Выдать всем ChatGPT не значит внедрить ИИ

Сотрудники действительно начнут быстрее писать письма, сокращать документы и готовить презентации. Но бизнес может почти не почувствовать результата.

Самый простой план внедрения ИИ выглядит примерно так:

1. Купить сотрудникам подписки.
2. Провести обучение по промтам.
3. Попросить всех пользоваться нейросетью.
4. Через три месяца объявить, что компания стала технологичной.

Работает? Ну конечно нет. Потому что использование ИИ отдельными людьми и внедрение ИИ в компанию являются совершенно разными задачами.

Представим менеджера, который с помощью нейросети готовит коммерческое предложение за 20 минут вместо часа.

Это полезно. Но если после этого документ два дня ждёт согласования, цена рассчитывается вручную, а данные о клиенте приходится собирать в четырёх системах, общий процесс почти не ускорится.

ИИ оптимизировал одну операцию, но не устранил главные ограничения.

Настоящее внедрение начинается с вопроса не «Где сотрудники могут использовать ChatGPT?», а «Как должен измениться весь процесс от входящей заявки до результата?»

Сотрудник знает, какие скидки допустимы, как выглядит хороший клиент, кому нельзя обещать срочный запуск и какие формулировки уже запретил юридический отдел.

Публичная нейросеть этого не знает.

Без доступа к внутренним правилам, истории решений и актуальным данным она создаёт убедительный, но слишком общий результат. Сотруднику приходится каждый раз вручную добавлять контекст и проверять ответ.

В итоге компания покупает мощную технологию, но использует её как улучшенный редактор текста.

Чтобы ИИ приносил системную пользу, знания бизнеса необходимо собрать, структурировать и поддерживать в актуальном состоянии.

Во многих компаниях один и тот же процесс выполняется по-разному.

Один менеджер ведёт клиентов в CRM, другой в таблице, третий хранит договорённости в переписке. Исключения существуют только в головах опытных сотрудников.

Если автоматизировать такой процесс, ИИ не наведёт порядок. Он просто начнёт быстрее воспроизводить существующий хаос.

Перед внедрением приходится описывать этапы, источники данных, правила принятия решений и исключения. Часто именно эта работа занимает больше времени, чем подключение модели.

Если сотруднику нужно скопировать данные из CRM, открыть отдельный чат, объяснить задачу, проверить ответ и перенести результат обратно, это не внедрение.

Это ещё один инструмент и ещё одна вкладка.

Через несколько недель сотрудники начинают пропускать часть действий, использовать собственные аккаунты или возвращаться к привычному способу работы.

ИИ становится действительно полезным, когда появляется внутри процесса:

• анализирует обращение при его поступлении;
• использует данные из разрешённых источников;
• готовит результат в нужном формате;
• сохраняет его в рабочей системе;
• передаёт человеку только то, что требует решения.

Чем больше ручного копирования остаётся, тем меньше вероятность, что новый инструмент приживётся.

Сотрудник может сказать: «Так написала нейросеть». Для клиента это ничего не меняет. Ответственность всё равно остаётся у компании.

Поэтому необходимо заранее определить:

• какие решения ИИ может принимать самостоятельно;
• что человек обязан проверить;
• кто отвечает за итоговый результат;
• какие действия требуют подтверждения;
• что делать, если модель не уверена;
• как фиксировать и разбирать ошибки.

Без этих правил возникает одна из двух крайностей. Либо компании дают ИИ слишком много полномочий, либо сотрудники перепроверяют каждое слово и экономия времени исчезает.

В рабочих запросах могут находиться персональные данные, договоры, финансовые показатели, исходный код и коммерческая тайна.

Поэтому корпоративное внедрение требует проверить условия хранения информации, настроить права доступа и определить, какие данные можно передавать модели.

Если компания этого не делает, появляется «теневой ИИ». Сотрудники начинают использовать удобные публичные сервисы самостоятельно, иногда загружая туда документы, которые не должны покидать внутреннюю инфраструктуру.

Один запрет проблему не решает. Нужен безопасный инструмент, который позволяет выполнить ту же задачу без нарушения правил.

Количество созданных аккаунтов ничего не говорит об эффективности.

Даже число запросов к нейросети может означать как активное использование, так и бесконечные попытки добиться нормального ответа.

До запуска нужно зафиксировать:

• сколько времени занимает процесс сейчас;
• сколько стоит одна операция;
• как часто возникают ошибки;
• сколько результата требует переделки;
• как быстро клиент получает ответ;
• где находится главное ограничение.

После пилота эти показатели сравнивают. Если процесс стал быстрее, дешевле или качественнее, решение можно масштабировать. Если изменилось только количество сгенерированного текста, внедрение не состоялось.

Начинать лучше не со всей компании, а с одного повторяющегося процесса.

Например, с обработки входящих обращений, подготовки отчётов, проверки документов или классификации заявок.

Дальше порядок такой:

1. Описать процесс и измерить его текущее состояние.
2. Найти конкретную операцию, где ИИ может дать результат.
3. Подготовить данные, инструкции и примеры качественной работы.
4. Определить права агента и точки человеческого контроля.
5. Встроить решение в используемые системы.
6. Запустить пилот на небольшой группе.
7. Сравнить скорость, стоимость и качество.
8. Исправить процесс и только после этого расширять применение.

Обучение сотрудников тоже необходимо. Но оно является частью внедрения, а не самим внедрением.

Научить людей пользоваться нейросетью можно за несколько часов. Чтобы компания действительно начала работать по-другому, придётся изменить процессы, данные, ответственность и способы оценки результата.

Поэтому ИИ в бизнесе внедряется гораздо труднее, чем приложение на телефоне.

Выдать инструмент может руководство. Перестроить вокруг него работу должна вся компания.