Продолжение поста про то:
Как войти в число компаний, где ИИ повышает эффективность процессов на 50%? Ч. 2

Целевые проекты

По данным исследования ВШЭ, 40% респондентов готовы использовать ИИ в тех же производственных и бизнес-процессах, что и раньше, 24,5% — в других, 15,6% — для создания новых продуктов. В целом важно учитывать следующие моменты:

— при наличии процесса с высоким финэффектом любая дополнительная модель, обеспечивающая 0,5-2 п.п. Gini, даёт измеримый финансовый результат. В такие проекты имеет смысл идти в первую очередь.

— ускорение процесса может не давать прямой финансовой отдачи, но освобождает главный ресурс — время. Есть кейсы, когда с помощью GenAI процесс, занимавший три дня, сокращали до 20 минут без потери качества.

— высвобождение рабочей силы полезно для решения задач с большей ценностью.

Гладко было на бумаге, да забыли про овраги: как защититься от неприятных сюрпризов?

На практике чаще всего будут вставать вопросы: где найти экспертов, где взять данные и какие вычислительные мощности использовать.

1. Эксперты
Для стратегической трансформации и перепроектирования процессов зачастую достаточно точечной внешней поддержки — держать таких специалистов в штате компании среднего размера не всегда рационально.

Эксперты по ИИ‑продуктам, включая промпт‑инженеров, — скорее внутренний ресурс. Имеет смысл переобучать сотрудников, хорошо знающих ваши процессы: готовить их к работе с ИИ и генеративным ИИ. Это даст людям новые возможности, повысит лояльность и поддержит человекоцентричный подход.

Data team формируется исходя из масштаба и потребностей: её можно вырастить внутри или привлечь целиком.

2. Данные.
Ситуация с нехваткой данных продолжает быть острой, но постепенно улучшается благодаря ИИ-инструментам. Для повышения эффективности рекомендуем:
— на первом этапе проаудировать и оценить данные внутри компании. Раньше очень часто не табличные данные не рассматривались как основной источник информации. Современные технологии и алгоритмы позволяют их предобработать в нужный вид и также использовать при решении задач.
— на втором — приступить к сбору новых данных. В этом помогут недавно появившиеся модели, способные работать при малых выборках. Есть кейсы, когда LLM доучивали на 250–300 кейс-вопросах промпта.

При необходимости можно приобрести внешние датасеты.

3. Мощности.
Есть несколько вариантов:
— можно опираться на «коробочные» продукты и рыночные платформы — многие решения уже готовы и хорошо масштабируются.
— можно адаптировать открытые модели и наработки под свои задачи, включая дообучение.
— можно оптимизировать вычисления: за счёт алгоритмических улучшений, профилирования и упрощения архитектур, что особенно эффективно при ограниченных ресурсах.

Начинать стоит сегодня: подготовить стратегию, выбрать продукты и процессы для трансформации, оценить предварительный финансовый эффект и нефинансовую ценность, сформировать команду, проработать данные и настроить инфраструктуру.

Делаем это затем, чтобы в ближайшие 10 лет войти в число компаний, где ИИ повышает эффективность процессов более чем на 50%.