Современные компании сталкиваются с вызовами, которые требуют не только внедрения новых технологий, но и переосмысления подходов к управлению и внутреннему взаимодействию, уверен директор программ по цифровой трансформации Школы управления СКОЛКОВО, академический директор программы Digital Shift Николай Верховский. В мастер-классе также принял участие Head of AI & CRM products «Райффайзенбанка» Илья Щиров и команда Yandex Cloud.

Хотя этапы цифровой трансформации во многом кажутся очевидными, на практике ее реализация часто сопряжена с трудностями. Для успешного внедрения цифровых решений необходимы практические инструменты, которые помогут преодолеть сложности и добиться устойчивого прогресса.

Почему новые технологии — не панацея?

Одно из самых распространенных заблуждений: искусственный интеллект — это универсальное решение всех проблем. В реальности внедрение ИИ и ML (machine learning, машинного обучения) требует значительных инвестиций, которые не всегда оправданы.

При принятии решения о проведении цифровизации важно руководствоваться практическим подходом. Внедрение технологий «для галочки» не имеет смысла: оно должно быть нацелено на решение конкретных задач компании. Важно четко понимать, как использование нового цифрового продукта повлияет на всю экономику компании. Другими словами, нужно заранее проанализировать, существует ли модель монетизации для внедряемых продуктов. В противном случае, проект не принесет реальной экономической выгоды.

Кейс: не менее семи российских компаний взялись за разработку умных колонок с голосовым помощником, однако настоящую популярность завоевали лишь три из них, а безусловным лидером стала одна. Для остальных четырех компаний такие проекты могли обернуться убытками, так как на рынке нет спроса на множество схожих продуктов без уникальных преимуществ. Если ваш продукт не превосходит предложение топовых конкурентов, нет смысла создавать аналогичное.

На какие вопросы стоит ответить перед началом работы с ИИ?

Перед запуском проекта, связанного с разработкой собственных цифровых решений или с используем существующих, важно задать себе несколько ключевых вопросов. Они помогут оценить целесообразность, выгоды и риски внедрения ИИ, а также избежать лишних затрат и ошибок.

1. Какую выгоду компания получит от внедрения технологии? Цифровые решения должны приносить прибыль или снижать затраты. К примеру, многие организации, следуя тренду, разрабатывали собственных виртуальных ассистентов для мобильных приложений и не осознавали, что они не приносят реального дохода. Это наглядно иллюстрирует, как легко компания может попасть в ловушку технологического хайпа, если она игнорирует долгосрочные перспективы и фактическую потребность в новых технологиях.
2. Готова ли компания к внедрению новых решений? Успешная цифровая трансформация требует не только прочной технической инфраструктуры, но и выстроенной системы работы с данными. Инвестиции, направленные на внедрение data-driven подхода и разработку оптимальных технологических решений, должны быть тщательно обоснованы и стратегически продуманы с учетом особенностей каждой компании. Игнорирование этих аспектов может привести к высоким затратам без гарантии успешного результата.
3. Новый продукт или готовое решение? Разработка собственного ИИ-продукта должна быть обусловлена реальной необходимостью. Например, многие компании пытаются создавать собственные системы распознавания речи, но это может быть нецелесообразно, если на рынке уже существуют качественные решения от таких крупных игроков, как Google или «Яндекс».

Как добиться эффективности при разработке data science-продуктов?

Data science-продукты — это решения, в которых активно используются методы и инструменты анализа данных, машинного обучения и искусственного интеллекта для решения бизнес-задач. На успешность разработки и внедрения таких проектов в рабочие процессы влияют несколько ключевых факторов:

1. Отсутствие иллюзий

Во многих компаниях ожидания от внедрения новых технологий могут быть «перегретыми». Публикации в СМИ и пресс-релизы организаций часто создают искаженное представление о реальных результатах внедрения ИИ, что может привести к затягиванию сроков и разочарованию. На самом деле GPT и другие разработки — это не чудо-технологии, и процесс их внедрения требует времени. Это непростой путь, который начинается с творческого эксперимента, а заканчивается практическими результатами.

При разработке продукта важно не стремиться к мгновенному результату. Успех приходит через систематическую работу, и важно понимать, что не все инновации моментально решают ключевые задачи.

Кейс: компания внедрила технологию, которая значительно улучшила работу с CRM-системой: сотрудники получили быстрый доступ к ключевой информации о клиентах. Этот проект начался с прототипа и дал реальные результаты лишь спустя полгода.

2. Максимальное использование возможностей стартового периода

Для большинства data science-продуктов большую роль играет особый временной интервал — первые три месяца. В этот момент компания может воспользоваться ажиотажем вокруг технологии.

На раннем этапе важно не только продемонстрировать потенциальный успех, но и выявить реальные проблемы и трудности — это поможет не только адаптировать подходы, но и укрепить репутацию новой технологии в организации. В первые три месяца важно не забывать, что ошибки неизбежны, однако именно они играют ключевую роль в быстрой адаптации и настройке бизнес-процессов.

3. Правильный подбор команды

Одна из распространенных ошибок — набор избыточного количества сотрудников без четкого понимания их роли. Найм десятков или даже сотен людей может привести к неоправданным затратам и трудностям с удержанием квалифицированных специалистов.

Начать разработку продукта можно с минимального состава (например, пять–шесть человек) и использовать виртуальных ассистентов для оптимизации работы. Такой подход позволит значительно снизить затраты, улучшить показатели в короткие сроки и быстро реализовать проект. Кроме того, лидер команды должен уметь грамотно ставить задачи, контролировать их выполнение и обеспечивать необходимую поддержку на всех этапах разработки.

4. Прохождение всех стадий разработки продукта

Прежде чем приступить к активному внедрению data science-продукта, необходимо пройти стадию PoC (Proof of Concept — проверка концепции), создать простой, но эффективный прототип и разработать минимально жизнеспособный продукт (MVP). Он позволит наглядно продемонстрировать ценность продукта, проанализировать потенциальные риски и выгоды, а также выявить, что работает эффективно, а что требует доработки. Важно, чтобы MVP оставался гибким для быстрого тестирования гипотез и внесения изменений в процессе экспериментов.

5. Грамотная коммуникация с командой

Внедрение ИИ и data science-решений нередко воспринимается как угроза для сотрудников. Важно правильно донести до команды, что технологии не заменяют людей, а помогают улучшить процессы и эффективность.

Как показало исследование, проведенное среди директоров по цифровой трансформации, более 80% времени уходит на то, чтобы убедить сотрудников в необходимости изменений и сформировать у команды доверие к инновациям.

Люди активнее сопротивляются технологиям, если они не видят целесообразность их внедрения или боятся изменений. Это противодействие нужно преодолевать — регулярно общаться с командой и объяснять сотрудникам, как новые инструменты могут улучшить их работу и какие дополнительные возможности могут открыть технологии.

Кейс: компания «Северсталь» разработала цифровой продукт для расчета ферросплавов. Несмотря на доказанный экономический эффект, внедрение продукта заняло два года. Причина заключалась в низкой лояльности сотрудников к новым цифровым решениям. Они не верили в возможность алгоритмов, которые, по их мнению, не могли адекватно заменить их собственную экспертизу.