Из каждого «утюга» искусственный интеллект продвигают как технологический инструмент, который помогает бизнесу быть более результативным. Но получить реальный бизнес-эффект удаётся далеко не всем компаниям. Почему большинство бизнесов сталкиваются с проблемами ещё до начала полноценного внедрения искусственного интеллекта, и с чего нужно начинать AI-трансформацию, основатель компаний WMT AI и WMT Group Игорь Никитин рассказал порталу Biz360.ru.
Игорь Никитин – основатель и CEO компаний WMT AI и WMT Group. Эксперт в области ИИ, робототехники и управления технологическими командами. Окончил геологический факультет МГУ и экономический факультет Финансового университета при правительстве РФ, проходил обучение по Executive Coaching и менторству в школе управления «Сколково». В 2019 году основал WMT Group – компанию, которая занимается разработкой программного обеспечения и усилением IT-команд. Позднее запустил проект WMT AI, специализирующийся на AI-трансформации бизнеса.
По моему опыту, большинство AI-проектов начинают буксовать задолго до появления первых результатов. Причина почти всегда одна и та же: компания внедряет искусственный интеллект как новый инструмент, но не меняет процессы, управленческую логику и привычки сотрудников.
Типичный сценарий выглядит одинаково. Компания покупает доступ к нейросетям, организует обучение, запускает несколько пилотных проектов. Первые успехи действительно появляются: сотрудники начинают быстрее готовить презентации, автоматизируют отдельные отчёты или используют ИИ для поиска информации.
Но спустя некоторое время оказывается, что ИИ регулярно пользуется лишь небольшая группа энтузиастов, а большинство сотрудников возвращаются к привычным инструментам и прежнему способу работы.
В результате технология формально внедрена, но бизнес практически не меняется. Именно поэтому сегодня рынок переполнен новостями о внедрении искусственного интеллекта, но успешных проектов с подтверждённым бизнес-эффектом значительно меньше. Таким образом, проблема заключается уже не в доступности технологии, а в способности компании перестроить вокруг неё работу.
Наличие лицензий, современных технологий или даже обученных сотрудников ещё не означает, что компания готова к AI-трансформации. На практике существует несколько характерных сигналов, которые позволяют быстро оценить реальную ситуацию.
Прежде всего стоит обратить внимание на то, насколько бизнес-процессы зависят от конкретных людей. Если уход одного сотрудника фактически останавливает работу подразделения, значит, знания не структурированы, процессы не описаны, а искусственному интеллекту просто некуда встроиться.
Аналогичная ситуация возникает, когда аналитика по-прежнему готовится вручную неделями. Обычно это говорит о том, что данные разрознены, информация хранится в разных системах, а разобраться в ней могут только сотрудники, обладающие накопленной экспертизой.
Ещё один важный показатель – отсутствие внутри компании сотрудника, который отвечает за развитие AI-направления. Если искусственный интеллект остаётся исключительно инициативой IT-подразделения или разовым проектом руководства, такая трансформация редко становится частью повседневной работы бизнеса и быстро теряет импульс.
Наконец, наиболее показательный критерий – поведение сотрудников после обучения. Если спустя несколько недель они возвращаются к привычным способам работы, значит, задача изначально была поставлена неверно. Недостаточно научить людей пользоваться нейросетями. Необходимо изменить саму логику выполнения повседневных задач и закрепить новые рабочие привычки. Именно это, а не освоение отдельных AI-инструментов, становится основой успешной трансформации компании.
За последние годы мы нашей компании наблюдали десятки проектов внедрения искусственного интеллекта. Независимо от отрасли большинство проблем повторяются практически одинаково. И среди них можно выделить пять ключевых ошибок.
Ошибка №1. Обучение считается завершением проекта
На самом деле именно после обучения начинается основная работа. Если новые знания сразу не становятся частью ежедневных процессов, уже через несколько недель сотрудники возвращаются к привычным моделям поведения.
В одном из проектов промышленной компании команда прошла интенсивное обучение работе с нейросетями. На воркшопах сотрудники показывали хорошие результаты и успешно выполняли практические задания. Но спустя два месяца выяснилось, что регулярно используют новые инструменты лишь несколько человек из десятков обученных. Остальные вернулись к прежним процессам, потому что полученные навыки не были встроены в ежедневные задачи.
Проблему удалось решить, когда обучение дополнили сопровождением первых реальных сценариев. Вместо разового курса сотрудники вместе с экспертами в течение нескольких недель доводили выбранные кейсы до рабочего состояния. Знание перестало быть результатом тренинга и стало частью конкретного процесса.
Важно! Обучение нельзя оценивать по впечатлениям участников или качеству выполненных на занятиях упражнений. Его результатом должно стать устойчивое изменение рабочих привычек.
Ошибка №2. Компания инвестирует в тех, кто сопротивляется изменениям
Руководители часто направляют основное внимание на самых скептически настроенных сотрудников. Они пытаются объяснить им преимущества технологии, снять возражения и убедить в том, чтобы они начали пользоваться новыми инструментами. Такая стратегия может отнимать значительную часть ресурсов и одновременно тормозить тех, кто уже готов двигаться вперёд.
В проектах WMT AI эффективнее оказывается обратный подход. Сначала в компании выявляют сотрудников, которые уже готовы экспериментировать, быстро осваивают новые инструменты и видят возможности их применения. Именно им дают дополнительную поддержку, время и полномочия для запуска первых сценариев.
После получения практических результатов эти сотрудники становятся внутренними проводниками изменений. Коллеги чаще доверяют не обещаниям руководства и внешних консультантов, а опыту людей, работающих рядом с ними и решающих похожие задачи.
Важно! Сопротивление начинает снижаться не в результате административного давления, а под влиянием работающих примеров.
Ошибка №3. Бизнес запускает сразу десятки пилотных проектов
Без чёткой стратегии такие инициативы превращаются в эксперимент ради эксперимента. Ресурсы распределяются между большим количеством гипотез, ответственные сотрудники перегружаются, а руководство через несколько месяцев получает набор несвязанных прототипов вместо измеримого результата.
Один из типичных сценариев на входе в проект – компания приносит список из 10-15 идей автоматизации сразу по нескольким подразделениям. При этом инициативы не сопоставлены по потенциальному эффекту, доступности данных, стоимости реализации и наличию владельца процесса.
По опыту проектов WMT AI, из такого набора гипотез практическую эффективность обычно подтверждают две-три, а до масштабирования доходит одна. Поэтому ещё до начала разработки используется предварительный фильтр: общий список сужается до одного-трёх реалистичных сценариев, для каждого из которых понятны бизнес-задача, необходимые данные, процесс и человек, отвечающий за результат.
Важно! Такой подход позволяет проверять сначала не технологическую возможность создать очередной прототип, а способность решения повлиять на конкретный показатель бизнеса.
Ошибка №4. Отсутствие внутренних драйверов изменений
Если развитие AI-направления держится исключительно на внешнем подрядчике или одном руководителе, проект редко выходит за рамки пилота. Для масштабирования необходимы сотрудники внутри ключевых подразделений, которые заинтересованы во внедрении ИИ в рутину.
Показательный пример – проект логистической компании, которая хотела автоматизировать ручной перенос данных между несколькими системами. Были успешно разработаны прототипы агентов, способных выгружать отчёты из базы 1С и заполнять государственные информационные системы.
Технически сценарий подтвердил работоспособность. Но для перехода от прототипа к устойчивой эксплуатации оказалось недостаточно работающего кода. Компании потребовалось назначить внутреннего владельца процесса – сотрудника, который отвечает за качество данных, взаимодействие подразделений, контроль исключений и дальнейшее развитие решения. Без такой роли даже успешно созданные агенты после завершения проекта рискуют остаться «на полке».
Важно! Задача внутреннего лидера – отвечать за то, чтобы технология была встроена в процесс, имела понятные показатели и продолжала развиваться после ухода внешней команды.
Ошибка №5. Руководство игнорирует сопротивление сотрудников
Даже качественная технология начинает использоваться формально, если компания не работает с опасениями сотрудников. Люди могут бояться сокращений, усиления контроля, обесценивания своего опыта или того, что им придётся осваивать новые обязанности без дополнительного времени и поддержки.
По данным глобального исследования PwC, более четверти сотрудников беспокоятся о влиянии искусственного интеллекта на свою работу. В проектах, где сотрудникам просто раздавали доступы к инструментам, но не объясняли, как именно ИИ упростит их собственную работу, технология использовалась формально или встречала скрытое сопротивление. В таких ситуациях человек осваивает нейросеть только в объёме, необходимом для отчёта руководству, но не меняет реальный способ работы.
Там, где компания отдельно выделяла время на обсуждение страхов, показывала личную выгоду для разных ролей и давала сотрудникам возможность влиять на сценарии внедрения, регулярность использования заметно увеличивалась.
Так, в рамках реализации проекта с компанией Wildberries, который реализовали WMT AI, доля сотрудников, регулярно применяющих ИИ, увеличилась с 12% до 81%. Этот результат был достигнут не только благодаря освоению новых инструментов, но и за счёт системной работы с корпоративной культурой, привычками и мотивацией команды.
Если руководитель хочет получить не разовый пилот, а измеримый бизнес-эффект, начинать стоит вовсе не с выбора платформы.
Первый шаг – провести диагностику процессов. Необходимо определить, где работа зависит от конкретных сотрудников, где аналитика готовится вручную, где сохраняется большой объём повторяющихся операций и ручного документооборота. Именно эти зоны обычно дают максимальный эффект после внедрения ИИ.
Следующий этап – сформировать стратегическую карту изменений. Вместо десятков разрозненных инициатив лучше определить несколько ключевых направлений, где применение искусственного интеллекта может дать ощутимый результат. Нужно заранее определить последовательность действий: обучение, пилотирование, внедрение и масштабирование.
После этого важно организовать обучение таким образом, чтобы сотрудники осваивали не отдельные инструменты, а новый подход к работе. Цель заключается не в том, чтобы научить пользоваться нейросетями, а в том, чтобы сформировать новые рабочие привычки на всех уровнях организации.
Отдельную роль играют внутренние AI-лидеры. Именно они становятся проводниками изменений в подразделениях: находят новые сценарии применения искусственного интеллекта, запускают пилоты, помогают коллегам и постепенно превращают AI в часть корпоративной культуры.
И только после этого имеет смысл переходить к пилотным проектам. Причем важно заранее понимать, что далеко не каждая идея станет успешной.
Искусственный интеллект сам по себе не меняет компанию. Он лишь усиливает существующую систему работы. Если процессы остаются неэффективными, знания – разрозненными, а сотрудники не готовы менять привычки, новые технологии лишь ускорят старые проблемы.
Поэтому главный вопрос для руководителя сегодня звучит уже не «какую нейросеть выбрать», а «готова ли компания изменить способ своей работы». Именно ответ на этот вопрос во многом определяет, станет ли искусственный интеллект реальным источником конкурентного преимущества или останется очередным пилотным проектом без заметного влияния на бизнес.
Чтобы не пропустить интересную для вас статью о малом бизнесе, подпишитесь на наш Telegram-канал и страницу в «ВКонтакте».
