Стоимость эксперимента с новой технологией продолжает снижаться. Проверить идею сегодня можно за вечер, а отдельную задачу передать ИИ-агенту и получить результат за минуты. Для бизнеса это меняет привычную логику внедрения. Теперь вопрос не только в том, что можно сделать с помощью ИИ, но и в том, как встроить его в рабочие процессы так, чтобы это принесло реальную пользу.
Эту тему подробно разобрали на девятом митапе MWS для ИТ-руководителей. Эксперты обсудили, как компаниям работать с неопределенностью, когда внедрять ИИ-агентов, как сохранить управляемость и перестроить процессы так, чтобы технологическое ускорение действительно приносило бизнес-результат.
MWS Meetup — это регулярные встречи для разработчиков, инженеров и ИТ-руководителей, которые проходят онлайн и офлайн. На них специалисты обсуждают практические задачи, связанные с развитием технологий, продуктов и команд, и делятся собственным опытом работы с изменениями.
Итоги предыдущего митапа MWS о том, как ИИ становится виртуальным сотрудником и что для этого нужно менять в инженерных процессах, можно почитать в нашем прошлом материале.
Сегодня поговорим про разрыв между проверкой и внедрением, про то, почему ИИ ускоряет одного, но не всю команду, и про то, что процессы и данные важнее модели. А еще — как совмещать улучшение текущего с экспериментами и почему успех зависит не от скорости, а от подхода.
Проверить идею стало проще, а внедрить все так же сложно
ИИ заметно изменил экономику первого шага. Раньше для проверки идеи нужно было собрать команду, заложить бюджет и потратить несколько недель на разработку. Теперь многие гипотезы можно проверить гораздо быстрее. Но после первого теста работа не заканчивается. Решение еще нужно доработать, проверить и подготовить к полноценному использованию.
Дмитрий Лаптев разделяет этот путь на несколько уровней. Сначала компания проверяет, получится ли реализовать задуманное. Дальше решение нужно довести до рабочего состояния и убедиться, что оно стабильно работает и не создает новых рисков. И только после этого появляется главный вопрос — изменились ли показатели бизнеса или опыт клиента.
Важно не останавливаться на самом факте внедрения. Если новой функцией начали пользоваться, это еще не значит, что она дала результат. Поэтому до запуска стоит зафиксировать основные показатели, а после проверить, как они изменились.
ИИ помогает быстрее проверять идеи, но не гарантирует, что новая концепция дойдет до рабочего решения. В результате компания рискует накопить много незавершенных прототипов, поэтому эксперименты должны помогать не только находить рабочие идеи, но и вовремя отсеивать все, что не дает результата.
Из-за этого задача руководителя смещается. Ему не нужно угадывать, какая технология в итоге окажется успешной. Важно организовать работу так, чтобы неудачные идеи быстро отпадали, а удачные можно было развивать дальше.
Почему ускорение одного человека не ускоряет всю команду?
Практический эксперимент с ИИ-инструментами показывает, что отдельные задачи разработчики стали выполнять быстрее, но на скорость всего процесса это повлияло гораздо меньше. Причина оказалась в распределении нагрузки между этапами.
Когда разработчик с ИИ начинает делать в два раза больше задач, он передает больше работы следующему звену. Скорость работы остальных участников процесса при этом не меняется, и они не успевают обрабатывать такой поток. Возникает эффект пробки: на одном участке работа идет быстро, а на остальных накапливается очередь. Задач в работе становится все больше, но до клиента они доходят не быстрее.
В пилоте MWS это проявилось довольно быстро. Инструменты хорошо приняли команды с разным уровнем зрелости, сотрудники освоили их быстрее ожидаемого, а производительность выросла. Но одновременно увеличились затраты на проверку результатов и ревью, а количество дефектов стало выше. Качество удавалось удерживать благодаря дополнительным усилиям людей.
Получается, внедрение нейросетей вскрыло проблему, которая существовала в командах и раньше, просто была не так заметна. Новая технология сделала очевидными узкие места.
Из этого следует важное изменение подхода к внедрению. Нельзя просто выбрать самый очевидный участок для автоматизации и ожидать пропорционального роста эффективности всей команды. ИИ дает максимальный эффект не тогда, когда помогает перестроить весь участок процесса вокруг нового темпа работы.
Похожую картину Ольга Шутова наблюдала в двухмесячном пилоте ИИ-инструментов. Команды быстро освоили новые возможности, скептиков после практического опыта почти не осталось, а производительность заметно выросла. Но сам эксперимент показал, что одного ускорения разработчиков недостаточно.
Если следующий этап процесса не готов принимать увеличившийся поток задач, преимущество быстро упирается в новое узкое место. Поэтому при внедрении ИИ важно заранее смотреть, как изменение одного участка повлияет на работу всей команды.
Данные и процессы важнее модели
Еще один барьер возникает задолго до появления агента. Нейросеть работает с той информацией и правилами, которые уже существуют внутри компании. Если данные неполные или противоречивые, человек с опытом может заметить проблему и скорректировать решение. Машина способна принять ошибочные значения за норму и продолжить работу на их основе.
Поэтому подготовка данных становится частью внедрения ИИ. То же самое относится и к процессам: нейросеть не сделает компанию эффективнее, если организация сама не знает, как устроена.
Поэтому перед внедрением новой технологии полезно не только искать место, куда ее можно встроить, но и задаваться вопросом, нужен ли существующий процесс в прежнем виде. Нейросеть способна сделать старую операцию быстрее, но иногда выгоднее отказаться от нее и построить новый процесс с учетом возможностей технологии.
Как улучшить текущее и проверить новое
При этом компаниям нельзя полностью переключаться на эксперименты с новыми технологиями. Анастасия Азоркина предлагает одновременно работать с тремя горизонтами. Первый связан с текущими процессами, которые уже доказали свою эффективность и требуют постоянного улучшения. Второй — с экспериментами, позволяющими проверить ближайшие возможности. Третий — со стратегическими ставками, где потенциальный эффект велик, но вероятность успеха пока неизвестна.
Так компания продолжает улучшать то, что уже приносит результат, и одновременно проверяет новые идеи. При этом после эксперимента должно быть понятно, что делать дальше: если сразу проверять десять гипотез, а потом получить непонятный результат, пользы от такого пилота будет мало.
Главное не скорость, а подход к работе
Процесс разработки меняется. ИИ стал доступнее, поэтому компании могут быстрее проверять новые идеи, но одновременно им приходится выбирать, какие из них действительно стоит развивать. В результате главным ограничением становится не скорость разработки, а выбор перспективных направлений.
Дмитрий Лаптев отмечает, что на старте от новых технологий почти всегда ждут большего, чем они могут дать на самом деле. Со временем компании начинают лучше понимать, какие задачи инструмент действительно помогает решать, а какие нет.
С нейросетями этот эффект особенно заметен из-за высокой скорости развития технологии. Компании уже видят возможности агентов, но масштабирование инструментов требует времени, качественных данных, перестройки процессов и системы контроля.
Дмитрий считает, что ИИ не решит все проблемы автоматически. Важно понять не сколько инструментов внедрит организация, а как она перестроит работу вокруг них. Поэтому успех будет зависеть не от того, кто первым запустит ИИ-агента, а от того, кто быстрее поймет, в каких процессах он действительно приносит пользу, и сможет перестроить под него всю цепочку работы — от данных до контроля.
Стресс нельзя просто выключить
Технологии меняют процессы, но за процессами стоят люди, и изменения бьют по ним не слабее. Сергей Харитонов объяснил, как стресс мешает принимать решения и что с этим делать. Сам по себе стресс не враг. Короткая встряска даже помогает — сосредоточиться, быстрее сообразить, выкрутиться из сложной ситуации. Проблемы начинаются, когда человек не успевает прийти в себя и напряжение становится фоновым.
Когда стресс затягивается, мозг перестает нормально работать. Он застревает в режиме «вечная готовность к опасности»: планировать сложно, учиться новому почти невозможно, решения даются с трудом. Вместо того чтобы искать нестандартный ход, человек цепляется за привычные шаблоны — так проще. Для компании это прямая угроза: сотрудники не просто устают, они перестают думать гибко, а значит, команде становится сложнее адаптироваться к тем самым изменениям, ради которых все затевалось.
Поэтому следить за нагрузкой на людей — такая же часть работы с переменами, как настройка процессов или внедрение инструментов. Сергей советует не гадать по косвенным признакам, есть ли стресс, и тем более не ждать, пока он перейдет в хроническую стадию. Лучше обращать внимание на свое состояние, на сон, на то, успевает ли человек восстановиться. И если что-то идет не так — не геройствовать, а идти к специалисту.
Для руководителя это тоже важный урок. Поддержка сотрудников и забота о том, чтобы у них была возможность прийти в себя, — не про «мягкость», а про эффективность. Если люди могут восстанавливаться, очередной виток технологических изменений не становится для них бесконечным источником стресса. А значит, они продолжают думать, а не просто отрабатывать.
Что в итоге?
Сегодня искусственный интеллект влияет не на локальную задачу, а на то, как в целом устроена работа компании. Если раньше организация могла внедрить новый инструмент и оценить его влияние на конкретного специалиста, теперь этого недостаточно. Нужно смотреть на весь поток создания ценности, находить узкие места, заранее фиксировать метрики и понимать, какие изменения произойдут на других этапах.
Одновременно нужно сохранять пространство для экспериментов. Дешевый первый шаг дает бизнесу возможность чаще проверять гипотезы, но ответственность за выбор направления и последствия решений остается у человека.
Главный эффект ИИ для бизнеса заключается в пересмотре самой организации работы. Там, где процессы уже выстроены, технология способна значительно увеличить их эффективность, а там, где они не определены, нейросеть лишь быстрее проявит существующие проблемы.
Поэтому зрелое внедрение начинается с понимания того, какую ценность компания хочет получить, где сегодня возникает ограничение и какие изменения должны произойти во всей системе, чтобы новая скорость действительно дошла до клиента.
Автор: IvanSayHi
