Было у нас внутреннее мероприятие, и спикер по ИИ дал несколько мыслей, которые хорошо легли на то, что мы сами сейчас делаем.
Первая: мы правильно идем через пересборку процесса и через постановку ИИ на вход процесса.
Вторая:
все надо переделать идти надо еще шире - смотреть на весь сквозной процесс.
Судите сами:
Одна из главных проблем нынешних AI-пилотов в том, что их запускают внутри отдельной функции: автоматизировали кусочек, получили экономию условных 10 FTE, купили для этого серверы, собрали команду, долго интегрировались с legacy - а потом пытаемся понять, почему весь бизнес от этого особенно не изменился.
Спикер предложил другой принцип: пилот должен быть маленьким, но сквозным.
Например, не автоматизация отдельной операции в закупках или финансах, а тонкий срез от планирования потребности до поставки. Или сквозной кусок управления оборотным капиталом. Именно там появляются эффекты другого масштаба: запасы, оборачиваемость, загрузка оборудования, скорость прохождения процесса. Один процент изменения запасов иногда стоит больше, чем экономия на десятках сотрудников внутри отдельной функции. Остается пустяк -
доказать этот эффект.
И тут снова возвращаемся к моей любимой теме: если встроить ИИ в неэффективный процесс, можно просто получить более технологичный неэффективный процесс.
Но дальше мысль идет еще шире:
Сквозной AI-процесс быстро упирается в данные. Причем мало собрать их в одном месте: нужен еще семантический слой - связи между сущностями, единые определения, бизнес-логика, понимание того, что с чем связано. Условно, проблема с оборотным капиталом связана с такими-то поставщиками, такими-то условиями и такими-то событиями в процессе.
И только поверх этого уже нормально работают агенты, ML-модели и генеративный ИИ.
То есть AI-ready архитектура постепенно начинает выглядеть так: транзакционные системы -> общий слой данных -> бизнес-логика и knowledge graph -> агенты -> человек.
И здесь становится видно зачем нужен именно сквозной пилот: его задача не столько красиво доказать ROI на маленьком участке, сколько нащупать, каких данных не хватает, где ломаются связи между функциями, что придется менять в операционной модели и какой фундамент понадобится для масштабирования.
Отдельный чат-бот такую работу не сделает.
Более того, здесь есть вполне реальный риск: если раздать всем корпоративных чат-ботов, которые не видят нормальных данных, не связаны с системами и не знают бизнес-контекста, люди довольно быстро получат несколько бессмысленных ответов и решат, что «ИИ не работает».
Идея девальвируется раньше, чем технология вообще получит шанс нормально заработать.
Еще одна мысль, которую я бы отдельно оставила руководителям: AI-трансформация почти неизбежно становится кросс-функциональной. А значит, главная сложность будет далеко не в модели. Она будет в границах подразделений, владельцах процессов, данных, ответственности и в том, кто вообще имеет право менять цепочку целиком.
И в этом смысле пилот - уже не тест технологии. Это маленькая репетиция
новой операционной модели.
Ну и финальная мысль спикера мне тоже близка: все итеративное и ремесленное будет автоматизироваться, поэтому ценность человеческого мышления только вырастет. Умение видеть взаимосвязи, строить гипотезы, задавать «а что если?», собирать сложную картину из разных факторов становится еще важнее.
То есть путь к AI-native компании, похоже, выглядит примерно так: выбрать сквозной процесс, пересобрать его, разобраться с данными и бизнес-логикой, а потом уже посадить туда агентов.
Что, собственно, гораздо сложнее маленьких
гордых пилотиков.
Зато и эффект там совсем другого порядка.
@kiralapiname#технологИИ #ИИвработеруководителя #проуправление #PRO_ОЦО
