Привет, я Андрей, и более 10 лет занимаюсь автоматизацией. Про ИИ-трансформацию сегодня не говорит только ленивый. Маркетологи обещают, что компании станут в 10 раз эффективнее. Но когда вы оказываетесь в реальной компании с живыми людьми, бардаком в процессах и легаси системах, все красивые обещания моментально испаряются.
В реальности ИИ-трансформация не начинается с нейросетей. Она начинается с очень неприятного вопроса — а что вообще (на самом деле) делают люди в компании каждый день? Не в должностной инструкции и не по названию ролей. А из чего в реальности состоит работа людей в организации: из каких рутинных действий и решений.
И вот в этот момент вы внезапно сталкиваетесь с бизнес-анализом, когнитивным анализом процессов и process mining’ом, как с возможностью впервые увидеть организацию такой, какая она есть.
Что такое бизнес-процесс и зачем его вообще описывают
Бизнес-процесс — это упорядоченная последовательность действий, направленных на достижение конкретной цели. Процессы делятся на основные (зарабатывают деньги), поддерживающие (центры затрат) и управляющие (принятие решений). Если объяснить простыми словами, то бизнес-процесс — это путь от “мы хотим вот такой результат” до “мы этот результат получили” (или цепочка создания ценности).
На этом пути кто-то делает действия, кто-то все проверяет, где-то что-то решается, где-то процесс приостанавливается. Чтобы не держать это в голове, такие процессы принято описывать. Есть даже специальная нотация — BPMN. Она удобна, потому что ее понимают и бизнес, и айтишники. Там все просто:
-
прямоугольники — какие-то конкретные операции: проверить данные, отправить письмо, согласовать документ;
-
стрелки — очередность шагов: что за чем идет;
-
ромбы — принять решение: да / нет / отмена;
-
дорожки — кто именно выполняет действие: человек, роль, отдел или система.
На противоположной стороне от BPMN расположен S-BPM (Subject-Oriented BPM). Этот подход предлагает моделировать не потоки, а коммуникации между субъектами. Субъекты — это люди или системы, которые сообщаются друг с другом и друг другу передают сообщения.
Смысл рисовать такие схемы — чтобы процесс можно было измерить: сколько он по факту занимает времени, где он тормозит, какие этапы самые дорогие и где чаще всего случаются ошибки.
Как вообще описывают процессы — и почему это важно
В BABoK (Руководство к своду знаний по бизнес-анализу) описано более двадцати методов анализа процессов, но мы рассмотрим несколько самых эффективных.
Гемба
Гемба (с японского “место, где добавляется ценность”), то есть производство. Суть такая: руководитель или аналитик погружается в операционку и реально смотрит, как у него работает процесс. Это, безусловно, самый надежный подход к анализу. Правда, гемба — это единоразовое мероприятие, но как зафиксировать всю работу без того, чтобы постоянно стоять “над душой” у каждого сотрудника?
Process mining
Process mining — это такой рентген для бизнеса, он берет логи из реальных систем — ERP, CRM, таск-трекеров — и по записям о реально произошедших событиях восстанавливает реальный ход процесса. Дальше видно: какие операции в процессе больше всего занимают времени, где компания могла застрять на неделю и где сотрудники возвращались и все переделывали. Для анализа процессов часто применяют PM4Py (PM for Python).
Process mining состоит из трех взаимосвязанных задач, совместно дающих полный контроль над реальным ходом процессов.
Во-первых — Исследование процесса (Process Discovery), это своего рода картография процессов: алгоритмы берут журнал событий (event log) и без каких-либо допущений по-новой восстанавливают модель процесса так, как он реально идет на самом деле в формате BPMN.
Во-вторых — Проверка соответствия (Conformance Checking) того, как процесс должен работать, и как процесс реально работает: тут вскрываются пропущенные обязательные шаги, переходы не в том порядке и совсем уж несанкционированные действия. Именно эту часть больше любит менеджмент, ибо позволяют перейти к постоянным автоматическим проверкам.
И наконец — Улучшение процесса (Process Enhancement), когда схема становится настоящей живой моделью: она «чинится» под реальность, добавляется в event logs информация по времени, ресурсам и контексту шага, чтобы видеть настоящие узкие места.
Ну а сверху уже идут специальные алгоритмы: например, уже стандартный Inductive Miner, который работает по принципу “разделяй и влавствуй”: рекурсивно разбивает лог на под-логи через разрезы и в результате выдает дерево процесса, легко конвертируемое в BPMN или сеть Петри. А, например, Генетический Process Mining использует эволюционный поиск через популяцию моделей, скрещивание и мутации. Так он находит очень сложные и нелокальные зависимости, но в то же время очень ресурсоемкий и медленный на больших логах.
Process mining хорошо отвечает на вопрос как работает процесс. Но почти ничего не отвечает о другом, более важном вопросе: что в этом процессе человек делает своей головой.
Интервью
Напоследок было бы неплохо еще и спросить у участников процесса, что они там вообще делают и думают. Но и тут не все так просто — по-настоящему полезным формат интервью делает метод Cognitive Task Analysis, то есть «разбора работы по шагам». Его ценность в том, чтобы понять как мыслит человек: какие ключевые пункты он замечает, от чего он вообще отталкивается при принятии решений, какие последовательности перебирает в голове и где он действует на опыте, а где по алгоритму.
В итоге станет понятно, где в процессе используется человеческое мышление — а где это просто серия повторяемых примитивных операций, замаскированных под экспертизу.
В комбинации все три метода начинают работать друг на друга: process mining показывает фактический уровень метрик и их выполнения, гемба помогает увидеть реальность своими глазами, а интервью вскрывает реальную когнитивную нагрузку в процессе.
И именно после этого процесса можно перейти к тому, чтобы ИИ начал приносить пользу.
Цепочки размышлений: как ИИ имитирует мыслительный процесс
Внезапный скачок в развитии когнитивного анализа людям дали не психологи, а языковые модели. На практике выяснилось, что если заставлять ИИ рассуждать «по-человечески», его уровень решений внезапно повышается. Так появились техники CoT, ToT, GoT и другие-oT.
-
Chain-of-Thought (CoT) — модель заставляют не просто дать ответ, а обосновать его ходом рассуждения — разложить по шагам или смоделировать человеческое мышление, разбивая сложную задачу на логические подзадачи. Однако такой подход реально работает. В логических задачах и очевидных ошибках результат оказывается неплохо так выше бейзлайна.
-
Tree-of-Thought (ToT) — апгрейд CoT, появившийся из идеи, что в реальности люди редко думают по одному варианту. На самом деле обычно они пробуют разные гипотезы, а потом выбирают лучшие. ToT строит дерево решений, где: каждая задача на каждом этапе может быть решена разными вариантами; вариант нужно оценить; с хорошим вариантом идём дальше, иначе возвращаемся.
-
Graph-of-Thought (GoT) позволяет мыслить сетью. Мыслить сетью — это значит представлять мышление как граф, где: узлы — это мысли, а ребра — связи между ними. Мыслью может быть все что угодно — хоть фрагмент текста, хоть решение подзадачи, хоть кусочек контекста.
А современные Large Reasoning Models (LRM, LLM+Reasoning) выдают не только ответ, но и reasoning traces: последовательности рассуждений. Это позволяет в дальнейшем дообучать модели “мыслить правильно” под определенную задачу. Похожим образом обучали DeepSeek.
Как это нам поможет? На самом деле это удобно ложится и на анализ намерений людей. Если раньше на интервью автоматизаторы спрашивали какие кнопки нажимаешь, то теперь они стали почти психологами. Уточняют на что обращаешь внимание в первую очередь, какие мысли посещают при совершении определенного действия и знания из каких областей используются в процессе принятия решения.
Пример когнитивного анализа в рекрутменте
Представим, что рекрутер читает резюме кандидата. Формальная сторона процесса понятна — сверить опыт, сравнить требования, назначить интервью. Но когнитивный анализ интересуется не деятельностью сотрудника, а его мыслями.
Допустим, менеджер видит в резюме прыжки между компаниями и про себя сразу делает вывод, что кандидат слишком легкомысленный. Если разложить эту цепочку, то она будет выглядеть так: «смена работы слишком часто → кандидат оказался нестабильным → высокий риск → отказ».
То же самое и с перерывом в стаже — он заставит рекрутера подумать о том, что у кандидата могло быть эмоциональное выгорание, нарушение трудовой этики и так далее (при этом данные для такого предположения будут отсутствовать).
Рекрутера заставляют проговорить и пошагово выписать его внутренний процесс — что увидел, какая возникла мысль и каким образом она повлияла на финальное решение.
В результате получается некая цепочка рассуждений (или дерево/граф) — над которой уже можно работать. А значит — при желании можно оптимизировать процесс: добавить проверки, стандартизированные вопросы и убрать искажения.
Когнитивные искажения
Когда в ИИ только начали активно использовать цепочки размышлений, это совершенно неожиданно стало крутой находкой не только для использования машинами, но и для анализа работы человека.
Казалось бы, очевидно: если система (или же, опять же, человек) не сразу выбирает ответ, а рассуждает по пути, то качество результата улучшается в разы.
И тут мы подходим к, возможно, самому дискомфортному (и самому полезному) эффекту когнитивного анализа. Когда вы начинаете расписывать решения в цепочки, деревья и графы рассуждений, становится вдруг видно то, что раньше было полностью скрыто: человеческую предвзятость.
Не сознательную. Самую обычную и порой почти анекдотичную. Например, сколько кандидатов не прошли интервью у HR только потому что кандидат был похож на ее бывшего или был “не того” знака зодиака.
Звучит забавно, но когнитивные искажения так и работают: они не выглядят как предвзятая дискриминация, они выглядят как «опыт» и «интуиция». Когнитивный анализ процессов позволяет сделать с этим простое, но радикальное действие: вынести такие эвристики наружу и (возможно) избавиться от них при автоматизации.
Исследования IBM показывают, что совместная работа человека и ИИ действительно делают решения лучше (точнее) только в том случае, если процесс выстроен так, чтобы снижать предвзятость людей. Поэтому когнитивный анализ позволяет очистить процесс от человеческого шума в данных. Но ответственность за процесс с людей никто не снимал.
Ок, у нас есть процесс AS-IS, как нам спроектировать TO-BE?
Путь от AS-IS к TO-BE: и что теперь делать людям?
AS-IS — это зерно истины о том, как на самом деле устроена работа в компании. Но настоящая трансформация только начинается.
Дальше всегда возникает вопрос: а как TO-BE-то сделать? То есть, как все таки будет выглядеть целевой процесс, если мы его автоматизируем и добавим ИИ-агентов?
Помимо того, что нужно правильно отыскать и приоритезировать потенциальные точки автоматизации, самая частая и дорогая ошибка: в TO-BE описали агентов, все интеграции и пайплайны — а про человека забыли. Появляется парадоксальная вещь: ИИ-система не улучшает работу бизнеса не потому, что модель плохая, а потому что никто не подумал о роли человека в этом процессе.
Человек в процессе должен быть не на всякий пожарный случай. Это часть архитектуры TO-BE: человек отвечает за качество, контекст и смысл. Например, в своем канале я делился кейсом, как ИИ помогает прослушивать 10 тысяч звонков в день для колцентра, обучать операторов и улучшать продажи.
Если роль человека не определили, то такой системой сложно управлять. В ином случае появляется масштабируемый гибридный интеллект. Теперь разберем, как это делается правильно.
Первое: уровни вовлечения человека в процесс
В TO-BE-модели всегда выбирается уровень автономности. Их всего четыре.
-
H0 — без вмешательства человека. Агент делает все сам.
-
H1 — человек подтверждает. Агент делает действие — человек редактирует.
-
H2 — человек задает контекст. Человек ставит задачу, а агент делает все остальное.
-
H3 — гибридная работа. Человек и ИИ работают совместно.
Выбор прямо связан с риском, стоимостью ошибки и степенью неопределенности в исходных данных.
Второе: роли человека в TO-BE-процессе
-
Оператор. Исправляет ошибки агента, размечает данные, запускает обратную связь. Именно оператор делает агента умнее — от итерации к итерации.
-
Менеджер. Подключается в крайние случаи. Следит за стабильностью работы и контролирует риски, отвечает за метрики процесса.
-
Оркестратор. Ставит задачи и задает контекст. Этот человек управляет уже интеллектом, а не руками.
-
Эксперт. Лучше всех знает доменную область. Принимает этические и суперответственные решения, задает методологию.
Ну и остаемся мы, архитекторы, кто эти системы проектирует.
Третье: метрики человека
В гибридной системе метрики есть не только у агента. Человек — равноправная организационная единица, и его за перформансом тоже надо следить. Обычно мы смотрим на скорость реакции, качество принятых решений и датасетов, количество ручных действия, стабильность решений, и так далее. В итоге задача человека сводится к сбору качественного датасета для обучения своего ИИ-агента и ответственность за метрики процессов. Так лидеры ИИ-трансформации (преимущественно руководители своих отделов/вертикалей) задают новые методы и стандарты работы, показывая на своем примере достижение новых показателей. Тут отдельно стоит отметить вопрос мотивации: в одной компании сотрудникам угрожают кнутом (“мы вас уволим, если вы сами не научитесь использовать ИИ”; в другой, наоборот, заманивают пряником: включают новые метрики в премию. Кто-то чередует обе стратегии — тут скорее все зависит от культуры компании. Но замечу, что чем в компании сильнее развита инженерная культура и культура экспериментов, тем легче и быстрее проходит внедрение.
Светлое будущее?
В итоге человек и ИИ вместе образуют гибридный интеллект, который становится только лучше за счет новых данных и дообучения. Так со временем компании будущего будут состоять из большого количества малых моделей, каждая из которых лучше всего дообучена решать конкретную задачу.
Сегодня мы узнали, что автоматизация — это про то, чтобы перестать тратить человеческий интеллект на всякую рутину. В AI-First компаниях ИИ забирает на себя основную операционную деятельность, высвобождая людей заниматься креативом, стратегией, архитектурой и работой с VIP-клиентами.
Так что, когда к вам придут автоматизаторы – не бойтесь. Бизнесу нужны ваши мозги.
Поэтому пусть машины займутся своей работой, а у нас хватает и своей.
***
Если вам интересна тема ИИ, подписывайтесь на мой Telegram-канал — там я регулярно делюсь инсайтами по внедрению ИИ в бизнес, запуску ИИ-стартапов и объясняю, как работают все эти ИИ-чудеса.
Автор: Dataist
