Когда компании начинают автоматизировать процессы с помощью искусственного интеллекта, довольно быстро возникает вопрос — откуда ИИ должен узнать, как именно выполнять работу?
Самый очевидный ответ — из регламентов. Там зафиксированы этапы процесса, роли сотрудников, правила и нужная последовательность действий. Вполне логично взять эту информацию, описать задачу ИИ и на этой базе построить автоматизацию.
Проблема в том, что регламент показывает, как процесс должен работать. Для автоматизации важен другой ракурс — как работа выполняется на самом деле. И между этими двумя картинами в бизнесе почти всегда есть разница.
Поэтому регламент может быть хорошей отправной точкой, но плохим единственным техническим заданием для ИИ. Разберем, почему.
Бумага не успевает за изменениями
Бизнес-процесс не существует в вакууме: меняется законодательство, обновляются информационные системы, появляются новые требования, сотрудники находят более удобные способы выполнять отдельные действия. Где-то добавляется дополнительная проверка, где-то один шаг фактически заменяется тремя и т.д. Каждое такое изменение кажется небольшим, но со временем их накапливается достаточно, чтобы фактическая работа разошлась с утвержденной схемой.
В крупных компаниях это особенно заметно, поскольку в одном процессе могут участвовать сотни или даже тысячи сотрудников. У каждого разный опыт, они могут использовать разные системы и иначе подходить к решению одной и той же задачи.
Простой пример — создание карточки клиента. Один сотрудник сначала проверяет, существует ли такой клиент в системе, и при необходимости актуализирует уже созданную карточку. Другой сразу заполняет все поля, отправляет данные и только после этого получает сообщение о дубле. Формально оба работают в рамках одного процесса и выполняют свои обязанности.
Такие различия редко попадают в регламенты с достаточной детализацией. В итоге на бумаге у компании один процесс, а в реальности — множество вариантов его выполнения, которые отличаются по скорости, последовательности действий и результату.
Автоматизировать «как написано»
Сам по себе искусственный интеллект эту проблему не решает. Скорее наоборот: чем больше операций мы готовы ему передать, тем важнее качество исходного описания.
Если построить автоматизацию по устаревшему или слишком общему регламенту, можно получить вполне работающую систему, которая очень быстро выполняет неэффективный вариант процесса.
Если в регламенте сохранились «исторические» дополнительные проверки, сама по себе автоматизация не даст ответа, нужны ли они процессу на самом деле. Если сотрудники давно используют более короткий маршрут, которого нет в инструкции, из одного регламента ИИ о нем не узнает.
В результате возникает риск автоматизировать не оптимальный процесс, а накопившиеся там лишние действия. Это одна из причин, почему я бы не начинал проект ИИ-автоматизации непосредственно с автоматизации. Сначала нужно получить разрез фактической работы компании.
ИИ нужен контекст
Все привыкли к простой зависимости — чем точнее сформулирован запрос и чем больше нужного контекста ему передано, тем выше вероятность получить подходящий результат.
В корпоративной автоматизации логика та же, только объем контекста несопоставимо больше. Написать системе «Автоматизируй обработку заявки» недостаточно. Нужно понимать, какие типы заявок существуют, какие действия с ними выполняют сотрудники, в каких системах они работают, где появляются исключения, какие варианты маршрута встречаются, какие проверки действительно необходимы и что происходит при ошибке.
Поэтому перед ИИ появляется отдельный технологический слой — получение объективных данных о том, как работает бизнес.
На уровне сквозного процесса такую картину дает аналитика бизнес-процессов (Process Mining) — технология позволяет восстановить фактическое движение процесса по цифровым следам в корпоративных системах и увидеть разные варианты его исполнения.
При этом значительная часть работы происходит уже внутри отдельных этапов. Сотрудник открывает приложения, ищет информацию, переносит данные, заполняет формы, сверяет документы, возвращается к предыдущим действиям. Для такого уровня применяется аналитика бизнес-операций (Task Mining).
Процессная аналитика помогает понять и то, какой вариант процесса стоит брать за основу для автоматизации. Здесь важно учитывать скорость выполнения, обязательные проверки, исключения и бизнес-правила. Задача — выяснить, какие действия действительно нужны.
Постоянное обновление
После внедрения автоматизации процесс продолжает меняться. Появляются новые продукты и системы, меняются требования клиентов и информационной безопасности, перестраивается последовательность действий, а часть операций начинает выполнять сам ИИ.
Поэтому процессный контекст нельзя собрать один раз и считать задачу закрытой. Его необходимо обновлять вместе с изменениями в работе компании.
Постоянно актуальный контекст открывает и следующий уровень автоматизации: систему можно использовать не только для выполнения заранее поставленной задачи, но и для контроля самого процесса. Она может замечать отклонения, анализировать причины и предлагать дальнейшие действия. В понятных и безопасных сценариях часть таких действий со временем можно выполнять автоматически.
Автоматизировать нужно реальность
Регламенты все еще нужны для фиксации правил, зон ответственности, обязательных требований и жестких ограничений. Но требовать от них точного описания всей фактической работы компании сложно. Для ИИ этого недостаточно.
Если мы хотим передавать системе целые участки работы, ей нужен максимально точный контекст: как процесс устроен сейчас, какие варианты исполнения встречаются, где возникают потери и какой маршрут можно считать оптимальным.
Иначе можно получить технологически современную систему, которая без ошибок и с высокой скоростью автоматизирует процесс, который давно стоило изменить.
Источник: Александр Бочкин, генеральный директор «Инфомаксимум»
