Денис Конанчук: «Важно считать эффект от ИИ честно»

ИИ уже не воспринимается только как набор технологий. Доступ к инструментам у бизнеса есть, с деньгами и экономикой проектов научились работать лучше, даже если расчеты пока далеки от идеальных. Вопрос сейчас в другом: как перестраивать процессы, ответственность, роли и принятие решений под скорость изменений, которую задают новые решения.

Во многих компаниях уже есть десятки пилотов, экспериментов, ИИ-ассистентов, решений для аналитики, клиентского сервиса, документооборота, продаж, производства. Но теперь выяснилось, что сам по себе набор пилотов не решает проблемы бизнеса системно, наоборот, ИИ очень жестко подсвечивает фактическое качество управления. Если в компании размыта ответственность, данные живут в разных местах, функции плохо договариваются между собой, а решения держатся на личных связях, ИИ не превращает эту систему в современную. Он просто перегружает систему и добавляет хаос.

Проще всего взять один конкретный процесс, например обработку заявок, подготовку коммерческих предложений, ответы клиентам, подбор кандидатов, анализ договоров, работу с контентом. Одну повторяющуюся операцию.

И посчитать четыре вещи:

1. Время. Сколько часов или дней процесс занимал до ИИ и сколько стал занимать после. Важно понимать, чем сотрудники начинают заниматься вместо прежней рутины.
2. Качество. Как меняется количество ошибок, переделок, просрочек, потерянных клиентов, возвратов, неудачных решений. Нередко ИИ окупается именно за счет снижения типовых ошибок.
3. Стоимость не только лицензии, но и интеграции, обучения, времени руководителя, настройки, поддержки, рисков безопасности.
4. Эффект для клиента и продаж: насколько ускорилась реакция, улучшилась персонализация, появились ли новые сделки, которые раньше просто не успевали обработать, и какой доход это принесло.
   

Управленческое мужество и зрелость нужны, чтобы остановить часть пилотов. Руководителям трудно признать, что какой-то красивый эксперимент не дает эффекта или сложно масштабируется на весь бизнес. Но зрелая ИИ-трансформация требует жесткого отбора. Не все идеи должны идти в масштаб. Большинство экспериментов нужны, чтобы учиться, а не чтобы обязательно внедряться.

Я готов отдавать ИИ подготовку решений, но не готов отдавать ему ответственность за решения. Да он и не сможет эту ответственность взять. ИИ нужно делегировать не важные решения, а задачи.

Есть решения, которые нельзя просто «делегировать» машине. Например, решения о людях, о развитии команды, о сложных переговорах, о стратегических ставках, где есть не только расчет, но и последствия для доверия, мотивации, отношений, репутации.

Многие компании сейчас думают прагматично: если ИИ закрывает задачи джунов, молодых специалистов, зачем нам их нанимать? В краткосрочной экономике это выглядит логично. Но проблема в том, что сеньоры, опытные топ-специалисты, не появляются из воздуха. Экспертиза растет через ошибки, сложные задачи, обратную связь, постепенное накопление профессионального суждения.

Если мы уберем нижние ступени карьерной лестницы, через несколько лет можем получить дефицит людей, которые одновременно понимают предметную область, бизнес-контекст и технологические возможности. У нас будут сильные агенты, но не будет людей, способных правильно ставить им задачи и отвечать за результат.

• Менять модель входа молодых специалистов в профессию: нужно сразу учиться работать в связке с ИИ.
• Создавать искусственные траектории усложнения: если раньше человек учился на рутинных задачах, теперь часть рутины забрал ИИ. Значит, надо специально проектировать учебные задачи, разборы ошибок, работу с кейсами, наставничество, симуляции, проектные треки.
• Предпринимателю нужно удерживать сильных людей не только зарплатой, а качеством среды. Топ-перформеры с ИИ становятся очень автономными. Они все чаще будут спрашивать, зачем им компания, если они могут сами почти все. Ответ может быть только один: компания дает масштаб задачи, сильную команду, доступ к ресурсам, смысл и возможность расти быстрее, чем в одиночку.