Есть очень соблазнительное представление об искусственном интеллекте (ИИ): сейчас мы его подключим, загрузим несколько инструкций, потратим пять минут на настройку — и он закроет половину задач, которые раньше делали сотрудники. Где-то именно так его и продают, поэтому ожидание вполне объяснимое.
Но чем больше я сама работаю с ИИ и смотрю, как его пытаются внедрять в бизнес, тем сильнее вижу другое: подключить инструмент — это самая простая часть, основная работа начинается до этого и продолжается после.
ИИ тоже нужно встроить в работу
Даже на собственном примере я вижу, сколько времени занимает нормальная настройка взаимодействия. Несколько месяцев ушло только на то, чтобы система начала лучше понимать мой темп, стиль, требования к результату, то, как я принимаю решения, что для меня считается хорошей работой, а что — нет.
И при этом мы всё равно периодически что-то корректируем, меняем правила, находим ошибки, перестраиваем подход.
В компании эта задача только сложнее, потому что там недостаточно «научить ИИ отвечать». Нужно сначала понять, в какой процесс он вообще встраивается, какую часть этого процесса берёт на себя, где заканчиваются его полномочия, что происходит в нестандартной ситуации и кто проверяет, что результат по-прежнему соответствует тому, ради чего всё внедрялось.
Поэтому мне не очень близка идея «ИИ заменит сотрудников». По крайней мере сейчас я бы смотрела на него иначе: он может очень сильно повысить эффективность человека, но не отменяет необходимость в экспертизе.
Что я бы передавала ИИ
В первую очередь — повторяющиеся и рутинные операции: поиск информации, структурирование больших объёмов данных, извлечение нужных сведений из документов, подготовку черновиков, типовые ответы, первичную аналитику, обработку повторяющихся запросов. Здесь ИИ действительно может экономить значительное количество времени.
Например, если нужно найти определённые данные в большом массиве документов, он способен сделать это быстрее человека, если необходимо собрать информацию из нескольких источников и структурировать её — тоже.
Но чем выше цена ошибки, тем важнее человеческая проверка. Подготовительную аналитику можно отдать ИИ, но выводы должен оценивать человек, который понимает предмет. Документ можно подготовить быстрее с помощью ИИ, но если речь идёт о договоре, финансовом решении или другом значимом документе, без экспертной проверки я бы его не использовала.
Мы, например, один договор переписывали несколько раз не потому, что ИИ «не умеет писать договоры», а потому что каждый следующий раз всплывали нюансы, которые становились заметны только в контексте конкретной задачи.
Красивый, логичный и уверенный текст ещё не означает, что им можно пользоваться.
Что я принципиально не стала бы полностью отдавать ИИ
В первую очередь — финальные управленческие и стратегические решения. ИИ может собрать информацию, показать тенденции, предложить несколько сценариев, найти риски, сопоставить данные и помочь увидеть ситуацию под другим углом. Но решить, куда должна двигаться компания, какой уровень риска допустим, какие приоритеты важнее и какой вектор развития вообще хочет собственник, должен человек. Не весь этот контекст можно загрузить в систему.
У собственника или руководителя есть опыт, ценности, интуиция, отношение к риску, личные цели и представление о будущем компании. Иногда человек даже не способен полностью это формализовать, но именно эти вещи всё равно влияют на решение.
ИИ может предложить сценарий, который выглядит идеальным с точки зрения экономики, рынка или спроса, но он не может решить за человека, соответствует ли этот сценарий тому будущему, которое тот действительно хочет для себя и своего бизнеса.
То же самое с контролем. Я бы не стала полностью передавать его ИИ. Он может собирать статусы, находить отклонения, напоминать, сравнивать показатели — и здесь способен снять огромный объём ручной работы. Но если сам инструмент допустил ошибку, кто её увидит?
У меня есть карьерный радар, в котором заранее заложены правила и точки контроля, и всё равно иногда я сама замечаю, что что-то работает не так, поднимаю вопрос, и уже после этого становится понятно, где произошёл сбой. То есть система контроля тоже нуждается в контроле, как бы странно это ни звучало.
ИИ усиливает не только сильные стороны
Раньше я уже писала о том, как ИИ создаёт видимость экспертизы.
На первый взгляд работа выглядела вполне убедительно: хорошая структура, логичные аргументы, много предложений. Но когда начинаешь смотреть на всё это с учётом конкретного бизнеса, оказывается, что часть идей неприменима, часть не учитывает специфику, а отдельные решения вообще могут дать обратный эффект.
Проблема была не в ИИ, сотруднику просто не хватало собственной экспертизы, чтобы увидеть слабые места результата.
Наверное, именно здесь для меня проходит одна из главных границ: ИИ очень хорошо усиливает человека, который понимает, что делает, но если человек не понимает предмет, он так же легко усилит и ошибку. Причём сделает это убедительно, быстро и в большом объёме.
Умение пользоваться нейросетью постепенно становится базовым навыком, а вот способность понять, где её ответ слабый, проверить его и адаптировать под реальную ситуацию, на мой взгляд, всё больше становится признаком настоящей экспертизы.
Сначала процесс — потом автоматизация
С клиентским сервисом эта проблема особенно заметна. На простые повторяющиеся вопросы ИИ подходит прекрасно: график работы, адрес, условия, типовая информация, базовый статус обращения, здесь человеку действительно незачем каждый раз писать одно и то же. Но чем больше в бизнесе индивидуальных случаев, тем осторожнее я бы автоматизировала общение.
Если у клиента нестандартная проблема, конфликт, списание денег, сорванная услуга или ситуация, которой нет в базе знаний, бот не должен начинать импровизировать. Его нормальная задача в этот момент — понять, что сценарий закончился, и быстро передать человека сотруднику.
Допустим, есть колл-центр, компания решает внедрить ИИ-помощника, в него загружают памятки, скрипты, ответы на частые вопросы и говорят: всё, запускаем. Вроде бы он работает и действительно снимает часть нагрузки, но никто до конца не описал, что происходит, если клиент перестал отвечать. Может ли система сама предложить скидку? Что делать, если нужного ответа нет в базе? Где заканчиваются её полномочия? Как информация после разговора попадёт в CRM? В какой момент должен подключиться человек?
Именно на таких исключениях и начинают появляться проблемы.
ИИ может пообещать то, чего компания не собиралась обещать, придумать ответ вместо того, чтобы остановиться, или потерять важную информацию между этапами.
Поэтому автоматизировать нужно не отдельную задачу, а сначала продумать сам процесс. Если мы сами не можем нормально объяснить, что должно происходить на каждом этапе, в том числе когда всё идёт не по идеальному сценарию, странно ожидать, что система догадается за нас.
Пять вопросов перед внедрением ИИ
Если компания говорит: «Мы хотим внедрить ИИ», мне прежде всего хочется спросить не какой сервис они выбрали.
Мне важно понять:
Зачем вообще внедряется ИИ?
Какие конкретно задачи хотят ему передать?
Какую существующую проблему он должен решить?
Как должен выглядеть процесс после внедрения?
Что именно должно измениться в результате: время, стоимость, количество ошибок, скорость, нагрузка сотрудников или клиентский опыт?
Эти вопросы достаточно быстро показывают, есть ли у бизнеса реальная задача или пока только желание «тоже внедрить ИИ», потому что запрос «хотим ИИ-агентов» сам по себе ничего не означает. Иногда за ним стоит конкретная задача — например, сократить нагрузку на сотрудников поддержки, а иногда ожидание гораздо шире: внедрим ИИ — и сотрудники вообще больше не понадобятся. Вот здесь я бы уже остановилась и сначала разобралась, что именно компания пытается получить.
Как понять, что ИИ действительно дал бизнесу эффект
Универсальной метрики здесь нет, всё зависит от того, для чего ИИ внедряли.
Если задача была убрать рутину — смотрим, сколько времени действительно высвободилось.
Если ускорить клиентский сервис — скорость ответа, долю обращений, решённых без сотрудника, качество клиентского опыта.
Если снизить количество ошибок — смотрим, насколько сократилось их количество.
Если разгрузить команду — на нагрузку, производительность и стоимость выполнения процесса.
Поэтому вопрос «какое ИИ-решение нам внедрить?» я бы всегда ставила после другого:
«Какой результат бизнеса мы хотим изменить?»
Иначе очень легко внедрить ИИ просто потому, что его сейчас внедряют все, а через полгода так и не суметь ответить на вопрос, стал ли бизнес от этого хоть чем-то лучше.
ИИ — зеркало бизнеса
В итоге я всё больше смотрю на ИИ не как на отдельную новую силу внутри бизнеса, которая придёт и всё исправит, а скорее как на усилитель того, что в компании уже есть:
сильный специалист с ИИ может стать намного эффективнее, хорошо выстроенный процесс — быстрее, качественная система управления — прозрачнее.
Но слабая экспертиза тоже масштабируется. Плохой процесс начинает быстрее производить плохой результат, ошибочная логика получает красивую упаковку, а хаос, который просто автоматизировали, от этого не перестаёт быть хаосом.
На уровне сотрудника главный вопрос сегодня — способен ли он критически проверить результат, который получил с помощью ИИ.
На уровне бизнеса — способен ли он правильно встроить ИИ в свою систему.
Поэтому для меня главный вопрос сегодня не в том, сколько сотрудников сможет заменить ИИ. Гораздо интереснее другой: что именно в своём бизнесе мы собираемся с его помощью усилить — и нравится ли нам то, что уже есть?
