Успешное внедрение ИИ требует второго этапа, о котором компании редко задумываются

Около трёх лет назад я впервые оформил платную подписку на ИИ и начал проверять, на что он действительно способен. Постепенно личные эксперименты переросли в небольшой внутренний проект, затем — в корпоративные подписки для всей компании и, наконец, во внедрение ИИ почти во всех подразделениях: разработке, финансах, юридическом отделе, маркетинге и службе поддержки.

Первый этап, по сути, прошёл успешно. Примерно за шесть месяцев скорость внутренней разработки выросла примерно в пять раз. Одновременно увеличился и другой показатель: расходы на ИИ выросли примерно в 15 раз.

Именно тогда я понял, что успешное внедрение ИИ может создавать и собственные проблемы. Когда технология получила широкое распространение, прежние правила перестали работать. Расходы могли выйти из-под контроля: ИИ получал доступ к большему объёму данных компании и брал на себя всё больше задач, а многие сами инструменты по-прежнему контролировались сторонними поставщиками.

Что делать генеральному директору, если внедрение ИИ проходит успешно, но компания уже не может полностью контролировать, как именно его используют? Попробуем ответить на этот вопрос.

Не приравнивайте активное использование ИИ к бизнес-результатам

Я сразу заметил, что на первом этапе внедрения имело смысл отслеживать такие показатели использования, как число активных пользователей или частота обращений к инструментам. Руководителю важно понимать, пользуются ли сотрудники этими инструментами, какими именно и действительно ли ИИ экономит им время. Однако, когда его использование распространяется на всю компанию, эти показатели становятся гораздо менее полезными.

Мы сами с этим столкнулись. Получив доступ к мощным моделям, люди начали использовать их почти для всего. В какой-то момент сотрудники стали спрашивать у ИИ, который час в Нью-Йорке. Конечно, пример нелепый, но он показывает, как быстро может расти использование технологии, не принося компании существенной пользы.

Shopify столкнулась с похожей проблемой, настолько глубоко интегрировав ИИ, что её внутренний агент River теперь составляет до половины запросов на слияние кода для промышленной эксплуатации. Однако недавно генеральный директор Тоби Лютке предупредил о том, что он называет «гранатами из ИИ-мусора»: сотрудники передают дальше созданные ИИ материалы, не проверив их как следует, и кому-то другому приходится проверять, исправлять или даже кратко пересказывать результат.

Иными словами, из-за более активного использования ИИ легко может прибавиться работы, а не пользы. У компании могут быть впечатляющие показатели использования и огромный объём результатов, но часть из них лишь создаёт дополнительную задачу для кого-то другого.

Именно это генеральным директорам и нужно изменить. Запросы, входы в систему и расход токенов свидетельствуют о высокой активности в рабочих процессах. Но они не показывают, окупается ли ИИ на самом деле.

Рост скорости создаёт новое узкое место

Есть такая поговорка: поспешишь — людей насмешишь. Думаю, к ИИ она тоже применима: мы убедились, что если с помощью ИИ люди работают «быстрее», это вовсе не означает, что работы вдруг становится меньше.

В разработке ИИ теперь позволяет нашей команде писать значительно больше кода за то же время, но главное — весь этот код всё равно нужно проверить до запуска. Безусловно, автоматизированная проверка помогает.

Но до того, чтобы безоговорочно ей доверять, ещё далеко. Поэтому разработчики тратят меньше времени на самостоятельное написание кода, но теперь им приходится проверять, тестировать и оценивать гораздо больший объём результатов.

Иными словами, работы не становится меньше. Она просто принимает другую форму.

Поэтому пятикратный рост скорости разработки уже не кажется таким впечатляющим: вместе с ним увеличивается и объём кода, требующего внимания человека. В реальные затраты на рабочий процесс с ИИ входит и время, потраченное на проверку результатов его работы, и, главное, на то, чтобы решить, можно ли им вообще доверять.

Второй этап внедрения необходим

На мой взгляд, компаниям нужен то, что я бы назвал «вторым» этапом внедрения ИИ.

Первый этап в основном посвящён внедрению: предоставить людям доступ, найти варианты использования, понять, в каких случаях технология действительно помогает, а в каких — нет. Но уже через несколько месяцев реального использования у вас будет нечто гораздо ценнее предположений — собственные данные о том, где растут расходы, какие команды добиваются лучших результатов и где сотрудники тратят слишком много времени на проверку ответов ИИ.

Поэтому, на мой взгляд, именно сейчас имеет смысл пересмотреть правила использования ИИ, а не просто добиваться его более широкого внедрения. На практике я бы сосредоточился на трёх вещах:

• Подбирайте модель под задачу. Рутинные запросы можно направлять небольшим и более дешёвым моделям, а сложные задачи — моделям, возможности которых оправдывают дополнительные расходы. В конечном счёте цель — не платить за модели передового уровня для решения задач с низкой ценностью.
• Определите, где обязательный контроль со стороны человека необходим. Для производственного кода, юридических документов и других результатов с серьёзными последствиями укажите, на каком этапе человек должен утвердить результат, прежде чем тот будет передан дальше по рабочему процессу. Отдельно установите правила доступа к конфиденциальным данным, чтобы сотрудники знали, каким моделям можно передавать такие данные, а каким — нельзя.
• Продумайте запасной план, даже если считаете, что он вам не понадобится. Если критически важный рабочий процесс зависит от внешнего поставщика, задокументируйте запросы, интеграции, потоки данных и специфические для модели зависимости настолько подробно, чтобы в чрезвычайной ситуации этот процесс можно было перенести к другому поставщику.

В этом и заключается разница между первым и вторым этапами внедрения ИИ. Первый отвечает на вопрос: где можно использовать ИИ? Второй — на вопросы: где его следует использовать, по каким правилам и за какую цену?

Проведите аудит внедрения, прежде чем снова его масштабировать

Когда внедрение ИИ приносит результаты и первый этап кажется успешным, я бы не стал еще год масштабировать его тем же способом. Примерно через 90–180 дней реального использования я бы остановился и провел аудит того, что компания фактически создала.

Это означает, что нужно оценить достигнутые бизнес-результаты, соотнести модель и ее стоимость с реальной ценностью задачи, определить, где проверка человеком по-прежнему обязательна, а где рабочий процесс можно в какой-то мере приблизить к полной автоматизации.

Первый этап внедрения доказывает, что ИИ может ускорить работу компании. Второй не дает этой скорости обернуться ненужными расходами, неконтролируемым доступом или зависимостью от поставщиков, на которую бизнес никогда сознательно не соглашался.