6 главных кейсов и стратегии внедрения ИИ | Инсайты от OpenAI
Эта статья представляет важные выводы из двух гайдов OpenAI. Узнайте, как ведущие компании успешно избежали ошибок и ускорили внедрение ИИ для достижения реальных бизнес-результатов.
Оригиналы гайдов:
Содержание:
Новая реальность внедрения ИИ
Почему эксперты эффективнее технарей
От идеи до результата руками экспертов
Как измерить успех и повысить ценность ИИ
Фундаментальные сценарии применения ИИ
Реальные результаты бизнеса
Следующий горизонт: от задач к реинжинирингу процессов
Кто поведет вашу ИИ-трансформацию
01. Новая реальность внедрения ИИ
«Это время, когда вы должны получать преимущества [от ИИ] и надеяться, что ваши конкуренты пока просто играют и экспериментируют».
— Erik Brynjolfsson, Stanford University, Identifying and scaling AI use cases
ИИ распространяется быстрее Интернета
Всего за два года 39% взрослых американцев уже опробовали ИИ. Это значительно быстрее темпов распространения интернета, который за первые два года охватил лишь 20% пользователей. Такой стремительный рост показывает, как быстро ИИ входит в повседневную жизнь и работу, опережая по скорости адаптации предыдущие технологии.
Лидеры показывают лучшие финансовые результаты
Компании-лидеры во внедрении ИИ демонстрируют заметно лучшие бизнес-показатели. По данным исследования BCG за последние три года, такие компании показывают рост выручки в 1,5 раза быстрее конкурентов, их доходность для акционеров выше в 1,6 раза, а рентабельность капитала — в 1,4 раза. Это указывает на прямую связь между лидерством в ИИ и финансовым успехом.
Компании планируют больше инвестировать в ИИ
Несмотря на очевидные преимущества для лидеров, общая зрелость внедрения ИИ в разных отраслях остается низкой. Опрос McKinsey показал, что лишь 1% компаний считают свои инвестиции в ИИ полностью зрелыми. Однако 92% компаний планируют увеличить вложения в ИИ. Это говорит о сильной вере в будущий потенциал технологии и о том, что значительная часть ее ценности еще не раскрыта.
02. Почему эксперты эффективнее технарей
«Мы рассматриваем наши инвестиции в ChatGPT как вклад в наших сотрудников. ИИ усиливает наш потенциал и помогает быть более эффективными и креативными».
— Elena Alfaro, Head of Global AI Adoption at BBVA, AI in the Enterprise
Основная ценность ИИ — в ключевых бизнес-функциях
Анализ показывает, что 62% потенциальной ценности ИИ сконцентрировано в основных бизнес-функциях — финансах, маркетинге, продажах, разработке продуктов, — а не в новаторских экспериментах. Это означает, что для получения существенной отдачи от инвестиций ключевое значение имеет фокус на оптимизации этих фундаментальных операций с помощью ИИ.
Эксперты предметной области — драйверы целевых решений
Сложные ИИ-проекты могут выглядеть впечатляюще, но часто приводят к задержкам и не соответствуют реальным потребностям.
Когда же ИИ-инструменты попадают к сотрудникам, знающим свои процессы и проблемы лучше всего, это позволяет создавать эффективные, целенаправленные решения — зачастую более результативные, чем общие или разработанные исключительно программистами.
Пример BBVA: Банк BBVA (>125 000 сотрудников) развернул ChatGPT Enterprise для всей организации. Под контролем юристов, комплаенс-службы и ИТ-безопасности сотрудникам предоставили возможность самостоятельно создавать ИИ-решения. Всего за 5 месяцев они разработали более 2900 специализированных GPT-приложений. Это позволило значительно сократить сроки реализации проектов (с недель до часов) в таких областях, как оценка кредитных рисков, юридическая поддержка и обслуживание клиентов (например, через автоматизацию анализа тональности отзывов NPS).
Данный пример наглядно показывает, как сочетание глубокой экспертизы сотрудников и доступных ИИ-инструментов способно ускорять инновации.
03. От идеи до результата руками экспертов
«Разработка правильных кейсов означает задавать правильные вопросы... Почему мы хотим создать этот GPT? Какую проблему мы пытаемся решить? Какое влияние он окажет?»
— Charmaine Pek, Director of ChatGPT Enterprise Adoption, Estée Lauder, Identifying and scaling AI use cases
Систематический поиск кейсов через обратную связь
Систематически ищите потенциальные сценарии использования ИИ через сбор обратной связи. Попросите сотрудников перечислить задачи, с которыми они:
Bспытывают трудности;
Тратят много времени на ручную работу (составьте их «анти-список дел»);
Нуждаются в помощи других команд (например, аналитиков данных или дизайнеров).
Пример промпта для ChatGPT: «Я [должность] в [компания]. Мы внедрили ChatGPT. Каковы лучшие сценарии использования для моей роли?»
Приоритизация: фокус на быстрых победах
Компании, успешно внедряющие ИИ, не пытаются применить его сразу и везде. Начинать следует с задач, обеспечивающих высокую отдачу при низких затратах.
Первой областью для внедрения ИИ часто становится автоматизация рутинных ручных задач, которые отнимают много времени, но приносят мало непосредственной пользы. Примеры таких задач:
Подведение итогов встреч, поиск трендов в таблицах;
Создание черновиков требований к продукту:
Ответы на повторяющиеся вопросы клиентов.
CPO компании Launch Darkly Клэр Во ведет свой «анти-список дел» — перечень задач, которые она стремится делегировать ИИ, включая мониторинг KPI, отслеживание конкурентов и обмен историями клиентов в Slack.
ИИ для преодоления пробелов в навыках и неопределенности
ИИ может помочь в ситуациях, когда работа замедляется из-за нехватки у сотрудников специфических знаний или навыков (в анализе данных, программировании, дизайне, написании текстов). К примеру, менеджер по продукту может самостоятельно создать прототип с помощью ИИ, не дожидаясь инженеров.
Например, в интеллектуальной деятельности часто бывает неясен оптимальный путь решения или возникают открытые проблемы, что тормозит проекты. ИИ может помочь: провести мозговой штурм идей для кампаний (например, через голосовой режим ChatGPT), найти инсайты в данных, проанализировать тренды или просто предложить следующие шаги.
Роль лидерства и обучения сотрудников
Успешная интеграция ИИ требует активного участия и поддержки со стороны руководства. Лидеры должны продвигать использование ИИ, поощрять эксперименты и подчеркивать стратегическую важность технологии, формируя соответствующую культуру внедрения.
Организации могут значительно ускорить внедрение ИИ и развитие необходимых навыков у сотрудников через целенаправленное обучение. Хакатоны, семинары по сценариям использования и программы взаимного обучения помогают сотрудникам лучше понять потенциал ИИ и научиться эффективно применять его в своей работе.
Итеративная разработка как главный драйвер
Чтобы успешно внедрять ИИ, нужно относиться к этому процессу как к новой парадигме, отличной от традиционной разработки ПО. Ключевую роль играет итеративная разработка.
Например, Estée Lauder использует системный процесс в своей «GPT Lab». Междисциплинарные команды, включающие бизнес-пользователя, эксперта в предметной области и технического лидера, проходят пять этапов:
Проектирование: Определение цели, объема работ и аудитории в проектном брифе.
Подготовка: Сбор необходимых данных экспертом.
Сборка и Тестирование: Создание и тестирование GPT техническим лидером.
Запуск: Развертывание GPT и создание руководства пользователя.
Корректировка и Масштабирование: Оптимизация решения на основе полученной обратной связи.
Шармейн Пек из Estée Lauder подчеркивает важность постановки правильных вопросов на старте: «Зачем мы создаем этот GPT? Какую проблему он решает? Какое влияние мы ожидаем получить?»
Пример OpenAI также иллюстрирует итеративность: компания разделила команды на Исследовательскую, Прикладную и Вндрения. Последняя использует итеративное развертывание для изучения клиентских сценариев (например, ChatGPT Enterprise, API), часто собирает обратную связь, регулярно выпускает обновления, улучшая производительность и безопасность. Таким образом, пользователи получают ранний доступ к ИИ-достижениям, сформированным с учетом их отзывов.
Важность регулярной переоценки приоритетов
Возможности ИИ быстро развиваются. То, что сегодня требует больших усилий, завтра может стать значительно проще. Поэтому важно периодически (например, ежеквартально) переоценивать ИИ-проекты с помощью матрицы «Влияние/Усилия».
04. Как измерить успех и повысить ценность ИИ
«Мы видим много возможностей инвестиций в эту новую инфраструктуру [ИИ], что поможет нам увеличить доходы».
— Chris Hyams, CEO, Indeed, AI in the Enterprise
Систематическая оценка — залог доверия и качества
Строгая и систематическая оценка необходима для измерения производительности ИИ-моделей в конкретных сценариях использования по заранее заданным критериям. Это обеспечивает требуемое качество, безопасность и формирует доверие к технологии.
Например: Компания Morgan Stanley, работающая в сфере финансовых услуг, где важны доверительные отношения с клиентами и конфиденциальность, начала с внедрения трех типов оценки для повышения эффективности финансовых консультантов:
Оценка точности и качества перевода информации.
Оценка качества резюмирования (анализ точности, релевантности и связности резюме).
Сравнение результатов работы ИИ с эталонными ответами экспертов (оценка точности и релевантности людьми).
Эти оценки позволили компании с уверенностью внедрять ИИ и создали механизм для постоянного улучшения через обратную связь от экспертов.
Дообучение моделей для повышения точности и эффективности
Дообучение ИИ-моделей на специфических данных компании дает ряд преимуществ перед использованием общих моделей. Это позволяет:
Повысить точность за счет обучения на уникальных данных (например, каталогах продукции, базах знаний FAQ);
Улучшить понимание отраслевой терминологии;
Обеспечить согласованный тон и стиль коммуникации;
Ускорить получение конечных результатов за счет сокращения времени на ручное редактирование или перепроверку.
Пример Lowe's: Компания Lowe's (входит в Fortune 50, специализируется на товарах для дома) столкнулась с проблемой неполных или противоречивых данных о товарах, поступающих от тысяч поставщиков. Совместно с OpenAI они дообучили модели (GPT-3.5) на своих данных, учитывая специфику поиска товаров покупателями. Эта доработка позволила повысить точность тегирования товаров на 20% и эффективность обнаружения ошибок в данных — на 60%.
Масштабное использование ИИ может требовать значительных вычислительных ресурсов и затрат (например, на токены). Дообучение меньших, специализированных моделей позволяет сохранить высокую производительность при большей экономической эффективности.
Пример Indeed: Чтобы эффективно обрабатывать более 20 миллионов сообщений в месяц без чрезмерных затрат на токены, OpenAI и Indeed совместно дообучили меньшую модель GPT. Эта модель достигла результатов, сравнимых с производительностью более крупной модели, но при этом использовала на 60% меньше токенов.
05: Фундаментальные сценарии применения ИИ
«Отзывы консультантов были в подавляющем большинстве положительными. Они стали активнее общаться с клиентами, и последующие действия, на которые раньше уходили дни, теперь выполняются в течение нескольких часов.»
— Elliott, Head of Firmwide Generative AI Solutions, Morgan Stanley, AI in the Enterprise
Анализ OpenAI более 600 сценариев использования ИИ показал, что большинство из них относятся к одному из шести фундаментальных типов, или «примитивов», применимых практически во всех отделах компании.
Примитив 1: Создание контента (черновики, редактура, адаптация)
ИИ помогает в создании разнообразного контента:
Составлении резюме звонков продаж;
Подготовке черновиков документов (таких как стратегии, блоги, тексты для веб-страниц);
Генерации изображений;
Написании служебных записок (для финансовых отделов);
Формулировании требований к продукту;
Создании описаний продуктов;
Заметок о релизах и руководств пользователя (для продуктовых команд);
Разработке планов работы с клиентами;
Скриптов звонков и писем (для отделов продаж)
ИИ также эффективно справляется с редактированием, вычиткой, адаптацией текста к стилю компании (можно загрузить соответствующий гайдлайн), переводом и адаптацией контента для различных аудиторий.
Пример Promega: Компания Promega сэкономила 135 часов за полгода благодаря использованию ChatGPT Enterprise для создания черновиков email-кампаний и перевода текстов для рекламных материалов (по словам Кари Зигенталер, Маркетингового стратега).
Примитив 2: Исследования (сбор и анализ информации)
ИИ способен решать различные исследовательские задачи:
Быстрое изучение новых тем (например, особенностей внедрения ИИ);
Поиск статей или данных о конкурентах;
Исследование новых отраслей или целевых аудиторий (в интересах продаж и маркетинга);
Поиск бенчмарков по компаниям или стандартам учета (для финансовых отделов);
Оценка рыночного потенциала, анализ отзывов клиентов (для продуктовых команд), оценка поставщиков (для ИТ-отделов);
Обзор API или технической документации (для разработки ПО)
ИИ может обрабатывать большие объемы внутренних документов и представлять результаты в удобном формате (например, в виде таблиц или списков). Функция «Deep Research» в ChatGPT способна самостоятельно искать и анализировать сотни источников, составляя отчеты уровня профессионального аналитика.
Примитив 3: Программирование (генерация кода, отладка, перенос)
Инженеры-программисты активно используют ИИ для:
Отладки кода, создания его черновиков (особенно на незнакомых языках программирования, как, например, Bash в Tinder);
Переноса кода между языками, изучения API и применения «метода резиновой уточки» (объяснение кода ИИ помогает находить ошибки);
Сотрудники без навыков программирования также могут использовать ИИ: например, маркетологи и финансисты создают Python-скрипты или SQL-запросы, формулируя задачи на естественном языке.
Пример Tinder: Команда Tinder использует ChatGPT для генерации синтаксиса, работы с документацией API и решения архитектурных задач, что значительно упрощает рутинную работу разработчиков (по словам Криса Фуллера, Инженера-программиста).
Примитив 4: Анализ данных (объединение, инсайты, визуализация)
ИИ помогает анализировать данные даже тем сотрудникам, кто не владеет Excel, SQL или Python на продвинутом уровне. Он может:
Объединять данные из разных таблиц;
Находить тренды в структуре расходов (для финансовых отделов);
Интерпретировать скриншоты дашбордов (для маркетинга);
Анализировать отзывы клиентов или данные из CRM-систем (для продуктовых команд);
Выявлять перспективных клиентов (для отделов продаж);
Форматировать полученные результаты для включения в отчеты.
Пример Poshmark: Компания Poshmark использовала ChatGPT для генерации Python-кода, который позволил сверять миллионы строк в таблицах и автоматически создавать еженедельные отчеты. Это сэкономило часы ручной работы и улучшило качество получаемых инсайтов (по словам Родриго Брумана, CFO).
Примитив 5: Идеи и стратегия (мозговой щтурм, планирование, обратная связь)
ИИ выступает полезным инструментом для стратегического мышления:
Он помогает проводить мозговой штурм идей (например, для постов в блог или маркетинговых кампаний);
Структурировать сложные документы;
Выявлять потенциальные проблемы в разработанной стратегии;
Давать обратную связь по выполненной работе (можно загрузить бриф и попросить ИИ указать, чего не хватает);
Создавать планы (например, план выхода на новый рынок или расширения географии с учетом потенциальных рисков), а также отрабатывать презентации (используя голосовой режим);
Мультимодальные модели ИИ позволяют взаимодействовать с ними не только текстом, но и голосом, и через изображения.
Пример Match Group: Match Group использует GPT-4 для симуляции фокус-групп: ИИ выступает в роли пользователя и взаимодействует с макетами интерфейса, предоставляя обратную связь по юзабилити без необходимости привлекать реальных людей и нести соответствующие затраты.
Примитив 6: Автоматизация (рутинные задачи и процессы)
ИИ позволяет автоматизировать повторяющиеся задачи, используя память и кастомные инструкции (например, через создание специализированных GPT). Примеры автоматизации включают:
Подготовку еженедельных отчетов по действиям конкурентов;
Создание сводок по итогам вебинаров (для маркетинга);
Формирование резюме обновлений по запуску продукта;
Подготовку кратких сводок по встречам для публикации в Slack (для продуктовых команд);
Составление еженедельных финансовых обзоров с автоматическими оповещениями (для финансовых отделов);
Анализ архитектуры ПО на предмет потенциальных рисков (для ИТ-отделов).
Пример BBVA: GPT-приложение Credit Analysis Pro, созданное в BBVA, помогает аналитикам кредитных рисков, автоматически извлекая необходимые данные из финансовых отчетов, оценок ESG и публикаций в прессе.
06. Реальные результаты бизнеса
«Мы значительно сократили объем ручной работы и улучшили скорость, точность, коммуникацию и поиск новых идей. Я вижу, как повышается эффективность работы каждого».
— Rodrigo Brumana, CFO, Poshmark, Identifying and scaling AI use cases
Morgan Stanley: Повышение производительности сотрудников
В Morgan Stanley 98% финансовых консультантов ежедневно используют ИИ. Результаты ощутимы: доступность необходимых документов выросла с 20% до 80%, время поиска информации значительно сократилось.
Благодаря автоматизации рутинных задач и быстрой аналитике консультанты могут больше времени уделять непосредственной работе с клиентами.
Mercado Libre: Оптимизация процессов и безопасность
Компания Mercado Libre использует платформу «Verdi» с моделью GPT-4o mini Vision для автоматического тегирования товаров и создания их описаний. Это позволяет каталогизировать в 100 раз больше продуктов, значительно расширяя ассортимент, доступный покупателям.
Платформа Verdi также ежедневно анализирует данные миллионов товарных позиций, что позволило повысить точность обнаружения мошенничества для подозрительных товаров почти до 99%.
Klarna: Революция в обслуживании клиентов
ИИ-ассистент компании Klarna позволил оптимизировать процессы обслуживания клиентов. Он обрабатывает две трети всех обращений в чате, сократил среднее время решения вопроса с 11 до 2 минут.
По прогнозам, это принесет компании $40 млн дополнительной прибыли. При этом уровень удовлетворенности клиентов остался на прежнем высоком уровне, сопоставимом с поддержкой, оказываемой людьми.
Indeed: Улучшение клиентского опыта через персонализацию
ИИ позволяет делать взаимодействие с клиентами более релевантным и отзывчивым. Обрабатывая большие объемы данных, ИИ может создавать коммуникацию, которая воспринимается как более персонализированная и человечная.
Компания Indeed (сайт №1 по поиску работы) использует модель GPT-4o mini не только для подбора релевантных вакансий, но и для персонализации общения с кандидатами. ИИ генерирует краткие пояснения («why statements»), объясняющие, почему конкретная вакансия подходит кандидату с учетом его опыта и навыков.
Добавление такого контекста и повышение релевантности с помощью ИИ увеличило число откликов на вакансии на 20% и вероятность найма — на 13%.
07. Следующий горизонт: От задач к реинжинирингу процессов
«Мы рассматриваем каждый бизнес-процесс — от юридического до исследовательского, производственного и коммерческого — и думаем, как перестроить их с помощью ИИ.»
— Stéphane Bancel, CEO, Moderna, Identifying and scaling AI use cases
Переход от автоматизации задач к сквозным процессам
На начальном этапе ИИ часто используют для автоматизации отдельных задач (например, редактуры текстов или создания черновиков). Однако более опытные пользователи начинают встраивать ИИ в целые рабочие процессы.
Пример из маркетинга: Исследование рынка -> Анализ полученных данных -> Мозговой штурм для разработки стратегии -> Создание контента и его перевод на разные языки — все это с помощью ИИ!
Мышление в рамках подобных сквозных процессов готовит компании к будущему, в котором ИИ-агенты смогут выполнять комплексные проекты целиком.
Агентный ИИ: Автономное выполнение сложных задач
Следующим шагом в развитии ИИ станут «агентные» системы, способные действовать автономно, взаимодействуя с различными инструментами и системами.
Пример: Инструмент «Operator» от OpenAI способен самостоятельно нажимать кнопки, заполнять формы и выполнять другие действия, имитируя работу человека в веб-браузере. Предприятия уже используют его для автоматизации сложных процессов: например, для автоматизации тестирования и контроля качества программного обеспечения (Operator взаимодействует с веб-приложениями так же, как это делал бы пользователь).
Необходимость фундаментального реинжиниринга процессов
Главный потенциал ИИ заключается не просто в автоматизации существующих задач, а в фундаментальном перепроектировании самих бизнес-процессов.
Стефан Бансель, CEO компании Moderna, говорит о необходимости «рассматривать каждый процесс — от юридического до производственного — и думать, как перестроить его с помощью ИИ». Чем больше сотрудники работают с ИИ над задачами реинжиниринга процессов, тем больше новых возможностей для оптимизации и трансформации они находят.
Накопительный эффект ранних инвестиций в ИИ
Ценность ИИ-решений проявляется не мгновенно; она растет постепенно, с каждой итерацией внедрения, по мере накопления опыта внутри компании. Ранний старт позволяет со временем получить значительные преимущества.
Пример Klarna: Компания Klarna внедрила ИИ-ассистента для поддержки клиентов. Эффект от внедрения проявился не сразу, а стал результатом постоянного тестирования и доработки системы.
Ранние инвестиции привели не только к прямой финансовой выгоде (сокращение времени решения вопросов), но и к тому, что сейчас 90% сотрудников Klarna ежедневно используют ИИ в своей работе. Такая высокая вовлеченность позволяет Klarna быстрее запускать внутренние инициативы и улучшать клиентский опыт во всех аспектах своего бизнеса.
08. Кто поведет вашу ИИ-трансформацию
«Каждый раз, когда я делаю что-то раздражающее, я спрашиваю себя, как мне не делать этого снова [с ИИ]?»
— Claire Vo, Chief Product and Technology Officer, Launch Darkly, Identifying and scaling AI use cases
Мы наблюдаем столкновение двух мощных сил: с одной стороны, головокружительной скорости внедрения ИИ, а с другой — необходимости глубокой, вдумчивой перестройки существующих процессов и самого образа мышления.
Автоматизация рутинных операций — это лишь первый шаг; настоящая трансформация бизнеса требует передачи ИИ-инструментов в руки экспертов в предметных областях и готовности к фундаментальному реинжинирингу процессов.
Главный вопрос, стоящий сегодня перед компаниями: кто на самом деле поведет ИИ-трансформацию — технологи или ваши собственные бизнес-эксперты? Ответ на этот вопрос во многом определит будущую конкурентоспособность и успех в новую эпоху.
Глубже изучите стратегии внедрения ИИ, включая четырёхэтапный процесс интеграции LLM в бизнес, оцените готовность вашей компании и узнайте, как минимизировать риски, в моей статье:
Зачем бизнесу LLM: стратегический взгляд
Как ИИ экономит деньги, ускоряет работу и дает преимущество. Простые шаги внедрения и реальные кейсы — для компаний любого размера
Об авторе: Юрий Туривный — продакт-инноватор с опытом запуска и масштабирования ИИ-решений. 10+ лет в продуктовой разработке