Сначала порядок, потом интеллект: как систематизация процессов делает ИИ прибыльным

Фото: пресс-служба

Автор: Шананина Евгения — эксперт по стратегическому управлению и операционной эффективности, специализируется на трансформации производственных и технологических компаний.

Я вижу один и тот же сценарий уже несколько лет. Компания покупает ИИ-решение, запускает пилот, а через два месяца слышу: «Он выдаёт мусор». И это не баг модели. Это следствие того, что в «сырой» процесс загрузили интеллект, который умеет только усиливать то, что уже есть. Если есть порядок — он масштабирует эффективность. Если есть хаос — он масштабирует хаос, только быстрее и дороже.

За 15 лет работы с операционной трансформацией — от ПАО «Полюс» и ПАО ГМК «Норильский никель» до ИТ-холдинга Т1 — я пришла к простому выводу: ИИ не спасает хаос. Он масштабирует понятные, измеримые процессы. Компании, которые сначала наладили рутину и метрики, получают от ИИ в 3–5 раз больший эффект, чем те, кто идёт с «ну, давайте просто попробуем».

Почему так — и что делать, чтобы не потратить бюджет впустую, — предлагаю разобрать в настоящей статье.

Ошибка № 1: купить ИИ в хаотичный процесс

Типичный сценарий выглядит так.

Бизнес-подразделение пишет заявку: «Хочу нейросеть, которая будет генерировать ответы клиентам / проверять документы / составлять отчёты». IT-отдел подыскивает провайдера, подключает API, даёт доступ. Через месяц — паника: модель галлюцинирует, выдаёт не те формулировки, путает справочники, принимает решения, которые не согласуются ни с одним внутренним стандартом.

Вывод, который делают в этот момент: «ИИ — это не работает».

Но проблема не в модели. Проблема в том, что в качестве входных данных ей подали: три разных шаблона одного и того же документа; справочники, которые не синхронизированы между отделами; правила принятия решений, записанные «где-то в голове» у двух человек, которые в отпуске; метрику качества, которую никто не измерял.

ИИ не понимает контекст. Он видит паттерны. Если паттерн размытый — вывод будет размытым. Это не магия, это статистика. И чем «грязнее» вход, тем «грязнее» выход.

В «Полюсе», когда мы начинали систематизировать производственные и административные процессы, первые месяцы мы вообще не трогали технологии. Мы просто описали: кто, что, в каком порядке, по какому стандарту и с какой метрикой делает. И только потом — автоматизировали. Разница в результате была не в процентных пунктах, а в ордерах.

Пример: согласование договоров

Возьмём конкретный, очень распространённый процесс — согласование договоров.

До стандартизации:

В одном отделе договор согласуют 5 человек, в другом — 3, в третьем — «как получится».

Формулировки в шаблонах различаются: в одном месте «сторона обязуется», в другом — «заказчик выполняет», в третьем — «исполнитель проводит работы».

Справочник контрагентов в SAP отличается от справочника в 1С.

Правила валидации («какой пункт требует подписи юриста», «какая сумма требует визы директора») записаны в PDF, который обновляли в 2019 году.

Теперь в такой процесс включают ИИ-ассистента для проверки документов. Результат предсказуемый: модель не знает, какой шаблон «правильный», не понимает, какая формулировка допустима в текущей версии, путает полномочия подписантов. Ошибки — 15–25%. Доверие к инструменту падает, люди возвращаются к ручной проверке. ROI отрицательный.

После стандартизации:

Единый шаблон договора (или ограниченное число шаблонов под разные сценарии).

Актуальный справочник контрагентов с одним источником правды.

Явные правила валидации: какие пункты требуют какого уровня согласования, при каких условиях.

Метрика: среднее время согласования, процент документов с замечаниями, процент повторных отправок.

И только после этого — ИИ. Что происходит:

Модель проверяет документ по чётким правилам, а не «по интуиции».

Она мгновенно ловит отклонения от шаблона и несостыковки в справочниках.

Время согласования сокращается на 30–40% (на практике, в компаниях, где я сопровождала внедрение, цифры варьируются от 25% до 50% в зависимости от сложности).

Люди перестают быть «человеческим API» и начинают работать с исключениями, а не с рутинной проверкой.

Разница между «3Х–5Х» и «ну, не сработало» — в этих 30–40%, которые приходят не от модели, а от порядка.

Чек-лист: готова ли ваша организация к ИИ

Прежде чем подключать нейросеть или LLM к рабочему процессу, ответьте на пять вопросов. Если хотя бы на один из них ответ «неизвестно» или «нет» — сначала решите этот вопрос, потом включайте интеллект.

1. Единые регламенты

Есть ли письменный, актуальный регламент процесса? Кто его владелец? Когда его в последний раз пересматривали? Если регламент живёт в чьей-то голове или в PDF 2018 года — ИИ будет воспроизводить устаревший процесс.

2. Владельцы данных

Кто отвечает за качество данных на входе? Кто актуализирует справочники? Кто принимает решение, если данные противоречивые? Без владельца данных нет качества данных. Без качества данных нет надёжного выхода модели.

3. Метрики качества

Что вы измеряете до внедрения? Время обработки, процент ошибок, процент повторных итераций, стоимость одного цикла? Без базовой линии вы не сможете ни подтвердить эффект, ни доказать, что модель ошибается чаще, чем человек.

4. Правила контроля результатов

Как вы проверяете вывод ИИ? Кто принимает окончательное решение? Есть ли SLA на реакцию при ошибке? Модель, которая «работает сама без контроля», в операционном бизнесе — не оптимизация, а рисковая зона.

5. Один источник правды

Есть ли единственная система, где хранятся актуальные шаблоны, справочники, правила? Если шаблон договора одновременно живёт в Word, в CRM и в почте — ИИ будет «думать» по устаревшей версии.

Если на все пять вопросов ответ «да» — у вас есть фундамент. Теперь ИИ будет давать отдачу. Если нет — вы не экономите время, вы автоматизируете проблему.

Вывод: систематизация — не «прелюдия», а часть ROI

В корпоративном языке «систематизация процессов» часто звучит как скучная подготовительная работа. «Давайте сначала всё описали, а потом уже про ИИ поговорим». И поэтому её часто режут из бюджета: «Почему мы платим за описание того, что и так все делают?»

Но вот в чём фокус: инвестиции в порядок — это не расход перед доходом. Это часть дохода.

Когда вы стандартизируете процесс, вы:

1. снижаете операционные затраты на 10–20% ещё до подключения ИИ;

2. создаёте данные, которые можно анализировать и обучать на них модели;

3. делаете процесс предсказуемым, что снижает юридические и регуляторные риски (а я 15 лет работаю на стыке права и бизнеса — могу подтвердить: хаотичный процесс = хаотичная ответственность);

4. обеспечиваете масштабируемость: один отлаженный процесс легко тиражируется на другие подразделения, регионы, дочерние компании.

А ИИ, подключённый к такому процессу, даёт не «ну, чуть быстрее стало», а 3Х–5Х эффект: потому что он масштабирует то, что уже работает, а не пытается угадать то, что не работает.

Моя миссия — трансформировать сложное в простое. И в вопросах ИИ правило то же самое: сначала простое (стандарт, метрика, владелец), потом сложное (модель, интеграция, масштаб). В этом и есть порядок. А порядок — это то, что делает интеллект прибыльным.

Евгения Шананина — эксперт по операционной трансформации бизнеса, трекер Skolkovo, эксперт ФРИИ, НТИ и МСП.РФ, преподаватель ИТМО и ВШМ СПбГУ. Победитель международного конкурса проектов трансформации. 15 лет юридической практики. 10+ лет опыта управления проектами трансформации в корпорациях (Полюс, Норникель, ИТ-Холдинг Т1).