Мы внедрили ИИ. Осталось понять, зачем

Генеративный ИИ внедряется быстро: купили доступ, провели вебинар, нарисовали зелёную стрелку вверх. Сложности начинаются позже. Выясняется, что нейросети нужна документация, сотрудникам — время на эксперименты, руководству — терпение, а красивую метрику «все получили доступ» придётся заменить неудобным вопросом: стало ли что-нибудь работать лучше?
Об этом сообщает Ру СМИ https://ru-smi.com

Внедрение генеративного ИИ в компании обычно начинается торжественно.

Руководитель открывает совещание словами: «Коллеги, мы вступаем в новую технологическую эпоху». Отдел закупок приобретает лицензии. Служба информационной безопасности готовит документ на сорок страниц. Сотрудникам назначают обязательный вебинар в пятницу вечером.

Через месяц эпоха заканчивается.

Разработчик просит нейросеть объяснить старый модуль, получает убедительный ответ, проверяет код и обнаруживает, что половину функций она придумала. Аналитик пытается найти требования к проекту, но требования лежат в письме человека, который уволился прошлой зимой. Руководитель просит показать экономический эффект. В презентации появляется зелёная стрелка вверх.

Формально ИИ внедрён. Практически ему выделили стул у стены и попросили не мешать рабочему процессу.

Главная корпоративная надежда на генеративный ИИ довольно понятна: сейчас мы подключим умный инструмент, и он быстро исправит всё, что организация годами предпочитала не замечать.

Нет документации — нейросеть её напишет. Код трудно поддерживать — нейросеть разберётся. Сотрудники плохо обмениваются знаниями — будет корпоративный помощник. Согласования занимают неделю — зато письмо о согласовании можно составить за восемь секунд.

Проблема только в том, что ИИ не устраняет устройство компании. Он становится его новым пользователем.

Если знания разбросаны между репозиториями, презентациями, личными папками и сообщениями «посмотри выше», модель получает не базу знаний, а археологическую экспедицию. Она честно собирает осколки, заполняет пробелы и выдаёт цельный ответ. Особенно цельно в нём выглядят места, которых никогда не существовало.

Опытные специалисты связывает успешное применение новых технологий не с масштабным запуском, а с небольшими изменениями, экспериментами и постоянной оценкой результата. Важны пользовательский фокус, качественная документация, быстрое получение обратной связи и культура, в которой ошибку можно обсуждать, а не прятать до следующего квартала.

Это несколько портит рекламную картину. Купить доступ к модели можно быстро. Создать среду, в которой от неё будет польза, — уже работа.

После внедрения возникает вопрос об эффективности. И здесь начинается творчество.

Можно посчитать количество созданных запросов. Число активных пользователей. Объём сгенерированного текста. Сэкономленные минуты, которые сотрудники указали в анкете через две недели после обучения.

Получается впечатляюще. Особенно если не спрашивать, что произошло с готовым продуктом.

Сотрудник мог за десять минут получить черновик документа, а потом сорок минут исправлять уверенные фантазии. Разработчик мог быстро сгенерировать тесты, которые прекрасно проверяют поведение функции, отсутствующей в системе. Менеджер мог подготовить протокол встречи ещё до того, как участники договорились, о чём была встреча.

Поэтому специалисты предлагают смотреть не на сам факт использования ИИ, а на изменение рабочих результатов: скорость поставки, устойчивость системы, качество, состояние команды. Сначала фиксируется исходное положение, затем проводится ограниченный эксперимент и только после этого оценивается влияние технологии.

Звучит менее эффектно, чем «все сотрудники получили доступ». Зато позволяет заметить неловкую ситуацию, когда инструментом пользуются много, а лучше не стало.

Полезный сценарий выглядит почти буднично.

Команда обнаруживает конкретное узкое место. Например, проверка кода задерживает выпуск изменений. Или новый специалист две недели выясняет, почему в системе нельзя трогать функцию с названием temporary_final_2.

Дальше ИИ дают ограниченную работу: предварительно искать ошибки, объяснять фрагменты кода, готовить первые версии тестов, помогать находить контекст в документации. Команда сравнивает результат с исходными показателями и смотрит, уменьшилась ли задержка.

Если да — применение расширяют. Если нет — меняют подход или прекращают эксперимент. Никто не обязан изображать успех только потому, что лицензия уже оплачена.

Исследования отдельно подчёркивают значение качественной внутренней документации. Ирония здесь почти неприличная: чтобы нейросеть избавила людей от необходимости разбираться в документах, документы сначала придётся привести в порядок.

В одном отделе до сих пор лежит инструкция под названием «Новая схема согласования». Файл создан несколько лет назад, внутри фамилия бывшего руководителя и примечание жёлтым маркером: «Уточнить после запуска». Вот на таких данных корпоративный ИИ должен построить уверенное будущее организации.

Он построит. Уверенности у него обычно больше, чем будущего.

Генеративный ИИ особенно полезен там, где можно быстро получить обратную связь. Код проверяется тестами. Черновик документа читает специалист. Вариант решения сравнивается с требованиями. Ошибка обнаруживается, пока она ещё дешёвая.

Но для этого человеку должно быть разрешено экспериментировать.

Если любая неудача превращается в поиск виновного, сотрудники будут использовать ИИ самым безопасным способом: для переформулирования писем и создания более вежливых отказов. Инновация получится аккуратной. Никто ничего не сломал, потому что никто ничего существенного не попробовал.

От руководства здесь требуется странная вещь — не очередной призыв «активнее применять технологии», а ясные правила. Какие данные нельзя передавать модели. Где результат нужно проверять. На какие эксперименты выделено время. Кто отвечает за оценку. Что произойдёт, если гипотеза не подтвердится.

Последний вопрос обычно самый интересный.

В некоторых компаниях эксперимент считается успешным в двух случаях: когда он дал результат и когда презентация уже отправлена генеральному директору.

Есть ещё одна деталь, которую редко помещают на праздничный слайд. На старте новая технология может снизить производительность.

Люди учатся формулировать задачи, проверять ответы и перестраивать привычные операции. Команда спорит о правилах. Служба безопасности изучает риски. Старый процесс уже расшатали, новый ещё не работает. Специалисты описывают это как эффект J-кривой: заметная польза может появиться после первоначального спада, если организация продолжает осмысленно менять практику.

Руководству такая кривая обычно не нравится. Оно приобретало искусственный интеллект, а получило необходимость терпеливо управлять изменениями.

Отсюда и соблазн объявить успех раньше времени. Провести обучение, посчитать пользователей, выпустить новость. На фотографии все улыбаются. В рабочих чатах тем временем выясняют, можно ли загружать в модель техническое задание заказчика.

Настоящее внедрение ИИ начинается не в момент покупки лицензий. Оно начинается, когда компания выбирает реальную проблему, разрешает ограниченный эксперимент и соглашается измерять результат, даже если результат окажется неудобным.

Сам по себе генеративный ИИ не делает организацию инновационной. Он лишь быстрее показывает, как она принимает решения, хранит знания и относится к ошибкам.

Иногда это и есть его первый полезный результат. Хотя в бюджетном обосновании писали немного другое.

Ссылки и контакты

Подписывайтесь на Telegram-канал. По вопросам сотрудничества, консультаций и внедрения решений: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.