Адаптация бизнес-процессов к ИИ

Но клиент продолжит ждать решения, подразделения — пересылать противоречивые данные, а руководитель — согласовывать каждое исключение. Технология ускоряет операции, тогда как результат зависит от устройства всей работы.

Адаптация бизнеса к искусственному интеллекту означает пересмотр маршрутов задач, полномочий, источников знаний и критериев качества. Ключевая компетенция здесь — проектирование совместной работы людей и машин. Внедрение нейросетей в неподготовленные процессы создаёт риск цифрового хаоса: ошибки распространяются быстрее, ответственность размывается, проверка поглощает сэкономленное время.

Начинать с результата для бизнеса

Тезис 1. Внедрение искусственного интеллекта следует оценивать по результату бизнес-процесса: скорости, качеству, стоимости и ценности для клиента.

Бизнес-процесс превращает запрос или ресурс в полезный результат: оплаченный заказ, доставленный товар, устранённую неисправность. Число лицензий и запросов к нейросети показывает активность использования, но ещё не объясняет экономический эффект.

В опросе McKinsey, опубликованном 25 августа 2026 года, 80% респондентов сообщили об улучшении личной продуктивности благодаря ИИ, а 37% — о положительном влиянии на прибыль организаций до процентов и налогов. Это самооценки, а не экспериментальное доказательство причинности. Однако разрыв обозначает управленческую проблему: индивидуальные улучшения ещё предстоит превратить в результат компании. Исследование McKinsey.

Увидеть реальный процесс

Тезис 2. Подготовка к ИИ начинается с карты реального процесса, включая ожидание, возвраты, неформальные договорённости и исключения.

Инструкция часто описывает только благополучный сценарий. На практике сотрудник ищет актуальный шаблон, уточняет сведения в переписке и ждёт согласования. Эти скрытые переходы могут определять продолжительность работы. Нужно установить, что запускает процесс, какие данные поступают, кто принимает решения, где возникает очередь и когда задача считается завершённой.

Условный пример: подготовка предложения занимает 30 минут, после чего документ 48 часов ждёт согласования. Сокращение подготовки до пяти минут сэкономит 25 минут труда, но почти не изменит срок ответа клиенту. Проект должен затронуть полномочия и загрузку согласующих — иначе локальное ускорение сохранит прежнее узкое место.

Упростить работу перед автоматизацией

Тезис 3. Перестройка процесса должна устранять ненужные действия и передачи информации, чтобы ИИ не масштабировал организационные потери.

Перед автоматизацией операции стоит спросить: какое решение она поддерживает и можно ли обойтись без неё? Если три подразделения переписывают одни сведения в разные формы, разумно начать с единой записи данных. Если согласование стало формальностью, следует пересмотреть основания для него.

Нейросеть, пишущая длинную справку для другой нейросети, сокращающей её до трёх строк, может обслуживать лишний обмен. Полезнее определить, какие факты нужны получателю, и передавать их вместе с источниками. Автоматические протоколы совещаний также мало помогают, если решения не превращаются в задачи с исполнителем и сроком.

Цифровой хаос имеет наблюдаемые признаки: несколько версий решения, повторный ввод данных, задачи без владельца, рост переделок. Начать можно с участка, где понятны входы, результат и ответственность.

Выбрать подходящую технологию

Тезис 4. Эффективный процесс сочетает программные правила, аналитические модели, генеративный ИИ и человеческое суждение.

Генеративная модель полезна для интерпретации текста, извлечения сведений, подготовки вариантов и объяснений. Арифметику и проверку формальных ограничений разумно поручать обычному коду.

Отдельный выбор — степень самостоятельности. Помощник предлагает ответ; управляемый сценарий проводит задачу по заданным этапам; ИИ-агент может выбирать следующие действия и обращаться к инструментам. Увеличение свободы требует более строгой проверки и ограничения полномочий.

В инженерных рекомендациях Anthropic предлагается начинать с простейшего достаточного решения. Агентные подходы могут улучшать выполнение сложных задач ценой дополнительных расходов и задержек. Архитектуру следует выбирать после испытаний на реальных примерах, включая неудачные. Рекомендации Anthropic.

Подготовить корпоративные знания

Тезис 5. Качество работы ИИ зависит от способности организации поддерживать достоверность, актуальность и доступность собственных данных.

Если в общей папке лежат три противоречащих друг другу регламента, модель может построить убедительный ответ на устаревшей версии. Управление знаниями включает владельцев документов, даты действия, обновление, разграничение доступа и приоритет источников.

Один из способов работы — поиск подходящих фрагментов в корпоративных материалах с передачей их модели для подготовки ответа. Такой подход называют RAG. Он позволяет использовать внешние знания, но результат зависит от поиска и документов: ошибочный источник способен породить ошибочную рекомендацию.

Сотруднику полезно показывать основания ответа: документ, пункт, дату и ограничения. Если сведений недостаточно, процесс должен предусматривать уточнение или передачу вопроса специалисту. Отказ от неподтверждённого вывода становится нормальным рабочим результатом.

Разделить обязанности человека и ИИ

Тезис 6. Полномочия человека и ИИ нужно определять для каждого типа действий с учётом проверяемости результата и цены ошибки.

В эксперименте с 758 консультантами BCG использование ИИ на задачах в пределах возможностей модели сокращало время выполнения в среднем на 25,1%. На одной сложной задаче за этой границей доля правильных решений у использовавших ИИ оказалась примерно на 19 процентных пунктов ниже. Это результат конкретного эксперимента, а не постоянная характеристика всех моделей. Исследование в Organization Science.

Подготовку черновика можно широко делегировать системе. Изменение клиентских условий или выдачу значимой компенсации следует допускать в пределах заранее определённых полномочий и проверок.

Контроль человека работает, когда проверяющий видит исходные данные, понимает критерии и располагает временем. Кнопка подтверждения под сотнями непроверяемых рекомендаций создаёт формальное согласование. Спорные ситуации нужно передавать компетентному сотруднику, который вправе отклонить предложение и остановить действие.

Встроить ИИ в полный цикл обслуживания

Тезис 7. Устойчивый эффект возникает, когда помощь ИИ связана с реальными данными, рабочими действиями и проверкой завершённого результата.

В исследовании Generative AI at Work, опубликованном в 2025 году, анализировалась работа 5 172 сотрудников поддержки. Доступ к ИИ-помощнику увеличил число решённых вопросов за час в среднем на 15%. Сотрудники сохраняли ответственность за разговор и могли редактировать или игнорировать подсказки. Научная публикация.

Для собственной поддержки можно спроектировать такой цикл:

• Приём: определить тему обращения и недостающие сведения.
• Подготовка: найти разрешённую историю клиента и актуальные инструкции, предложить решение.
• Действие: передать спорные случаи сотруднику; стандартные операции выполнять в разрешённых пределах.
• Проверка: зафиксировать результат, повторное обращение и необходимость исправления базы знаний.

Это проектный пример. Повторные обращения с одной проблемой необходимо учитывать при оценке качества.

Выделить роль архитектора процесса

Тезис 8. Для внедрения ИИ нужна компетенция, соединяющая знание отрасли, проектирование процессов, понимание технологий и управление изменениями.

Архитектор процессов с ИИ — рабочее обозначение компетенций, а не обязательная новая должность. Его задача — связать технологические возможности с устройством работы.

Его основные задачи:

• описать текущую работу и спроектировать целевой процесс;
• согласовать обязанности людей и ограничения системы;
• определить данные, критерии качества и обработку исключений;
• связать разработку с обучением, экономикой и обратной связью.

Функции могут распределяться между руководителем, аналитиком, разработчиками и отраслевыми экспертами. При любом масштабе нужен владелец бизнес-результата, уполномоченный менять регламент и распределение ресурсов.

Изменить сотрудничество и мотивацию

Тезис 9. Организационная адаптация требует пересмотреть сотрудничество, обучение и оценку труда, чтобы сотрудники улучшали общий процесс.

В исследовании The Cybernetic Teammate специалисты Procter & Gamble с ИИ предлагали более сбалансированные решения, сочетавшие техническую и коммерческую стороны. Индивидуальная работа с ИИ по качеству была сопоставима с работой пары без ИИ. Эксперимент касался конкретных задач разработки продуктов; он не доказывает возможность повсеместной замены команд. Исследование в Organization Science.

Мотивация сотрудников должна поддерживать выявление ошибок и обмен удачными приёмами. Наказание за сообщения о сбоях уничтожает обратную связь. Премирование только за число закрытых заявок поощряет формальное исполнение. Обучение стоит строить на рабочих ситуациях: проверке источников, распознавании неверных советов и восстановлении процесса после отказа.

Управлять автономностью системы

Тезис 10. Система с ИИ должна иметь ограниченные права, журнал действий, условия остановки и способ продолжить работу при сбое.

Когда модель отправляет сообщения или меняет записи, ошибка выходит за пределы текста. Поэтому права доступа должны соответствовать задаче: чтение, подготовка изменения и исполнение — разные полномочия. Ограничения необходимо обеспечивать средствами системы: инструкции в запросе недостаточно.

Нужно фиксировать использованные данные, предложенное действие, подтверждение и фактический результат. Требуются защита от повторного выполнения операции, ограничения затрат и передача управления человеку. Для критичных участков заранее определяют резервный порядок работы.

Внешние письма могут содержать команды, ошибочно воспринимаемые моделью как инструкции. Их следует обрабатывать как данные, а разрешение на действие проверять отдельно. Управление рисками на протяжении жизненного цикла предусмотрено добровольным профилем NIST для генеративного ИИ. Документ NIST.

Считать стоимость принятого результата

Тезис 11. Экономический эффект нужно измерять с учётом проверки, переделок, интеграции, эксплуатации и использования высвобождённого времени.

Полезные показатели — полный срок выполнения, доля результатов без переделок, повторные обращения, трудозатраты и стоимость завершённого случая. Среднее время стоит дополнять показателями самых медленных случаев: улучшение типовых задач может скрывать проблемы с исключениями.

Условный расчёт: тысяча обращений с экономией шести минут на каждом даёт 100 часов. Если проверка и исправления требуют 20 часов, чистое высвобождение — 80 часов. Далее учитываются расходы на модель, интеграцию и сопровождение. Часы становятся денежной выгодой, когда уменьшают сверхурочные, позволяют обработать дополнительный спрос или дают другой измеримый результат.

Нужно сравнивать сопоставимые потоки с ИИ и без него, учитывая сложность задач и опыт сотрудников; по возможности распределять задачи случайно. Если одновременно убрали два согласования, всё ускорение нельзя автоматически приписывать нейросети.

Перейти от пилота к постоянному улучшению

Тезис 12. Масштабировать следует проверенный способ организации работы с ИИ, сохраняя обучение, контроль качества и возможность пересмотра решения.

Для первого проекта подходит участок с понятной проблемой, доступными данными и проверяемым результатом. Последовательность внедрения:

• Диагностика: определить владельца, исходные показатели и причины потерь.
• Перепроектирование: убрать лишнее, распределить полномочия, подготовить знания.
• Испытание: проверить обычные случаи, исключения и неверные входные данные.
• Ограниченный запуск: измерить результат, затраты и нагрузку на проверяющих.
• Расширение: переносить решение после достижения согласованных критериев.

Обновление модели, регламента или источников требует повторной проверки. После пилота нужны ответственный за сопровождение и постоянный набор контрольных примеров.

Главный управленческий актив — способность перестраивать работу на основе отраслевого опыта, качественных данных и ясной ответственности. Такие организационные улучшения сохраняются при смене технологических платформ.

Интересные факты, характеристики и даты

• 4 февраля 2025 года — дата предварительной онлайн-публикации Generative AI at Work. В окончательной статье — 5 172 сотрудника и средний прирост производительности 15%. Текст статьи.
• Опыт меняет эффект ИИ. В той же работе менее опытные и менее квалифицированные сотрудники улучшали скорость и качество; наиболее опытные и квалифицированные — немного выигрывали в скорости, но немного теряли в качестве. Публикация.
• 10 июля 2025 года METR опубликовала эксперимент с 16 опытными разработчиками и 246 задачами: инструменты ИИ начала 2025 года увеличивали время выполнения в среднем на 19%. Это результат для конкретных участников, задач и инструментов. Исследование METR.
• 24 февраля 2026 года METR сообщила, что последующий эксперимент дал ненадёжную оценку текущего эффекта из-за отбора участников и задач и трудностей измерения времени. Авторы допускают возросшую пользу новых инструментов. Обновление METR.
• 26 июля 2024 года NIST выпустил профиль управления рисками генеративного ИИ, дополняющий общую рамку AI RMF. Он предназначен для добровольного применения организациями. Официальная страница.
• Надёжность цепочки: если десять независимых обязательных этапов каждый успешен с вероятностью 95%, вероятность успеха всей цепочки без исправлений — около 60%: 0,95¹⁰ ≈ 0,599. Это условный расчёт, а не измеренная характеристика ИИ-агентов.