Разница между использованием ИИ и тем, чтобы стать AI-native компанией

Почти в каждом разговоре с руководством я слышу одну и ту же фразу, произнесённую разными словами: теперь мы AI-компания. Когда я спрашиваю, что это означает на практике, ответ обычно сводится к перечню инструментов — лицензия на большую языковую модель, пилотный проект в отделе маркетинга, чат-бот на сайте и комитет, который раз в месяц собирается для обсуждения вопросов управления. Всё это реальная работа, но ни один из этих пунктов не делает компанию AI-native — организацией, изначально выстраивающей рабочие процессы вокруг присутствия искусственного интеллекта.

AI-native организация строит свою операционную модель на предположении, что интеллект дёшев и доступен в неограниченном объёме. В такой компании то, как планируется работа, кому она поручается, как проверяется и по каким критериям оценивается, попросту теряет смысл без моделей. В компании, которая просто внедрила искусственный интеллект, картина иная: убери завтра все модели — и бизнес продолжит работать почти так же, разве что чуть медленнее и чуть дороже. Именно в этом различии суть вопроса, и разобраться в нём нужно прежде, чем утверждать очередной квартальный бюджет.

AI-native компании начинают не с инструмента, а с самой работы. Они спрашивают не где можно применить искусственный интеллект, а как выглядел бы процесс, если бы проектирование, обобщение, исследование и первичный анализ практически ничего не стоили. Эти два вопроса приводят к совершенно разным результатам: первый даёт чат-бота, прилепленного к началу процесса, который никто не пересматривал уже десять лет, второй же создаёт процесс с меньшим числом передач, меньшими очередями и меньшей зависимостью от того, когда чужой документ наконец окажется готов. Чтобы проверить это на себе, распишите пошагово один по-настоящему важный для вас процесс, отметив каждый этап либо как производство, либо как решение — производство означает проектирование, форматирование, сбор данных, сравнение и обобщение, а решение означает выбор, расстановку приоритетов и принятие на себя ответственности, — а затем перестройте процесс исходя из предположения, что производство практически бесплатно.

В таких компаниях контекст воспринимается как инфраструктура. В большинстве организаций важные знания разбросаны — в головах отдельных сотрудников, в личных почтовых ящиках и в папках, которые никто больше не может найти: прошлые коммерческие предложения, логика ценообразования, решения по продукту, история работы с клиентами. AI-native компания относится к этому материалу как к инфраструктуре и вкладывается в то, чтобы систематизировать его, поддерживать в актуальном состоянии и сделать доступным для поиска. Это самая неблагодарная часть работы, но именно она создаёт главное различие между компаниями, которые получают результат, и теми, кто вечно застревает на стадии пилота. Точно так же такие компании прежде, чем сокращать штат, переписывают само содержание должностей: аналитик, который раньше занимался подготовкой отчётов, превращается в специалиста, который чётко формулирует вопрос, проверяет результат и отстаивает выводы, а маркетолог перестаёт писать первый черновик и становится редактором и хранителем бренда.

Когда производство дешевеет, ценность концентрируется в двух точках — в начале и в конце: в начале чётко определяются проблема, ограничения и то, как выглядит хороший ответ, а в конце ясно, кто проверяет результат и кто несёт ответственность, если что-то пойдёт не так. Иначе результат, который выглядит убедительно, но которым никто на самом деле не владеет, беспрепятственно циркулирует внутри компании, и ошибка вскрывается только тогда, когда её обнаружит клиент. Наряду с этим такие компании отслеживают не количество подключённых лицензий или пользователей, а показатели, понятные клиенту или совету директоров, — время от постановки вопроса до принятия решения, число предложений, которые команда способна подготовить за неделю, скорость реакции на запрос клиента, стоимость обслуживания одного счёта, — потому что именно тот показатель, за которым следят, сотрудники и стремятся улучшить.

Куда чаще встречается другая картина — набор пилотных проектов, ни один из которых так и не доведён до конца: все что-то тестируют, никто не принимает решения, в итоге программа вызвала интерес, но не дала результата. AI-native компании поступают ровно наоборот: выбирают один действительно важный процесс, полностью переводят его на новый стандартный порядок работы, полностью отменяют старый способ и только после этого берутся за следующий — потому что один полностью завершённый процесс с чётким результатом «до и после» вызывает больше доверия, бюджета и искреннего вовлечения, чем десятки обещанных экспериментов. Самый простой способ проверить это на собственной организации — взять свой самый важный процесс и спросить: что сломается, если в понедельник утром все модели вдруг исчезнут? Если ответ «почти ничего не изменится», значит, вы просто внедрили искусственный интеллект. Если ответ «мы не сможем обслуживать клиентов с обещанной скоростью», значит, вы движетесь в сторону AI-native — а это выбор, зависящий не от того, насколько рано вы начали и насколько глубоки ваши технические знания, а от того, как устроена сама работа, и его способна сделать любая компания, честно взглянувшая на собственные процессы.