Как компаниям перейти от экспериментов с ИИ к системной модели внедрения
Сегодня почти каждая компания уже пробовала использовать ИИ, но в большинстве случаев это происходит фрагментарно: отдельные департаменты тестируют разные сервисы без единого подхода, стратегии и методики оценки результата. Из-за этого компании сталкиваются с дублированием задач, беспорядком в данных и не понимают, какой результат на самом деле дает внедрение ИИ. Дополнительная проблема — разрыв между технологией и бизнесом: ИИ запускается без привязки к целям и KPI компании, поэтому ROI не измеряется, а доверие к таким проектам снижается.
Дополнительная проблема — разрыв между технологией и бизнесом: ИИ запускается без привязки к целям и KPI (Key Performance Indicators — ключевые показатели эффективности) компании, поэтому ROI (Return on Investment — показатель окупаемости инвестиций в бизнес) не измеряется, а доверие к таким проектам снижается.
Принято считать, что внедрение ИИ в компаниях проходит через несколько этапов. Сначала появляются точечные решения: сотрудники используют ChatGPT и другие публичные сервисы «как умеют». Затем внедряют корпоративные доступы, разрабатывают внутренние гайды и формируют набор лучших практик. Следующий этап — создание общих баз знаний и интеграция отдельных мини-продуктов в единую ИИ-инфраструктуру. После этого возникает потребность в ее управлении, а также в системной работе с бэклогом (список задач) новых внедрений.
За последние полтора-два года компании начали переходить от этапа экспериментов к системному внедрению ИИ. Если раньше использование ограничивалось инициативой отдельных сотрудников или команд, то сейчас бизнес все чаще рассматривает ИИ как часть общей инфраструктуры и операционной модели.
При этом ключевой проблемой остается не сама технология, а управление изменениями внутри организации. Чаще всего компаниям не хватает поддержки на одном из уровней. В одних случаях сотрудники и команды, которые активно внедряют ИИ, не могут получить поддержку руководства, бюджет или возможность масштабировать решения на всю компанию. В других — наоборот: руководство заинтересовано в трансформации, но внутри команд нет ответственных за продукты и внедрение. Задача распространения ИИ-практик внутри компании обычно решается проще всего — через внутренние коммуникации и систему мотивации сотрудников.
Трехуровневая модель управления трансформацией
Исходя из опыта внедрения ИИ внутри коммуникационной группы TWIGA и работы с клиентами, можно отметить важность механизмов управления изменениями, которые строятся на трех уровнях: индивидуальном, командном и общекорпоративном.
На индивидуальном уровне речь идет об обучающей академии для сотрудников. На командном — об инкубаторе ИИ-инициатив, задача которого заключается в развитии внутри компании владельцев ИИ-продуктов и помощи в формировании качественных технических заданий для их запуска и дальнейшего развития. На общекорпоративном уровне ключевыми становятся управление бэклогом ИИ-инициатив и распределение бюджета на их реализацию.
В компании отмечают, что такой подход показал высокую эффективность с точки зрения управления изменениями в целом.
Схематично эта модель выглядит следующим образом:
Сегодня TWIGA масштабирует этот опыт на клиентские проекты и отмечает, что он универсален и применим далеко за пределами нашей собственной практики.
Как компании принимают решения по ИИ-проектам
Также важно иметь внутреннюю методологию оценки и приоритизации инициатив, поскольку новые задачи быстро заполняют бэклог и перегружают ресурсы технической команды внедрения. Для этого сначала проводится диагностика текущих процессов, они ранжируются с точки зрения емкости рутинных операций с низкой стоимостью ошибок, далее оценивается экономический эффект от внедрения. Такой подход можно развивать и усложнять, однако на практике даже в базовом виде его зачастую достаточно, чтобы сформировать единую систему координат при обсуждении задач с тимлидами (лидерами команды) и руководителями.
Решения на уровне корпоративного бэклога принимаются на основе нескольких факторов. В первую очередь оцениваются ROI и срок окупаемости, влияние на цели подразделений (OKR), а также техническая и организационная сложность внедрения. Часто упускается аспект низкой стоимости ошибки и емкости людей (FTE), задействованных в процессе, хотя именно это — один из лучших маркеров для ИИ-фикации процессов.
Масштабирование и практические результаты
Фрагментарное внедрение ИИ почти всегда упирается в ограниченность ресурсов: невозможно выделить значимый бюджет на инфраструктуру, разработку и менеджмент, выбрать ответственных, объяснить окупаемость стейкхолдерам и ожидать четких сроков и результатов. Такой подход может работать только на этапе MVP (Minimum Viable Product — минимально жизнеспособный продукт) внутри отдельных команд и собственными силами. Если речь идет об общекорпоративном эффекте, то здесь необходимы системное планирование и централизованное управление.
Отдельный вызов — масштабирование. Основные риски, как и в любой трансформации, связаны с людьми: инициативы могут неравномерно распределяться между командами или саботироваться теми, кому новые подходы кажутся непонятными или чуждыми. В TWIGA сработал подход плавного перехода: от поощрения активных участников на ранних этапах — к требованиям к неактивным на более поздних стадиях внедрения.
Сам инкубатор ИИ-инициатив — одна из самых неочевидных, но эффективных форм работы с командами. Он сочетает соревновательный дух, игровую и познавательную форму: сотрудники делятся кейсами, рассказывают про свои продукты и спринты, получают баллы за активность. При этом формат остается в меру обязательным и встраивается в мотивационную систему и индивидуальные планы развития тимлидов. По сути, это сочетание sprint review (обзор спринта), обмена кейсами и воркшопа по отбору идей для бэклога. У нас в компании подобная практика уже существовала в продажах, поэтому формат оказался понятным и быстро прижился.
Как результат, за полтора года ведения проектов по автоматизации и внедрения ИИ в группе TWIGA создали более 20 проектов, а текущий бэклог вырос более чем до 50 проектов в разработке. По внутренней оценке, экономия составила от 50 до 100 млн руб. в год при кратно меньших затратах на внедрение, и мы планируем только расширять ресурс и пропускную способность по обслуживанию этих инициатив. Этот опыт существенно усилил ИИ-направление системного интегратора SENSU (часть группы TWIGA), который мы успешно транслируем в рынок и масштабируем для наших клиентов.
Среди наиболее перспективных направлений развития ИИ сегодня можно выделить работу с корпоративными знаниями через RAG (Retrieval Augmented Generation — технология, которая соединяет языковую модель с базой данных), развитие ИИ-агентов и автоматизацию процессов, генеративную аналитику (GenBI), а также решения на базе графов знаний и цифровых двойников. Эти подходы актуальны практически для любой специализации компании: они помогают автоматизировать рутинные задачи, упорядочить знания, сделать аналитику более гибкой и лучше понимать бизнес-процессы. В маркетинге при этом особенно активно развивается направление синтетических исследований, где искусственный интеллект используется для моделирования поведения аудитории и тестирования гипотез.
