ИИ не везде нужен: бизнесу советуют выбирать задачи, а не гнаться за модой

Иногда самое разумное решение в сфере искусственного интеллекта — признать, что он не нужен. Компании всё чаще пытаются понять, где ИИ действительно улучшит работу, а где лишь добавит расходов, задержек и технической сложности.
Грегг Алдана, старший вице-президент и руководитель глобального консалтинга по решениям в Appian, считает неправильным начинать с вопроса: «Где мы можем применить ИИ?» Такой подход ставит технологию впереди бизнес-проблемы. Сначала нужно определить, что именно компания пытается исправить: какие процессы затягиваются, где слишком много ручной работы, возникают ошибки и образуются узкие места.
В анализе должны участвовать специалисты ИТ, сотрудники бизнес-подразделений и руководители. Им необходимо выяснить, какие решения требуется улучшить, на каких данных они основаны, какие действуют регуляторные ограничения и где обязательно участие человека.
Главный критерий прост: ИИ должен не просто уметь что-то делать, а измеримо улучшать процесс. Если задача подчиняется понятным правилам и имеет заранее определённый результат, обычная автоматизация или бизнес-правила часто справятся быстрее, дешевле и предсказуемее.
Например, страховая компания может направлять онлайн-заявки по выбранному клиентом типу страхования: автомобильные — в один отдел, заявки по жилью — в другой. Для этого не нужен ИИ-агент. Но если в систему поступают письма со свободным текстом, агент способен распознать слова вроде «автомагистраль», «столкновение» и «пассажир», предположить, что речь идёт об аварии, и направить обращение нужным специалистам.
ИИ особенно полезен там, где нужны адаптивное рассуждение, анализ неструктурированных данных, исследование и реакция на меняющуюся информацию. Однако заменять им каждое правило только потому, что ИИ звучит современнее, — дорогой способ создать проблему из работающего решения.
Стоимость внедрения складывается не только из цены модели. Агенту нужны доступ к данным и системам, мониторинг, безопасность, контроль разрешений, журналирование действий и механизм обработки исключений. Компания должна понимать, почему агент принял решение, что именно сделал и кто отвечает за результат.
Без единой управляемой среды расходы на аудит, безопасность и ручную обработку нестандартных случаев могут превысить выигрыш от автоматизации. Поэтому нужна смешанная модель: правила — для массовых повторяемых операций, ИИ-агенты — для динамического анализа и сортировки, люди — для сложных и рискованных решений.
Особенно важен человеческий контроль в финансовом секторе, страховании, фармацевтике, клинических испытаниях и государственном управлении. Не каждое действие агента должен подтверждать сотрудник, но границы автономии необходимо установить заранее: что агент может делать сам, к каким данным имеет доступ и когда обязан передать задачу человеку.
Будущее — не в одном универсальном агенте, которому поручили весь процесс. Реалистичная схема — это оркестрация, то есть совместная работа людей, обычной автоматизации и ИИ. Каждый компонент выполняет ту часть работы, для которой подходит лучше всего.
Эффективность следует оценивать не числом процессов с пометкой «на базе ИИ», а результатом: сократилось ли время выполнения, уменьшилась ли стоимость, повысилось ли качество решений. В одном из приведённых примеров банковский онбординг — подключение нового клиента — сократился с двух недель до нескольких минут. При этом банк автоматизировал 96% процедур оформления и увеличил число новых клиентов на 900%.
Руководителям советуют начать с трёх самых дорогих и медленных узких мест, а затем подобрать для них правильное сочетание правил, ИИ-агентов и человеческого опыта. Успешная стратегия — это не ИИ в каждом процессе, а процессы, которые после внедрения действительно стали работать лучше.