Возможность или опасность: искусственный интеллект в управлении компанией
Еще недавно применение искусственного интеллекта (ИИ) вызывало немало споров и опасений. Но сегодня ИИ стал полноценным помощником во многих сферах. Создание контента, маркетинг, аналитика, разработка — все эти направления активно используют ИИ-технологии, привлекающие миллиардные инвестиции. Вопрос уже стоит не о том, заменит ли нейросеть человека (спойлер — нет, не заменит), а скорее о том, как грамотно интегрировать новые возможности в разные этапы бизнес-процессов. Есть яркие примеры того, как ИИ уже меняет бизнес-ландшафт. Но можно ли использовать нейросети без больших вложений? В этой статье разберемся, какие возможности есть у ИИ, если их правильно внедрить в своей компании.
Универсальные «точки входа»
В бизнес-процессах есть направления, которые кажутся специально созданными для внедрения ИИ, — это маркетинг, продажи и управление персоналом. Эти процессы универсальны, они есть не только в digital-сфере. Именно они могут стать трамплином для успешного использования ИИ. Как это работает?
Самое первое знакомство с ИИ для многих началось с игры. Пользователи создавали изображения «котиков в джедайских одеждах» и т. п. и пытались писать первые посты для социальных сетей. У нас в агентстве все началось с Midjourney — все просто «поиграли», а дизайнеры продолжили следить за развитием ИИ-моделей. Когда качество ИИ-контента и навыки работы с промтами улучшились, мы начали внедрять ИИ в реальные рекламные кампании клиентов — уже с ощутимым результатом.
Маркетинг и реклама. Сейчас, например, отдел SMM & Influence в Adventum привлекает нейросети, чтобы писать рекламные тексты, искать инфлюенсеров и составлять шорт-листы блогеров для посевов, анализировать визуал профилей блогеров в социальных сетях. Нам удалось сократить время подготовки постов на несколько часов, получить +20% к CTR по сравнению с постами, созданными без ИИ, на 70% увеличить количество одобренных клиентом профилей. И стоит отметить, что решение таких задач не требует инвестиций.
Следующий важный пласт — это работа ИИ с большими массивами данных. Если говорить о маркетинговых данных, точнее об их части, связанной с трафиком и конвертацией трафика в целевое действие, сквозная аналитика выполняет саму функцию корректного сбора данных по всем рекламным кампаниям. А ИИ подключается на стадии их визуализации по запросу пользователя в любом удобном формате и в любом срезе. Подобное решение мы уже внедряем в сервисе сквозной аналитики dataGraft.
ИИ может собирать и анализировать огромные объемы данных из соцсетей, такие как комментарии, лайки, репосты и другие взаимодействия с постами. Используя алгоритмы анализа тональности (анализ настроений), нейросеть может определить, как пользователь относится к бренду или продукту. Вот как сам ИИ комментирует свою работу: «Мне удается анализировать тысячи обзоров и комментариев на онлайн-платформах, выявляя общие темы и эмоции. Это помогает понять, что нравится или не нравится клиентам, а также на что стоит обратить внимание при улучшении продукта или сервиса».
Продажи. В продажах нейросеть тоже берет на себя рутинные задачи, они способны помогать в написании сценариев для чат-ботов под определенные аудитории, после обрабатывать запросы клиентов в этих же чат-ботах, совершать исходящие звонки. ИИ можно использовать в качестве голосового тренажера для отработки навыков переговоров с клиентами. Можно поручить нейросети, например, анализировать все звонки с клиентами на предмет соответствия tone of voice, прохождения по скрипту, полной отработки возражений или по другим заданным параметрам. Здесь, так же как в маркетинге, от использования ИИ ожидают автоматизации рутинных процессов и решения аналитических задач.
HR. Алгоритмы ИИ способны анализировать резюме соискателей, отбирать лучших кандидатов и составлять психологические профили, что оптимизирует рекрутинговый процесс. А еще в условиях дефицита кадров помимо найма стоит вопрос быстрого онбординга. ИИ может упростить взаимодействие с регламентами, через запрос к нейросети сотрудник может узнать, как оформить отпуск или запустить процесс согласования договора в «1С».
Области управления, где можно внедрить ИИ
В каждой из функциональных областей бизнеса — маркетинге, HR, продажах — ИИ помогает снять рутинные задачи, это те процессы, которые есть в любом бизнесе. Этот опыт становится плацдармом для дальнейшего внедрения ИИ в управление компанией.
Конечно, методы управления могут отличаться в зависимости от специфики отрасли и организации. Но есть базовые этапы, которые присутствуют везде: планирование, организация работы и контроль за ее выполнением. Именно эти ключевые управленческие функции обеспечивают согласованность и эффективность всех бизнес-процессов, и ИИ можно подключать на любом из этих этапов. Приведу несколько вероятных областей применения.
Автоматизация процессов. Обработка документов, создание отчетов, планирование встреч и отправка уведомлений — все это можно автоматизировать с помощью ИИ. В управлении проектами ИИ помогает контролировать сроки, распределять ресурсы и отслеживать прогресс выполнения задач.
Например, Владимир Гусев рассказывает о своем опыте в качестве операционного директора Delivery Club, где с помощью ИИ был автоматизирован процесс выстраивания маршрутов курьеров — то, на что уходил день, сейчас занимает 10 минут, а рентабельность бизнеса выросла на 15%.
А компания H&M внедрила чат-ботов для автоматизации общения с клиентами. Они отвечают на часто задаваемые вопросы, оформляют заказы и предлагают товары на основе запросов покупателей. Это обеспечило персонализацию предложений в кратчайшие сроки. В результате скорость обработки запросов увеличилась на 30%, повторные покупки выросли на 15%, нагрузка на сотрудников отдела продаж и поддержки снизилась на 25%.
Анализ данных и прогнозирование. ИИ способен анализировать исторические данные о продажах, сезонные колебания и рыночные тенденции, что позволяет прогнозировать будущий спрос на товары или услуги. Это помогает оптимизировать производство, закупки и управление складскими запасами. Анализ данных о конкурентах и потребительском поведении также может служить основой для корректировки ценовой стратегии. Например, в компании Salesforce внедрили собственную платформу Einstein, которая использует ИИ для анализа исторических данных о развитии сделок с клиентами. ИИ предугадывает, какие из потенциальных клиентов имеют наибольшую вероятность закрытия сделки, может прогнозировать действия клиентов и предлагает отделу продаж следующий шаг для совершения продажи.
Оптимизация ресурсов. ИИ может анализировать данные о потреблении энергии, оптимизировать маршруты доставки, минимизировать потери материалов. С ИИ можно анализировать данные о возможных рисках и искать меры по их минимизации. Так в BlaBlaCar с помощью нейросетей оптимизировали и автоматизировали процесс поиска нечестных сотрудников и мошенников, улучшив безопасность платформы.
Почему ИИ еще нет в управлении всех компаний
Хотя многие агентства и компании уже освоили создание контента с помощью нейросетей, кейсов по применению ИИ в управлении все еще немного. Основная причина — высокая стоимость внедрения.
Чтобы нейросеть эффективно работала, ее нужно обучить на данных компании или регламентах, например, для ускорения онбординга. Однако эти данные и регламенты сначала должны существовать, быть актуальными и реально работающими.
Далее встанет вопрос о том, где развернуть нейросеть. Крупный бизнес предпочтет это сделать в своем периметре, а средний будет работать по API. Но в любом случае бизнес будет оценивать окупаемость проекта.
Если говорить о своей отрасли, digital пропитана духом инновационности. ИИ уже доказал показал нам свою экономическую эффективность, и следующий шаг — более глубокая интеграция в приоритетные процессы.
Кто должен внедрять ИИ
Ключевую роль в продвижении ИИ внутри компании часто играют так называемые амбассадоры — сотрудники из разных отделов: маркетинга, продаж, HR, это могут быть разработчики и др. Они первыми осваивают технологии и демонстрируют коллегам практическую пользу от применения нейросетей. Однако одного энтузиазма сотрудников недостаточно — нужна поддержка руководства.
Если руководитель компании лично протестировал ИИ-сервисы, увидел их преимущества и стал адептом этой технологии, то внедрение ускорится. Я поручаю нейросетям делать краткие конспекты интересующих меня видеороликов, каждое утро прошу собирать топ отраслевых новостей, пользуюсь транскрибаторами и саммаризаторами для фиксации договоренностей на множестве созвонов, тестирую промты. То есть чувствую на себе, как меняется моя эффективность. А значит, буду искренне поддерживать внутренних амбассадоров.
Кроме того, руководитель может создать рабочую группу с сотрудниками из разных отделов: это позволит учесть позицию каждого направления при разработке стратегии ИИ и затем ускорит внедрение. Мы в Adventum действуем именно такой группой, которая разрабатывает и тестирует возможные варианты применения ИИ, чтобы к линейному сотруднику новый алгоритм действий уже дошел в виде предельно понятной инструкции «делай раз, делай два, делай три…».
Где скрываются сложности
Разработчики отраслевых ИИ-решений, как, например, MTS AI, могут озвучивать конкретные впечатляющие цифры позитивных возможных изменений для компаний вместе с ИИ: на 60% уменьшение нагрузки на контакт-центр, на 20% снижение ФОТ, на 16-25% увеличение продаж, на 31% повышение безопасности и т. п. Положительные изменения точно есть. Но точные расчеты для конкретной отрасли и компании зависят не только от качества разработанного поставщиком ИИ-инструмента. Компании могут столкнуться с некоторыми проблемами:
- Для успешного обучения нейросетей необходимы большие объемы качественных данных. Если они неполные, содержат ошибки, шум, пропуски, дубликаты или аномалии, то это может исказить выводы и снизить общую производительность модели. Поэтому, прежде чем данные попадут в модель, важно проводить их очистку и подготовку.
- Обучение нейросетей требует значительных вычислительных ресурсов и соответствующей инфраструктуры. Недостаток оборудования или устаревшие системы могут стать узким местом в процессе обучения моделей.
- Недостаток опыта может привести к ошибкам в разработке и внедрении моделей, нужны специализированные знания и навыки, такие как понимание алгоритмов машинного обучения, программирование и знание предметной области.
- Внедрение нейросетей может требовать интеграции с уже существующими бизнес-системами и процессами. Устаревшее ПО или несовместимые системы могут затруднить процесс интеграции.
- Нейросети часто сложно интерпретировать, это может привести к недоверию со стороны сотрудников и руководства, особенно если решения оказывают значительное влияние на бизнес. Тут нужно использовать техники объяснимого ИИ (Explainable AI), которые помогают понять, как модель принимает решения. Это могут быть методы визуализации, такие как SHAP (SHapley Additive exPlanations) и LIME (Local Interpretable Model-agnostic Explanations).
- Может быть сопротивление со стороны сотрудников, особенно если изменения затрагивают их повседневную работу. Тут стоит вовлекать сотрудников в процесс изменений и сделать информацию о преимуществах внедрения прозрачной и понятной.
- Использование данных для обучения нейросетей может столкнуться с юридическими и этическими проблемами, связанными с конфиденциальностью и защитой данных. Убедитесь, что ваша компания соблюдает все правовые нормы, такие как GDPR или CCPA, при обработке и использовании данных.
- Чтобы оставаться актуальными и эффективными, нейросети требуют регулярного обновления и переобучения. Определите ключевые показатели (KPI), которые будут отслеживаться для оценки успеха модели. Проводите регулярные проверки и обновления моделей, чтобы они соответствовали текущим данным и условиям рынка.
Внедрение нейросетей в бизнес-процессы может быть сложным, но понимая и заранее планируя все процессы, можно минимизировать риски и повысить шансы на успех.
Какой управленческий процесс могли бы ИИ-зировать в вашей компании?