Впровадження AI в бізнес: чому не треба змушувати дурня молитися
Інтернет переповнений рекламою «AI-автоматизації», а бізнес-новини – розповідями про те, як провідні світові компанії звільняють тисячі співробітників і замінюють їх системами на основі штучного інтелекту. Це – тиск новинного фону, під яким перебувають українські (та не лише) власники і директори бізнесу. А зараз я поділюся конкретним живим досвідом того, як усе відбувається в реальному житті. Думати будете самі.
Компанія, у якої не вийшло
Нещодавно мене запросили «допомогти з впровадженням AI» в одну невелику українську компанію. Точніше, попросили розібратися з тим, що у них сталося. Справа в тому, що якийсь час тому власники цього бізнесу начиталися розумних статей на розумних сайтах і вирішили радикально підвищити свою конкурентоспроможність, замінивши офісних працівників на AI-агентів.
Але й тут постаралися зекономити – найняли, умовно кажучи, «студентів», які їм за дрібний прайс зробили цих самих агентів. Як зробили? Подивилися на роботу співробітників, усе задокументували, створили базу даних документів усього офісу, а потім усе це прописали у формі алгоритмів для AI. І настав етап впровадження: AI-агенти здійснювали операції, а співробітники (вже в очікуванні звільнення) перевіряли їхню роботу на предмет помилок.
Але відразу виявилося, що про «окремі помилки» говорити не доводиться: у фірмі настав тотальний хаос. Я побачив саме те, що зображено на цій картинці. Тому що «студенти» дуже добросовісно оцифрували не те, що було насправді, а те, як бізнес-процеси всередині компанії мали виглядати на думку її власників. Тільки от реальність сильно відрізнялася від їхніх уявлень.
Так – раніше все працювало. Але суто на людському факторі: кожен зі співробітників діяв «трохи не за інструкцією», хтось відверто лінувався, хтось крав, хтось тягнув усе на собі, – але в підсумку система працювала. А от штучний інтелект не усвідомлював усі ці особливості. Він робив «як має бути». У підсумку не виходило нічого. Робота по суті зупинилася.
Підписуйтеся на наші соцмережі
Мені довелося почати з того, щоб заспокоїти співробітників, сказати, що їх не звільнять. Потім почав копатися в бізнес-процесах. Власне, це було найскладнішим – зрозуміти, як воно працює в реальності. Місяць малював BPMN-діаграми (люблю цю справу). Незабаром зрозумів: AI-агенти тут не потрібні, та вони й не допоможуть.
І ось що в результаті – вже можу розповісти, оскільки роботу завершено. Жодної «AI-автоматизації» з реклами у Facebook. Бізнес-процеси я просто впорядкував і дуже чітко прописав. З 20 офісних співробітників довелося звільнити п'ятьох. Двоє, як з'ясувалося, зловживали своїми функціями (читай: крали), а троє – були просто непотрібні (хоча самі всіляко підкреслювали свою незамінність). Решті 15 співробітників ми зробили кожному персональний customGPT, навчений на їхній роботі та їхній документації. Тобто кожен отримав свого персонального AI-помічника, що дозволило різко підняти особисту продуктивність і зняти велику частку стресу.
Підсумок: продуктивність зросла в кілька разів, витрати – скоротилися (додалося лише по $20 на людину на місяць оплати за ChatGPT). Моральний клімат різко покращився. Власники задоволені.
Трохи теорії
Справді, сучасні LLM дуже добре пишуть програмний код або малюють картинки. Однак чудові програмісти Claude Code і OpenAI Codex – погані маркетологи й бухгалтери і вже зовсім слабкі стратеги. Просто у коду є надзвичайно цінна властивість: його може перевірити машина. Ви пишете функцію, запускаєте її, і результат однозначний: код працює або не працює. Але спробуйте зробити те саме з комерційною пропозицією, документом з позиціонування бренду або пропозицією про партнерство. Що в цьому випадку є «правильно»? Відповідь змінюється залежно від аудиторії, ситуації на ринку, внутрішньої політики організації клієнта і ще десятка хаотичних факторів, які жоден математичний алгоритм не здатний прорахувати. Навчання моделі на комерційній роботі вимушено спирається на сигнали людських уподобань – а їх складно й дорого збирати, вони повільно накопичуються і сповнені суперечностей. Просто тому що два кваліфіковані експерти нерідко розходяться в думці про те, що значить «добре».
Програмний код – це ще й велика кількість працюючих прикладів. На GitHub розміщено сотні мільйонів репозиторіїв, де кожна відправлена в продакшн функція несе мітку «це працювало». Чи можна те саме сказати про описи маркетингових кампаній, сценарії продажів, пропозиції з розвитку бізнесу, стратегічні презентації, бухгалтерські звіти? Такі документи зазвичай знаходяться на корпоративних серверах у папках, які ніхто не відкриває повторно. Більшість із них ніколи не були розмічені як вдалі або невдалі, а багато з тих, що здавалися блискучими на старті, тихо провалилися до наступного фінансового року. Масив навчальних даних з бізнес-питань дуже невеликий і нерелевантний.
Нарешті, «правила», що визначають переконливий діловий лист, гостру рекламну кампанію або обґрунтовану стратегічну рекомендацію, – це патерни, уподобання та інтуїції, які зміщуються від галузі до галузі, від культури до культури, а подекуди й від кварталу до кварталу. Модель, навчена на кращих практиках минулого року, може видати результат, який буде застарілим прямо зараз. І при цьому ніхто не в змозі вказати на помилку.
Коли AI-агент для написання коду приступає до роботи, він, як правило, бачить усю кодову базу в одному репозиторії: структуровану, внутрішньо узгоджену і фактичну в тому сенсі, що функції роблять те, що роблять. Порівняйте це з інформацією, яка реально потрібна маркетологу або продажнику: записи в CRM, переписка з трьох різних поштових скриньок, аналітичні панелі, стрічки соціального моніторингу, брендбук, востаннє оновлений півтора року тому, цінові матриці, які хтось зберігає в особистій таблиці, і історія угод, похована в таблиці, яку ніхто не веде. У кожної з цих систем власна модель прав доступу, свій формат даних і свої характерні прогалини. Підключити їх усіх до AI-агента – це не питання правильного промпту; це інтеграційний проект на кілька місяців без гарантії того, що картина даних, яка вийде, буде повною або несуперечливою.
Далі – ще гірше. Маркетингове дослідження несе в собі упередженості методології та вибірки. Галузева статистика варіюється залежно від того, хто і з якою метою її збирав. Власна бізнес-історія компанії читається по-різному залежно від автора внутрішньої записки: той самий фінансовий квартал може виглядати тріумфом в одному документі і повчальною невдачею в іншому. Агент, що працює з такими вхідними даними, не обробляє об'єктивні факти, він пробирається крізь шари інтерпретацій, не маючи експертизи для того, щоб зважити одне джерело відносно іншого.
Написання коду, навіть складного, означає навігацію великим, але явно визначеним простором пошуку. Синтаксичні правила фіксовані, логіка формальна, а критерії хорошого рішення чітко визначені. Комерційна інтелектуальна робота вимагає іншого: зважування компромісів, у яких єдиної правильної відповіді не існує і в яких сам компроміс змінюється залежно від того, з ким ви розмовляєте. Чи має ця маркетингова кампанія робити ставку на ціну або на амбіцію? Чи має пропозиція про партнерство вести з технології або з історії взаємовідносин? Чи має стратегічна презентація оскаржити заявлені установки генерального директора або мовчазно спертися на них? Кожне з цих рішень визначається професійним досвідом, політичним чуттям і смаком, які жодна мовна модель поки не в змозі виміряти.
Комерційна робота зазвичай тримається на накопиченому знанні, яке ніколи не було записане і, мабуть, ніколи записане не буде. Які теми негласно перебувають під забороною через щось, що сталося три роки тому. Що генеральний директор сказав на минулорічному виїзному нараді і що тепер непомітно формує кожен бриф. Як відділ продажів насправді приймає рішення про знижку, на відміну від того, що говорить політика ціноутворення. Які партнерські відносини мають політичну вагу, що перевищує їхню комерційну логіку. Брендбук фіксує малу частину всього цього. Решта живе в традиціях компанії, у внутрішній політиці і в колективній пам'яті співробітників зі стажем, які носять це знання в собі, не вміючи (і не бажаючи) його виразно сформулювати. Коли кажуть, що досвідчений професіонал «просто відчуває», як вчинити в конкретній ситуації, описують саме той рід знання, який чинить опір документуванню і, отже, чинить опір тому, щоб бути переданим агенту. Переконливого розв'язання цієї проблеми просто не існує.
Мій особистий висновок
AI-агенти можуть і повинні допомагати працівникам компанії. Вони справді можуть багаторазово підвищити продуктивність – і я це вже не раз бачив. AI чудово готуватиме чернетки, проводитиме дослідження, складатиме рекламні брифи, генеруватиме варіанти чого завгодно. Без них робота буде повільнішою і нуднішою. Але не варто очікувати, що AI-агенти замінять живих людей – це поки дуже складно зробити навіть там, де бізнес-процеси гранично формалізовані. І практично неможливо зробити в умовах сучасної України.
А
от скоротити витрати компанії і підняти продуктивність за допомогою AI – цілком
можливо, причому майже нікого не звільняючи. Знаю, про що кажу.
Денис Стаджі