Готова ли ваша компания к ИИ

Кажется, что сегодня практически каждый руководитель живет с одним и тем же ощущением: в вопросе использования искусственного интеллекта большинство компаний безнадежно отстали от повестки! В сети постоянно говорят о том, как нейросети заменяют целые отделы, помогают создавать новые продукты, автоматизируют процессы и экономят тысячи часов работы; на конференциях рассказывают о впечатляющих кейсах; а в социальных сетях складывается впечатление, что все вокруг уже научились эффективно использовать ИИ. В этот момент у большинства собственников возникает вполне логичный вопрос: «А что делать именно нам?» Не в абстрактной компании из презентации, а в конкретном бизнесе со своими людьми, процессами, ограничениями и накопившимися проблемами.

В серии своих публикаций я много раз уже говорил, что перед запуском любого ИИ‑преобразования важно ответить на вопрос: насколько моя компания готова к изменениям? И универсального ответа здесь просто нет, поэтому мы, в работе с компаниями, пришли к тому, чтобы оценивать готовность бизнеса сразу по нескольким направлениям. Такой подход позволяет увидеть реальные ограничения и понять, что действительно мешает перейти от отдельных экспериментов к системному использованию искусственного интеллекта. В текущей статье разберем методологию оценки готовности компании к внедрению ИИ!

Как оценить готовность компании

Когда руководитель впервые задумывается о внедрении искусственного интеллекта, ему хочется получить простой ответ: готова компания к ИИ или нет. Но на практике такого ответа не существует. Организация может отлично работать с данными, но иметь неописанные процессы; использовать нейросети в маркетинге, но не иметь единых правил безопасной работы с ними; а может быть хорошо подготовлена организационно, но так и не понимать, где именно искусственный интеллект способен принести бизнесу деньги.

В основе нашей модели лежат пять контуров зрелости компании, внутри которых зашиты 16 доменов. Вместе они формируют целостную картину.

Первый контур — бизнес. Рассматривая домены внутри этого контура мы стремимся понять, как искусственный интеллект связан со стратегией компании, бизнес‑моделью, экономикой и клиентским опытом. Другими словами, речь идет не о том, где можно попробовать новую технологию, а о том, где она способна изменить экономику бизнеса, повысить ценность продукта или открыть новые источники дохода.

Второй контур — операционная деятельность. Любой ИИ работает с процессом. Если процесс не описан, каждый сотрудник выполняет его по‑своему, а знания существуют только «в головах», автоматизировать фактически нечего. Очень часто именно отсутствие единых процессов становится главным ограничением, хотя первоначально компания ищет проблему совсем в другом месте.

Третий контур — информация: данные, знания и цифровая инфраструктура. Это один из самых распространенных барьеров, который мы встречаем на практике. Данные о клиентах находятся в разных системах, документы — в десятках папок, договоренности — в мессенджерах, а значительная часть экспертизы существует только в памяти сотрудников. В такой ситуации даже самая современная модель не сможет работать эффективно, потому что ей попросту не на что опереться.

Четвертый контур — культура и люди. Даже если компания технически готова к использованию ИИ, изменения не произойдут, если сотрудники не понимают, зачем им новые инструменты, опасаются их использовать или не видят личной пользы. Поэтому зрелость определяется не только технологиями, но и тем, насколько организация умеет сопровождать изменения.

Пятый контур — безопасность использования ИИ. Сегодня практически в каждой компании сотрудники уже используют внешние нейросети, но далеко не везде существуют понятные правила: какие данные можно отправлять во внешние сервисы, какие нельзя, кто отвечает за эти решения и каким образом контролируются возникающие риски.

Каждый из этих контуров, в свою очередь, состоит из отдельных доменов. Всего в модели их шестнадцать, а суммарно диагностика включает около восьмидесяти критериев оценки. Мы не будем разбирать каждый из них, но разберем и опишем сам принцип: зрелость компании почти никогда не бывает одинаковой во всех направлениях. И это абсолютно нормально. Поэтому задача диагностики не в том, чтобы поставить организации итоговую «оценку», а в том, чтобы показать где сегодня находятся реальные ограничения для ИИ‑преобразования.

Уровни зрелости: компания никогда не «готова к ИИ» целиком

В предыдущей статье здесь на сайте я уже рассказывал об уровнях зрелости компании в вопросах использования ИИ, но тогда мы смотрели на это с позиции того, как меняется уровень при развитии бизнеса, сегодня же посмотрим на уровни с другой стороны. Итак, мы выделяем всего пять уровней ИИ‑преобразования: от L0 до L4, где на нулевом уровне компания не готова к использованию ИИ совсем, а на четвертом — уже перестраивает организационные процессы внутри бизнеса. Рассмотрим эту лестницу на примере данных — одного из наиболее частых ограничителей ИИ‑проектов.

На следующем уровне компания уже начинает экспериментировать с ИИ, но обнаруживает, что необходимые сведения разбросаны по разным источникам. Для каждой новой задачи данные приходится собирать заново, сотрудники жалуются на их неполноту и противоречивость, а выражение «грязные данные» становится привычным объяснением того, почему очередной пилот не дает ожидаемого результата. На этом этапе проблема уже осознана, но системной работы с ней еще нет. Дальше начинается инвентаризация. В компании появляется хотя бы базовое описание того, где находятся критически важные данные, кому они принадлежат и кто отвечает за их актуальность. Это может быть еще не полноценный каталог, но у бизнеса уже есть документированная карта источников и владельцы наиболее значимых наборов информации. Именно с этого момента данные перестают быть общей и ничьей проблемой.

На более зрелом уровне данные уже подготовлены для использования ИИ‑системами. Компания понимает, какие данные доступны, поддерживает их качество, организует передачу через API и устанавливает правила доступа. Модели и агенты могут получать необходимую информацию не за счет ручной выгрузки сотрудника, а в рамках заранее выстроенного процесса.

Высший уровень предполагает управляемый жизненный цикл данных. Компания отслеживает их происхождение, фиксирует изменения, измеряет качество и регулярно рассматривает соответствующие метрики. В этом случае данные становятся не просто сырьем для отдельных экспериментов, а полноценной частью инфраструктуры ИИ‑преобразования.

Такие же лестницы существуют и для остальных доменов: стратегии, бизнес‑модели, процессов, корпоративных знаний, структуры и ролей, обучения сотрудников, оценки эффективности и безопасности. При этом компания почти никогда не находится на одном уровне сразу по всем направлениям. Например, по данным она может соответствовать L3, по корпоративным знаниям — L1, а по безопасности использования ИИ фактически оставаться на нулевой ступени.

Это не означает, что бизнес развивается неправильно. Более того, механически «выравнивать» все домены и пытаться довести каждый из них до максимального уровня не нужно. Для большинства компаний реального сектора высшая зрелость во всех направлениях не является ни необходимой, ни экономически оправданной. Тем не менее, эта модель позволяет увидеть, какой именно разрыв сейчас мешает запустить выбранный ИИ‑сценарий, и сосредоточить ресурсы на нем.

Результат диагностики выглядит как карта или радар зрелости, который показывает, где компания уже готова двигаться вперед, а где следующий проект неизбежно упрется в отсутствие данных, процессов, полномочий или правил. К такой карте можно возвращаться раз в квартал, отмечая не абстрактную «цифровизацию», а конкретные изменения в устройстве бизнеса.

Почему компании почти всегда оценивают себя выше, чем есть на самом деле

Когда мы только начали проводить диагностику компаний, очень быстро обнаружилась одна закономерность. Независимо от отрасли и масштаба бизнеса руководители почти всегда оценивают свою организацию выше ее реального уровня зрелости. И дело здесь не в желании приукрасить ситуацию — просто большинство решений принимается на основе общего ощущения: «кажется, у нас с этим все в порядке». Именно поэтому в нашей модели недостаточно просто выбрать уровень, который кажется наиболее подходящим, важно проверить себя по объективным признакам.

1. Есть ли документ, описывающий источники данных?
2. Назначен ли владелец критически важных наборов информации?
3. Существуют ли правила работы с внешними нейросетями?
4. Регулярно ли сотрудники жалуются, что не могут найти нужные документы или вынуждены собирать данные вручную?

Принцип оценки очень простой. Сначала вы выбираете уровень, который, как вам кажется, лучше всего соответствует текущему состоянию компании. Затем сверяете этот выбор с тремя наблюдаемыми признаками. Если подтверждаются только один или ни одного из них, значит, фактически компания находится на предыдущей ступени зрелости. Такой подход помогает избежать одной из самых распространенных ошибок — оценки по ощущениям вместо оценки по фактам.

Чтобы любой руководитель мог провести такую диагностику самостоятельно, мы подготовили открытый опросник с описанием всех контуров, доменов и критериев оценки. Снять копию с документа можно здесь. Работать с ним лучше последовательно: сначала внимательно прочитайте описание уровней. Теперь оцените каждый домен отдельно и не пытайтесь искусственно сделать результаты одинаковыми: задача диагностики не в том, чтобы получить «красивое колесо баланса», а в том, чтобы увидеть реальные ограничения бизнеса. Более того, далеко не каждый домен обязательно должен находиться на максимальном уровне зрелости — для многих компаний реального сектора это просто не имеет экономического смысла.

Важно и то, кто проводит оценку. Один человек редко способен объективно оценить все направления деятельности компании. Поэтому лучше проходить диагностику совместно с руководителями соответствующих функций: финансовые вопросы обсуждать с CFO, данные и платформы — с CTO, вопросы людей и организационного развития — с HR, а стратегические домены — с собственником или генеральным директором. Именно такой формат позволяет получить максимально приближенную к реальности картину.

Стоит учитывать и еще одну особенность модели. В текущей версии она включает уровни зрелости от L0 до L4. Более высокий уровень мы сознательно не рассматриваем, поскольку он связан уже не с внутренним устройством компании, а с ее влиянием на рынок, партнерскую экосистему и инвесторов. Для большинства компаний реального сектора именно уровень L4 является практической целью.

Главная идея этой методики очень проста: искусственный интеллект плохо работает с предположениями. Он требует системы. Поэтому и оценивать готовность компании нужно не по ощущениям, а по проверяемым фактам. Именно они позволяют увидеть реальные ограничения бизнеса и понять, что стоит изменить в первую очередь, прежде чем запускать очередной ИИ‑проект.

Мини‑проверка: готова ли ваша компания к первым ИИ‑проектам

Ответьте на семь вопросов «да» или «нет»:

1. Есть ли в компании хотя бы один процесс, описанный настолько подробно, что его можно объяснить новому сотруднику меньше чем за час?
2. Знаете ли вы, где физически хранятся данные о клиентах и можно ли их быстро выгрузить?
3. Есть ли у компании база знаний, которой сотрудники действительно пользуются, а не просто папка с документами?
4. Может ли большинство сотрудников назвать две‑три задачи своей роли, которые они уже выполняют с помощью искусственного интеллекта?
5. Есть ли в компании понятные правила, какие данные можно отправлять во внешние нейросети, а какие — нельзя?
6. Понимаете ли вы, сколько стоит час ручной работы того процесса, который собираетесь автоматизировать?
7. Есть ли человек, который отвечает за развитие ИИ в компании, а не ситуация, когда этим занимаются «все понемногу»?

Интерпретировать результат очень просто.

5–7 ответов «да». У компании уже есть хорошая база для запуска ИИ‑проектов и вероятность успешных пилотов достаточно высока.

3–4 ответа «да». Потенциал есть, однако перед запуском крупных инициатив стоит устранить наиболее заметные ограничения.

0–2 ответа «да». Начинать стоит не с выбора нейросети, а с наведения порядка в процессах, данных, распределении ответственности и правилах работы с информацией.

Какие ошибки компании совершают чаще всего

Вторая типичная ошибка — запускать пилот без владельца. Во многих компаниях ИИ становится инициативой «для всех»: маркетинг пробует свои сценарии, продажи — свои, HR — свои. Но человека, который отвечает за развитие направления в целом, нет. В результате через несколько месяцев инициативы постепенно затухают, потому что текущие операционные задачи всегда оказываются важнее. Даже если в компании пока нет отдельной AI‑команды, у любого проекта должен быть конкретный владелец с полномочиями принимать решения, координировать участников и отвечать за результат.

Третья ошибка — ожидать, что искусственный интеллект сам разберется в организационном хаосе. Но на деле, если данные противоречат друг другу, процессы нигде не описаны, а сотрудники работают по‑разному, автоматизация лишь начинает воспроизводить эти проблемы быстрее и в большем масштабе. Кстати, именно с такой ситуацией мы столкнулись в одной из сетей медицинских клиник, где работает около двухсот сотрудников. Первоначальный запрос звучал вполне привычно: помочь внедрить искусственный интеллект в работу компании. Однако диагностика показала, что главным ограничением были вовсе не технологии. Процессы выполнялись по‑разному в разных подразделениях, значительная часть знаний существовала только в опыте сотрудников, а единых правил практически не было. Поэтому мы начали с создания небольшого проектного офиса, который последовательно внедряет изменения по отдельным сценариям.

Наконец, четвертая ошибка — оценивать готовность компании по ощущениям. Фразы вроде «у нас с процессами все хорошо» или «мы уже активно используем ИИ» звучат почти на каждой первой встрече. Но когда начинается детальный разбор, оказывается, что процессы существуют только в головах сотрудников, база знаний представляет собой набор папок, а использование искусственного интеллекта ограничивается несколькими энтузиастами.

Именно поэтому мы уделяем столько внимания объективной диагностике — только такой подход позволяет решать проблемы системно. Мы сами прошли этот путь внутри собственной компании. Сегодня все рабочие созвоны автоматически расшифровываются, после чего ИИ‑агенты самостоятельно распределяют материалы по проектам, выделяют задачи, обновляют базу знаний и формируют рабочие документы. Со стороны это выглядит как «магия искусственного интеллекта», но на самом деле эта система появилась благодаря тому, что задолго до этого мы выстроили единые правила хранения информации, описали процессы и договорились, где и как должны жить знания компании.

Этот опыт хорошо показывает закономерность, которую мы наблюдаем практически у всех клиентов: искусственный интеллект редко становится первым шагом изменений. Чаще всего он становится следующим логичным этапом после того, как в компании появляется порядок. Именно тогда ИИ начинает не просто экономить время сотрудников, а действительно менять способ работы бизнеса.

С чего начать после диагностики

А после прохождения диагностики у многих руководителей возникает естественное желание как можно быстрее подтянуть все слабые места, но, повторюсь, это не то, что нужно. Правильно определить два‑три ограничения, которые сильнее всего мешают компании развиваться и сосредоточиться на их устранении, после чего можно будет переходить к ИИ‑преобразованию.