гідно з останнім звітом McKinsey, у 2024 році 78% організацій у світі використовували AI принаймні в одній бізнес-функції. За рік кількість компаній, що інтегрували AI, збільшилась на 23%.
Плюси автоматизації дуже спокусливі. AI може взяти на себе рутину, зменшити кількість помилок, а ще він не втомлюється і не вигорає. Усвідомлюючи, скільки ресурсів можна заощадити, і враховуючи хайп навколо AI, все більше керівників приходять до думки «нам потрібна автоматизація».
Але як зрозуміти, що ваш бізнес справді готовий зустрічати AI, і що автоматизувати насамперед — маркетинг, продажі чи операційку? Чому деякі компанії, що спробували AI, повертаються до ручної роботи? Поговорили з Володимиром Жуковим, AІ-експертом і кофаундером IngestAI.io — стартапу з Кремнієвої долини, який допомагає компаніям автоматизувати бізнес-процеси.
Не можна просто взяти й автоматизувати бізнес-процес
Коли почався хайп навколо штучного інтелекту, більшість компаній одразу вирішили, що їм обов'язково потрібна автоматизація. Сьогодні гуляє багато відео про те, як легко делегувати AI дзвінок у сейлз-відділі або сапорті. Блогери показують «чудеса», як нібито за 40 хвилин можна автоматизувати роботу цілого відділу. Все це створює завищені очікування та міфи про те, що AI легко інтегрується в будь-який процес і одразу дає результат.
Насправді такі рішення працюють лише для дуже маленького бізнесу або соло-підприємців. Коли йдеться про великі компанії з 5000+ співробітників, які мають складну структуру, — все набагато важче. Часто трапляється, що топменеджмент хоче AI, а бізнес-процеси до нього не готові: дані розкидані по різних базах, команди користуються різним софтом, один відділ має доступ до певної інформації, а інший ні.
Тож автоматизація починається не з коду, а з аудиту — щоб розібратись, як компанія влаштована. Наступні пів року йдуть на адаптацію бізнес-процесів під AI. І тільки після цього можна експериментувати з автоматизацією. Це правильний підхід.
Неправильний — коли окремі відділи починають експериментувати з AI самостійно, надивившись роликів в інтернеті. У них щось виходить, і вони йдуть до CEO: «Дивіться, ми автоматизували процес». Але це працює лише локально, у вакуумі. Коли потрібно під’єднати це рішення до загальної IT-інфраструктури, починаються проблеми: безпека, сумісність, контроль даних.
Через це краще впроваджувати AI зверху вниз — тобто спочатку визначити загальну стратегію та правила, призначити Chief Artificial Intelligence Officer, який координуватиме процеси, а вже потім рухатися до конкретних відділів.
Тим часом команди можуть працювати з простішими рішеннями на кшталт ChatGPT або Claude — просто щоби підвищити власну ефективність.
Три запитання, які має поставити собі кожна компанія, перш ніж залучати AI
1. Хто буде за це відповідати?
Має бути людина, яка розуміє весь процес — від маркетингу та ціноутворення до логістики. Її завдання — мати повний доступ до всіх бізнес-процесів та бачити, як вони взаємодіють між собою.
2. Чи готова компанія інвестувати в R&D?
Спершу може бути незрозуміло, який ефект дадуть ці експерименти, і чи дадуть взагалі. Але саме в цей період формується внутрішня експертиза, яка згодом дозволить масштабувати AI з користю для бізнесу.
3. Чи готові ми змінювати бізнес-процеси?
AI не працює за принципом «оплатили підписку — і все автоматизувалось». Це трансформація самої структури роботи компанії. Якщо процеси застарілі, то і найкраща модель не дасть результату.
Починати краще не з продажів або маркетингу, а з операційки
В MIT NANDA (США, 2025) підрахували, що великі компанії інвестували в AI-проєкти близько $40 млрд. Однак 95% цієї суми фактично «згоріли».
Думаю, основна причина в тому, що компанії найбільше поспішають автоматизувати саме продажі та маркетинг. Їм здається, що коли в сейлз-відділі 100 людей розсилають повідомлення клієнтам, то AI може зробити це швидше. Однак усі забувають, що важливо не лише «хто відправляє», але й «хто читає». Коли автоматизованих розсилок стає забагато, люди починають сприймати їх як спам і просто не реагують.
Насправді найбільші резерви для автоматизації знаходяться саме у внутрішніх операційних процесах.
Кейс. У США шкільні підручники мають відповідати вимогам освітніх програм кожного штату, в якому вони використовуються. Ці вимоги часто оновлюються, а про зміни зазвичай ніхто не інформує. Співробітники компанії, яка займається випуском підручників, мали вручну моніторити місцеві освітні сайти й шукати актуальну інформацію. На це витрачалися катастрофічні ресурси.
Згодом компанія автоматизувала цей процес. Тепер, коли з’являються оновлення, система сама аналізує, що змінилося в документах, показує лише релевантні частини, а потім визначає, чи потрібно оновлювати підручники. Це не маркетинг і не продажі, але ROI цього рішення — космічне.
#1. Знайдіть свій bottleneck
Я раджу починати з вузьких процесів, де багато повторюваних дій, висока плинність кадрів та низька мотивація — кол-центри, сортування, виробничі процеси, візуальний контроль. З такою роботою AI справляється краще: не втомлюється та рідше помиляється. Наприклад, він може перевіряти, чи всі елементи покладені в коробку.
В одній великій ритейл-компанії був поштовий хаб, куди щодня надходили тисячі листів від постачальників, маркетингу, контрагентів. Команда з 15 працівників вручну сортувала і перенаправляла листи по відділах. Згодом вони автоматизували цей процес: 13 співробітників перейшли в інші відділи, а двох залишили відповідальними за складні випадки, які AI не під силу. Всі видихнули, бо важку монотонну роботу забрали алгоритми.
#2. Розбийте процес на мікрозавдання
Не намагайтесь автоматизувати великий процес цілком. Краще розбити його на мікрозавдання і крок за кроком рухатися до цілі. У нас був кейс із виробництвом металопластикових вікон: клієнти хотіли повністю автоматизованого AI-агента, який би спілкувався з клієнтом, робив розрахунки та малював макет вікна. Ідея хороша, але реалізувати її одразу було неможливо:
- довіряти всю комунікацію AI занадто ризиковано, тому спочатку він просто витягав з розмови розміри та передавав їх у CRM
- тоді AI ще не міг намалювати коректний макет, але зараз така можливість з'явилась — ми повернулися до клієнта і змогли це реалізувати
Знайти micro можна в будь-якому бізнес-процесі:
Маркетинг. Генерація рекламних креативів для A/B-тестів з людською модерацією — ми не віддаємо роботу маркетолога повністю машині, а лише прискорюємо її.
HR. AI може давати короткі висновки щодо кандидатів або ранжувати резюме, проте фінальне рішення має залишатися за менеджером. Цього нас вчить скандал з Amazon, де алгоритм дискримінував жінок. Все через упереджені тренувальні дані, в яких говорилося, буцімто з 1990 років до сьогодні інженер — це здебільшого чоловіча роль.
Продажі. Автоматична розшифровка зустрічей та внесення нотаток у CRM, витяг ключових фактів з розмови. Менеджеру залишається тільки перевірити правильність.
Як зрозуміти, чи окупиться автоматизація
Перш ніж витрачати ресурси на AI, визначте ROI (Return on Investment) — рентабельність інвестицій.
Спочатку порахуйте витрати й вигоди. До витрат входять не лише вартість програм та обладнання (кількісні), але й навчання команди, інтеграція нових систем, час співробітників, які тестують або адаптують AI (якісні).
Вигоди виміряти складніше. Вони не завжди виражаються лише в грошах. Це може бути:
- економія часу завдяки автоматизації
- швидше ухвалення рішень
- покращений досвід клієнтів
- зростання продажів або лояльності
Щоби порахувати все це точніше, компанії користуються AI ROI Calculator — спеціальними онлайн-калькуляторами, які допомагають зібрати всі цифри докупи. Наприклад: AI ROI Calculator by AI4SP, ROI Calculator by Domino Data Lab.
Є підхід, який допомагає оцінити не лише витрати, але й цінність, яку створює AI. Він називається Total Value of Ownership (TVO) — «загальна цінність володіння». TVO дозволяє побачити довгострокову користь — наприклад, стратегічну перевагу на ринку або покращення іміджу бренду.
Уявімо, що компанія впроваджує AI-чат-бот у службу підтримки клієнтів. На запуск система коштує, скажімо, $50 тис. — це витрати. Зате щомісяця бот обробляє тисячі запитів без участі людей, зменшуючи витрати на кол-центр і прискорюючи відповіді клієнтам. Через рік компанія помічає, що задоволеність клієнтів зросла, а витрати на підтримку знизилися на 30%. Це і є повернення інвестицій в AI, навіть якщо не все можна одразу виміряти грошима. TVO допомагає узгодити інвестиції в AI зі стратегічними цілями.
Що ще варто врахувати
- Balanced Scorecard — система показників, яка допомагає оцінити не лише фінансові результати, але й вплив AI на внутрішні процеси, розвиток команди та клієнтський досвід.
Наприклад, якщо компанія запровадила AI в ланцюг постачання, вона може відстежити, як змінилися терміни доставки, витрати та якість навчання персоналу. Це допомагає побачити повну картину: не лише «чи заробили ми більше», але й «чи стали ми працювати краще». - Сценарний аналіз — створення кількох можливих сценаріїв (оптимістичного, реалістичного та песимістичного), щоб оцінити, як зміниться ROI за різних умов.
Скажімо, ритейл-компанія запускає AI для прогнозування попиту. Вона може перевірити, що станеться, якщо дані будуть дуже точні, якщо середньої якості або якщо ринок зміниться. Так компанія розуміє, які ризики існують і як їх мінімізувати.
Процеси, які потребують широкого контексту, краще залишити людині
Проблема AI в тому, що він не розуміє контексту або поточної ситуації в країні. Наприклад, може створити креатив із політичним персонажем — з Трампом — який буде недоречним. Людина одразу відчує, що креатив не підходить, а машина — ні. ШІ не встигає за змінами у світі, новинами й трендами — він завжди навчається на даних минулого.
Приблизно 80% спроб автоматизувати клієнтський сапорт закінчуються поверненням до ручної роботи. Особливо це стосується великих B2C-компаній — роздрібних мереж або великих інтернет-магазинів.
Бізнес намагається створити AI-агента, який оброблятиме всі звернення — від скарг до запитів. Але на практиці клієнти не спілкуються з ботом так, як очікує модель. Людина ніколи не формулює запит як у тренувальному датасеті.
Клієнт НЕ напише:
«Я замовив телефон моделі X, номер замовлення такий-то. Проблема: невідповідність кольору».
Він напише:
«Я купив доньці телефон на день народження, мав бути рожевий, а прийшов блакитний — дитина в сльозах».
Ще одна зона, яку точно не варто повністю передавати AI, — масові розсилки в LinkedIn. Компанії з цим експериментують, але виходить доволі абсурдно. Наприклад, я щодня отримую повідомлення на кшталт:
«Володимире, ви CEO Стенфорду. У нас є два бекенд-розробники, які можуть допомогти вам у процесах».
Такі повідомлення не просто неефективні — вони шкодять репутації.
ШІ не розуміє емоцій та деталей. Результат — неправильні відповіді, галюцинації, зіпсований досвід клієнта. Тому в процесах, в яких важливо враховувати контекст, де є ризик подвійних трактувань, — обов’язково має залишатися людська модерація.
Я вважаю, що перевірка людиною потрібна майже завжди — виняток лише для стабільних, чітко описаних процесів, які майже не змінюються. Приклад — інформаційні запити. Запитання на кшталт «До котрої працює магазин?», «Чи є товар у наявності?» — ідеально підходять для автоматизації. Тут AI справді економить ресурси.
Чому AI помиляється та що з цим робити
Багато компаній досі не розуміють, що штучний інтелект — це не просто новий софт на кшталт Salesforce. Це про дані та бізнес-процеси. Сам по собі AI — це, по суті, black box: ви подаєте текст, зображення або інші дані, а він видає результат. І цей результат прямо залежить від того, що ви «заливаєте». Якщо вхідна інформація неструктурована або застаріла, то й вихід буде хаотичним.
Ми часто бачимо ситуації, коли різні відділи однієї компанії — фінанси, маркетинг, логістика — намагаються поєднати свої дані, щоб створити єдину систему. Але виявляється, що в бухгалтерії документації взагалі немає, в логістики вона давно не оновлювалась, а маркетинг уже працює за новими схемами, яких ніхто не задокументував. AI бачить суперечності й починає «домислювати»: наприклад, у компанії несподівано з'являються продукти, про які ніхто не чув. І це не через помилку ШІ, а тому, що він не має повної картини.
Щоб запобігти цьому, рекомендую інвестувати в мультиагентну систему, де кілька AI працюють разом і перевіряють один одного. Приклад ми можемо побачити в ChatGPT або інших чат-ботах, коли вмикаємо режим Thinking.
Також можна задати базовий набір правил, який визначає «кордони» компанії та з яким кожен AI-агент звірятиме свої дії. Наприклад:
Звісно, це ускладнює систему та підвищує вартість — бо кожен додатковий агент потребує окремого запиту, і коли їх десятки, витрати ростуть. Але навіть попри це, такі рішення залишаються економічно вигідними.
У нас був клієнт, який обробляв близько 20 тис. дзвінків на день, і навіть при складній мультиагентній архітектурі вся система коштувала компанії близько $2 тис. на місяць. Це невелика ціна за стабільність і контроль.
AI означає скорочення для команди?
В нашому досвіді жодну людину не звільнили через автоматизацію. Зазвичай фахівці переходять в інші відділи. Компанії це вигідно, адже таких працівників не потрібно адаптувати — вони вже знають корпоративну культуру, процеси, команду.
Ба більше, для багатьох це навіть шанс на підвищення. Людина, яка раніше виконувала рутинну роботу, тепер може взяти на себе складніші завдання. Ми маємо приклади, коли після автоматизації працівники отримували інші ролі — наприклад, координували нові напрямки.
Скорочують зазвичай людей, які фактично стали «посередниками» між ChatGPT й клієнтом. Вони просто пересилають відповіді без розуміння змісту: отримали запит — відправили в ChatGPT — переслали відповідь клієнту, потім отримали новий меседж — знову запитали в ChatGPT — і так по колу.
АI вже працює — тож можна видихнути? Ні, не можна
З появою системи на базі AI важливо не просто користуватись нею, а постійно відстежувати її роботу. Це означає налагодити логування — фіксацію всіх дій, запитів та відповідей моделі.
Чому це потрібно? Хмарні сервіси, такі як OpenAI, Anthropic, Google або AI21, регулярно оновлюють свої моделі. Через 2 місяці ваші запити можуть давати інші результати, бо «під капотом» змінилися параметри або підхід до генерації. Якщо не стежити за цими змінами, можна не помітити, що AI почав працювати гірше.
https://tinyurl.com/2vy8c6bn