На днях в «Северсталь – ЦЕС» состоялся бизнес-завтрак «Умный бэк-офис: практика внедрения ИИ». Встреча собрала финансовых и операционных директоров, руководителей закупок и всех, кто ищет способы повысить эффективность процессов без взрывного роста бюджетов.
Разговор получился откровенным. Главный запрос участников был простым: «Мы слышим про ИИ повсюду, но как сделать так, чтобы он реально работал, а не превратился в дорогую игрушку?»
Делимся ключевыми выводами, родившимися в ходе дискуссии:
Проблема №1: ИИ внедряют, а эффективность не растёт
Звучит парадоксально, но это – частая реальность. Компании запускают пилоты, тратят ресурсы, а через полгода возвращаются к старым процессам. Почему?
Инсайт: Если автоматизировать хаос, максимум, на который можно рассчитывать – автоматизированный хаос
Прежде чем внедрять ИИ, нужно навести порядок в самих процессах. Самая большая ценность – не в алгоритмах, а в процессном анализе, который предшествует автоматизации. Лучший эффект даёт не сложная нейросеть, а простой, чётко описанный процесс, переданный машине.
Что делать: начинать не с выбора модели, а с аудита текущих операций. Выделить процессы с высокой долей рутины, повторяемости и чёткими правилами – именно они являются кандидатами №1 на автоматизацию.
Проблема №2: «Чёрный ящик» и недоверие к ИИ
Бизнес-пользователи часто воспринимают ИИ как «чёрный ящик»: данные загрузили, результат получили, а как — непонятно. Это рождает сопротивление, особенно в закупках и финансах, где цена ошибки высока.
Инсайт: Роль эксперта не уменьшается. Она меняется
ИИ не заменяет экспертизу, а усиливает её. Эксперт нужен для верификации: понять, действительно ли ИИ нашёл ценный инсайт в данных или просто сгенерировал правдоподобный ответ. Человек остаётся в процессе на старте, но его работа ускоряется в разы, благодаря чему высвобождается время на стратегические задачи.
Со временем, когда доверие к системе сформировано, часть операций можно автоматизировать полностью. Но без человека на этапе контроля – никуда.
Что делать: строить гибридные процессы «человек + ИИ». На старте – обязательная верификация результатов. По мере накопления статистики – постепенное расширение зон автономности системы.
Проблема №3: «Грязные» данные и дефицит компетенций
ИИ работает на данных. Если данные не структурированы, дублируются или устарели – модель будет выдавать «мусор». А компетенций для подготовки данных внутри компании, как правило, не хватает.
Инсайт: Поэтапный подход побеждает «большой взрыв»
Не пытайтесь автоматизировать всё и сразу. Выберите один понятный кейс, запустите MVP (minimum viable product – «минимально жизнеспособный продукт» – ранняя, упрощённая версия решения, с базовым функционалом), протестируйте гипотезу – и только потом масштабируйте. Начать можно с нормализации НСИ (нормативно-справочной информации) или автоматизации типовых закупок. Это даёт быстрый измеримый результат и формирует запрос на дальнейшее развитие.
Что делать: идти от простого к сложному. Первый проект должен быть понятным и консервативным по рискам. Эффект считаем не в количестве «внедрённого ИИ», а в бизнес-метриках: экономия FTE, сокращение времени обработки операций, снижение затрат на закупку.
Проблема №4: Выбор архитектуры – on-premise, облако или гибрид
Рынок инструментов представлен RPA, no-code, LLM, суперагентными системами. Как не ошибиться с выбором?
Инсайт: Архитектура определяется зрелостью процессов и требованиями к безопасности
Нет универсального решения. Если у компании высокие требования к защите данных – нужно выстраивать защищённый контур с on-premise моделями. Если процессы быстро меняются – смотреть в сторону no-code и облачных инструментов. Ключевой принцип: архитектура должна быть гибкой, чтобы вы могли переключаться между моделями (внутренними и внешними LLM) без потери данных и скорости.
Что делать: оценить ИТ-ландшафт и требования к безопасности до выбора инструмента. Работа с LLM в защищённом контуре – это не ограничение, а конкурентное преимущество, особенно для крупных корпораций.
Главный инсайт для тех, кто отвечает за бюджет
Эффект от ИИ должен измеряться не технологическими метриками, а бизнес-показателями
Сколько FTE мы сэкономили? Как изменилась скорость обработки заявок? Насколько снизилась стоимость закупки? Если на эти вопросы есть ответы – проект работает. Если нет – возвращаемся к этапу аудита процессов.
ИИ в бэк-офисе – это не про хайп. Это про конкретные задачи, конкретные метрики и постепенное, но уверенное повышение эффективности.
#ИИ #ИИвЗакупках #Автоматизация #Бэк-офис #бизнеспроцессы