Читать книгу "Синергия интеллектов. Как внедрить ИИ в бизнес-процессы"

ИИ-Аналитика

Идеализированный образ результата – это некий «нейроаналитик», который соберет все данные, разложит по полочкам, ответит на вопросы, почему планы не выполнены (кого наказать), и расскажет, как достичь целей в следующем месяце.

– Мы хотим сделать надстройку над BI-системой – чат-бота для руководства! Чтобы они задавали ему любые вопросы про выручку, прибыль, затраты и получали сразу ответы, не разбираясь с базами данных и дашбордами.

– А дашборды в BI-системе вы разве не для этой цели делали? Чтобы руководители смотрели в наглядный, понятный дашборд и получали ответы, не разбираясь с базами данных.

– Да… но они не пользуются дашбордами…

– А почему? Им не хватило нужных KPI? Или в чем проблема?

– А мы не спрашивали… Сделали, как было в согласованном ТЗ.

Для меня ситуация выглядит аналогичной тому, что было и 10, и 5 лет назад с BI-аналитикой, да и у многих остается по сей день. Руководители не пользуются дашбордами, потому что:

– Нет нужных данных. Типичная ситуация – из 1С выгружаются статьи бухгалтерского учета, а управленческий так и остался в Excel. От дашборда с красивыми графиками поквартальной динамики EBITDA никакой пользы, если тебе надо понять, как снизить себестоимость в этом месяце.

– Не хотят брать ответственность. Когда все данные есть, многие руководители среднего звена начинают саботировать прозрачную систему аналитики. Ведь теперь у них нет повода сказать «у меня не было данных», им нужно принимать зачастую неудобные решения.

В итоге проекты, связанные с ИИ-аналитикой, упираются в то же самое, что было у BI-проектов – хранилище данных. Его либо вообще нет, либо оно содержит весьма ограниченные данные по финансам, продажам, остаткам. Из них не получишь инсайтов про качество сырья, человеческого ресурса и других факторов, определяющих конкурентоспособность продукта или услуги.

Казалось бы, хайповая история с ботами-аналитиками может вдохнуть новую жизнь в BI-проекты и под этим соусом довести до ума фундаментальные задачи, на которые не хватило у кого бюджета, а у кого терпения. Но тут мы опять возвращаемся к завышенным ожиданиям, теперь от людей.

Для решения задачи «централизованной» аналитики, от стратегических KPI до первичных данных, нужно проработать и связать воедино две ключевых сущности:

– Дерево KPI (пирамида метрик или другие вариации иерархии бизнес-показателей). Для этого нужно погружение в бизнес-процессы.

– Модель данных. Тут требуется сопоставить семантический (смысловой) слой с физическим слоем таблиц хранилища, иметь технические компетенции.

Это не может сделать один человек (за редким исключением очень крутых архитекторов). А вешают ее, конечно же, на одного специалиста. В итоге получаются две крайности. Либо от аналитика ждут, что он за свою зарплату сделает консалтинг, как McKinsey. Либо аналитики из ИТ-подразделения делают базу данных и говорят бизнесу «у нас же self-service, вот вам конструктор – делайте, что хотите!».

В этой ситуации у меня, к сожалению, нет ИИ-лайфхаков, как и не было BI-лайфхаков. Проект по созданию корпоративного хранилища занимал у наших клиентов 1-2 года. И это были задачи как инфраструктурные, так и по развитию Data-Driven компетенций у менеджеров.

Бизнес-процессы

Аналогичная ситуация с автоматизацией бизнес-процессов. Заказчики рассчитывают получить ботов, которые будут общаться с клиентами и знать продуктовую линейку, сразу же подбирать лучшие предложения, обрабатывать возражения. Но все упирается в то, что нет достаточной базы знаний для обучения нейросети. Лучшие практики не оцифрованы, а сотрудники, обладающие нужным опытом, сопротивляются, как это было 20 лет назад при автоматизации процессов, внедрении ERP и CRM.

Как и с аналитикой, для успешного внедрения ИИ нужно делать шаг назад, и возвращаться к автоматизации процессов. Самый большой потенциал вокруг CRM. У средних и даже малых бизнесов есть CRM-система, но используется она в основном только для работы с воронкой продаж: учета сделок, контроля выполнения планов, автоматизации работы с документами. В этой парадигме всех волнует сквозная аналитика, ответ на вопрос: откуда пришел клиент, как достоверно определить источник заявки и в какой канал рекламы вкладываться. Но подход «от воронки» содержит лишь малую часть важной информации о поведении клиента. Когда сделка успешно закрыта, мы забываем о системном сборе данных, о клиентском опыте, факторах повторных продаж и рекомендаций.

Вторая по популярности тема – это работа с персоналом. Автоматический подбор и отсев кандидатов, виртуальные рекрутеры для первичных собеседований – эти задачи давно на слуху, для них достаточно много ИТ-решений под отечественную специфику. Они недешевые, и окупаются только на массовых вакансиях. А узкопрофильного специалиста все также эффективнее найти по рекомендациям.

Но болит не подбор, а удержание персонала. Тут ИИ может разрабатывать индивидуальные планы развития, подбирать образовательный формат под особенности каждого сотрудника, предупреждать выгорание, развивать кадровый резерв. Но эти более глубокие задачи опять упираются в отсутствие структурированных данных. Зарплатная ведомость, табель обучения и стандартный соц-дем не дадут инсайтов. А оцифровка профессионального пути так и остается ничьей задачей. Ее не берут на себя ни HR (им не хватает технических компетенций), ни ИТ (потому что вечно заняты задачами поважнее).

Что делать?

Я понимаю, что хочется идти в ногу со временем, и мои советы сделать шаг назад не звучат вдохновляюще. Кажется, что если мы сейчас будем разгребать рутину, то конкуренты улетят от нас в космос на ИИ-ракете. Но поверьте, у большинства ваших конкурентов такая же проблема с отсутствием фундамента для внедрения ИИ. Даже если они взлетят, то вряд ли преодолеют стратосферу.

А если вы доведете до ума бизнес-процессы и аналитику, то сможете взлететь на любой ИИ-волне, благо каждый месяц появляются новые технологии. Но задачи по наведению порядка никакой искусственный интеллект за вас не сделает, чтобы вам ни обещали поставщики услуг.

6 направлений ИИ компетенций

Как понять, разбираешься ли ты в нейросетях? Теперь в требованиях к digital-специалистам опыт работы с ИИ стал обязательным навыком. Но при одном и том же уровне компетенций одни скромно считают себя новичками, а другие – нейроэкспертами и продают свои консультации. Как объективно оценить эти новые навыки со стороны работодателя и понять, что реализованные кейсы кандидат не сочинил с помощью ChatGPT?

Интеграция ИИ в повседневную работу – это не про один навык, а про целую экосистему привычек. В этой главе вы узнаете про 6 направлений работы с искусственным интеллектом:

1. Поиск информации

2. Работа с документами

3. Аналитика данных

4. Визуализация

5. Аудио и видео

6. Автоматизация

ChatGPT стал нарицательным именем для больших языковых моделей и остается мировым лидером, но уже сейчас понятно, что он не останется отраслевым стандартом, как 1С или Excel. Поэтому важно уметь искать и находить ответы в разных «нейро-чатах» и избегать галлюцинаций.

Полезная привычка – на один запрос запускать сразу 3 диалога: например, ChatGPT, DeepSeek и GigaChat (вот вам и начало для анекдота – заходят в бар американец, китаец и русский…). Скорее всего, ChatGPT даст более полезный, развернутый ответ, но это не факт. Вы можете попасть на его «сезонные магнитные бури», и DeepSeek в этот раз окажется точнее. Отечественный ИИ хоть и отстает от зарубежных, но все равно важно нарабатывать насмотренность, в каких вопросах на него можно положиться (если все остальные нейросети вдруг окажутся недоступны).

На что стоит обращать внимание при выборе чата-ассистента для «повседневных» рабочих запросов:

– Достоверность и точность ответа. Насколько нейросеть «заносит» в добавлении несуществующих фактов.

– Содержательность. Claude или Qwen могут дать вам краткий ответ по существу, но для кого-то это будет слишком сухо. А ChatGPT выдаст вам целое эссе с примерами, но это может быть избыточным.

– Скорость. В последнем обновлении GPT5 сам выбирает модели и может уходить в глубокие размышления на 1-2 минуты. А, возможно, вам нужен оперативный диалог, развитие мысли.

– Удержание контекста. Насколько хорошо модель запоминает детали диалога на длинной дистанции, а также работает с опечатками, ошибками в промптах, восстанавливая контекст.

– Цензура. ChatGPT и Claude жестче всех по этике, их ограничения по «токсичности» контента зачастую гипертрофированы. Grok и европейский Mistral достаточно либеральны. А Perplexity просто взял и адаптировал китайский DeepSeek R1, убрав их политическую цензуру.

На первом, бытовом уровне большинство пользуется нейросетью, как поисковиком, и вместо «спроси Гугл» теперь говорят «спроси чатжипити». Следующий уровень владения – это создание документов. Вы уже могли убедиться, что текст, сгенерированный ИИ, сразу выдает себя. Он написан, как будто среднестатистическим не очень грамотным маркетологом для средненькой соцсети.

Деловые документы требуют точности формулировок, и чтобы создать такие с нейросетью, надо постараться. Как и в любом навыке, нужна практика, если вы сделали 100 версий юридических соглашений с ИИ, то 101-й договор у вас и правда получится быстро, в 1-2 промпта. Это мы подробно рассмотрим в главе 6.

Создание маркетинговых, коммерческих материалов, будь то презентация или сопроводительное письмо, тоже требуют практики, чтобы избежать клише.

Я сам оказывался в ситуации, когда мне дают на согласование много страниц текста, который выглядит убедительным: в нем есть структура, примеры, продающие триггеры. Но при внимательном прочтении понимаешь, что там сплошная вода, одна и та же мысль перефразирована под разными соусами.

«Сделай мне отчет за 5 минут» – это лайфхак для студента, но не для управленца или специалиста. С нейросетью вы можете собрать референсы, подобрать кейсы, результаты исследований или нормативные ссылки, сделать несколько версий в разных стилях и выбрать лучшую. Тогда у вас действительно будет профессиональный обучающий, регулирующий или продающий документ.

Говорят, что нейросети могут заменить аналитика и программиста, но от первого опыта решения аналитических задач с ИИ все испытывали разочарование. Нейросеть допускает ошибки, но нужно научиться ставить задачу таким образом, чтобы этих ошибок избегать.

Вот типовые аналитические задачи, с которыми современный руководитель теперь может справляться «сам», не нанимая специально обученных людей.

– Объединение данных: склеить несколько таблиц или файлов в единый массив с учётом ключей и дублей.

– Очистка значений: убрать пробелы, привести регистры, стандартизировать даты, валюты, заполнить пропуски.

– Преобразования и группировки: получить данные в разрезе продуктов, филиалов, каналов и других категорий

– Фильтрация и поиск аномалий: выборки лучших товаров, клиентов, сотрудников и неординарных отклонений.

– Расчетные показатели:на основе первичных данных добавить аналитику (ROI, ROAS, LTV, CV и др.), убедиться в их корректности.

– Шаблоны сбора данных для недостающих показателей (поставщики, конкуренты, бенчмарки, отраслевые индексы).

– Прогнозы и тренды. Если данные достаточного объема, то вы можете рассчитать реалистичные прогнозы хотя бы на месяц или квартал.

Другими словами, если вы недовольны результатом ИИ в аналитике, значит у вас недостаточно опыта в общении с машиной. Но со временем вы найдете к ней подход, и ощутите эффект, что на вас работает умный ассистент. Подробнее об этом вы узнаете в главе 5.

На сегодняшний день можно смело сказать, что нейросети научились визуализировать данные, работать с деловой графикой. Кривые диаграммы (по аналогии с «шестипалыми людьми») остались в прошлом. Практически каждый ИИ-сервис правильно подбирает диаграмму, исходя из смысла исходных данных, но есть существенные отличия в итоговом результате.

– Текст. Есть нейросети, у которых на самом деле нет функционала визуализации. Например, Yandex GPT или Qwen до последнего будут обещать вам диаграммы, но нарисуют их из текстовых символов. Это будут скорее наброски, чем полноценные визуализации.

– Изображения. Нейросеть отрисовывает диаграмму в виде картинки, ее можно вставить в презентацию, но редактировать не получится. Об этом все мечтают, но полноценного экспорта визуализаций в Excel или PowerPoint еще ни у кого нет.

– HTML-код или файл. Неплохая альтернатива – когда ИИ создает интерактивную диаграмму. Можно загрузить свежие данные, и она обновится. А этот код вставить на сайт или сохранить файл и отправить коллегам. В этом особенно хорош Claude.

По такому же принципу можно создавать целые дашборды. Это может быть картинка либо HTML-шаблон с загрузкой данных. Он может даже заменить вам BI-систему, если объем данных небольшой. Плюс существуют отдельные нейросети, специально созданные для визуализации и дашбордов: Polymer, Bricks и другие.

Если предыдущие три задачи (поиск, документы, аналитика) можно решать в рамках одного инструмента, например того же ChatGPT, то для профессиональной визуализации все равно понадобится использовать отдельные сервисы: создания схем, инфографики, презентаций. Мы рассмотрим их в главе 7.

Отдельный уровень мастерства – это извлечение смыслов из аудиовизуального контента: записей звонков, видеоконференций.

Технологии машинного зрения существуют давно и требуют специализированного ПО: контроль качества продукции на конвейере, отслеживание краж в магазинах, прокторинг (следить за глазами у студентов на онлайн-тестировании, чтобы они не списывали) и другие сферы поведенческой аналитики и безопасности.

«Бытовые и офисные» нейросети еще не предоставляют таких возможностей, но с аудио они работают достаточно хорошо, и дальше требуется инициатива от человека – что делать с транскрибированным текстом. Направление внедрения, дающее значимый эффект – контроль качества работы отделов продаж и колл-центров. Вам больше не нужно прослушивать десятки и сотни часов записей звонков для того, чтобы найти слабые места в разговоре. Теперь нужно работать с людьми над улучшением скриптов и обучением персонала.

В конференц-встречах с тремя и более участниками можно оценивать инициативу, вклад каждого в совместное решение вопроса. Правда, это не такая массовая история, как с продажами, и требует более тонкой настройки модели. Эффект тут скорее стратегический: определить, кто действительно занимается интеллектуальной менеджерской работой, а кто присутствует для галочки.

Про генерацию аудио и видео я не буду говорить, это востребовано больше в сфере развлечений. Да и текстовый формат книги не позволит эту тему раскрыть. Так что сфокусируемся на управленческих моментах.

Если вы уверенно работаете с информацией, документами, данными, визуализацией и аудио – это уже серьезное конкурентное преимущество. Следующий уровень – это автоматизация бизнес-процессов, создание ботов под локальные задачи.

Для этого используются no-code платформы, самые популярные – это Make и n8n (нейтан). Они позволяют делать вам связки из нескольких ИИ-сервисов, мессенджеров, баз данных и документов. При их использовании могут возникнуть существенные ограничения, связанные с конфиденциальностью или с масштабированием на промышленные объемы данных. Но понимать принцип создания ботов важно для любого руководителя, чтобы вы могли адекватно оценить ожидания как по стоимости их разработки, так и по эффекту от внедрения.

Я знаю предпринимателей, которые теперь и правда ведут бизнес в одиночку, точнее с командой нейросотрудников: финансист, маркетолог, юрист. Они общаются с ними, как с живыми людьми, даже «болтают в курилке». Но это результат не одной недели, а года и более. Хотя, это не такой уж большой срок для тотального изменения бизнес-модели. Вот что рассказывает Наташа Булкина, основатель проектаValera.ai – сервиса, работающего с клиентской базой салонов красоты.

Мы больше не нанимаем живых людей для работы с CRM. На каждую задачу появляется сотрудник, мы даже даем им имена и должности, и благодарим за то, что они трудятся. Отличие от ботов в том, что сотрудник отвечает за зону ответственности. У него есть не просто данные, которые он переносит из точки А в точку Б, а процессы и метрики, за которые он отвечает. И может даже делегировать задачи другим роботам.

В любой момент он может предоставить отчет, чем сейчас занят, где застрял. Например, по каждому отправленному сообщению есть причина, по которой он записал, почему именно так сделал, по каким своим решениям. Поэтому легко проверять ошибки в принятии решений роботом, а из человека такую достоверную информацию сложно достать.

Цикл мышления и как его ускорить с ИИ

Работа руководителя – это принятие решений. Аналитики могут составить идеальный бизнес-план, айтишники – автоматизировать сложный процесс. Но рано или поздно (чаще рано) всё идёт не по плану: конфликты между людьми, изменения на рынке, геополитическая ситуация. В такие моменты нет времени на исследование или аудит. Нужно действовать здесь и сейчас, в условиях неполноты данных: оценивать последствия, сравнивать варианты, опираться на опыт.

Принятие решений – одна из самых энергозатратных функций мозга. Поэтому он ищет короткие пути, привычные решения, даже если они заводят нас в тупик. А ресурс ограничен: за день мы можем полноценно принять не так уж много решений. Давайте вспомним “типичный” рабочий день, неважно в офисе или на удаленке.

К вам в кабинет или в чат стучатся сотрудники: согласовать договор, утвердить скидку клиенту, выбрать цвет баннера, проверить текст вакансии. В девяти случаях из десяти они могли бы справиться сами, но вопрос всё равно прилетает к вам. Каждое быстрое согласование отнимает часть ментального ресурса. К обеду батарейка мигает жёлтым, и сегодня опять у вас не хватило ресурса сконцентрироваться, подумать над стратегией, прогнозом продаж, новыми продуктами, открытием или своевременным закрытием филиалов.

И всё же бывают моменты, когда решения рождаются легко: в разговоре с партнером, наставником или консультантом. Вы увидели на конференции кейс из вашей отрасли, за обедом обсудили, как это применить в вашей компании, сделали пару звонков, «продали идею» лояльным клиентам, распорядились собирать для них заказ. А на следующий день разработали бизнес-план для нового направления. Это и есть результат запуска полноценного мыслительного цикла, дающего прорывные результаты в бизнесе.

Такой синергетический эффект возникает, когда кто-то в моменте помог развить вашу идею. Или, наоборот, вы предложили варианты решения, системно посмотрели на чью-то творческую задачу. Чтобы решение получилось сильным, необходимо подумать над ним с разных сторон, пройти все три этапа:

– анализировать информацию,

– искать идеи и варианты,

– упаковывать результат и презентовать его

Этот процесс я называюмыслительный цикл ASP (по-английски получается лаконично: Analysis – Solution – Package).

Как правило, у нас преобладает какой-то один тип мышления, и сложно быстро переключаться на другой. Кто-то хорош в аналитике, исследованиях, а кто-то в генерации идей. Мало того, мы неосознанно застреваем в комфортной нам фазе. Вы могли наблюдать аналитиков, которые говорят «нам нужно собрать еще данных» вместо того, чтобы принимать решение и действовать. Или креативщиков, которые встают в ступор, когда надо просчитать юнит-экономику.

Получается, чтобы найти сильное решение, сделать стратегический проект, нужно либо самому пройти все три фазы с большим напряжением, либо организовать работу команды. И для этого может понадобиться несколько таких кругов.

В моей работе аналитики постоянно жалуются на руководителей: «Вы просите отчёт, а потом начинаете переобуваться – добавьте данные, пересчитайте еще один сценарий. Почему сразу не сказали?» А ответ прост: невозможно предусмотреть всё заранее. Пока не увидишь промежуточный результат, не поймёшь, чего ещё не хватает. Управленческое мышление – оно итерационное по природе.

Каждый руководитель мечтает найти профессионалов «3 в 1» или хотя бы «2 в 1», но такое редко случается.

Компания производит продукты питания и разрабатывает бонусную программу для дистрибьюторов. Есть идея, но приходится ждать, пока аналитики пересчитают прогнозы продаж. Потом ждать, пока маркетологи обновят презентацию, добавят данные о конкурентах, убедительнее сформулируют преимущества. В итоге мозг работает на холостых: задача висит, но решений нет.

Старая парадигма «один человек – одна роль» больше не конкурентоспособна. А чтобы оценить сотрудника или результат работы команды, подрядчика, нужно самому иметь компетенции. И здесь мы подходим к тому, как получить их с помощью искусственного интеллекта.