Применение нейросетей как помощника в рабочих процессах становится все более популярным. У этой идеи есть свои сторонники, которые экономят сотни часов в год и разгружают от рутины себя и сотрудников. Есть противники, которые считают ИИ хайпом и ждут повторения краха доткомов. Как понять пользу, определить место и задачи ИИ в ваших процессах? И как при этом не страдать от завышенных ожиданий и не сливать деньги на то, что имеет приставку AI?
Есть ли польза от ИИ
Более трети российских компаний хотели бы повысить эффективность и получить преимущества за счет внедрения искусственного интеллекта. Но на практике им приходится тщательно взвешивать возможные выгоды и риски, сталкиваться с финансовыми и организационными преградами. Успех в этой сфере требует не только инвестиций, но и работы с персоналом, длительных тестов и подбора индивидуальных сценариев применения ИИ.
По данным исследовательских организаций (ВЦИОМ и НАФИ), более 70% руководителей предприятий и IT-директоров положительно оценивают свой опыт работы с ИИ-инструментами.
Инфографика ВЦИОМ о влиянии ИИ на бизнес.
Многие опрошенные отмечают, что искусственный интеллект экономит ресурсы сотрудников, позволяя им выполнять больше задач за меньшее время или решать задачи, решение которых было технически невозможно или экономически неоправданно.
Вот несколько примеров того, что уже сейчас бизнес поручает нейросетям:
-
сортировка лидов и скоринг клиентов;
-
анализ резюме и предварительная оценка кандидатов на вакансию;
-
коммуникации с клиентами на первой линии;
-
создание персонализированного контента и предложений;
-
извлечение данных из документов, выявление различий между версиями;
-
создание тезисов из длинных отчетов, записей переговоров;
-
видеоаналитика и контроль протоколов безопасности на производстве, прогнозирование сбоев и поломок;
-
обнаружение аномалий и предупреждение инцидентов;
-
прогнозирование спроса, запасов и многое другое.
Компании в целом осознают потенциал искусственного интеллекта, однако интеграция технологии и её обкатка на практике не всегда проходят гладко, иногда проекты «застревают». Почему так происходит?
Часто переход к повседневному использованию ИИ тормозят не сами технологии, а прежде всего организационные проблемы, неэффективная работа с людьми и данными. Иногда руководители и сотрудники не понимают, чем конкретно им могут помочь нейронные сети.
Понять, что назрела реальная потребность в ИИ, можно по нескольким признакам:
-
сотрудники тратят много времени на типовые операции (обработка первичной документации, формирование и рассылка актов сверки, ответы на одни и те же вопросы клиентов);
-
нет/не хватает инструментов для обработки больших массивов накопленных данных (истории продаж, клиентские обращения, логи, аналитика), они лежат и не используются для прогнозов и принятия решений;
-
качество сервиса падает с ростом нагрузки, невозможно обеспечить одинаково высокий уровень обслуживания для всех клиентов;
-
конкуренты уже внедряют гибкие и умные инструменты для анализа рынка, динамического ценообразования, персонализированных предложений и добиваются ощутимых результатов.
Как определить задачи для ИИ
Разберем по шагам.
Оценка процессов и задач
Начните с аудита процессов в отделах: выделите наиболее трудозатратные, повторяющиеся и подверженные ошибкам (обработка входящих заявок, рутинная аналитика, документооборот).
|
Критерий оценки |
Что искать |
|---|---|
|
Высокая повторяемость |
Рутинные, трудоемкие задачи, которые сотрудники выполняют ежедневно. Пример: ввод данных, сортировка документов, ответы на типовые запросы, контроль сырья, полуфабрикатов и готовых изделий, мониторинг оборудования, соблюдения регламентов и норм. |
|
Высокая трудоемкость |
Задачи, не предполагающие интеллектуальных усилий, но требующие сосредоточенности. Пример: извлечение данных, проверка соответствия поступившего товара заказанным позициям, подсчёт количества единиц, сверка документов и маркировок, подготовка отчетов. |
|
Большой объем данных |
Процессы, которые генерируют или требуют обработки тысяч записей, изображений, текстов или транзакций. Пример: обработка данных по закупкам, доставке и возврату товаров; A/B-тестирование; построение моделей покупательской активности; контроль соблюдения технологических режимов и допусков по промышленным датчикам. |
|
Критическая важность и цена ошибки |
Задачи, где человеческий фактор часто приводит к дорогостоящим ошибкам. Пример: скоринг, бюджетирование, анализ рисков, контроль качества и безопасности на производстве. |
|
Узкое место |
Процессы, которые тормозят работу всего отдела или компании. Пример: долгий процесс согласования/утверждения документов, медленная реакция сотрудников отдела поддержки клиентов. |
После аудита появилось понимание, где можно сократить потери времени и денег? Если идей много, потребуется расставить приоритеты.
Приоритизация задач
Когда у вас есть список потенциальных задач для ИИ, оцените их по двум основным критериям: ценность для бизнеса и сложность реализации. Используйте матрицу для наглядности.
|
|
Низкая сложность |
Высокая сложность |
|---|---|---|
|
Низкая ценность |
Низкий приоритет. Можно отложить |
Избегайте |
|
Высокая ценность |
Быстрые победы. Начинайте отсюда |
Стратегические проекты. Планируйте тщательно |
Как оценить пользу:
-
Экономический эффект. Насколько быстрее или точнее станет процесс? Приведет ли замена человека на ИИ к сокращению расходов и росту выручки? Каков потенциал роста/сокращения?
-
Улучшение клиентского опыта. Помогает ли автоматизация процесса росту вовлеченности и NPS? Насколько довольнее станут клиенты?
Примеры экономических эффектов и метрик:
|
Эффект |
Метрика для измерения |
|---|---|
|
Экономия средств |
Сокращение времени обработки одного документа на X минут; уменьшение количества ошибок на Y%. |
|
Рост доходов |
Увеличение конверсии в email-маркетинге на X%; повышение среднего чека за счет персонализированных рекомендаций. |
|
Повышение эффективности |
Увеличение скорости реакции службы поддержки на X%; высвобождение рабочего времени сотрудников Y часов в неделю. |
Как оценить сложность:
-
Доступность и качество данных. Должен быть доступ к историческим данным для обучения (использования) ИИ-модели. Они должны быть очищены и размечены. Идеальная задача та, для которой уже есть большой, качественный и размеченный датасет.
-
Техническая реализуемость. Существуют ли готовые ИИ-решения или потребуется сложная разработка с нуля? Например, в CRM Битрикс24 уже встроен ИИ-ассистент Copilot, который способен повысить продуктивность работы. Но иногда требуются индивидуальные решения: для распознавания товаров в магазине, прогнозирования спроса на недвижимость или «умного» поиска.
-
Необходимые ресурсы. Оцените достаточность ресурсов (специалистов, времени и бюджета) для аренды ИИ-сервисов или самостоятельного внедрения и применения модели.
Начинать лучше всего с проектов в квадрате матрицы «Быстрые победы». Это задачи, дающие быстрый и очевидный положительный эффект. Успешная реализация пилотного проекта покажет эффективность технологии и обеспечит поддержку для более масштабных инициатив.
Примеры идеальных задач для старта:
|
Отдел |
Идеальная задача для ИИ |
|---|---|
|
Обслуживание клиентов |
|
|
Финансы / Бухгалтерия |
|
|
Управление продажами |
|
Выбирая задачу с высокой повторяемостью, наличием качественных данных и возможностью измерить результат, вы значительно повышаете шансы на успешное внедрение ИИ.
Если у вас есть идеи по использованию нейросетей в вашей компании, но вы не уверены в их ценности или реализуемости, — просто оставьте контакты внизу или позвоните. Мы назначим встречу с экспертом, где обсудим ваши идеи, пожелания и ограничения.
Статьи по теме
