Тех, кто хочет адаптироваться к современной бизнес-реальности, приводит в замешательство сочетание двух противоположных тенденций. С одной стороны, все говорят о том, что нужно обучаться ИИ, внедрять его в свою работу, чтобы успеть за конкурентами и не выпасть из гонки за прибылью (для сотрудников — не потерять рабочее место). С другой — пару месяцев назад все уважающие себя издания выпустили статьи по материалам отчета Boston Consulting Group и Gartner о том, что “от 60% до 80% проектов по внедрению ИИ не достигают заявленных бизнес‑эффектов или остаются на уровне пилотов”. А теперь все чаще слышится нарратив о том, что модели стремительно деградируют из-за обилия ИИ-контента в интернете. Обучение нейросети на результатах генерации нейросети приводит к эффекту “ксерокопии и ксерокопии” портит качество ответов от обновления к обновлению. Да и о том, что люди устали от нейрослопа и негативно реагируют на ИИ, тоже вызывает сомнение в том, стоит ли разбираться в этой теме и тем более инвестировать во внедрение нейросетей в работу.

Стоит. Но грамотно: поэтапно, медленно, с упором не на конкретные решения, а на трансформацию логики бизнес-процесса. Тогда риски того, что внедрение окажется напрасным, будут гораздо ниже, а сама система — более устойчивой к возможным изменениям.

Только подумайте: наверняка в вашей работе, работе ваших подразделений и подчиненных есть, помимо прочего, два типа задач. Первые — те, которые отнимают много времени, но вызывают легкое раздражение. Работа, которую необходимо делать, чтобы делать другую работу. Собирать данные, анализировать массивы отзывов, готовить шаблоны. Что-то, ради чего хочется иметь ассистента, которого можно посадить это делать, даже если вы линейный сотрудник.
И вторые — те, о которых вы мечтаете, которые точно помогут повысить качество, освоить новые направления или расширить спектр услуг, но ресурсов (времени и рук) никак не хватает, чтобы начать воплощать их в жизнь. И это именно те две категории, при работе с которыми ИИ дает максимальный эффект.

Если мы начнем просто брать все рабочие задачи и выполнять их с ИИ (даже если представить, что мы прошли обучение и с первого раза за пару минут составляем идеально работающие промпты), общая отдача будет недостаточно высокой. Скорее всего, потребуется слишком много правок и дополнительных итераций, и в целом достаточно быстро придет осознание, что было бы быстрее продолжать делать это руками. Даже если какие-то операции стали выполняться в разы быстрее.

Другое дело — если разделить все операции на три группы: 

• те, для которых хочется иметь ассистента
• те, для которых хочется иметь наставника (советчика, более опытного коллегу)
• те, которые в целом легко выполнять самому.

Нейросети могут помочь с первыми двумя группами.

Для этого для первой категории задач нужно выработать стандартные алгоритмы их решения с помощью ИИ (например, алгоритм и промпты для анализа конкурентов или выявления частых жалоб из базы переписок с клиентами за месяц) и обучить им всех сотрудников.

А для второй — объяснить им принципы корректной работы с нейросетями, чтобы они сами могли получать качественную и детализированную обратную связь.

Третьи можно выполнять с ИИ по желанию. Как правило, стоит хотя бы пару раз потестировать каждую задачу из этой группы, сделав ее с помощью нейросети. Так становится понятно, действительно ли человеку нравится делать это самому, или он просто не подозревал, что можно иначе.

Отдельно стоит сказать про попытки перевести на ИИ-рельсы устную и письменную коммуникацию. Логика такая: если 40% времени сотрудник тратит на ответы на письма, то, если он будет отвечать на письма с помощью ИИ, у него освободится 40% времени. Ну или хотя бы 35%, ведь ему еще нужно копировать входящее письмо в нужный чат и вставлять промпт из базы. По форме все достаточно ровно. Проблема в содержании.

Коммуникация — это не отдельная рабочая задача, а процесс, обеспечивающий решение рабочих задач, смысл которого в обмене информацией. Той самой, которой обладает именно человек, с которым коммуницируют.

И если смотреть на нее так, нейросеть изначально не способна эту задачу выполнить, поскольку она просто не знает того, что нужно знать. Исключение — если у вас есть по-настоящему классная, полная и актуальная база знаний, в которой можно найти ответы на подавляющее большинство вопросов. Если прикрутить к ней ИИ, это поможет сотрудникам быстрее и проще узнавать то, что им нужно для работы.

А если такой базы нет, а желание отдать ИИ переписки есть, то проблема, скорее всего, будет в области эффективных коммуникаций. И нужно не делегировать машине проблемную зону, а разбираться в причинах и развивать соответствующие навыки.

Ну и в заключение, главный совет — начинайте всегда с изучения актуальных моделей и их реальных возможностей. Качественное базовое обучение и постоянная практика в подходящих для решения этих задач на достаточно высоком уровне нейросетях в пользовательском интерфейсе (а не дорогие it-решения, кастомизированные под вас) позволяют провести пилот с максимальной эффективностью и минимальными затратами.

Те, кто шли по такой стратегии в 2023-2024 году, сейчас уже третий год как делают свою работу быстрее и качественнее. И вопросов о том, стоит ли продолжать вкладываться в тестирование новых инструментов для них не стоит.