«Стоит ли нам внедрять искусственный интеллект?» — этот вопрос сейчас задают почти в каждой крупной компании. Но в таком виде он слишком общий. ИИ нельзя оценивать как самостоятельную ценность, оторванную от задачи. Обсуждать нужно другое: какой процесс изменится, какой эффект ожидает бизнес и как мы поймем, что получили именно его.
У проекта может быть впечатляющий прототип, сильная технологическая команда и современная инфраструктура с ИИ. Всё это не гарантирует пользы, если до старта не определены показатели, базовая линия и порядок расчета, — после запуска стороны почти неизбежно начнут спорить.
ИТ-команда покажет, сколько запросов обработала модель. Бизнес спросит, где обещанная эффективность. Финансовый блок не увидит прироста показателей. Пользователи скажут, что работать стало быстрее, но подтвердить это цифрами никто не сможет.
Экономический эффект от ИИ действительно сложно считать. Однако сложность не освобождает от расчёта. Напротив, она требует заранее договориться о правилах.
Сначала определяем, за счёт чего возникает ценность
У искусственного интеллекта несколько основных источников эффекта.
Сокращение затрат. ИИ может брать на себя часть повторяющихся операций: распознавать документы, извлекать сведения, классифицировать заявки, готовить черновики ответов, формировать типовые материалы.
Экономия возникает за счёт снижения трудоёмкости, уменьшения количества ручных действий, сокращения ошибок и повторной обработки.
Здесь есть важная оговорка. Освободившееся время сотрудника не всегда автоматически превращается в деньги. Если человек тратил на операцию три часа, а после внедрения — один час, это еще не означает, что компания сократила расходы ровно на стоимость двух часов.
Экономический результат появится, когда освободившийся ресурс будет использован: сотрудник обработает больше задач, возьмет дополнительный участок, позволит команде не расширять штат при росте объема или действительно высвободит позицию. Поэтому считать нужно не только техническое ускорение, но и изменение загрузки подразделения.
Рост скорости. Не всякое ускорение сразу отражается в финансовой отчетности. Иногда оно влияет на качество сервиса и восприятие компании, клиент быстрее получает ответ, менеджер оперативнее готовит коммерческое предложение, руководитель раньше видит отклонение показателей, сотрудник не ждёт несколько дней, пока смежное подразделение обработает запрос.
В отдельных процессах время напрямую связано с выручкой: тот, кто первым подготовил релевантное предложение, получает преимущество в сделке. В других случаях связь опосредованная, но всё равно важная: скорость влияет на лояльность, повторные обращения и готовность продолжать сотрудничество.
Снижение рисков и повышение устойчивости. Человек устает, отвлекается, болеет, допускает ошибки при монотонной работе. Интеллектуальная система тоже ошибается, но природа её ошибок другая.
После тестирования и настройки ИИ способен стабильно выполнять типовые операции, работать круглосуточно и выдерживать резкий рост нагрузки. Это особенно ценно в процессах, где задержка или пропущенное действие могут привести к сорванным срокам, потерянным обращениям и уходу клиента.
Эффект от снижения риска труднее положить в финансовую модель, поскольку речь идет о событии, которое могло произойти, но не произошло. Тем не менее такие показатели можно учитывать: частоту ошибок, количество инцидентов, среднюю стоимость их устранения, вероятность нарушения срока или простоя.
Улучшение клиентского опыта. Компания может автоматизировать обслуживание и сократить собственные затраты, но одновременно ухудшить взаимодействие с клиентом. Робот будет быстро закрывать обращения по формальному признаку, а человек — по нескольку раз объяснять проблему.
Поэтому эффективность клиентских решений нельзя оценивать исключительно количеством диалогов без участия оператора. Понадобятся показатели качества: доля вопросов, решенных с первого обращения, время до результата, число повторных контактов, причины перевода на сотрудника, клиентские оценки и NPS.
Экономить на сервисе за счёт раздражения клиента — сомнительная модель. На конкурентном рынке она быстро отражается и на выручке.
Изменение бизнес-модели. Самые интересные эффекты возникают там, где ИИ не ускоряет отдельный шаг, а позволяет иначе организовать работу.
Компания может перейти к круглосуточному обслуживанию, персонализировать предложения, обрабатывать ранее недоступный объем данных, создать новый сервис или кардинально перестроить бэк-офис.
Такие проекты сложнее оценивать методом «было — стало», поскольку меняется сама модель бизнеса. В расчет приходится включать будущую выручку, новые категории клиентов, изменение пропускной способности и стоимость процессов в целевом состоянии.
Чтобы считать экономику, нужно знать стоимость процесса
Расчет начинается с базовой линии. Компания должна понимать, сколько ресурсов потребляет процесс до внедрения. Здесь полезен подход activity-based costing — определение стоимости отдельных действий. Процесс разбивается на шаги, после чего для каждого оцениваются время сотрудников, стоимость используемых систем, количество операций и расходы на исправление ошибок.
Предположим, подразделение ежемесячно обрабатывает несколько тысяч документов. Часть времени уходит на извлечение реквизитов, часть — на проверку, часть — на внесение сведений в систему, часть — на возврат некорректных документов.
Если ИИ автоматизирует извлечение данных, эффект следует считать именно на этом участке. Нельзя приписывать ему улучшение всего процесса, если остальные шаги не изменились.
Такая детализация полезна еще по одной причине: иногда наиболее дорогим оказывается не тот этап, на который изначально обращали внимание. Компания планирует автоматизировать ввод данных, а анализ показывает, что основные потери возникают на согласовании, ожидании или повторной обработке.
Расходы на ИИ — это далеко не только цена модели
В презентациях стоимость проекта иногда сводят к лицензии или инфраструктуре. Для нормальной финансовой модели этого недостаточно.
В совокупную стоимость владения могут входить:
- серверное оборудование или облачные ресурсы;
- лицензии и доступ к моделям;
- разработка и интеграция;
- подготовка и очистка данных;
- создание базы знаний;
- информационная безопасность;
- тестирование качества;
- привлечение специалистов по данным и ИИ;
- обучение пользователей;
- техническая поддержка;
- мониторинг работы моделей;
- обновление промптов, сценариев и регламентов;
- управление организационными изменениями.
Часть расходов будет разовой, часть — постоянной. Кроме того, нагрузка и стоимость эксплуатации могут расти вместе с количеством пользователей и запросов. Если учесть только затраты на пилот, а дальнейшее масштабирование оставить за рамками, проект покажет привлекательную окупаемость на бумаге и совсем другую — после промышленного запуска.
Какой горизонт расчета выбрать
Для ИТ-проектов часто рассматривают горизонт около трех лет. Нормальной считается модель, в которой инвестиции возвращаются за два-три года, хотя для крупных инфраструктурных и трансформационных проектов срок может быть больше.
Обычно оцениваются несколько показателей:
- ROI — соотношение полученного эффекта и вложений.
- Срок окупаемости — момент, когда накопленный эффект покрывает первоначальные и текущие затраты.
- NPV — чистая приведенная стоимость с учётом того, что деньги сегодня и через несколько лет имеют разную ценность.
Формулы известны и сами по себе не составляют главной сложности. Труднее договориться о входных данных: какой объем операций прогнозируется, насколько снизится трудоемкость, какая доля пользователей действительно перейдёт на новый инструмент, сколько времени займёт масштабирование.
Именно здесь расчёт перестаёт быть чистой математикой и превращается в работу с гипотезами.
Экономический эффект всегда содержит элемент договорённости
В проекте участвуют стороны с разными интересами. ИТ-команда хочет развивать решение, бизнес отвечает за результат процесса, финансовый блок контролирует инвестиции, сотрудники думают о том, как изменится их работа.
Одна сторона ожидает сокращения трудозатрат на 30%, другая считает реалистичными 10%. Кто-то уверен, что новый сервис повысит конверсию, но исторических данных для точного прогноза нет.
Такие обсуждения нормальны, плохо, когда они впервые начинаются после внедрения. На старте нужно зафиксировать:
- исходные значения показателей;
- источники данных для каждого показателя;
- ожидаемое изменение;
- допущения, на которых построен прогноз;
- период измерения;
- подразделение, отвечающее за данные и расчет показателя;
- способ отделить эффект ИИ от других изменений.
В результате появляется согласованная модель, она может оказаться несовершенной, но все участники понимают правила и принимают исходные гипотезы. Сам процесс обсуждения уже приносит пользу, компания вынуждена посмотреть на будущую модель работы, определить, где должна появиться выручка, какие затраты реально можно сократить и что придется изменить в организации.
Что именно дало результат: ИИ или перестройка процесса?
Это один из самых неудобных вопросов. Проекты автоматизации редко ограничиваются установкой инструмента. Компания одновременно обновляет регламент, меняет роли, убирает лишние согласования, обучает сотрудников и наводит порядок в данных. После запуска процесс действительно улучшается, но невозможно механически приписать весь результат искусственному интеллекту.
Предположим, срок подготовки документа сократился вдвое. Часть эффекта могла дать модель, которая сформировала черновик. Часть — новый шаблон. Еще часть — отмена одного из согласований.
Для более корректной оценки используют пилотные группы, поэтапный запуск, сравнение однотипных процессов и замеры до и после внедрения. Абсолютной чистоты эксперимента в реальном бизнесе добиться трудно, но это не повод складывать все улучшения в графу «эффект ИИ».
Пять примеров, где искать value-драйверы
- Обработка первичных бухгалтерских документов. Целевая модель может предусматривать автоматическое распознавание документов, извлечение реквизитов, проверку по установленным правилам и подготовку типовой проводки. Человек подключается к исключениям и спорным случаям. Возможные показатели: стоимость обработки одного документа, время проведения, число ошибок, доля операций без ручного вмешательства, объем работы на одного сотрудника.
- Подготовка технико-коммерческих предложений. ИИ использует шаблон, сведения о заказчике, параметры решения и корпоративную базу знаний, после чего формирует первый вариант документа. Измерять можно время подготовки, количество предложений на одного менеджера, длительность согласования, число исправлений и скорость ответа клиенту.
- Клиентская поддержка. Интеллектуальный помощник классифицирует обращение, находит информацию, готовит ответ или передает вопрос специалисту вместе с собранным контекстом. Здесь важны время до решения, доля повторных обращений, количество переводов между линиями, стоимость контакта и клиентские показатели. Процент диалогов, полностью закрытых роботом, полезен только вместе с оценкой качества.
- Круглосуточные операционные процессы. ИИ может контролировать входящий поток, обнаруживать отклонения и запускать стандартные действия в то время, когда содержание полноценной ночной смены экономически нецелесообразно. Value-драйверами становятся непрерывность, скорость реакции, количество не пропущенных событий, снижение простоев и стоимость обеспечения круглосуточного режима.
- Прогнозная аналитика. Модели анализируют исторические данные и помогают прогнозировать спрос, загрузку, потребность в запасах или вероятность отклонений. Эффект проявляется в точности прогноза, снижении избыточных запасов, уменьшении дефицита, более равномерной загрузке и качестве управленческих решений. Ни в одном из этих сценариев нельзя заранее назвать универсальный процент экономии. Он зависит от объема операций, зрелости систем, качества данных и исходной организации процесса.
У ИИ есть собственная стоимость риска
Интеллектуальная система снижает часть рисков человеческого фактора, но добавляет новые: галлюцинации, некорректную интерпретацию контекста, утечку данных, непредсказуемое поведение на редких сценариях.
Поэтому в проекте должны быть предусмотрены тестирование, контрольные выборки, журналирование действий, ограничения доступа и порядок передачи задачи человеку. Чем выше цена ошибки, тем жестче требования к контролю. Для одних операций допустимо автоматически сформировать черновик, который проверит сотрудник. Для других потребуется двойная верификация. А часть критических решений вообще не следует передавать модели без участия человека.
Расходы на такой контроль нужно включать в экономику проекта. Иначе выгода будет рассчитана так, будто ИИ работает безошибочно и не требует сопровождения. До запуска компания строит прогнозную модель. После запуска необходимо вернуться к ней и посчитать фактический результат по тем же правилам.
Если планировали сократить время обработки, измеряется время. Если ожидали снизить стоимость операции, проверяется полная стоимость. Если рассчитывали улучшить клиентский опыт, анализируются обращения, повторные контакты и оценки клиентов.
Нельзя на старте обещать экономию, а после внедрения отчитываться количеством запросов к модели. Техническая активность сама по себе не подтверждает бизнес-эффект. Отклонение от плана не всегда означает провал. Возможно, пользователи медленнее осваивают инструмент, чем ожидалось. Возможно, выяснилось, что часть данных требует ручной подготовки. Иногда проект даёт незапланированный эффект в другом месте.
Важно не защищать первоначальную гипотезу любой ценой, а разобраться, что произошло, и скорректировать модель.
Главный результат расчёта — управляемость
Экономическая оценка нужна не для того, чтобы любой ценой доказать выгодность ИИ. Её задача — помочь принять решение, иногда расчёт показывает, что проект стоит запускать немедленно. Иногда — что разумнее сначала привести в порядок данные или автоматизировать процесс классическими средствами. Бывает и так, что технология интересна, но текущий объем операций не оправдывает инвестиции. Это тоже полезный вывод, ИИ не должен внедряться из страха отстать от рынка. У компании должны быть понятная задача, согласованные value-драйверы и способ проверить результат.
Тогда разговор об искусственном интеллекте перестаёт напоминать гадание на хрустальном шаре. Он становится обычной управленческой работой — со своими допущениями, рисками, цифрами и ответственностью за итог.
Источник: Роман Инюшкин, директор по развитию цифровых проектов ГК Softline
