Обычно мы рассказываем о том, где искусственный интеллект может помочь бизнесу: снять нагрузку с сотрудников, ускорить процессы, автоматизировать работу с документами, улучшить клиентский сервис.

Эта статья – о противоположном.

О случаях, когда AI лучше не внедрять.

Для компании, которая занимается AI-проектами, такая тема может показаться странной. Но в работе мы регулярно встречаем задачи, которые технически вполне можно решить с помощью искусственного интеллекта. Только бизнесу от этого не станет лучше.

Где-то дешевле обычная автоматизация. Где-то сначала нужно привести в порядок сам процесс. Иногда задача настолько редкая, что разработка никогда не окупится. А бывает, что проект запускают с единственной целью «внедрить AI», хотя никто не может объяснить, что именно должно измениться после запуска.

Поэтому вопрос «можно ли здесь применить AI?» не самый полезный. Сегодня во многих случаях ответ будет положительным.

Гораздо важнее другой:
Является ли AI лучшим способом решить эту задачу?

Вот семь ситуаций, когда ответ может оказаться отрицательным.

Представим процесс.
Пришел документ. Если сумма меньше установленного значения, он отправляется одному сотруднику. Если больше – другому. После согласования статус меняется, ответственному приходит уведомление.
Нужен ли здесь AI?
Скорее всего, нет.
Если процесс можно точно описать набором правил, часто достаточно workflow, API-интеграции, RPA или обычной программной логики.
AI становится особенно полезен там, где нужно понимать смысл текста, работать с неструктурированными документами, распознавать изображения, учитывать контекст, классифицировать нестандартные обращения или искать закономерности в больших объемах данных.
Но если задача надежно описывается правилами «если А, то Б», классическая автоматизация обычно дешевле и предсказуемее.

Перед началом проекта полезно задать простой вопрос:
Можно ли решить эту задачу без AI и получить тот же результат?
Если да, начинать стоит именно с этого варианта.

Иногда компания хочет внедрить AI в процесс, который каждый сотрудник выполняет по-своему.
Правила постоянно меняются. Часть договоренностей существует только в переписке. Никто точно не знает, кто отвечает за следующий этап. Одни и те же данные несколько раз вводятся вручную.
AI сам по себе порядок здесь не наведет.
Есть риск потратить деньги на автоматизацию процесса, который сначала нужно просто нормально организовать.

Поэтому важно различать две ситуации:
AI не нужен и к AI пока не готовы.

Во втором случае задача может быть перспективной. Но сначала стоит определить границы процесса, убрать лишние действия, зафиксировать основные правила и понять, какие данные используются.
Автоматизировать имеет смысл то, что хотя бы в общих чертах можно описать и измерить.

Не все, что можно автоматизировать, выгодно автоматизировать.
Допустим, специалист раз в месяц тратит три часа на подготовку сложного нестандартного документа.
Можно разработать AI-решение, которое будет помогать ему справляться быстрее. Но затраты на разработку, интеграцию и поддержку могут оказаться выше всей потенциальной экономии.

Теперь другой пример.
200 сотрудников ежедневно выполняют похожую операцию по 15 минут.
Это уже 50 рабочих часов каждый день.
Технологическая задача может быть похожей. Экономика – совершенно разной.
Поэтому нужно смотреть не только на то, можно ли автоматизировать операцию, но и на ее масштаб:

• как часто она выполняется;
• сколько людей в ней участвует;
• сколько времени занимает;
• сколько стоит это время;
• как будет меняться объем работы.

Иногда задача очень раздражает сотрудников, но почти ничего не стоит бизнесу. Раздражение само по себе еще не делает AI-проект выгодным.

Компания хочет прогнозировать спрос, но нормальной истории продаж нет.
Хочет запустить корпоративного ассистента, но инструкции давно устарели.
Хочет автоматически подбирать товары, но справочники аналогов никто системно не ведет.
В таких случаях проблема находится раньше AI.
Сначала нужно понять, откуда система будет получать информацию.
Это не означает, что перед проектом все данные должны быть идеально очищены и разложены по полочкам. В реальном бизнесе такого почти не бывает.
Документы можно актуализировать. Справочники привести в порядок. Данные очистить. Недостающую информацию начать собирать.
Но должен существовать источник, на основании которого система сможет работать, а ее результат можно будет проверить.

AI хорошо работает с информацией. Но он не может надежно использовать данные, которых у компании просто нет.

AI может ошибаться.
Поэтому нельзя одинаково проектировать систему для подбора товара и систему, которая принимает критически важное финансовое или производственное решение.
Если цена ошибки высока, это еще не означает, что AI использовать нельзя.
Но его роль должна быть ограничена.

Например, система может:

• собрать и проанализировать информацию;
• найти отклонение;
• подготовить рекомендацию;
• сформировать черновик решения;
• передать сложный случай специалисту.

А окончательное действие подтвердит человек.
В других процессах потребуются ограничения прав, журналирование, дополнительные проверки и правила эскалации.

Поэтому перед автоматизацией полезно спросить не только:
«Может ли AI выполнить эту задачу?»

Но и:
«Что произойдет, если он ошибется?»

Ответ часто определяет, нужен ли здесь автономный AI-агент, ассистент для сотрудника или вообще другое решение.

Можно создать хороший AI-инструмент, которым почти никто не будет пользоваться.
Например, сотруднику приходится выйти из CRM, открыть отдельный сервис, скопировать туда данные, сформулировать запрос, получить ответ и вручную перенести результат обратно.
Технически система работает.
Для бизнеса – почти нет.

Поэтому еще до разработки нужно понимать:

• кто будет пользоваться решением;
• в какой момент процесса;
• из какой системы поступят данные;
• куда должен вернуться результат;
• какие действия сотрудника исчезнут после внедрения.

Хорошее решение должно упрощать работу человека, а не добавлять еще одно окно, еще один логин и еще один обязательный шаг.

Именно поэтому красивый прототип и полноценное внедрение – совершенно разные вещи.

Пожалуй, это один из самых опасных признаков.
Цель проекта звучит так:
«Внедрить AI в клиентский сервис».

Что должно измениться после внедрения?
Снизится нагрузка на операторов? Сократится время ответа? Вырастет число обработанных обращений? Уменьшится стоимость обслуживания клиента?
Если ответа нет, невозможно ни правильно спроектировать решение, ни оценить его результат.

Сравните:
«Внедрить AI в службу поддержки».

И:
«Автоматически обрабатывать половину повторяющихся обращений и сократить среднее время первого ответа с 20 до 5 минут».

Во втором случае есть конкретная бизнес-задача.

До начала проекта стоит определить показатели, которые должны измениться:

• время выполнения операции;
• трудозатраты сотрудников;
• стоимость процесса;
• количество ошибок;
• скорость ответа;
• объем обрабатываемых задач;
• доля операций, выполняемых автоматически.

Если никакой показатель не должен улучшиться, стоит еще раз разобраться, зачем компании нужен этот проект.

Между этими ситуациями есть важная разница.

AI действительно может быть не нужен, если задача проще решается обычной автоматизацией, выполняется слишком редко или потенциальный эффект не покрывает стоимость решения.
Но бывает, что идея хорошая, а компания к ней пока не готова.

Например:

• процесс еще не формализован;
• данные требуют подготовки;
• нет нужных интеграций;
• не определены показатели результата.

В таком случае проект не обязательно нужно отменять. Возможно, его просто рано запускать.
Понять это до начала разработки гораздо дешевле, чем после.

Перед тем как выбирать модель или искать подрядчика, ответьте на семь вопросов:

1. Задача выполняется регулярно?
2. На нее уходит заметное количество времени или денег?
3. В ней есть вариативность, работа с текстом, документами, изображениями или большим объемом данных?
4. Есть данные или источники знаний для работы системы?
5. Результат AI можно проверить?
6. Решение можно встроить в существующий рабочий процесс?
7. Можно заранее определить показатель, который должен улучшиться?

Если на большинство вопросов ответ положительный, задачу стоит анализировать дальше.
Если половина ответов звучит как «не знаем», начинать разработку, скорее всего, рано.

Отказ от AI не означает отказ от улучшения процессов.

Иногда компании действительно больше поможет:

• изменение самого процесса;
• интеграция двух существующих систем;
• обычный workflow;
• RPA;
• BI и классическая аналитика;
• нормальная база знаний;
• порядок в справочниках и данных.

Правильное решение не обязано быть самым технологически сложным.
Иногда лучшим инструментом оказывается большая языковая модель.
Иногда – простое бизнес-правило.

Для бизнеса важен результат, а не количество AI в архитектуре.

Современные технологии позволяют реализовать огромное количество идей. Поэтому на вопрос клиента «можно ли это сделать с помощью AI?» подрядчику довольно легко ответить: «да».
Но профессиональный вопрос другой:

Стоит ли это делать?
Хороший специалист по внедрению должен уметь не только подобрать модель, спроектировать архитектуру и запустить систему.

Иногда самая полезная рекомендация звучит так:
«Здесь AI вам не нужен».

Такая рекомендация не превращается в красивый проект по внедрению.
Зато может сэкономить компании значительный бюджет.

В ЦПИ мы рассматриваем потенциальные AI-проекты именно с этой позиции: сначала задача, процесс и экономика, затем технология. Если проблему лучше решить другим способом, правильнее выяснить это до начала разработки.