Эту статья готовый рабочий инструмент для идентификации кейсов применения ИИ и связанных с ним видов нейросетей. Она будет интересна руководителям, бизнес-аналитикам и консультантам, кто планирует повысить операционную эффективность на предприятии.
ВАЖНАЯ ОГОВОРКА
В рамках этой методики, я принципиально разделяю проекты машинного обучения (ML) и проекты прикладного ИИ. ML-проекты фокусируются на данных и моделях (исследовании датасетов, обучении и улучшении метрик) и требуют участия Data Science-команд. Проекты прикладного ИИ, напротив, фокусируются на процессах и управленческом эффекте (какой сигнал фиксируется, как он превращается в управляемый факт и какое действие запускается). При этом во многих прикладных ИИ-кейcах нет необходимости разрабатывать собственные ML-модели, т.е. используются готовые компоненты и правила. Именно на таких прикладных ИИ-инициативах и построена данная методика.
Контекст
Представьте, вы делаете дизайнерский ремонт в квартире. Кто вам нужен, чтобы организовать пространство?
Вы можете позвать прораба, который сделает «как у всех». Он работает по типовым паттернам (быстро, предсказуемо, без сюрпризов). Ремонт будет, но будет ли он вашим? Будет ли он отражать ваш образ жизни, привычки, сценарии дня, требования к комфорту?
Чтобы получить уникальный результат, вы ищете дизайнера интерьера. Не потому что прораб плохой, а потому что дизайнер делает другое - он проектирует пространство под вашу реальность (собирает требования, выявляет скрытые ограничения, предлагает архитектуру решения и управляет компромиссами).
Теперь перенесём это в бизнес.
Представьте производство: цех, 100 рабочих, работающих в ручную. Вы вышли на точку безубыточности по объёму. Что дальше? Как вы перестраиваете систему, чтобы расти (в производительности, качестве, скорости, безопасности)?
Эту «новую архитектуру» не придумает рабочий на линии и не обязан придумать инженер. Нужен человек, который умеет анализировать систему целиком и проектировать изменения: хороший операционный руководитель, аналитик или консультант, в зависимости от масштаба и контекста.
Технические специалисты критически важны, но их ключевая функция — реализовывать и эксплуатировать решения. А качество результата определяется тем, насколько правильно поставлена задача, спроектирован процесс и встроен контроль.
Проблема с внедрением ИИ
И вот здесь начинается главная ошибка, которую компании совершают при внедрении ИИ в non-digital среде.
Они считают, что ИИ — это “технология”, значит всё должен решить отделы IT/Data/ML. В результате обсуждение сразу опускается на уровень моделей, интеграций и “какую платформу купить”. Это примерно как обсуждать ремонт через выбор перфоратора и марки шпаклевки, не понимая, что именно вы строите.
На практике ИИ в non-digital среде — это не “умная модель”. Это контур управления:
- Сняли сигнал из реальности (что реально произошло)
- Преобразовали сигнал в управляемый факт (структурированная запись)
- Встроили факт в действие (кто и что делает дальше)
Отсюда простая и очень практичная рамка, чтобы найти кейсы ИИ в “нецифровой” среде, не надо спрашивать “где применить нейросети”. Надо найти, где теряются деньги, и понять, какой сигнал нужен, чтобы этими потерями управлять.
В non-digital среде почти всегда пять источников потерь:
- простои и ожидание
- брак и переделка
- потери при передаче смены/информации
- инциденты и нарушения
- ручной учет “для отчёта” (бумага, дублирование, Excel-хаос)
А дальше механика, каждый такой участок имеет свой тип “сырого сигнала”. И этот сигнал почти всегда попадает в одну из шести базовых категорий ИИ:
- текст
- речь/аудио
- изображения/видео
- табличные данные
- мультимодальность
- агенты (когда система не только распознаёт, но и запускает действие)
То есть вопрос внедрения ИИ — это вопрос какой сигнал мы начинаем фиксировать, как превращаем его в факт, и какое управленческое действие появляется на выходе.
Дальше я дам короткий алгоритм, как разложить любой “нецифровой” процесс по этой рамке и получить портфель кейсов с KPI без отраслевых фантазий и без покупки “платформ ради платформ”.
Методологическая основа
За последние 8 лет я последовательно изучал и применял десятки подходов к трансформации процессов, цифровизации и внедрению аналитики/ИИ. Ключевая проблема существующих методик, заключается в том, что большинство методик отражают опыт конкретной команды в конкретных условиях. Если попытаться перенести их “как есть” в другую организацию, это почти всегда приводит к одному из двух результатов:
- методика красиво выглядит на слайдах, но не садится на реальный контур правления и производства;
- внедрение превращается в набор локальных инициатив без общего эффекта и измеримых KPI.
Поэтому моя задача была не “выбрать одну правильную методику”, а собрать рабочую рамку, которая выдерживает разные типы процессов (в том числе non-digital), разный уровень зрелости данных и разные ограничения по ресурсам. То есть методику, которая отвечает на три прикладных вопроса:
- Где искать кейсы ИИ, если “данных как будто нет”, а процессы офлайн?
- Как быстро отсеивать бесполезные идеи и оставлять только то, что дает эффект?
- Как встроить ИИ в действие, а не в отчёт или дашборд?
В основе этой рамки синтез лучших практик и стандартов из трёх дисциплин:
1) Управление и трансформация (управленческий контур)
Здесь я опираюсь на принципы крупных технологических и консалтинговых организаций, которые умеют превращать технологии в измеримый эффект
2) Бизнес-анализ и проектирование процессов (как правильно ставить задачу)
Чтобы ИИ не стал “технологией ради технологии”, нужна дисциплина постановки задачи и формализации требований. Здесь фундаментом является стандарты бизнес-анализа и требования к процессам/решениям (например, BABOK как язык описания потребностей, ограничений и критериев качества).
3) Инженерия решения и изобретательское мышление (как находить сильные решения)
В non-digital среде часто невозможно “просто автоматизировать”. Нужно перестраивать контуры (какие факты фиксировать, где вводить контроль, как убрать потери). Здесь полезны методы системного анализа и синтеза, включая ТРИЗ как способ искать не косметические улучшения, а конструктивные решения с учётом ограничений.
Отдельно подчеркну, ссылки на бренды вроде Google, Microsoft, Яндекс, Сбер важны не сами по себе. Важно другое, логика, по которой они работают — “измеримость - воспроизводимость - масштабируемость”. Поэтому в этой статье и в методике нет волшебной таблетки. Есть последовательность действий, которая снижает риск ошибок и повышает вероятность эффекта.
Как это выражается в практической рамке?
В результате у меня получилась методика, которая рассматривает ИИ не как набор моделей, а как контур управления:
- снятие сигнала
- превращение в управляемый факт
- встраивание в действие
- измерение эффекта и контроль рисков
Именно эта логика позволяет внедрять ИИ в non-digital среде без “цифровой революции”, начиная с самых дорогих потерь и с тех сигналов, которые уже существуют (бумага, голос, фото/видео, Excel).
Как системно находить кейсы ИИ в любом бизнесе (Матрица 6х6)
Большинство попыток “найти кейсы ИИ” заканчиваются одинаково. Команда накидывает список идей, часть из них дублируется, часть не измеряется, а самые важные вообще не попадают в обсуждение, потому что находятся “в цеху”, а не в презентации.
Матрица 6×6 решает эту проблему. Это не список идей, а генератор кейсов, который заставляет команду мыслить одинаково.
6 категорий (по строкам) — это универсальные бизнес-задачи, где ИИ всегда дает результат. Они одинаково работают везде (от автозавода до салона красоты).
6 типов задач ИИ (по столбцам) — это технические возможности моделей (голос, изображения, генерация текста, анализ текста, агенты, оркестрация). Вместо абстрактных LLM/GAN/CV (которые понятны далеко не всем руководителям и аналитикам) — конкретные входы/выходы, которые можно проверить прямо на месте.
Пересечение = кейс. Каждая клетка матрицы это не “идея на уровне фантазии”, а вопрос к бизнесу:
- Если моя цель автоматизация, что я могу автоматизировать через текст/голос/видео/табличные данные?
- Если моя цель оптимизация ресурсов, какие сигналы у меня есть, чтобы принимать решения лучше?
- Если я хочу поддержку экспертов, какие решения они принимают массово и по каким данным?
Такая матрица генерирует 36 базовых направлений поиска кейсов. Я со своей командой генерируем за 8 часов 50+ идей (Use case).
Как пользоваться матрицей
Матрица сама по себе не создаёт прикладные кейсы. Кейсы появляются только тогда, когда вы собираете правильную команду и проводите воркшоп как управляемую процедуру, а не как “мозговой штурм ради идей”.
Состав команды воркшопа
Чтобы идеи были прикладными, на воркшопе должны присутствовать внутренние эксперты компании, и каждая из ролей должна быть закрыта:
Технолог (AI/Tech translator) Человек, который понимает возможности и ограничения нейросетей/ИИ на прикладном уровне (какие типы сигналов можно обрабатывать, что реально автоматизируется, где нужны данные, где неизбежен human-in-the-loop).
Процессник (Owner/операционный эксперт) Человек, который знает реальные процессы “как они устроены на самом деле” (где простои, где ручной труд, где брак, где учет, где проблемы со сменами, где реальные KPI). В идеале это владелец процесса или руководитель участка.
Критик (бизнес + ИИ) Самая важная роль. Задача критика — давить “магическое мышление”, выбрасывать идеи без KPI, без точки действия, без владельца процесса; фиксировать риски и цену ошибки; не давать уехать в “мы купим платформу и всё заработает”.
Обращаю внимание, что минимум на таком воркшопе должно участвовать 2 человека, которые и разделять между собой 3 роли. Например, у меня в команде бизнес-аналитики, которые хорошо знают производство (потому что вышли из производственной среды), поэтому по некоторым направлениям мы обходимся без представителя "бизнеса".
Подготовка
Чтобы эффективно потратить время на генерацию и это не превратились в разговоры, до воркшопа нужно подготовить:
- список 8–12 ключевых процессов/участков (где реально “живет” ручной труд и потери)
- 5–10 показателей baseline (простои, брак, время цикла, нагрузка, инциденты, стоимость операции)
- принести “артефакты реальности”: формы, журналы, примеры актов, фото, типовые документы, Excel-план-факт
Важно! non-digital среда почти всегда страдает не от “отсутствия ИИ”, а от отсутствия управляемого факта
Этапы работы
Этап 1. Выравнивание (30–45 минут)
Цель этапа: участники одинаково понимали три вещи:
- Зачем мы здесь (какой управленческий результат нужен)
- Что считается кейсом (не идея, а карточка с KPI и действием)
- Как устроена матрица (оси 6×6 и логика пересечения)
Зафиксировать “зачем”. Формулировка должна быть операционной, например:
- Найти 30–60 прикладных кейсов ИИ и выбрать 3–5 пилотов на 8 недель
- Получить портфель кейсов с KPI и владельцами процессов
Зафиксировать определение “кейса”. Идея становится кейсом только если заполнена карточка:
- строка матрицы: бизнес-направление (1–6)
- колонка матрицы: тип сигнала (1–6)
- боль/потеря (в деньгах/времени/риске)
- KPI “до/после”
- операция ИИ (что именно делает, извлекает/классифицирует/предсказывает/сигналит/создаёт задачу)
- точка действия (что меняется в процессе, задача/акт/маршрут/блокировка/решение)
- владелец процесса
Правило “Если нет действия — это мониторинг, а не внедрение”
Мини-инструктаж по матрице 6×6
6 бизнес-направлений (строки)
6 типов сигналов (колонки)
пересечение = гипотеза кейса
цель — не “максимум идей”, а “максимум измеримых кейсов"
Этап 2. Генерация кейсов (5–6 часов)
Цель: пройти матрицу системно и собрать реальные кейсы, а не “wish list”.
Формат работы: 6 блоков по 45–60 минут + перерывы
Работаете по строкам матрицы (6 бизнес-направлений). Для каждой строки проходите 6 колонок (типы сигналов).
На каждый блок:
- 10 минут — “где болит?” (процессник рассказывает потери и узкие места)
- 30–40 минут — заполнение кейсов по 6 колонкам (каждая колонка = минимум 3 кейса)
- 10 минут — “критик” выбрасывает слабое и требует KPI/действие/владельца
Правила генерации
- Одна карточка = один кейс. Не “общими словами”.
- Запрещены решения без KPI. Если KPI не назван — карточка помечается красным.
- Запрещены кейсы без точки действия. Если результат “для отчёта” — это не пилот.
- Не обсуждаем платформы и вендоров.
- Критик имеет право “убить кейс” на месте, если нет измеримости/действия.
Что делать, если “нет данных”
Это нормальная ситуация. Тогда кейс маркируется как "контур факта" (сначала наладить сбор сигнала). И это уже задача "цифровизации".
Этап 3. Отбор и выбор пилотов (1–2 часа)
На этом этапе вы превращаете список кейсов в управляемое решение
Фильтры-гейты (допуск к пилоту)
Кейс допускается к рассмотрению как пилот только если проходит 3 гейта:
- KPI. Можно измерить "до/после" (время/стоимость/качество/риски)
- Точка действия (action point). Результат приводит к действию (зачада/акт/маршрут/блокировка/решение)
- Владелец. Есть владелец процесса (конкретный человек/роль/ФИО) и согласие участвовать в пилоте
Если не проходит гейт, то кейс уходит в backlog или в подготовку “контура факта”.
Скоринг (выбор топ-3/топ-5)
После гейтов применяется скоринг. Ниже, я представляю Вам свой простой и рабочий скоринг.
Итоговый балл = Σ(Оценка × Вес)
Берёте топ-5 по баллам, затем проверяете баланс (быстро-выигрышные + один системный кейс).
Выбор пилотов (управленческое правило)
Хороший портфель пилотов обычно выглядит так:
- 2 “быстрых победы” (низкая сложность, быстрый эффект)
- 1 “системный кейс” (чуть сложнее, но масштабируемый)
- опционально 1 рискованный эксперимент (только если есть ресурс)
Выход воркшопа (что должно остаться на руках)
- Реестр кейсов (30–60 карточек)
- Скоринг-таблица с рейтингом топ-10
- 3–5 выбранных пилотов, у каждого: KPI, владелец процесса, точка действия, тип сигнала
- Backlog “контур факта”, что нужно подготовить (сбор данных, формы, камеры, диктовка, журналы)
Если вы хотите применить методику к своей компании
Если вы руководитель, бизнес-аналитик, консультант и хотите разложить именно вашу организацию по матрице 6х6, отфильтровать слабые идеи и выбрать 3-5 пилотов с KPI и операционным эффектов, я могу помочь вам провести такую воркшоп сессию.
Формат простой:
- разбор ваших процессов и потерь,
- применение матрицы к вашему контексту,
- приоритизация и выбор пилотов,
- рекомендации по первому шагу (пилот или контур факта).
Без презентаций ради презентаций, только прикладная работа.
!!! Важная просьба к тем, кто будет использовать эту методику
Эта рамка развивается только через практику. Если вы попробуете матрицу у себя, дайте обратную связь:
- что сработало,
- где возникли сложности,
- какие блоки оказались наиболее полезными,
- какие вопросы остались без ответа.
Напишите мне напрямую или в комментариях. Даже короткая обратная связь помогает улучшать методику и делать её более прикладной.
Мои контакты:
Финальная мысль
ИИ становится источником преимущества не там, где его “внедрили”, а там, где его встроили в управленческое решение. Матрица это лишь инструмент. Результат появляется тогда, когда за ним стоит дисциплина мышления и ответственность за эффект.