Генеративный ИИ в бизнес-процессах: мышление, развитие и будущее

Привет, Хабр! Меня зовут Николай Бажанов, я руководитель отдела бизнес-процессов в Sminex. Недавно в подкасте «Цифра в деле» я поделился нашим подходом к использованию нейросетей. Обсудить успели не всё, поэтому в этой статье расскажу подробнее, как мы в компании решаем, где ставить ИИ-агента, где растить компетенции у людей, и как поддерживаем ИИ-энтузиастов. Спойлер: единого рецепта нет, часть выводов мы сами продолжаем проверять на практике.

Смотреть подкаст

Что мы называем ИИ-агентом

Мы понимаем: ИИ-агент полностью не заменяет сотрудника и не принимает решений вместо него. Это, скорее, инструмент, который позволяет выполнять рутинные операции существенно быстрее. И при этом обеспечивает точность не ниже, чем в среднем при ручном выполнении.

Внедрение таких инструментов мы разделяем на три блока, в каждом свой подход.

Самое простое. Наиболее типовые и массовые операции уже частично автоматизированы, поэтому внедрение в них ИИ-агентов — это, скорее, технологический апгрейд. Можно расширять функционал агента, делать его более устойчивым к небольшим изменениям настроек и внешней среды. Таких примеров уже много: HR-процессы, документооборот, автоматизация простых операций на стыке разных систем, которые сложно интегрируются напрямую.

Самое сложное. Это проекты, где мы существенно меняем процесс, насыщаем его технологическими возможностями. Они не обязательно массовые, но напрямую влияют на цепочку создания стоимости. Такие проекты сложные, долгие и дорогие, поэтому подход к их реализации критичен: показать бизнесу красивую презентацию про технологические возможности и попросить бюджет в сотни миллионов с результатом через два года — это плохой разговор. Мы реализуем такие проекты последовательно, пилотируем и внедряем конкретные элементы для отдельных этапов и сразу смотрим на результат. Бизнес может вовремя остановиться после конкретного этапа, не потратив сотни миллионов впустую; мы как команда внедрения дополняем инструментарий оптимальными технологиями, которые появляются на рынке.

Пример такого процесса — работа с оценкой стоимости наших проектов на всех этапах: от покупки площадки, принятия решений об объёме и стоимости лотов на старте до прогнозирования изменения стоимости в долгосрочной перспективе и формирования оптимальной стратегии продаж.

Зачем нам ИИ-энтузиасты

Самое интересное и перспективное находится посередине. Это инструменты, которые каждый сотрудник может использовать в своей ежедневной работе для ускорения и устранения рутины. Никто лучше самого сотрудника или руководителя группы не знает, какие операции реально тормозят его в работе и съедают время. Мы считаем, что высокотехнологичная компания – это не та, которая внедрила больше всех систем или заменила людей агентами и роботами. Для нас это компания, в которой сотрудники умеют и на практике используют технологичные инструменты в своей работе.

Здесь огромный потенциал, на рынке уже есть много прикладных ИИ-инструментов, способных существенно ускорить работу. Для архитекторов или дизайнеров это работа с изображениями и 3D-моделирование. Для активных пользователей Excel — Claude и shortcut.ai. Для работы с документами и текстами — разнообразные LLM-модели. Для аналитики и автоматизации – OpenClaw c цепочкой взаимодействий и правил, разработчики активно используют Claude и Codex.

Поэтому вопрос не в наличии решений, а в том, знает ли о них команда, понимает ли, как применять. Во многих подразделениях есть активные сотрудники — ИИ-энтузиасты. Мы обеспечиваем их необходимыми инструментами, обучаем искать и внедрять их в свою текущую работу. Так мы повышаем производительность на местах. Более того, на таких примерах мы развиваем готовность всех сотрудников к следующим технологическим шагам.

Благодаря такому подходу работа нашей команды бизнес-аналитиков уже изменилась, подробнее — на конкретных примерах.

• Работа с данными. С помощью Claude и shortcut.ai аналитик за несколько часов выполняет задачи, на которые раньше в Excel уходило от нескольких дней до нескольких недель: вычистка данных, трансформация в удобные форматы, объединение файлов, формирование новых аналитических срезов.

• Формат результата. Раньше — презентация с графиками и ответами на вопросы бизнеса в моменте. Сейчас результат работы – это аналитический дашборд. Руководитель может пользоваться им самостоятельно: следить за динамикой изменений, находить новые инсайты, не обращаясь повторно к аналитику.

• Постановка задачи для ИТ. Раньше аналитик вместе с экспертами от бизнеса готовил техническое задание, словами и схемами описывая целевой результат разработки. Сейчас вместе с описанием сразу передаётся html-прототип, собранный в Claude, — он даёт куда более чёткое понимание того, как должен выглядеть целевой результат.

• Точечные доработки. Раньше, если доработка была нужна небольшой группе сотрудников, она обычно получала низкий приоритет: делалась по остаточному принципу и сильно позже — либо не делалась вообще, потому что затраты на ИТ-разработку не окупались. Сейчас сотрудник может собрать своё приложение в Claude или OpenCode и использовать его локально — как с привязкой к локальной или внешней LLM, так и в виде чисто алгоритмического инструмента без LLM вообще. А если приложением нужно пользоваться группе сотрудников — мы размещаем его на внутреннем сервере.

Какие компетенции становятся важны

Часть операционной работы постепенно начинает выполняться сотрудниками в «коворке» с ИИ-инструментами, при этом пока небольшая часть рутинных действий полностью передаётся ИИ-агентам.

В результате меняются и требования к людям, и для разных категорий по-разному.

• Для сотрудника. Важно преодолеть надуманный страх, что ИИ заменит человека. Это не так: эксперт, умеющий работать в своей области с самыми современными инструментами, заменит десятерых, кто с ними работать не умеет. Нужно стремиться быть именно таким: наращивать знания, пробовать и внедрять технологии для своих повседневных задач. При этом за результат работы по-прежнему отвечает сам сотрудник, а не ИИ-инструмент, который придумала для него ИТ-команда.

• Для мидл-менеджера. Способность видеть рутину на уровне своего подразделения и поддерживать в команде нацеленность на поиск и внедрение инструментов, повышающих продуктивность. Если сотрудник проявляет инициативу – её нужно поддерживать, а не гасить. Если работы стало больше — не расширять штат, а стремиться повысить производительность. Если уже есть SLA, но виден потенциал на улучшение – реализовывать его.

• Для топ-менеджера. Нужна смена парадигмы мышления при принятии решений, готовность к тому, что результат будет не стопроцентным, а наиболее вероятностным. Мы принимаем решения быстрее, можем своевременно их изменять, при этом выстраиваем работу по повышению точности решений. Цель — не найти виноватого, а построить систему, которая обеспечивает стабильно точные и быстрые решения и возможность их своевременной корректировки.

И наверное, самое важное для всех: применение ИИ-технологий не может быть зоной ответственности только ИТ-команды. Цель таких проектов — изменение деятельности конкретных бизнес-подразделений, это совместная цель бизнеса и ИТ, и ответственность за эффективное внедрение тоже совместная.

Безопасность: где граница?

Когда сотрудники получают доступ к современным моделям, они могут начать использовать их самостоятельно, вне корпоративных требований к информационной безопасности. Самый простой вариант — запретить инструменты, но гораздо более перспективный – пересмотреть и оптимизировать требования. В течение прошлого года мы это активно обсуждали и в итоге пришли к простому принципу: везде, где речь не идёт о работе с секретной информацией, использование современных моделей сотрудниками — это прежде всего наша возможность.

К секретной информации мы относим всё, что имеет прямые регуляторные ограничения, например работу с персональными данными сотрудников и клиентов, информацию, связанную с обеспечением безопасности, наши технологические ноу-хау и закрытую информацию о новых проектах.

Если сотрудник или его руководитель видит необходимость работать с секретной информацией, потому что это существенно повлияет на сроки проектов, мы помогаем решить эту задачу: обезличиваем данные, чтобы исключить секретную информацию, либо организуем обсуждение о реальной величине риска и потенциальных эффектах при работе с этими данными с использованием ИИ-инструментов.

Доступные инструменты. В компании есть собственная платформа с развёрнутыми моделями. На ней реализован ряд ИИ-инструментов на внутренних моделях: расшифровка встреч, поиск в базе знаний и другие. Если сотруднику требуется в работе внешний ИИ-инструмент, необходимо запросить доступ, описав свою задачу. Верификация запросов проходит через центр компетенций по ИИ, куда входят аналитики и специалисты по информационной безопасности, решение о возможности использования принимается совместно.

Что меняется в культуре

В тех подразделениях, где удалось найти энтузиастов, работа начинает выстраиваться иначе. Руководители видят эффект от применения ИИ-инструментов, появляется вера в результат, мышление меняется в сторону поиска возможностей для роста продуктивности.

Но если честно, не всё так гладко. То, что легко приживается у одного энтузиаста в отделе, не масштабируется на весь пул задач и сотрудников автоматически, органическое распространение хорошей практики срабатывает далеко не всегда. Это отдельная управленческая задача, и её решение — во многом наша работа с руководителями групп и отделов, а не только техническая доработка инструмента.

Мы считаем, что на сегодня ответственность за выполнение работы с ИИ-инструментом закреплена за человеком — он отвечает за конечный результат своей работы. Сотрудник решает, какую часть задачи реализовать с ИИ, а какую сделать вручную. При этом в процессе разработки инструмента мы помогаем заложить все необходимые правила, чтобы результат работы был максимально высоким.

Куда всё движется

Принцип взаимодействия между человеком и ИИ в корпоративной среде точно изменится в ближайшие 3–5 лет. Но в противовес частому взгляду, что мы реализуем большие стратегии трансформации и научим сотрудников работать с придуманными нами сверху инструментами, я считаю, что основа — это применение ИИ в повседневной жизни и создание подходящей для этого среды.

Уже сейчас чат-боты активно распространяются в ежедневной деятельности, ИИ-ассистенты и агенты появляются в наших смартфонах и мгновенно расходятся на миллионы пользователей. Понятно, что локальные LLM-модели очень скоро появятся в персональных устройствах, каждый сможет настроить своего агента под себя. Всё это повлияет на наши ежедневные задачи, и пока мы даже не представляем как. Эти сотрудники зададутся вопросом: если дома я могу решить свою личную задачу так просто с помощью ИИ, почему я не могу рабочую задачу решить с теми же инструментами?

Вместо заключения

Пробуйте новые инструменты. Не получилось что-то сделать сегодня — попробуйте через три месяца, с высокой долей вероятности это уже будет возможно. И смотрите на молодое поколение: для них нет технологических ограничений, они уже растут в момент, когда технологии — часть их жизни. Берите с них пример.

А у вас как? Интересно, на каком горизонте вы сами ждёте заметных изменений: три года, пять, больше? И где перемена почувствуется раньше — дома или на работе? Расскажите в комментариях.