Четыре вопроса, которые должен задать себе каждый операционный директор перед внедрением ИИ

Наступила эра искусственного интеллекта полный обещанийКаждая корпорация сообщает о том, насколько она повысила свою эффективность и насколько это способствует ИИ. Как человек, управлявший несколькими стартапами, работающими с ИИ, а теперь управляющий фондом венчурного капитала, основанным на ИИ, с более чем 120 портфельными компаниями, я вижу другую картину. Множество полезных инструментов ИИ и автоматизации закупаются, интегрируются и внедряются, но безрезультатно или с небольшим эффектом. Согласно недавний отчет McKinsey о потенциале ИИПочти 70% преобразований с использованием ИИ терпят неудачу. Проблема в том, что если внедрить даже самый лучший инструмент ИИ в запутанный процесс, управляемый человеком, всё, что вы получите, — это запутанный процесс, который теперь ещё и… галлюцинации и проигрыш контекст.

Один из наших инвесторов недавно рассказал, что его компания внедрила ИИ-агентов в один из своих процессов, а затем провела исследование, чтобы оценить рост эффективности. Результаты оказались шокирующими: сотрудники экономили много времени на том, что раньше делали вручную, но тратили ровно столько же времени. пытаясь исправить ошибки, которые допустил ИИ. Само собой разумеется, автоматизацию обеспечил ИТ-отдел, а операционная команда осталась в стороне. Давайте поговорим о том, как операционные директора могут использовать ИИ для реального улучшения операционной деятельности.

В DVC мы не только инвестируем в стартапы, связанные с ИИ, но и являемся первопроходцами практически всех новых технологий. Мы создаём собственных агентов и используем продукты наших портфельных компаний во всех аспектах работы с венчурным капиталом — от поиска и оценки сделок до помощи основателям портфелей и разработки инструментов, которые наши партнёры по инвестициям используют для поиска возможностей для ангельского инвестирования. Наш успех в этом достигается благодаря применению довольно скучной, но очень полезной модели.

Перед любым развертыванием ИИ мы задаем следующие четыре вопроса:

1. Существуют ли четкие правила?

Можно ли определить процесс конкретными инструкциями? Если да, то он отлично подходит для автоматизации. Юридические процессы, правила бухгалтерского учёта, структурированная адаптация новых сотрудников? Отлично. Это системы, где результаты следуют правилам. ИИ здесь процветает.

Но если ваш процесс изначально творческий — например, сторителлинг бренда или стратегическое проектирование — полная автономия невозможна, и процесс должен быть разработан с участием людей, использующих «второго пилота». В бренд-маркетинге нарушение правил часто добавляет ценность. Не передавайте это на аутсорсинг агенту.

2. Имеет ли этот процесс единый источник истины?

Если ваша CRM-система показывает одно, система отслеживания заказов — другое, а реальные данные хранятся в чьей-то личной таблице — остановитесь. Системы искусственного интеллекта хороши ровно настолько, насколько хороши данные, которые вы им предоставляете.

Создающий единственный источник истины а устранение разрозненности данных и знаний является золотым стандартом эффективного проектирования процессов, а для агентного ИИ это важнее, чем когда-либо.

Когда все точки контакта и истории взаимодействия с клиентами регистрируются в единой базе данных, ИИ может автоматизировать последующие действия, рекомендовать дальнейшие действия и генерировать точные отчёты. И даже предоставлять голосовую поддержку клиентам или планировать встречи с ними. Мы часто видим, как стартапы добиваются успеха, продавая решение со встроенным источником достоверной информации, особенно при работе с малым бизнесом, например, Авока ИИ, телефонный помощник для электриков, интегрированный со встроенной CRM-системой, обеспечивающий централизацию и актуальность всех данных и взаимодействий с клиентами.

3. Имеется ли богатая история данных?

Регистрируется ли каждое действие с примерами принятия решений? ИИ учится на закономерностях в ваших исторических данных. Нет журналов — нет обучения. Если ваша система не фиксирует произошедшее, и почему, он не может генерировать шаблоны. Он не может совершенствоваться. Вы потратите деньги впустую.

Но даже если вы записываете каждый звонок клиента, расшифровываете его с помощью ИИ и сохраняете в папке, этого, вероятно, будет недостаточно. Агенты, работающие с этим, должны быть настроены на преобразование этих неструктурированных данных в обобщенные и структурированные, возможно, даже в графики для лучшего понимания взаимосвязей, иначе они быстро потеряют концентрацию внимания. Представьте, что вы сотрудник, которому стирают память каждый раз, когда вы приходите на работу. Вы можете читать и писать со сверхчеловеческой скоростью, но вам приходится смотреть на мегабайты журналов разговоров и истории чатов, пытаясь понять, чем вообще занимается компания и как выполнить поручение менеджера. Именно так «чувствует себя» агент ИИ без хорошей базы данных.

Лучшие команды не просто собирают данные — они структурируют и версионируют их с учётом будущего. Именно тогда формируются циклы обучения. Именно тогда ИИ становится умнее, даже без необходимости обучения моделей.

В здравоохранении, Собирательно Масштабное применение этого принципа: используя многолетние аннотированные данные о выставлении счетов, оплате и взаимодействии с пациентами, они оптимизируют управление медицинскими счетами и циклом получения доходов. Их ИИ обучается на основе исторических данных, чтобы сократить количество ошибок и ускорить сбор платежей.

4. Готов ли ваш технологический стек к использованию искусственного интеллекта?

Может ли ИИ действительно подключаться к вашим системам и инструментам, или вы застряли с тем внутренним порталом 1988 года, который едва загружается? Мы видели случаи, когда инструменты внутренних операций были настолько устаревшими, что не могли генерировать структурированные выходные данные, не говоря уже о взаимодействии с API. В таких ситуациях часто было быстрее и эффективнее перестроить систему с нуля, чем внедрять ИИ в устаревшую инфраструктуру. Если агенты ИИ могут использовать MCP (структурированный и документированный API), это всегда лучше (и дешевле), чем делать скриншоты интерфейса и пропускать их через систему распознавания изображений, чтобы понять, какую кнопку нажать.

ИИ становится инфраструктурой. Но, как и электричество в начале XX века, его потенциал раскрывается только при перепроектировании завода, а не просто при установке лампочек. Не модернизируйте. Переосмысливайте. И, разумеется, многие внутренние инструменты, разработка которых раньше стоила миллион долларов, теперь могут быть написаны с нуля одним из ваших инженеров во время обеденного перерыва.

Время Первых Принципов.

А теперь самое интересное. Допустим, мы разработали идеальный процесс: он будет определён правилами, иметь единый источник данных и будет собирать данные структурированным образом для самосовершенствования. Мы даже уговорили нашего инженера потратить время обеденного перерыва на кодирование нового набора внутренних инструментов. Но давайте ещё раз взглянем на этот процесс. Весьма вероятно, что благодаря автоматизации он стал намного дешевле в эксплуатации. А теперь подумайте, что произойдёт с вашим бизнесом, если эти затраты так сильно сократятся. Попробуйте взглянуть на ситуацию шире: как этот процесс будет сосуществовать с другими процессами, если их улучшить таким же образом? Возможно, пришло время переосмыслить всё это с учётом ИИ.

Часто, анализируя деятельность вашего бизнеса с самых первых принципов, можно обнаружить неожиданные возможности. Например, в DVC мы автоматизировали анализ сделок, комплексную проверку и подготовку меморандумов о сделке, фактически сократив время работы ИИ с 6 человеко-часов до 3 минут. Традиционно венчурные капиталисты выполняли всю эту работу только после того, как пообщаются с основателями и убедятся, что сделка стоит этих 6 человеко-часов, и у компании будет ограниченное количество аналитиков. Теперь, когда это стало для нас настолько доступным, мы анализируем рынок, готовим меморандумы о сделке и даже проводим комплексную проверку ДО разговора с основателем. Это позволяет нам проводить встречи только с теми компаниями, в которые мы точно можем и хотим инвестировать, экономя время как нашим партнерам, так и основателям.

Но мы можем пойти ещё дальше. Поскольку у нас фактически неограниченный аналитик, мы можем передать эти инструменты нашим инвесторам и скаутам, которые будут рекомендовать нам новые сделки. Это позволит им сэкономить время, проанализировать каждую сделку глазами профессионального венчурного аналитика и сократить количество отказов от сделки после её рассмотрения. Мы по-прежнему собираем все данные, потому что можем использовать их для обучения и совершенствования наших инструментов.

Это позволило нам быть примерно в 8 раз продуктивнее, чем типичная венчурная компания нашего размера. Но мы добились этого не случайно. Мы составили карту наших внутренних операций, применили четыре вопроса и перестроили всё, начиная с основополагающих принципов.

Эта структура помогает руководителям стартапов и операционным директорам изменить свой подход: от вопроса «Можем ли мы использовать ИИ здесь?» — вопроса технической возможности — к вопросу «Стоит ли нам это делать?», что заставляет глубже взглянуть на стратегическую ценность, готовность данных и долгосрочную поддержку. В этом разница между внедрением инструментов, потому что они доступны, и перестройкой процессов, потому что это правильно.