Как внедрить ИИ в оффлайн-бизнес и понять, что он приносит деньги
Многие компании хотят использовать ИИ, но не понимают, с каких процессов начинать и как оценивать результат. Вместе с Валерьяном Бруниным, CEO IT-компании ILAVISTA, разбираем, как находить задачи для автоматизации в оффлайн-бизнесе и как проверить, что внедрение действительно приносит пользу. На конкретных примерах покажем, как считать экономический эффект, учитывать расходы на внедрение и оценивать окупаемость.
«Прежде чем внедрять ИИ — определите, где теряются деньги»
– Как часто приходят компании за внедрением ИИ в бизнес? Это конкретные запросы или дань трендам?
– Количество таких запросов выросло драматически. Но да, очень мало людей понимает, зачем именно это нужно их бизнесу. Часто обращаются просто со словами «хотим ИИ» и думают, что смогут заменить всех сотрудников.
Любопытно, что больше всего такой «вдохновленности» у собственников IT- и диджитал-компаний. Казалось бы, должны разбираться, но именно они видят в ИИ панацею и чаще предлагают сумасшедшие вещи вроде «убрать всех разработчиков».
В оффлайн-бизнесе проще: заказчики изначально понимают, что, например, монтажника, который ездит и расклеивает наружную рекламу, ИИ не заменит. Поэтому подход более сдержанный.
– Как понять, что компании на самом деле это нужно?
– Начать стоит с классического описания бизнес-процессов. После этого:
- определить «узкое горлышко», где теряются ресурсы;
- выбрать точки применения ИИ;
- понять, какой эффект ожидается от его применения и как его замерять.
Внедрять нужно только там, где получилось зафиксировать все три пункта.
«Дорогие сотрудники тратят время на рутину, которую может взять на себя ИИ»
– Расскажите на конкретных примерах, где находилось это «узкое горлышко»?
– Оффлайн-бизнесам, в первую очередь, нужно обратить внимание на бэк-офис. Именно там дорогие сотрудники тратят время на рутину, которую может взять на себя ИИ.
Возьмем пример строительной компании. Собственник скептически относился к внедрению: «У меня бетон надо замешивать, ИИ тут не поможет». Но после проведения интервью с работниками удалось выявить несколько моментов.
Бухгалтеры вручную проводят процентовки (акты с процентом выполненных работ — прим. Digital Business), по 30 минут на каждую. Для собственника это была мелочь, но это по 10-20 процентовок для каждого из пяти бухгалтеров в месяц, суммарно 25–50 часов рабочего времени. Из-за этой рутины специалисты не успевали заниматься другими задачами.
Работа юристов по проверке договоров. Ситуация такая: две компании долго согласовывают текст договора, собирается множество правок и предложений, спорных моментов. Когда наконец на словах договоренности достигнуты, то компания должна убедиться, что ей прислали именно согласованный по всем пунктам вариант.
Юрист тратил на вычитку час времени, Claude – пять секунд. ИИ-агент подключается к папке с договорами и, когда там появляется новый документ, сравнивает его с согласованным, подсвечивает различия. Эффект зависит от масштаба. Если в компании один юрист с зарплатой $500, загруженный на 20%, то собственнику все равно, потратит он на проверку час или нет. А если это пять дорогих юристов и они целыми днями проверяют договоры контрагентов вместо ликвидации дебиторской задолженности, то ИИ становится полезным инструментом с измеримой выгодой.
– Есть сценарии, не связанные с документами?
– Возьмем более специфический пример — компания, занимающаяся наружной рекламой. Она продает статистику о том, какая реклама где размещена: сотрудники ездят по стране и фотографируют объекты, а затем три аналитика каждый месяц размечают снимки. Объектов всегда пять тысяч, и за данные по ним компания получает фиксированную сумму. Заработать больше можно было только одним способом — сократив ресурсы на разметку. Благодаря ИИ его можно решить: те же пять тысяч объектов теперь обрабатывает один человек.
– Автоматизация какого процесса показала наиболее эффективные результаты?
– Сейчас самый большой эффект видим в онбординге и обучении сотрудников. Особенно там, где большая текучка кадров: сети салонов связи, мувинговые компании (услуги помощи с переездом, упаковка, погрузка и перевозка вещей и мебели — прим. Digital Business), ритейл, риелторы. Компания живет десятилетиями, а люди в ней постоянно меняются. Знания приходится передавать заново: через рабочие инструкции, тренинги, супервайзеров.
Иллюстративное фото: Digital Business
Раньше вложиться в программы обучения могли только гиганты, у которых они окупались за счет того, что сотрудников тысячи. Сейчас этим занимается ИИ и делает гораздо дешевле.
Он аккумулирует всю базу знаний компании, выстраивает персонализированное обучение для сотрудника, а также упрощает контроль качества его работы. Кроме того, инструкции проще держать в актуальном состоянии – ИИ подтягивает все управленческие решения (например, прослушав звонок-совещание) и сам обновляет базу знаний.
Где здесь экономятся деньги на примере офиса продаж мувинговой компании:
- Быстрее вход в профессию. Раньше обучали месяц, то есть это стоило компании условной зарплаты опытного сотрудника в $1000, пока он готовил к полноценной работе новичка. Теперь обучение проходит за неделю – затраты сокращаются примерно в 4 раза.
- Быстрее выход на уровень сильного специалиста, приносящего больше денег. Раньше это занимало полгода, теперь — месяц.
- База знаний интегрирована с CRM, и подсказки по работе с лидами ускоряют их обработку с 10 до 20 в день.
- Увеличение конверсии в продажу с 40% до 60% за счет актуальных инструкций и полноты информации о лидах.
- Меньше текучка. Чем быстрее человек включился в работу и чем лучше делает ее, тем больше он зарабатывает и меньше нервничает. Это стимулирует его оставаться в компании дольше.
«Внедрение ИИ должно окупаться уже с первого месяца»
– Сколько компания должна заложить на внедрение ИИ в один процесс?
– Завсит от сложности. Проверка договоров, о которой мы говорили – от $1 000. Бизнес-аналитик разбирается, как работают юристы, описывает процесс и встраивает в него ИИ: заводит на компанию аккаунт в Claude, подключает и настраивает агента. На это уйдет минимум 40 часов при ставке $25 в час.
Если нужно выстроить обучение отдела продаж, процесс сложнее: это около трех месяцев и порядка $10 000. Месяц уходит на подготовку базы знаний: описание циклов продаж, сбор инструкций и прочее. Месяц на внедрение, месяц на тесты. При этом придется вовлечь всех сотрудников направления, чтобы провести глубинные интервью и получить их знания.
– Как посчитать эффект от внедрения?
– Есть два пути. Первый — считаем, сколько человек тратил на задачу, которую себе забрал ИИ, и сколько вам стоил час этого сотрудника.
Второй — через KPI. Вы выбираете показатель, который должен вырасти. Пример из моей личной практики. Подготовка хорошего коммерческого предложения с конкурентным анализом занимало около 8 часов. Учитывая, что нужно на это еще найти время в графике, клиент ждал КП неделю, из-за этого закрывалась одна сделка из десяти. Когда я натренировал ИИ, предложение стало готовиться за час, как следствие — закрывались уже 3 сделки из 10.
В обоих случаях желаемые цифры фиксируются заранее. Причем показатели нужно вырастить критически, а не на пару процентов. Только при таком подходе ИИ дает эффект.
– Какие обычно сроки окупаемости?
– Считаю, окупаться должно уже с первого месяца, бизнес хочет видеть результат здесь и сейчас. Поэтому «слона мы едим по кусочкам»: две недели — результат, замер в деньгах, еще две недели — результат, снова замер. В том же кейсе с обучением мы отдаем первые рабочие инструкции через две недели, и продавцы уже могут обращаться к ИИ как к справочнику.
Другой кейс – архитектурное бюро. Бэкграунд такой – клиент запрашивает цену дизайн-проекта, а менеджеру для корректного ответа нужно проверить по меньшей мере десятки параметров. То есть либо он готовит ответ долго, либо навскидку, с большой вероятностью неправильной оценки. За одну-две недели можно внедрить в его работу ИИ, который проведет клиента по чек-листу и подготовит предварительное коммерческое предложение — с 90% вероятностью правильное. Это сразу даст рост по основным метрикам работы менеджера.
Иллюстративное фото: Digital Business
«Сотрудникам надо показать их личную выгоду и привлечь на свою сторону»
– Допустим, мы посчитали эффект: у сотрудников освободилось по два часа в день, и никого увольнять не планируют. Как менеджеру превратить это время в деньги?
– Это самая большая проблема. ИИ забирает у сотрудника привычную рутину, в которой он чувствовал себя комфортно и видел свою ценность. Поэтому вместо рутины нужно дать задачу с понятным экономическим результатом. Например, бухгалтеру, который целыми днями проводил накладные, предложить поискать, как оптимизировать комиссии банков, перестроить платежные процессы и сэкономить бизнесу деньги.
Человек будет сопротивляться: он выходит из зоны комфорта, и даже программисту трудно перейти от набора кода к размышлениям о продукте. Поэтому, как и к любой задаче, нужна мотивация: «Сэкономишь за год $3 000 – процент получишь в виде премии». Если сотрудник включился, бизнес выигрывает на 100%. Если нет, расставаться можно без вопросов: вы предложили понятный переход.
– Как говорили выше, для ИИ нужны знания самих сотрудников. Как работать с их страхом, что их уволят, как только они передадут эти знания?
– Это классическое сопротивление инновациям. Решается оно тремя шагами.
Первое — честность руководителя. Оцифровывать сотрудников, чтобы потом уволить, и просить их о помощи — глупое решение: люди сделают работу специально плохо и начнут саботировать остальные процессы. Если вы действительно планируете сокращение, скажите прямо: «У вас от трех недель до трех месяцев, чтобы обучить систему, я выплачу выходное пособие и дам рекомендации». Но лучше предложить другую роль, как в примере выше. В любом случае после оцифровки бизнес продолжает работать и ему нужные включенные специалисты.
Второе — показать личную выгоду и привлечь людей на свою сторону. Собственник может даже не подозревать, что 80% его сотрудников уже пользуются ИИ. Это нужно использовать. Например, предложить руководителю отдела продаж, который уже сам пробовал что-то подобное, возглавить трансформацию: раньше он получал процент от выручки и маржинальности, теперь добавляется KPI по ИИ.
Третье — признать, что за всех решить нельзя. Если мебельщик не хочет брать шуруповерт, это его выбор. Но мы показываем ему математику: раньше он собирал одну тумбочку и получал 100, а теперь соберет десять и получит 1 000.
Риски при внедрении ИИ
– ИИ по-прежнему допускает ошибки. Как с этим быть?
– Во-первых, если данные чувствительные и цена ошибки высока, принятие решений ИИ не отдают. Это касается, в первую очередь, финансов и медицины. В налоговом сервисе ReportiX мы не допускаем модель к самостоятельной отправке итоговой декларации, даже будучи уверенными, что она все делает хорошо.
Другой пример — наш стартап для владельцев собак. При разработке мы заметили, что любая LLM, анализируя результаты биохимии, выдаст бред. Дело в том, что модели учились на человеческих данных, которые более однородны, а в случае собак показатели нормы критически разные из-за отличий среди сотен пород. У каждой ветеринарной клиники свой набор бенчмарков. Отдать контроль за здоровьем питомца открытой модели было бы безответственно.
Во-вторых, нельзя сразу запускать ИИ во внешний контур, к клиентам. Здесь как со стажером в магазине: сначала работает на подхвате, на складе или выкладке, его учат и только потом пускают за прилавок. Так и качество работы ИИ зависит от базы, на которой он обучен.
Иллюстративное фото: Digital Business
Порядок такой:
- Внедряем в бэк-офис и обучаем на процессах компании.
- ИИ помогает вашим продавцам: готовит подсказки, подсвечивает важные моменты.
- Справляется — выпускаем на сайт чат-ботом.
- Делаем голосового ассистента, который принимает входящие, когда вы не можете или спите.
- Отработал: принимает все входящие, потом сам обзванивает клиентов.
С каждым шагом вы даете ему больше власти только после того, как видите, что предыдущий отработан.
– Насколько опасно бизнесу завязывать свои внутренние процессы на внешних поставщиков ПО?
– Мне кажется, о такой зависимости пока не стоит беспокоиться. Вы же не отказываетесь из-за этого от Google Calendar или Word, хотя это тоже продукты, на которых завязаны внутренние процессы, а условия использования могут меняться по независящим от вас причинам.
– Какие еще риски стоит предусмотреть, внедряя ИИ?
– Во-первых, персональные данные: где они хранятся и на чьей модели обрабатываются. Если у вас жесткие регламенты по работе с ними, то защиту нужно строить внутри своих серверов и на своих моделях. Но строителям, логистам, мувингу и другим офлайн-бизнесам чувствительные данные, как правило, не нужны. Им лучше брать готовые модели: свою вы не сделаете лучше, чем Google, а ресурсов потратите много.
Во-вторых, непредсказуемая цена. Пока неизвестно, подорожают токены или станут стоить копейки: одни ждут, что поставщики начнут отбивать вложения, другие считают, что модели станут настолько эффективными, что токены будут почти бесплатными. Поэтому опираться на эти цены, разрабатывая стратегические планы, не стоит.
В-третьих, это как раз то, о чем мы говорили в начале. Внедрять ИИ ради ИИ, просто следуя модному тренду. Слышал историю от коллег, как директор одного финтеха, работающего с платежными шлюзами, потребовал от инженеров писать 30–40% кода через ИИ. Из 12 инженеров восемь уволились. Не потому, что их хотели заменить, а потому, что им поставили задачу, не соответствующую их видению продукта и его безопасности. Глупое решение остается глупым — неважно, из-за ИИ или из-за человека.