Шумиха вокруг искусственного интеллекта создает ощущение, что это универсальное решение для любых бизнес-задач. Компании вкладываются в нейросети, автоматизацию и чат-ботов, ожидая мгновенного роста продуктивности. Но на практике все сложнее: ИИ не всегда приносит пользу. Иногда он становится источником дополнительных проблем — от искаженных данных до утраты доверия или потери лояльности.
В каких случаях ИИ действительно помогает, а где он лишь создает иллюзию эффективности?
Когда ИИ не помогает
Зачастую ИИ начинают использовать как модную «заплатку», не вникая, а нужен ли он в реальных процессах. Кроме того, бизнес может использовать универсальные языковые модели (ChatGPT и другие подобные) — но они не знают специфику отрасли и сферы деятельности компании. У них нет доступа к корпоративным данным — то есть они будут обходиться поверхностными знаниями. Поэтому могут предлагать неактуальные решения, устаревшие или недостоверные данные («галлюцинации») или неточную терминологию (в некоторых областях это не так уж важно, а в других — например, медицине или промышленности — критично). В результате сотрудники тратят время на перепроверку и исправления, а доверие к инструменту падает.
Корпоративные данные, загруженные в такие «публичные» сервисы, делают компанию уязвимой к рискам безопасности и утечкам ценной информации, нарушениям конфиденциальности. В некоторых отраслях последствия могут быть критическими. Кроме того, все, что отправляется в публичный чат, может использоваться для дальнейшего обучения модели. Стратегические планы, финансовые показатели, клиентские данные — все в чужих руках.
Ошибочно думать, что ИИ может «все решить», он требует настройки и обучения на качественных (и в большом количестве) корпоративных данных — алгоритм настолько «умен», насколько «умны» данные, на которых его тренировали. Необходимы и интеграции с имеющимися информационными системами компании.
Пример неудачного использования ИИ
Один ИИ-мастер на все руки
Если одну и ту же модель дообучают на разных данных для решения различных задач, качество работы от этого может существенно упасть.
Например, в компании внедрили ML-модуль для классификации обращении клиентов. Затем решили применить этот положительный опыт к другой задаче — классификации входящих документов.
Вместо того, чтобы обучить еще одну модель на новых документах, «натренировали» уже имеющуюся, которая прежде использовалась для обработки обращений. В итоге не не было достигнуто ожидаемое качество классификации документов, а еще и уровень обработки клиентских обращений серьезно упал.
При внедрении ИИ важно обучать модель на однородных данных, а для каждой бизнес-задачи — использовать отдельные обученные модели. В таком случае они будут работать качественно, а их дальнейшее дообучение станет более простым.
Залог успеха — качество подготовленных данных
Эффективность работы ИИ напрямую зависит от качества и количества данных, предоставленных для обучения. Если их нет, они «грязные», разнородные или нерепрезентативные — результат скорее всего получится неудовлетворительным.
Например: крупный банк хочет внедрить ИИ для кредитного скоринга в новой стране. Но исторических данных по кредитованию в этой стране у банка нет. И вместо сбора данных и инвестирования в правильное обучение модели, банк решает использовать данные другого государства, с иной экономикой и иным менталитетом граждан. Это приведет к созданию смещенной и несправедливой модели, которая выдает неправильные результаты и дискриминирует целые группы клиентов.
Поэтому залог успешного проекта внедрения ИИ-решения — это данные. Чем качественнее они будут собраны и чем тщательнее проанализированы и размечены, тем выше окажется качество работы модели.
Каким должен быть ИИ для компаний
ИИ может стать инструментом для роста продуктивности, но только если он встроен в «систему жизнедеятельности» компании, учитывает ее специфику и решает понятные задачи.
Чтобы приносить реальную пользу, корпоративный ИИ должен не уметь все на свете, а быть ориентированным на бизнес-ценность — решать конкретные задачи (автоматизировать отчетность, сокращать время на ввод данных в системы, прогнозировать закупки и т.д.). Работать внутри существующей инфраструктуры компании, отвечать ее требованиям безопасности и комплаенса.
Универсальные нейросети полезны для быстрых идей и поиска информации, но они редко работают «из коробки» в сложной корпоративной среде. В таком случае вместо повышения эффективности бизнес рискует получить новый виток Gray Work и скрытых затрат.
ИИ — инструмент, который приносит ощутимую пользу только в тех случаях, когда:
- Есть конкретная задача;
- Процессы хорошо понимаются и могут быть автоматизированы;
- Система интегрирована с другими ИТ-решениями компании (RPA, ERP, CRM, BI и т.п.);
- Определено, какие параметры можно измерить (точность, скорость, себестоимость и т.п.).
Такой инструмент понимает бизнес-контекст и говорит на языке компании. Хороший корпоративный ИИ настраивается под ее нужды: его нужно обучить на мануалах и базе знаний, инструкциях и другой документации организации.
В следующем тексте приведем успешные международные и российские кейсы — примеры, когда бизнес вдумчиво внедрил ИИ и какие результаты получил.