Искусственный интеллект стремительно меняет бизнес-среду, автоматизирует процессы и открывает новые возможности. Однако на практике многие инициативы застревают на стадии экспериментов. По данным S&P Global Market Intelligence, в 2024 году доля компаний, отказавшихся от большинства своих ИИ-инициатив, выросла с 17% до 42%. Почти половина проектов, запущенных на стадии proof-of-concept, так и не доходит до внедрения. Это говорит о серьезном разрыве между потенциалом технологий и результатами.
Как это изменить? В колонке для Digital Business менеджер и руководитель услуг в области ИИ технологической практики KPMG Кавказ и Центральная Азия Джафар Пенот рассказал, какие 4 шага помогут извлечь максимальную ценность из ИИ.
Шаг 1. Стратегия прежде всего
ИИ работает, когда встроен в бизнес-стратегию. Недавнее исследование KPMG показало: казахстанские компании, у которых есть четкая стратегия внедрения ИИ, получают лучшие результаты. 69% таких организаций отметили значимый бизнес-эффект.
Бизнесу будет полезно начать с переосмысления собственных стратегических приоритетов — будь то рост, повышение конкурентоспособности, оптимизация внутренних процессов или повышение качества клиентского сервиса. Следующий шаг — выявить бизнес-функции, которые поддерживают эти цели и в которых технологии ИИ способны создать ценность: финансы, маркетинг, клиентский сервис, логистика или производственные операции.
Такая связка «цель – бизнес-функция» позволяет направить усилия туда, где результат будет измерим и реален.
Шаг 2. Поиск рабочих кейсов
Даже при наличии стратегии многие сталкиваются с трудностями при выборе релевантных сценариев использования ИИ. По данным KPMG, 64% компаний считают это основным барьером.
Начните с формирования списка потенциальных ИИ-кейсов для всех бизнес-функций с привязкой к стратегическим целям. Полезно классифицировать их по типовым паттернам:
- Предиктивные системы. Пример: прогноз сбоев оборудования на основе показаний датчиков (температура, давление, напряжение).
- Прогнозирование и планирование. Пример: прогноз месячных продаж с учетом сезонности и маркетинговой активности.
- Обработка документов. Пример: автоматическое считывание данных из PDF-инвойсов с помощью OCR (оптического распознавания символов) и NLP.
- Управление знаниями. Пример: ИИ-ассистент, отвечающий на внутренние запросы сотрудников, опираясь на корпоративные документы.
- Цифровые двойники. Пример: модель производственной линии для выявления узких мест и повышения производительности без остановки работы.
- Интеллектуальная автоматизация. Пример: использование OCR и RPA-ботов для ввода данных из типовых форм в корпоративные системы.
Когда список потенциальных кейсов сформирован, важно отразить их распределение по бизнес-функциям и типам применения ИИ. Это позволит увидеть, где сосредоточено наибольшее количество инициатив, и корректно расставить приоритеты.
Для выбора наиболее перспективных направлений можно использовать двухуровневую оценку. Сначала оценивается простота реализации: насколько доступны необходимые данные, реализуемы ли решения с технологической точки зрения, насколько просто их внедрить, и насколько допустимы возможные ошибки, а также каковы потенциальные риски.
Затем анализируется ценность кейса — какой экономический эффект он может дать, насколько быстро окупится, можно ли масштабировать решение на другие функции или регионы, и насколько оно соответствует стратегическим целям компании. Такая оценка помогает сфокусироваться на реалистичных и ценных для бизнеса проектах.
Шаг 3. Готовность к ИИ-трансформации
Чтобы искусственный интеллект приносил ощутимую ценность, компании нужен устойчивый фундамент. Он включает не только технологии и данные, но и команду, процессы и систему управления.
Ключевую роль играют люди: нужно развивать компетенции, формировать культуру принятия решений на основе данных и выстраивать эффективное взаимодействие между бизнесом и ИТ. Немаловажна и управленческая составляющая — необходимы четкие и прозрачные политики, которые помогут управлять рисками, связанными с работой ИИ: от потенциальной предвзятости моделей до защиты персональных данных и соблюдения регуляторных требований.
Важно обеспечить высокое качество данных: они должны быть доступными, структурированными и надежными. ИИ-решения нужно поддерживать в долгосрочной перспективе, независимо от того, разрабатываются ли они внутри компании или с привлечением внешних партнеров. И, наконец, технологическую инфраструктуру стоит делать гибкой и масштабируемой, чтобы ИИ можно было эффективно внедрять и развивать во всей организации.
Шаг 4. Внедрение и масштабирование
Запуск пилотных проектов — наиболее эффективный способ перейти от планов к действию. Это позволяет протестировать ИИ-решения в условиях низкого риска.
Важно создавать такие инициативы с прицелом на масштабирование. Например, решение для обработки инвойсов должно использовать реальные данные, быть встроено в процессы и интегрировано с системами, чтобы его можно было расширить без перепроектирования. Каждый пилот должен оцениваться по четким KPI: точность, скорость выполнения, снижение затрат.
Также необходимо заранее позаботиться об адаптации команд: создать рабочую группу по ИИ, найти желающих, встроить обучение в привычные процессы. Это помогает снизить сопротивление.
Заключение
Для запуска ИИ в бизнесе недостаточно одних амбиций. Компании, которые двигаются поэтапно — от бизнес-целей к приоритизации, от оценки зрелости к масштабируемым пилотам, получают не просто технологию, а измеримый результат. Именно такой подход превращает ИИ в устойчивый источник ценности и роста.