можно автоматизировать, но рекрутеры все равно выполняли их вручную.

Получается, что технически процесс был автоматизирован, но организационно оставался ручным.

Об управлении такими изменениями я отдельно расскажу в одной из следующих статей.

При этом стать AI-First не означает передать ИИ всю работу.

Я бы не стал полностью автоматизировать процессы, в которых требуется персональная ответственность за решения.

Например, ИИ может помогать формулировать цели и предлагать варианты. Но ставить цели и отвечать за них должен человек.

То же самое касается финансов.

Для работы с цифрами я никогда не использую LLM. Здесь нужны детерминированные алгоритмы, а машинное обучение можно применять для финансовых прогнозов.

В юридической работе ИИ тоже должен оставаться ассистентом.

Он может искать документы и прецеденты, готовить черновики и подсвечивать потенциальные риски.

Но юридическая интерпретация зависит от контекста и практики. Поэтому окончательное заключение должно оставаться за человеком.

И вообще, помогая компаниям проходить ИИ-трансформацию, я пришел к выводу, что сегодня создать AI-First компанию с нуля зачастую проще, чем трансформировать существующую.

В действующем бизнесе приходится менять процессы, роли, оргструктуру и мышление людей.

Сотрудники продолжают работать по-старому, руководители защищают свои зоны ответственности, а устаревшие процессы постоянно воспроизводят сами себя.

Поэтому некоторые основатели уже не пытаются трансформировать старую компанию, а говорят прямо: «Мы строим новую компанию с нуля».

Они сносят старые процессы, создают новые вакансии под новые роли с новыми требованиями к людям и строят полностью новую операционную модель.

Если кто-то из прежней команды подходит для новой компании и готов работать по новым правилам, его переводят туда. Если нет — новую организацию строят без него.

Это уже по сути корпоративная ИИ-революция, а не ИИ-трансформация.

А предпринимателю, который начинает с нуля, вообще не нужно ничего трансформировать. Он может сразу строить AI-First компанию.

Раньше для этого требовался стартовый капитал на зарплаты, но сегодня опытный специалист может в одиночку управлять ИИ-агентами и выдавать результат, для которого раньше требовалась целая команда.

В новой статье разбираемся, как выбрать правильный процесс для автоматизации, почему нельзя смотреть только на локальную метрику и где искать главное ограничение всей системы.

👉 Полная статья