Глава 30 — Иногда нам приходилось сначала чинить бизнес

ИИ НЕ ЛЕЧИТ ПЛОХОЙ ПРОЦЕСС. ОН ОЧЕНЬ БЫСТРО ПОКАЗЫВАЕТ, НАСКОЛЬКО ТОТ ПЛОХ

Есть красивая мечта: взять существующий бизнес, добавить искусственный интеллект и получить более эффективную версию того же бизнеса.

Иногда так и получается.

Но довольно часто ИИ первым делом задаёт вопросы, на которые компания сама не может ответить.

— Кто отвечает за этот этап?

— Зависит.

— Какой срок считается нормальным?

— По-разному.

— По какому правилу определяется скидка?

— Руководитель согласовывает.

— На основании чего?

— Ну… он понимает.

Машина ужасно неудобна в таких разговорах.

Она не понимает корпоративное «ну ты же знаешь».

ИИ заставляет компанию формулировать то, что годами держалось на интуиции, привычках и личных договорённостях.

ПЛОХИЕ ПРОЦЕССЫ

Первое, что вскрылось, — многие процессы существовали не потому, что были хорошими.

А потому, что так исторически сложилось.

Один шаг когда-то добавили из-за конкретной ошибки.

Другой — потому что бывший руководитель хотел дополнительный контроль.

Третий — потому что старая система иначе не позволяла.

Прошло три года.

Люди забыли причину.

Шаг остался.

Когда мы начали автоматизировать такие процессы, возник абсурд: ИИ очень эффективно выполнял действие, которое вообще не нужно было выполнять.

Автоматизировать ненужную работу — один из самых дорогих способов сделать ненужную работу быстрее.

Поэтому иногда мы ставили разработку на паузу и задавали простой вопрос:

— А зачем этот этап существует?

Если никто не мог дать внятный ответ, сначала чинили процесс.

НЕПОНЯТНЫЕ РОЛИ

Второй пласт — ответственность.

В презентациях у компаний всегда красивые оргструктуры.

В жизни границы часто размыты.

Менеджер что-то согласует с РОПом.

РОП — с коммерческим.

Коммерческий иногда спрашивает собственника.

Кто в итоге принимает решение?

Зависит от суммы, клиента, настроения и того, кто сегодня в офисе.

Для людей такая система может работать годами.

Для автоматизации она превращается в лабиринт.

Мы начали описывать роли точнее.

Не должности.

Полномочия.

Кто имеет право решить.

Кто обязан быть уведомлён.

Кто отвечает за срок.

Когда решение эскалируется.

ИИ плохо работает там, где компания сама не решила, кто за что отвечает.

РЕГЛАМЕНТЫ, КОТОРЫХ НЕТ

Следующая проблема была почти комичной.

Мы хотели обучить Оракула правилам компании.

Начали собирать регламенты.

И обнаружили три типа документов.

Первый — актуальные.

Второй — формально действующие, но в реальности никто по ним не работает.

Третий — правила, которые существуют только в головах опытных сотрудников.

Последних оказалось больше, чем хотелось бы.

Тогда родился цифровой паспорт компании — попытка не просто загрузить документы, а описать реальную систему работы.

Что мы продаём.

Кому.

Какие есть правила.

Кто принимает решения.

Какие исключения допустимы.

Где источник истины.

Какие документы актуальны.

Какие данные обязательны.

Нельзя научить ИИ правилам компании, если правила компании существуют только в памяти людей.

МУСОРНЫЕ ДАННЫЕ

Потом пришёл день, когда аналитика показала красивый вывод на плохих данных.

В CRM один и тот же источник назывался четырьмя способами.

Причины отказа ставили для закрытия обязательного поля.

Сделки висели открытыми месяцами.

Часть оплат попадала с задержкой.

Идентичные клиенты дублировались.

ИИ честно анализировал то, что мы ему дали.

Проблема была в том, что дали мы ему цифровую помойку.

Garbage in — garbage out. Только с ИИ мусор на входе иногда превращается в очень убедительную аналитическую презентацию на выходе.

Мы начали относиться к качеству данных как к производственной дисциплине.

Не потому, что так любят аналитики.

Потому что плохие данные теперь могли влиять на реальные решения.

КОНФЛИКТУЮЩИЕ KPI

Самый интересный слой вскрылся позже.

Иногда каждый отдел формально выполнял свой KPI, а компания при этом проигрывала.

Маркетинг снижал стоимость лида.

Продажи увеличивали количество договоров.

Сервис сокращал время обработки.

Финансы ужесточали условия оплаты.

Каждая метрика выглядела разумно.

Но вместе они могли создавать плохой результат.

Например, дешёвые лиды ухудшали качество воронки.

Продажи давали слишком большие скидки ради количества договоров.

Сервис ускорял обработку за счёт качества.

Оракул видел противоречия между локальной эффективностью и результатом бизнеса целиком.

Компания может состоять из отделов, которые выполняют планы, и всё равно проигрывать. Потому что хороший KPI отдела не гарантирует хороший результат системы.

ИИ КАК РЕНТГЕН

В какой-то момент я перестал воспринимать такие находки как проблему проекта.

Раньше раздражался:

— Почему мы опять не можем запустить агента?

Позже начал спрашивать:

— Что в бизнесе мешает нам его запустить?

Разница кажется небольшой.

Но она полностью меняет отношение.

Если автоматизация упирается в непонятный процесс, возможно, проблема не в автоматизации.

Если агент не может работать из-за хаоса данных, возможно, ценность проекта именно в том, что хаос стал виден.

Если руководители спорят, кто отвечает за этап, ИИ не обязан решать организационный конфликт вместо нас.

ИИ не исправляет плохое управление автоматически. Он делает плохое управление видимым.

И иногда это самый ценный результат первых месяцев внедрения.

Не агент.

Не автоматизация.

Не экономия.

А честный рентген компании.

ПОЧЕМУ МЫ НЕ ЗАКОНЧИЛИ

Когда проект ИИ Оракула считается законченным?

В 2027 году я бы ответил: когда подключены все системы и работают все агенты.

В 2030-м отвечу иначе.

Никогда.

Потому что меняется бизнес.

Меняются продукты.

Люди.

Рынок.

Регламенты.

Каналы.

Сам ИИ.

Оракул не проект с датой окончания.

Это слой управления, который должен развиваться вместе с компанией.

Если ваша компания меняется, а её цифровой интеллект не меняется вместе с ней, через некоторое время у вас снова появится кладбище цифровизации. Только уже с искусственным интеллектом.

Наверное, поэтому внедрение и заняло годы.

Не потому, что технология была слишком сложной.

А потому, что мы всё это время меняли не технологию.

Мы меняли способ, которым компания думает, помнит, принимает решения и исправляет собственные ошибки.

И только после этого, оглядываясь назад, я понял: самое сложное было уже позади.

Теперь оставалось увидеть, какой компанией мы в итоге стали.

ВОПРОС ИЗ 2030-ГО

Если завтра ИИ покажет, что проблема вашей компании не в людях и не в технологиях, а в самом устройстве процесса — вы готовы будете менять процесс?