Нейросеть не заменяет бизнес-модель и не придумывает стратегию вместо собственника. Она работает как очень быстрый и неутомимый сотрудник: читает тысячи документов, замечает закономерности в таблицах и отвечает клиентам в три часа ночи. При этом она может уверенно ошибаться, поэтому без человеческого контроля обойтись нельзя.
Когда речь заходит про ИИ для бизнеса, чаще всего имеют в виду три группы инструментов. Первая — языковые модели, которые пишут и сжимают тексты, отвечают на вопросы и помогают с кодом. Вторая — системы прогнозирования, которые оценивают спрос, риски и вероятность оттока клиентов. Третья — компьютерное зрение, которое проверяет качество на конвейере, считает товары на полках и читает сканы документов. Эти инструменты решают разные задачи, но действуют по одному принципу: находят закономерности в данных и применяют их к новым случаям.
Что говорят цифры
Компании внедряют эти технологии активно. По опросу консалтинговой компании McKinsey, в начале 2024 года 72% организаций использовали ИИ хотя бы в одной бизнес-функции. Годом ранее таких было заметно меньше, около 55%. Там же отмечается, что значительная часть респондентов регулярно применяет генеративные модели.
В 2023 году McKinsey оценила потенциал генеративного ИИ в 2,6–4,4 трлн долларов добавленной стоимости в год. Расчёт построен на 63 сценариях применения, в основном в клиентской поддержке, маркетинге и продажах, разработке программного обеспечения и исследованиях. Это оценка потенциала, а не гарантия. Но она показывает, где искать отдачу.
Где нейросети уже помогают зарабатывать
Хороший пример — служба поддержки. Исследователи Эрик Бриньолфссон, Дэнни Ли и Люк Реймонд изучили работу более пяти тысяч операторов, которым дали ИИ-помощника с подсказками. В среднем число решённых обращений в час выросло на 14%. У новичков и сотрудников с невысокой квалификацией прирост достиг 34%. Выходит, что ИИ не только ускоряет работу, но и подтягивает слабых специалистов к уровню опытных коллег.
Разработка программного обеспечения даёт ещё один показательный пример. В эксперименте GitHub программисты с помощником Copilot справились с учебной задачей, написанием простого веб-сервера, примерно на 55% быстрее участников без него. Результат получен на небольшой выборке и на конкретном задании, поэтому в реальных проектах цифры будут другими. Но направление очевидно: рутинный код теперь можно во многом делегировать.
Маркетинг, финансы и логистика тоже получают пользу. Модели готовят черновики рассылок и описаний товаров. Они сверяют счета с договорами и подсвечивают подозрительные операции. Они строят прогноз закупок, чтобы склад не ломился от залежалого товара и не пустовал в сезон. В России с бизнесом работают, в частности, GigaChat от Сбера и YandexGPT от Яндекса, и обе платформы можно подключать к собственным системам компании.
Цена ошибки
Эффект от нейросетей легко переоценить. В 2024 году канадский суд рассмотрел дело пассажира авиакомпании Air Canada. Чат-бот на сайте неверно рассказал ему о правилах скидки при поездке на похороны. Суд решил, что компания отвечает за слова своего бота, и обязал выплатить компенсацию. Сумма была небольшой, но принцип важнее денег: за ответ алгоритма перед клиентом отвечает бизнес.
Другая проблема — утечки. Если сотрудник загрузит в публичный сервис клиентскую базу или внутренний отчёт, вернуть эти данные уже не получится. Поэтому у компаний, которые относятся к вопросу всерьёз, есть чёткие правила: что можно отправлять в нейросеть, а что нельзя, и какие решения принимает только человек.
Как начать без лишних потерь
Опыт компаний, которые прошли этот путь, показывает: большой запуск с громкой презентацией работает хуже, чем маленький пилот с понятной метрикой. Разумная последовательность выглядит так:
- выбрать одну задачу, которая отнимает много времени и повторяется ежедневно; - измерить, сколько она стоит сейчас, в часах и деньгах; - проверить решение на небольшой группе сотрудников; - назначить человека, который проверяет результаты и отвечает за них; - сравнить показатели до и после, а потом решить, стоит ли расширять проект.
Людям тоже придётся меняться
Главное препятствие часто не техническое, а человеческое. Сотрудники опасаются, что их заменят, и начинают саботировать нововведение. Или, наоборот, слепо доверяют каждому ответу машины. Оба перекоса вредны. Эксперимент с операторами поддержки показал другой путь: алгоритм берёт на себя типовые подсказки, а человек сосредоточен на нестандартных ситуациях и общении.
Поэтому выигрывают не те компании, которые купили самую дорогую модель, а те, которые научили людей с ней работать. Они задают точные вопросы, проверяют факты и понимают, где машина сильна, а где беспомощна.
Войти
