По данным ведущего консалтингового агентства McKinsey, около 70% проектов по цифровой трансформации и внедрению ИИ не достигают заявленных целей. Но выбрав правильный подход, релевантный задачам бизнеса, можно значительно увеличить операционную эффективность и сократить трудозатраты на 30%. Какие есть варианты — рассказывают Мария Мееревич, ведущий бизнес-архитектор, и Анна Ивочкина, руководитель по реализации проектов в финсекторе, RNT Group (входит в группу «Рексофт»).
Внедрил ИИ — и бизнес процветает?
Согласно исследованиям еще одного ведущего агентства в области консалтинга — Gartner — cвыше 70% банков в мире так или иначе используют ИИ в своей повседневной деятельности. Россия является лидером в этом направлении — согласно опросу Ассоциации ФинТех, 95% финансовых и технологических отечественных организаций применяют решения на базе ИИ.
Наибольшей популярностью пользуются системы анализа данных — 87%, решения для работы с текстом используют 63% респондентов, технологии распознавания речи и компьютерного зрения внедряют 35% и 30% компаний соответственно. По прогнозам Next Move Strategy Consulting объем рынка продуктов, связанных с ИИ, продолжит расти и к 2030 году составит $2 трлн. Эти факторы говорят о широте и масштабности применения, актуальности и неизбежности изменений, которые привносит ИИ. Однако на практике большое количество проектов с ИИ внедряются долго и сложно, не оправдывая ожидания бизнеса и не добавляя ему ценности.
Тренды новые — грабли старые
В погоне за перспективным трендом многие банки продолжают совершать типичные ошибки цифровой трансформации, и, как следствие, более половины проектов в этой области не достигают своих целей. В числе таких ошибок:
Важно понимать, что ИИ действительно лежит в основе принятия быстрых, взвешенных и объективных решений, но не он определяет, кто, в какой момент и каким образом должен выполнять те или иные действия. Системный эффект от использования ИИ невозможен без изменения операционной модели бизнеса и работы над культурой изменений.
К внедрению ИИ стоит подходить как к трансформации модели управления бизнесом. В отличие от стандартного проекта по цифровизации, такой механизм включает изменение системы управления, бизнес-процессов, культуры и подходов к работе. Можно провести аналогию с комплексным подходом при проведении Agile-банковских трансформаций. С этой точки зрения проект централизованного внедрения ИИ, как и внедрения Agile-методологии, важно рассматривать не как инструмент, а как новый виток эволюции для перестроения корпоративной архитектуры.
Два типа проектов — два подхода к внедрению ИИ
На практике реализуется большое количество разнообразных проектов с ИИ, отличающихся контекстом, масштабностью, сложностью. Эти факторы оказывают прямое влияние на выбор подхода к внедрению, его реализацию и наличие зависимостей и рисков. С учетом этих параметров мы рекомендуем рассматривать два типовых подхода к внедрению изменений с ИИ:
В качестве примера первого подхода можно привести проект по проведению централизованных изменений в контакт-центре банка. В рамках такого проекта важно понимать, что есть целый комплекс потенциальных изменений с ИИ, которые трансформируют всю модель его работы. В частности, добавляя чат-ботов и голосовых ассистентов, мы выстраиваем новые операционные процессы, изменяя при этом и существующие. Специалисты, чьи задачи теперь выполняет ИИ, могут быть переключены на выполнение других функций. Также ИИ может, наоборот, создавать новые рабочие роли для сотрудников. Умный сервис обзванивает клиентов, осуществляет мониторинг, скоринг и аналитику, а специалисты работают с полученными данными, оптимизируя производственный процесс.
Принципиальное значение в эффективности такой трансформации будет играть построение целостной и гибкой системы, которая базируется на следующих компонентах:
Наш опыт и практика наших клиентов говорят, что в контексте подобных масштабных задач только комплексная работа на всех 4 представленных уровнях способна обеспечить достижение системного эффекта от использования ИИ и изменения операционной модели бизнеса в контексте ИИ-трансформации банка. Так, итогом проекта по применению ИИ для контакт-центра стало снижение нагрузки на операторов на 30% и рост удовлетворенности клиентов на 15%.
Маркеры для выбора релевантных специалистов
Второй тип проектов эффективнее всего запускать в рамках пилотов. Примером может служить разработка нашего локального решения speech-to-text на базе ИИ. Это программа для обработки онлайн-конференций, которая с помощью перевода записи встречи в текст позволяет быстро погружать в контекст команду или отсутствующих на встрече не ключевых участников. Тем самым сокращается неэффективно затраченное время на тиражирование информации. Данный пример ценен не столько с точки конкретной технологии и логики построения решения, он поможет показать, как можно уменьшить количество препятствий при создании небольшого пилотного решения. На начальном этапе могут возникнуть проблемы — отсутствие свободных ресурсов, необходимость привлечения «дополнительных рук» и бюджета. Часто это означает тяжелый путь согласований в бюджетном комитете и вероятный тупик в виде дилеммы «курица или яйцо» — условием выделения бюджета будет наличие работающего прототипа, который без бюджета не разработать. Оптимальный выход из такой ситуации — заранее поискать ресурсы внутри существующей команды.
Для решения задачи отлично подойдут два типа кандидатов:
Есть и менее очевидные варианты:
Также есть несколько типов сотрудников, которых точно не следует привлекать для решения таких задач:
Проект по разработке решения для обработки онлайн-конференций был во многом реализован собственными силами и занял около 3 недель. С помощью внутренних ресурсов в рамках extra mile мы сделали быстрый прототип и реализацию интерфейса на основе инструмента Gradio — с такими задачами может справиться разработчик любого произвольного стека. Далее провели первичное подключение к целевой библиотеке Whisper-diarization и частичную сборку решения. Окружение, развертывание и подобные задачи были возложены на заинтересованных сотрудников с временным простоем. Со стороны потребовался только data-специалист для выбора целевого решения и для качественной настройки. В результате 50% работ было закрыто собственными ресурсами как extra mile, сотрудники получили позитивный опыт и «очки» для развития. Компания сэкономила время и получила удобное решение, развернутое внутри корпоративного контура и обеспечивающее сохранность конфиденциальной информации. Таким образом, использование внутренних ресурсов отлично работает для реализации локальных проектов.
В заключение можно сказать, что внедрение ИИ в деятельность современной компании – это уже случившаяся реальность и огромный потенциал для развития. Важно определить, с какой именно задачей вы имеете дело – масштабной трансформацией с изменениями на уровне всех ключевых компонентов или с локальным решением – и в зависимости от этого выстраивать стратегию по интеграции технологии в процессы компании.