Большинство компаний хотят, чтобы их первый настоящий ИИ-проект был впечатляющим: новая функция для клиентов, интересная идея продукта, что-то, о чём стоит объявить. Это желание понятно, но играет против них. Витринный проект обычно автоматизирует процесс, которого раньше никто не касался, не имеет установленного способа проверить, верен ли результат, и несёт реальные издержки, если публично провалится. Команда, которая его ведёт, одновременно осваивает инструмент, рабочий процесс и критерии успеха — и любой из этих трёх элементов может пойти не так.
Почему скучное побеждает витринное
Первый скучный проект делает обратное. Он нацелен на что-то, что происходит часто, имеет правильный ответ, который человек может проверить за секунды, и не наносит реального вреда, если первые попытки посредственны. Никто не помнит тихое внутреннее исправление. Все помнят публичный провал, а публичный провал часто надолго отбивает у компании желание снова пробовать ИИ.
Как выглядит скучное на практике
Разметка или маршрутизация входящих обращений по типу до того, как их возьмёт сотрудник. Черновик первого ответа на вопрос, который приходит каждую неделю, — человек редактирует его перед отправкой. Извлечение структурированных данных из формы или счёта в таблицу. Краткое резюме длинного документа перед встречей вместо чтения с нуля. Ничего из этого не станет интересным кейсом. Всё это происходит десятки раз в неделю — и в этом весь смысл.
Представим, гипотетически, небольшую логистическую компанию, чей первый ИИ-проект — сортировка входящих писем по трём папкам до того, как их кто-то прочитает. Никто за пределами компании об этом никогда не услышит. Сотрудник, который раньше вручную разбирал этот ящик, замечает, что накопившихся писем стало меньше, — и это вся история успеха, которая нужна на этом этапе.
Преимущество частоты
Задача, которая случается дважды в месяц, никогда не даст достаточно попыток, чтобы понять, действительно ли инструмент работает или вам просто дважды повезло. Задача, которая случается пятьдесят раз в месяц, даёт реальную выборку за несколько недель. Именно частота, а не эффектность, позволяет бизнесу отличить хороший результат от совпадения.
Цена публичного провала
Внутренняя задача с низкими ставками, если что-то идёт не так, замечается на следующей попытке и тихо исправляется. Витринный запуск для клиентов, если он проваливается, виден всем, и желание запускать второй ИИ-проект внутри компании часто сжимается вместе с ним. Начав с малого, вы защищаете проекты, которые должны последовать за первым.
Как выбрать настоящий первый проект
Составьте список повторяющихся задач, уже существующих в бизнесе, и оцените каждую по двум признакам: как часто она случается и насколько дёшево заметить и исправить неверный результат. Задача, которая хорошо проходит по обоим критериям, — та, с которой стоит начать, а не та, что будет выглядеть эффектнее на совещании. Когда этот первый, невзрачный проект заработает и появится доверие к пониманию, где он справляется, а где всё ещё нужен человек, это понимание напрямую перенесётся на следующий, чуть более амбициозный проект.
Полезно также заранее решить, кто будет проверять результаты в первые недели, и задать простой критерий успеха: стало ли меньше времени уходить на задачу, стало ли меньше ошибок, освободилось ли у сотрудника время на что-то другое. Без такого критерия трудно понять, стоит ли расширять первый проект или его нужно доработать, прежде чем строить на нём что-то ещё.
где ИИ реально помогает малому бизнесу даёт более широкую карту, в которую вписывается эта статья. Наша команда обычно начинает работу с новыми клиентами с самой скучной задачи в их списке, а не с самой эффектной, потому что это самый быстрый способ понять, каким должен быть второй проект.
