Разговор об ИИ. Как превратить модную технологию в пользу для клиентов, сотрудников и прибыли
- -
- 100%
- +
Новички часто прыгают сразу на третий или четвертый уровень, потому что там больше славы. Но если организация не умеет управлять первым и вторым, сложный проект быстро покажет слабые места. Это как учиться водить на грузовике в гололед. Возможно, получится. Но лучше сначала понять, где педали, кто отвечает за маршрут и почему тормозной путь не обсуждают после аварии.
Есть ситуации, когда ИИ лучше не применять. Если задача редкая и плохо описанная, данных мало, а ошибка дорогая, стоит остановиться. Если руководитель хочет ИИ только потому, что совет директоров спросил о нем на прошлой встрече, стоит остановиться. Если клиенту станет хуже, но внутренний отчет покажет экономию, стоит остановиться. Если никто не может объяснить, кто владелец результата, стоит остановиться. Остановка не означает отказ навсегда. Это нормальная часть управления технологией.
Трезвый руководитель отличается не тем, что говорит 'нет' чаще других. Он умеет говорить 'пока нет' и 'вот при каких условиях да'. Например: мы вернемся к этой идее, когда приведем данные в порядок; когда определим метрику качества; когда найдем ответственного; когда проведем тест с реальными пользователями; когда юристы и служба безопасности согласуют границы; когда поймем, как отключить систему без остановки бизнеса.
Теперь можно сформулировать практический минимум для начала. Выберите несколько задач, где боль понятна. Опишите текущий процесс: кто делает, сколько времени, где ошибки, сколько стоит задержка. Проверьте данные. Оцените риск. Назначьте владельца. Сделайте небольшой тест, но не называйте его успехом только потому, что он понравился участникам. Сравните с базовой линией. Посмотрите на скрытую работу, которую создал инструмент. Спросите сотрудников и клиентов, стало ли лучше. Потом решайте, масштабировать или закрывать.
Закрывать плохие проекты надо быстро и без стыда. В ИИ это особенно важно, потому что вокруг технологии много самолюбия. Никто не хочет признать, что модный пилот не дал пользы. Но зрелая организация не обязана защищать каждую идею. Она обязана учиться. Иногда лучший результат пилота - доказательство, что задачу надо решать иначе. Это тоже экономия, если вывод сделан рано.
С масштабированием свои трудности. Рабочий прототип часто держится на энтузиазме небольшой команды. В большой организации появляются права доступа, обучение, поддержка, интеграция, регламенты, исключения, локальные особенности, закупки, аудит. То, что работало на двадцати пользователях, начинает скрипеть на двух тысячах. Поэтому масштабирование надо проектировать с самого начала. Не полностью, но достаточно, чтобы не строить демонстрацию, которую потом придется выбросить.
Еще один совет: не отдавайте язык ИИ только технологам или продавцам. Слова формируют ожидания. Если вы называете систему 'умным сотрудником', люди будут ждать самостоятельности и понимания. Если называете ее 'помощником для черновиков', ожидания станут точнее. Если говорите 'автоматизация решения', риски одни. Если говорите 'поддержка решения человека', риски другие. Внедрение начинается не с кода, а с честного описания того, что система делает и чего не делает.
Руководителю полезно самому пользоваться ИИ. Не поручать все ассистенту, не ждать отчета от цифровой команды, а открыть инструмент и попробовать. Попросить резюмировать длинный документ. Сравнить варианты письма. Задать вопрос по теме, в которой вы разбираетесь, и увидеть, где ответ хорош, а где он уверенно ошибается. Личный опыт быстро лечит две крайности: мистическое восхищение и ленивое презрение.
Но личный опыт не должен подменять корпоративное решение. То, что помогло вам подготовиться к встрече, не означает, что систему можно выпускать к клиентам. То, что модель красиво ответила на десять вопросов, не означает, что она выдержит десять тысяч разных клиентов, плохие формулировки, злонамеренные запросы, устаревшие документы и юридические ограничения. Между 'работает у меня' и 'работает в бизнесе' лежит большая дистанция.
ИИ сейчас переживает жаркое лето. Каждый день появляются новые инструменты, рейтинги, заявления, прогнозы. Возможно, часть нынешнего восторга спадет. Возможно, какие-то компании разочаруются, бюджеты сократятся, громкие проекты закроются. Это не будет означать, что ИИ исчез. После каждой волны шума остается то, что действительно полезно. Так было с предыдущими технологиями, так будет и здесь.
Лучшее, что может сделать руководитель в такой период, - не играть роль пророка. Не обещать, что ИИ заменит половину работы. Не уверять, что это всего лишь игрушка. Не строить стратегию на чужих пресс-релизах. Надо строить способность задавать скучные вопросы и доводить полезные решения до реальной работы. В бизнесе это часто важнее дальновидности. Дальновидность без исполнения быстро превращается в красивую речь.
Есть еще практическая деталь о пилотах, которую редко произносят в начале проекта. На старте всем хочется говорить о будущем состоянии: как станет быстро, удобно и современно. Но проект живет в настоящем, где люди заняты, системы не готовы, а старые договоренности сильнее новых слайдов. Поэтому перед каждым решением полезно спросить: что должно измениться в понедельник утром? Кто откроет другой экран, кто перестанет делать старое действие, кто проверит результат, кто объяснит клиенту новый порядок? Если ответа нет, идея пока не стала рабочей.
Этот вопрос кажется мелким, но именно на мелочах ломаются большие внедрения. Не на слове 'искусственный', не на слове 'интеллект', а на том, что сотрудник не знает, можно ли вставить в систему письмо клиента; руководитель не понимает, какую метрику смотреть; служба безопасности подключается за день до запуска; обучение проводят один раз, когда половина команды в отпуске. И потом все удивляются, почему технология, которая на демонстрации выглядела убедительно, в жизни дает скромный результат.
Есть еще практическая деталь о данных, которую редко произносят в начале проекта. На старте всем хочется говорить о будущем состоянии: как станет быстро, удобно и современно. Но проект живет в настоящем, где люди заняты, системы не готовы, а старые договоренности сильнее новых слайдов. Поэтому перед каждым решением полезно спросить: что должно измениться в понедельник утром? Кто откроет другой экран, кто перестанет делать старое действие, кто проверит результат, кто объяснит клиенту новый порядок? Если ответа нет, идея пока не стала рабочей.
Этот вопрос кажется мелким, но именно на мелочах ломаются большие внедрения. Не на слове 'искусственный', не на слове 'интеллект', а на том, что сотрудник не знает, можно ли вставить в систему письмо клиента; руководитель не понимает, какую метрику смотреть; служба безопасности подключается за день до запуска; обучение проводят один раз, когда половина команды в отпуске. И потом все удивляются, почему технология, которая на демонстрации выглядела убедительно, в жизни дает скромный результат.
Есть еще практическая деталь о ответственности, которую редко произносят в начале проекта. На старте всем хочется говорить о будущем состоянии: как станет быстро, удобно и современно. Но проект живет в настоящем, где люди заняты, системы не готовы, а старые договоренности сильнее новых слайдов. Поэтому перед каждым решением полезно спросить: что должно измениться в понедельник утром? Кто откроет другой экран, кто перестанет делать старое действие, кто проверит результат, кто объяснит клиенту новый порядок? Если ответа нет, идея пока не стала рабочей.
Этот вопрос кажется мелким, но именно на мелочах ломаются большие внедрения. Не на слове 'искусственный', не на слове 'интеллект', а на том, что сотрудник не знает, можно ли вставить в систему письмо клиента; руководитель не понимает, какую метрику смотреть; служба безопасности подключается за день до запуска; обучение проводят один раз, когда половина команды в отпуске. И потом все удивляются, почему технология, которая на демонстрации выглядела убедительно, в жизни дает скромный результат.
Есть еще практическая деталь о обучении, которую редко произносят в начале проекта. На старте всем хочется говорить о будущем состоянии: как станет быстро, удобно и современно. Но проект живет в настоящем, где люди заняты, системы не готовы, а старые договоренности сильнее новых слайдов. Поэтому перед каждым решением полезно спросить: что должно измениться в понедельник утром? Кто откроет другой экран, кто перестанет делать старое действие, кто проверит результат, кто объяснит клиенту новый порядок? Если ответа нет, идея пока не стала рабочей.
Этот вопрос кажется мелким, но именно на мелочах ломаются большие внедрения. Не на слове 'искусственный', не на слове 'интеллект', а на том, что сотрудник не знает, можно ли вставить в систему письмо клиента; руководитель не понимает, какую метрику смотреть; служба безопасности подключается за день до запуска; обучение проводят один раз, когда половина команды в отпуске. И потом все удивляются, почему технология, которая на демонстрации выглядела убедительно, в жизни дает скромный результат.
Есть еще практическая деталь о клиентском опыте, которую редко произносят в начале проекта. На старте всем хочется говорить о будущем состоянии: как станет быстро, удобно и современно. Но проект живет в настоящем, где люди заняты, системы не готовы, а старые договоренности сильнее новых слайдов. Поэтому перед каждым решением полезно спросить: что должно измениться в понедельник утром? Кто откроет другой экран, кто перестанет делать старое действие, кто проверит результат, кто объяснит клиенту новый порядок? Если ответа нет, идея пока не стала рабочей.
Этот вопрос кажется мелким, но именно на мелочах ломаются большие внедрения. Не на слове 'искусственный', не на слове 'интеллект', а на том, что сотрудник не знает, можно ли вставить в систему письмо клиента; руководитель не понимает, какую метрику смотреть; служба безопасности подключается за день до запуска; обучение проводят один раз, когда половина команды в отпуске. И потом все удивляются, почему технология, которая на демонстрации выглядела убедительно, в жизни дает скромный результат.
Есть еще практическая деталь о стоимости, которую редко произносят в начале проекта. На старте всем хочется говорить о будущем состоянии: как станет быстро, удобно и современно. Но проект живет в настоящем, где люди заняты, системы не готовы, а старые договоренности сильнее новых слайдов. Поэтому перед каждым решением полезно спросить: что должно измениться в понедельник утром? Кто откроет другой экран, кто перестанет делать старое действие, кто проверит результат, кто объяснит клиенту новый порядок? Если ответа нет, идея пока не стала рабочей.
Этот вопрос кажется мелким, но именно на мелочах ломаются большие внедрения. Не на слове 'искусственный', не на слове 'интеллект', а на том, что сотрудник не знает, можно ли вставить в систему письмо клиента; руководитель не понимает, какую метрику смотреть; служба безопасности подключается за день до запуска; обучение проводят один раз, когда половина команды в отпуске. И потом все удивляются, почему технология, которая на демонстрации выглядела убедительно, в жизни дает скромный результат.
Есть еще практическая деталь о риске, которую редко произносят в начале проекта. На старте всем хочется говорить о будущем состоянии: как станет быстро, удобно и современно. Но проект живет в настоящем, где люди заняты, системы не готовы, а старые договоренности сильнее новых слайдов. Поэтому перед каждым решением полезно спросить: что должно измениться в понедельник утром? Кто откроет другой экран, кто перестанет делать старое действие, кто проверит результат, кто объяснит клиенту новый порядок? Если ответа нет, идея пока не стала рабочей.
Этот вопрос кажется мелким, но именно на мелочах ломаются большие внедрения. Не на слове 'искусственный', не на слове 'интеллект', а на том, что сотрудник не знает, можно ли вставить в систему письмо клиента; руководитель не понимает, какую метрику смотреть; служба безопасности подключается за день до запуска; обучение проводят один раз, когда половина команды в отпуске. И потом все удивляются, почему технология, которая на демонстрации выглядела убедительно, в жизни дает скромный результат.
Есть еще практическая деталь о масштабировании, которую редко произносят в начале проекта. На старте всем хочется говорить о будущем состоянии: как станет быстро, удобно и современно. Но проект живет в настоящем, где люди заняты, системы не готовы, а старые договоренности сильнее новых слайдов. Поэтому перед каждым решением полезно спросить: что должно измениться в понедельник утром? Кто откроет другой экран, кто перестанет делать старое действие, кто проверит результат, кто объяснит клиенту новый порядок? Если ответа нет, идея пока не стала рабочей.
Этот вопрос кажется мелким, но именно на мелочах ломаются большие внедрения. Не на слове 'искусственный', не на слове 'интеллект', а на том, что сотрудник не знает, можно ли вставить в систему письмо клиента; руководитель не понимает, какую метрику смотреть; служба безопасности подключается за день до запуска; обучение проводят один раз, когда половина команды в отпуске. И потом все удивляются, почему технология, которая на демонстрации выглядела убедительно, в жизни дает скромный результат.
В конце этой первой главы я хочу оставить не вывод, а рабочую установку. Относитесь к ИИ как к сильному младшему коллеге, который много читал, быстро пишет, не устает, иногда блестяще помогает, но может придумать уверенную ерунду и не понимает вашего бизнеса так, как его понимают люди внутри. Такого коллегу не надо ни увольнять с порога, ни ставить генеральным директором. Ему дают задачу, контекст, ограничения, проверку и ответственность взрослого человека рядом.
Если организация научится делать это спокойно, она получит пользу. Не сразу во всем. Не без ошибок. Но получит. А если она начнет с лозунгов, закупок и страха отстать, ИИ просто ускорит старую привычку делать вид, что движение равно прогрессу. В следующей части этой книги мы будем разбирать, из чего складывается такая спокойная работа: как понимать технологию, как выбирать причины для внедрения, как считать пользу и почему иногда самый разумный проект начинается не с модели, а с уборки в собственных данных.
Это началось раньше, чем кажется
Я часто слышу от руководителей одну и ту же фразу: «Ну теперь-то всё изменилось. Теперь появился искусственный интеллект».
В этой фразе есть правда. И есть ошибка.
Правда в том, что последние годы действительно изменили ощущение от технологии. Раньше искусственный интеллект жил где-то за стеной. В лабораториях, в отделах аналитики, в банках, в поисковых системах, в рекомендациях интернет-магазинов, в навигации, в антифроде. Он работал, но не здоровался. Не спорил. Не писал письмо поставщику. Не сочинял план совещания. Не объяснял бухгалтеру, почему формула в таблице не сходится. Не отвечал человеческим голосом на человеческий вопрос.
А потом люди открыли чат-бота, написали туда обычную фразу и получили обычный ответ. Не команду. Не код. Не набор пунктов из справки. Ответ.
Вот почему многим показалось, что искусственный интеллект родился вчера.
Ошибка в том, что он не родился вчера. Он просто вышел из подсобки в зал.
Это полезно понимать, потому что отношение к новой технологии сильно зависит от того, какой возраст мы ей приписываем. Если нам кажется, что перед нами свежая игрушка, мы ведём себя одним образом. Кто-то бросается пробовать всё подряд. Кто-то ждёт, пока игрушка сломается. Кто-то нервничает: слишком быстро, слишком непонятно, слишком шумно. Но если мы видим, что за этой игрушкой стоят десятилетия попыток, ошибок, денег, разочарований и инженерного упрямства, разговор становится спокойнее.
Искусственный интеллект не прилетел к бизнесу на блестящей тарелке. Он шёл к нему долго. Иногда бодро, иногда на костылях.
Мне нравится начинать этот разговор не с серверов, не с нейросетей и не с графиков инвестиций, а с простой сцены. Представьте человека, который впервые говорит с машиной не как с калькулятором, а как с собеседником. Он не нажимает набор кнопок. Не вводит команду на странном языке. Он спрашивает: «Что мне делать?» И машина отвечает так, что на секунду хочется забыть, что это машина.
У многих такая сцена случилась в 2022 или 2023 году. У кого-то в офисе, когда коллега показал чат-бота. У кого-то дома, когда ребёнок попросил нейросеть объяснить дроби. У кого-то ночью, перед дедлайном, когда нужно было быстро привести в порядок текст, который уже не было сил перечитывать.
Но сама мечта говорить с машиной обычным языком намного старше.
Фантасты давно понимали, что настоящий прорыв будет не тогда, когда компьютер научится считать быстрее человека. Считать он давно умеет быстрее. Прорыв будет тогда, когда с ним можно будет говорить без переводчика. Когда между человеком и машиной исчезнет неприятная прослойка из команд, меню, инструкций и ошибок ввода.
В старых фильмах и сериалах корабельный компьютер слушал капитана, уточнял детали, давал справку, запускал системы. Сейчас это выглядит почти смешно: люди летят через галактику, но всё равно формулируют запрос короткими приказами, будто боятся, что машина не поймёт лишнее слово. В этом есть своя честность. Авторы угадывали желание, но ещё не верили в свободный разговор.
И долго были правы.
Машины десятилетиями плохо понимали человеческую речь. Они могли выполнять команды, если эти команды были заранее предусмотрены. Могли отвечать по шаблону. Могли изображать беседу. Но между «изображать беседу» и «быть полезным собеседником» лежит большая дистанция. В бизнесе эта дистанция особенно заметна. Игрушечный диалог может впечатлить на демонстрации. Через неделю он начинает раздражать, если не помогает решать настоящие задачи.
Поэтому первый урок истории искусственного интеллекта для руководителя звучит просто: не путайте впечатление от демо с зрелостью технологии.
Демо всегда опережает реальность. Так было почти всегда.
Ещё в середине прошлого века один из главных вопросов звучал дерзко: может ли машина думать? Вопрос был не технический, а почти философский. Если машина отвечает так, что мы не можем отличить её от человека, что тогда считать мышлением? Нам обязательно нужно заглянуть ей внутрь, или достаточно поведения? Если сотрудник даёт хороший анализ рынка, мы же не вскрываем ему голову, чтобы проверить, как он пришёл к выводу. Но с машиной нам хочется именно этого. Нам нужно знать, что там не фокус.
Эта напряжённость никуда не исчезла. Сегодня руководитель смотрит на результат работы модели и думает: «Вроде хорошо. Но можно ли этому доверять?» И это правильный вопрос. Только он не новый. Он сопровождает искусственный интеллект с самого начала.
Ранние программы, которые имитировали беседу, были устроены довольно просто. Они подхватывали слова человека, переставляли их, задавали встречные вопросы. Пользователь писал: «Мне трудно разговаривать с начальником». Машина отвечала чем-нибудь вроде: «Почему вам трудно разговаривать с начальником?» Ничего глубокого. Никакого понимания в человеческом смысле. Но некоторым людям этого хватало, чтобы почувствовать контакт.
Это важный и немного неприятный факт. Человеку не всегда нужна настоящая разумность, чтобы начать относиться к системе как к разумной. Иногда достаточно правильного ритма ответа.
Для бизнеса это не мелочь. Если клиент разговаривает с ботом, он может приписать боту больше понимания, чем там есть. Если сотрудник получает уверенный ответ, он может решить, что система «знает». Если совет директоров видит красивую презентацию, созданную с помощью ИИ, он может подумать, что за ней стоит такая же красивая аналитика. А там может стоять только ловкая сборка слов.
История искусственного интеллекта учит не цинизму, а трезвости. Машины давно умеют производить впечатление. Полезность надо проверять отдельно.
Сам термин «искусственный интеллект» появился не как маркетинговый слоган в презентации стартапа, а как название исследовательского направления. Учёные пытались понять, можно ли сделать машины, которые решают задачи, требующие рассуждения, поиска, распознавания, планирования. Тогда казалось, что если разбить мышление на правила, всё получится довольно быстро.
Это вообще типичная ошибка умных людей: они недооценивают сложность того, что сами делают легко.
Человек смотрит на комнату и понимает, где стол, где дверь, где чашка, где злой кот, которого лучше не трогать. Ребёнок учится этому без учебника. А машина долго спотыкалась о такие задачи. Зато она могла быстро перебирать варианты в игре, решать формальные головоломки, доказывать теоремы в узких областях. Получался странный перекос. То, что человеку кажется умным, машине иногда давалось проще. То, что человеку кажется бытовой ерундой, машине давалось мучительно трудно.
В офисной жизни этот перекос тоже есть. Система может быстро подготовить черновик сложного письма, но неправильно понять простую внутреннюю договорённость. Может найти закономерности в тысячах обращений клиентов, но не уловить, что один конкретный клиент сейчас злится не из-за тарифа, а из-за того, что ему три раза обещали перезвонить и не перезвонили. Может предложить десять вариантов стратегии, но не знать, что два ключевых отдела не разговаривают друг с другом после прошлогоднего конфликта.
Интеллект машины не похож на человеческий. Это не хуже и не лучше. Это надо помнить.
В первые десятилетия искусственного интеллекта было много ожиданий. Казалось, ещё немного, ещё несколько лет, ещё немного финансирования, и машины начнут переводить языки, ставить диагнозы, вести диалог, управлять сложными системами. Часть задач действительно двигалась. Появлялись программы для игр, ранние роботы, системы перевода, математические решатели.
Но потом выяснялось, что аккуратный пример в лаборатории не выдерживает грязного мира.
В лаборатории предложения чистые. В жизни люди говорят с ошибками, намёками, раздражением и сокращениями. В лаборатории данные подготовлены. В жизни данные лежат в десяти системах, часть устарела, часть введена вручную, часть вообще хранится в голове у сотрудницы, которая работает в компании с 1998 года и одна знает, почему этот клиент называется в базе двумя разными именами. В лаборатории задача сформулирована. В жизни руководитель сам не всегда понимает, какую задачу хочет решить.
Вот почему в истории ИИ были не только подъёмы, но и резкие похолодания.
Сначала все обещают скорую революцию. Потом выясняется, что революция не пришла по расписанию. Деньги заканчиваются. Отчёты становятся мрачнее. Исследователи осторожнее. Журналисты переключаются на другую тему. Наступает зима.
Эти зимы полезны. Неприятны, но полезны.
Когда вокруг меньше шума, остаются те, кто действительно строит работающие вещи. Не обязательно эффектные. Иногда скучные. Системы планирования. Распознавание образов. Поиск. Оптимизация маршрутов. Кредитный скоринг. Обнаружение мошенничества. Рекомендации. Управление запасами. Всё это не всегда называли громко искусственным интеллектом, но именно там технология взрослела.
Бизнес часто не замечал ИИ не потому, что его не было. Он был встроен в процессы так, что перестал выглядеть как чудо.
Это хороший признак зрелой технологии. Лампочка не кажется магией. Лифт не кажется роботом. Поисковая строка не кажется искусственным интеллектом, хотя за ней давно стоят сложные модели. Когда технология становится полезной, она часто становится невидимой.
С генеративным ИИ произошло обратное. Он снова сделал технологию видимой. Причём слишком видимой. Люди начали показывать друг другу картинки, стихи, письма, ответы на экзамены, планы отпусков, куски кода. Впечатление было сильным, потому что система работала в человеческой зоне: язык, образ, объяснение, просьба.
Раньше ИИ помогал где-то внутри машины. Теперь он сел рядом за стол.
Для руководителя это меняет многое. Когда ИИ спрятан в антифрод-системе, его обсуждают специалисты. Когда ИИ появляется в руках каждого сотрудника, это уже вопрос управления. Кто может пользоваться? Для чего? С какими данными? Кто отвечает за ошибку? Как меняется работа новичков? Как меняется работа экспертов? Что считать хорошим результатом? Что делать, если сотрудники тихо используют внешние инструменты, потому что так быстрее, а политика компании ещё не написана?
И тут история снова помогает.
Каждый большой подъём ИИ сопровождался одним и тем же соблазном: принять быстрый прогресс за прямую линию в будущее. Сегодня модель отвечает лучше, чем год назад. Значит, через год она будет делать всё. Сегодня она пишет код. Значит, программисты исчезнут. Сегодня она подбирает аргументы. Значит, стратегия станет автоматической. Сегодня она проходит тесты. Значит, можно доверить ей решения.
Так думать удобно. Особенно если нужно продать проект, выбить бюджет или напугать конкурентов. Но история технологий редко движется прямой линией. Она идёт рывками, откатами, обходными тропами. Где-то прогресс оказывается быстрее ожиданий. Где-то упирается в стену, которую никто не заметил в презентации.