Опыт внедрения ИИ в крупной розничной сети: почему после первого улучшения показателей обязательно будет падение, и как этого можно избежать
Автор статьи: Александр Барсуков — кандидат экономических наук, методолог-преподаватель Международной школы бизнеса Горки, сооснователь Community University, экс-CEO и член правления сети «Магнит», основатель Сбераналитики.
На фоне выхода GPT-5 тема интеграции искусственного интеллекта в бизнес-процессы приобретает особую актуальность. Многие компании ожидают прорыва, однако за впечатляющими первоначальными результатами часто скрывается стратегическая ловушка, ведущая к стагнации. На примере собственного опыта внедрения самообучающихся систем в крупной розничной сети расскажу, как избежать этой ошибки.
Первый опыт: когда ИИ «подтягивает» средний уровень
К 2008 году, когда я возглавил направление гипермаркетов, сеть столкнулась с ключевым ограничением быстрого роста — дефицитом квалифицированных руководителей. Подготовка директора гипермаркета занимала около года: обучение, стажировка, адаптация. Это никак не соответствовало темпам и планам компании.
Было принято решение создать «ИИ-экзоскелет директора» — интеллектуальную систему управления (ИСУ), которая усиливала бы компетенции руководителя. Самообучающийся алгоритм в режиме 24/7 собирал лучшие практики, предлагал готовые решения и фиксировал отклонения. В сложных случаях система обращалась в центральный офис для дообучения.
Критически важным было то, что рекомендации ИСУ не являлись обязательными к исполнению. Опытные директора могли отклонять подсказки, если обладали более релевантным решением. Это позволило снизить сопротивление персонала при внедрении.
Результат превзошел ожидания: срок подготовки директора сократился с года до трех недель. Новые руководители быстро выходили на средний уровень производительности, а система постоянно эволюционировала, аккумулируя лучшие решения опытных менеджеров.
Обратная сторона: почему прогресс остановился
Спустя время развитие ИСУ замерло. Мы ошибочно решили, что система просто развилась до совершенства и работает стабильно.
Затем мы посмотрели внимательнее и обнаружили, что опытные директора, изначально учившие систему, постепенно начали все больше следовать советам ИСУ и в какой-то момент полностью перешли под ее управление. Причина — в психофизиологии: самостоятельный анализ энергозатратен и требует принятия на себя ответственности. Довериться алгоритму — проще.
Со временем их навыки принятия нестандартных решений атрофировались, как атрофируется умение ориентироваться в городе без навигатора. Они опустились до среднего уровня. Система, которая училась на их опыте, лишилась «корма» в виде новых, уникальных решений и тоже перестала развиваться. Мы получили идеально управляемую, но стагнирующую структуру.
Идеальное управление ценой потери гибкости
В итоге ИСУ превратилась из системы развития в справочно-надзорную. Она лишь транслировала задачи и контролировала их выполнение.
Все развитие сосредоточилось в Центре управления (ЦУП), где небольшая группа экспертов вручную создавала новые решения и загружала их в систему.
С точки зрения управляемости это была идеальная конструкция: все спускаемые задачи выполнялись, самодеятельности не было. Более того, снизилась текучесть кадров — директор гипермаркета мог работать как директор только у нас, потому что в других структурах он имел бы недостаточный опыт. Порог уровня развития для набора новых сотрудников снизился, как и стоимость оплаты.
Однако способность компании к адаптации, поиску новых решений и развитию деградировала. Скорость реакции на внешние изменения упала, так как зависела от небольшой группы людей в ЦУП.
Стратегическое решение: как можно было сохранить развитие
Идеальное состояние симбиоза человека и ИИ было достигнуто вначале: новички быстро обучались, а опытные директора генерировали инновации, на которых росла система. Чтобы поддерживать этот баланс, требовались сознательные усилия.
Что нужно было делать:
1. Создание «полигонов» без ИИ.
Необходимы зоны, где руководители принимают решения без подсказок системы, сохраняя и развивая свои компетенции.
2. Системный бенчмаркинг.
Постоянный анализ best practices индустриальных игроков и интеграция этого опыта в ИСУ.
3. Моделирование новых ситуаций и «надсистемы».
Создать систему следующего уровня, которая бы анализировала внешнюю среду: потребительские тренды, изменения законодательства, научно-технический прогресс. Ее задачей было бы моделирование новых ситуаций и обучение исполнительной ИСУ. Это бесконечный процесс, требующий постоянного притока внешних данных, их анализа и интеграции.
Вывод для бизнеса: как избежать ловушки
Многие компании сегодня, обольщенные возможностью упростить процессы за счет нейросетей, находятся на пороге той же ловушки. Они рискуют потерять способность к адаптации, так как будут кормить алгоритмы уже существующей, «старой» информацией. Процессы в компании перестанут развиваться и замкнутся «сами в себе».
Первоначальный рост за счет «подтягивания среднего показателя» обманчив. На следующем этапе неизбежно снизится способность адаптироваться к новому, что приведет к системному кризису.
Чтобы этого не произошло, во всех процессах интеграции ИИ необходимо сохранять независимые интеллектуальные центры — человеческие экспертные группы. Их роль — «подкармливать» алгоритмы новыми решениями, выходящими за рамки текущей базы, и постоянно работать над созданием «надсистем».
Мы будем наблюдать, как «второе мнение» от ИИ для многих станет основным, что приведет к их деградации. Успеха добьются те, кто сохранит человеческий интеллект как доминирующий, а ИИ будет использовать как инструмент усиления, а не замены.