Штучний інтелект — не ворог і не друг компанії. Це інструмент. Звучить банально, але саме про цей базовий принцип легко забути, коли довкола AI лунають обіцянки автоматизації, економії та масштабування роботи без збільшення штату.
ChatGPT, Claude та подібні рішення змінюють те, як компанії аналізують інформацію, готують матеріали, обслуговують клієнтів і організовують повторювані завдання. Організація не може цього ігнорувати. Проте починати варто із запитання: яку проблему ми хочемо розв’язати і чи підходить для цього AI?
Як каже Павел Матвейчук, засновник Savren Partners: «AI — не ворог і не друг. Це інструмент — як молоток для теслі чи Excel для бухгалтерії». Інструмент сам по собі не визначає мети. Він не розуміє автоматично контексту організації та не бере на себе відповідальності за результат.
AI не замінює менеджера. Він змінює те, чого від менеджера вимагають
AI не замінить менеджера, як молоток не замінив теслю. Натомість він може змінити набір завдань, які виконує менеджер, і пришвидшити їх виконання. Водночас він вимагає нових навичок: треба вміти сформулювати завдання, передати контекст, оцінити результат і помітити помилку, про яку модель може не сигналізувати.
Метафора, яку використовує Павел, добре передає ці відносини: AI схожий на дуже амбітного стажера. Він хоче допомогти, швидко готує відповідь і часто справляє добре перше враження. Але людина, яка доручає роботу, має розумітися на темі настільки, щоб знати, чого вона очікує і як перевірити результат.
Якщо компанія доручає AI завдання, якого сама не розуміє, вона може виявитися неспроможною оцінити, чи правильна відповідь. Проблемою тоді може бути не сама модель, а брак знань на боці організації, надто загальний бриф або недостатня перевірка результату.
Ідеться не про те, щоб кожен працівник став промпт-інженером. Ідеться про вміння розписати роботу: що треба зробити, на основі якої інформації, за якими критеріями і в якому форматі має з’явитися результат. Що серйозніші наслідки помилки, то важливіші знання людини, яка користується AI.
Дослідження серед працівників служби підтримки клієнтів показало зростання продуктивності після впровадження інструмента генеративного AI, причому вигоди в різних працівників різнилися. Це корисний доказ того, що AI може підтримувати роботу в конкретному контексті, але не підстава очікувати такого самого ефекту в кожній компанії та кожному процесі. Дослідження NBER «Generative AI at Work» показує саме значення контексту завдання та досвіду працівника.
Впровадження AI — це організаційне впровадження, а не конкурс на найкращий промпт
У компанії впровадження AI треба розглядати як будь-яке інше впровадження технологій: починати з вивчення процесу та потреб людей, які в ньому беруть участь. Саме лише надання інструмента працівникам не відповість на запитання про якість даних, відповідальність, робочий потік чи правила використання.
Перш ніж обирати рішення, варто визначити, хто бере участь у процесі, хто ним користується, хто затверджує рішення та яка інформація потрібна, щоб виконати завдання правильно. Потім можна вказати місця, де робота повторювана, передбачувана й ґрунтується на доступних даних. Це лише відправна точка для перевірки того, чи може AI її підтримати.
На практиці це може означати картування стейкхолдерів і візуалізацію робочого потоку. Залежно від завдання корисними можуть бути карти процесів, блок-схеми чи нотація UML. Вибір форми менш важливий, ніж згода команди щодо послідовних етапів і відповідальності. Такий початок — по суті програма цифрової трансформації: діагностика поточного способу роботи, узгодження цільового процесу, вибір технології та планування змін.
Саме тому впровадження «AI в усій компанії» рідко буває достатньо точною метою. Для однієї компанії AI може стати важливим елементом щоденних операцій. Для іншої найкращим застосуванням буде час від часу підготувати таблицю, упорядкувати нотатки чи відкоригувати повідомлення. Створювати складну інфраструктуру для простого завдання — зайві витрати; використання загальнодоступного інструмента для критичного процесу, своєю чергою, може не відповідати вимогам компанії.
Добре впровадження починається з добору рішення під потребу, а не з рішення впровадити конкретну модель. Рамкова модель управління ризиками AI від NIST також будує цю роботу навколо розуміння контексту, вимірювання та управління ризиками, а також організаційного управління — а не навколо самої технології.
Швидший процес не завжди означає кращий процес
Якщо AI пришвидшує повторювану роботу, він може бути добрим кандидатом для ширшого застосування. Але це не означає, що будь-яке пришвидшення автоматично створює цінність. Неправильну відповідь можна згенерувати швидше, ніж правильну, а слабкий процес завдяки автоматизації може просто швидше продукувати помилкові результати.
Тому перед масштабуванням варто перевірити як економію часу, так і якість результату, кількість правок, вартість помилок, навантаження на тих, хто затверджує, і вплив на отримувача. Якщо AI створює більше версій кампанії, але їх перевірка забирає стільки ж часу, скільки раніше займала робота, сама кількість згенерованих матеріалів мало що каже про ефективність.
Те саме стосується AI-агентів, що працюють у фоновому режимі. Якщо компанія хоче автоматизувати повторювані дії, вона спершу має знати, як сьогодні виглядає процес і які елементи можна безпечно делегувати. Треба також вирішити, які права отримає агент, які джерела даних він може використовувати, коли результат потребує затвердження і як діяти, якщо система натрапить на виняток.
Не кожен процес буде добрим кандидатом. Складні завдання з багатьма неявними залежностями, високою ціною помилки чи критеріями, що часто змінюються, можуть потребувати значно більшого контролю. Найрозумніше почати з обмеженого застосування, спостерігати за результатами й лише потім розширювати охоплення. Це не брак амбіцій, а спосіб перевірити, чи витримують припущення впровадження зіткнення з реальною роботою.
Варто почати з пілоту з чіткою метрикою
Перед запуском пілоту команда має описати поточний перебіг завдання та зібрати точку відліку: час виконання, кількість правок, типові помилки та час, потрібний на перевірку. Потім треба обрати невеликий обсяг і визначити, хто оцінює результати та коли людина має взяти справу у свої руки. Через кілька тижнів можна порівняти результати з базою, а також запитати працівників, чи справді нове рішення полегшує їм роботу.
Якщо економія часу помітна, але зростає кількість помилок або перевірка з’їдає отриманий час, впровадження потребує доопрацювання. Якщо результати добрі, розширення можна планувати поетапно, а не автоматизувати одразу всі команди. Пілот має перевірити як можливості інструмента, так і готовність організації працювати в зміненому процесі. Важливо, щоб його обсяг був пов’язаний із реальною бізнес-метою.
Корпоративні дані потребують чітких правил
Важлива частина впровадження — визначити, які дані працівники можуть передавати обраному інструменту. Не кожна організація може прийняти ті самі правила. Значення мають тип даних, налаштування акаунта, умови сервісу, конфігурація робочого простору, строк зберігання та спосіб контролю доступу.
Особливо важливо розрізняти дані, що використовуються для навчання моделей, та інші аспекти їх обробки. Наприклад, OpenAI повідомляє, що контент з особистих акаунтів може використовуватися для покращення моделей, якщо користувач не вимкне цю опцію. Водночас дані з планів Business, Enterprise та API за замовчуванням не використовуються для навчання. Anthropic заявляє, що не навчає моделі на вхідних і вихідних даних комерційних продуктів, якщо клієнт не дав на це згоди або не передав матеріали в певному режимі зворотного зв’язку. Конкретні умови треба перевіряти для конкретного продукту та конфігурації. OpenAI пояснює правила використання даних.
Комерційний план може бути одним з елементів зниження ризику, але сама купівля ліцензії не замінює політики організації. Компанія й далі має знати, яку інформацію можна вводити в систему, хто відповідає за рішення і чи відповідає рішення її вимогам у сфері права, безпеки та зберігання даних.
Використання внутрішньої інфраструктури або рішення на основі RAG — retrieval-augmented generation, тобто генерації з пошуком інформації в контрольованій базі знань, — може бути виправданим в окремих випадках. Приклад — організація, яка хоче надати моделі певну базу знань із контролем доступу. Однак за замовчуванням це не найкращий вибір для кожної компанії. Для простих сценаріїв впровадження такої архітектури може виявитися дорогим і непропорційним вигодам.
У маркетингу важить не лише масштаб виробництва
AI має в маркетингу багато потенційних застосувань: аналіз даних, підготовка варіантів контенту, систематизація знань про продукт, підтримка обслуговування клієнтів чи оптимізація кампаній. Проте варто відрізняти створення більшої кількості матеріалів від створення матеріалів, які допомагають досягати бізнес-мети.
Генеративний контент може бути корисним, якщо він достовірний і відповідає контексту бренду. Інакше автоматизація збільшує масштаб ризику. Графіка з неправильним packshot, текст із непідтвердженою інформацією чи повідомлення, що суперечить brand guidelines, можуть потребувати подальших виправлень, а в деяких випадках — підірвати довіру аудиторії.
Тому команда має визначити, де AI може підготувати чернетку, а де потрібні експертні знання та затвердження. Якщо модель генерує пропозиції контенту, хтось і далі має відповідати за достовірність інформації, коректність повідомлення та відповідність бренду. Що важливіший результат, то більша потреба в контролі джерел і процесу затвердження.
Спершу мета, потім технологія
Правління має знати, яку проблему воно хоче розв’язати і якого цільового стану хоче досягти. Лише тоді воно може оцінити, чи підходить AI як інструмент, чи потребує це зміни процесу і хто має відповідати за впровадження. Технологія сама по собі не повинна визначати стратегію організації.
Як підсумовує Павел Матвейчук: «Якщо AI реально пришвидшує нашу роботу, його впровадження може мати сенс. Але мірилом є не кількість кампаній чи документів. Мірило — це цінність: нижчий CAC, менше часу на роботу над кампанією чи менше навантаження на команду». Тому варто розважливо почати з одного добре вивченого процесу, визначити точку відліку та виміряти зміни. Якщо рішення покращує результат без погіршення якості та без нових ризиків, можна розглянути його масштабування. Якщо ні — компанія отримала цінну інформацію ще до того, як вклалася в широке впровадження.
Узгодження процесів, відповідальності та технологій охоплює більше, ніж вибір інструмента. Подивіться, як Savren підходить до програми цифрової трансформації, а також прочитайте кейс про стратегію, затверджену правлінням. Про картування відповідальності читайте в матеріалі про стейкхолдерів.
Стоїте перед схожим викликом? Поговорімо про те, як ми можемо допомогти вашій організації.
