Привет! Я Ярослав Шмулев, CEO R77 AI.
Кто из нас в такой ситуации не бывал? Внедрили AI, закрыли пилот, приходим докладывать об эффектах. Команда говорит, что работать стало быстрее. Руководитель видит результат. А CFO, финансовый директор, смотрит на наши цифры и не верит.
И, кстати, правильно делает.
Давайте разберём, с чем к нему приходить, как считать эффект и что делать, если экономика проекта сейчас вообще не сходится.
Посчитали на коленке? Так не делается
Для примера возьмём контакт-центр. Это служба, в которую клиенты звонят и пишут со своими вопросами. Мы подключили AI: он подсказывает операторам ответы, часть обращений закрывает сам, сложные передаёт людям. Теперь надо решить, что делать дальше с этим внедрением.
Допустим, эффект мы посчитали на коленке из опроса сотрудников. Спросили, стало ли удобнее работать. Нам ответили: да, стало. С этим и пришли к CFO.
Так не делается. У нас контакт-центр, а он - очень хорошо оцифрован. У нас есть обращения, время их обработки, данные о том, чем они закончились.
Берём исторические данные, например за последний квартал, считаем метрики. В нашем кейсе можно начать со среднего времени закрытия обращения по всему потоку, включая обращения с AI и без него. Если агент действительно закрывает часть вопросов и работа ускорилась, это должно быть видно в цифрах. Заодно проверяем, насколько сопоставимы периоды по нагрузке и составу запросов.
Для начала считаем среднее время от поступления обращения до его закрытия, а затем сравниваем его до и после внедрения:
Здесь
— время закрытия отдельного обращения, 
— число закрытых обращений за период. Если разница положительная, среднее время сократилось. Только не забываем про сопоставимость обращений и качество ответа: иначе можно получить красивую цифру, которая мало что говорит об эффекте AI. И ещё: время до закрытия включает ожидание, поэтому напрямую переводить его в сэкономленные часы операторов нельзя.
Хорошо, мы посчитали. Видим, что время сократилось. Это и есть потенциальный эффект. Но эффект со звёздочкой. Далее обсудим, что с этой «звездочкой» делать.
А что если изменения не видно? Сначала проверяем данные и то, как агент встроен в работу. Возможно, ему передали слишком мало обращений или операторы тратят много времени на проверку ответов. Смотрим, можно ли получить эффект за счёт доработки решения, изменения процесса или роста объёма работы. Если убедительного расчёта нет, проект можно, даже нужно, закрыть. Далеко не всем ИИ пилотам - жить.
Что будет происходить с бизнесом дальше?
Вот тут важный момент. После того как мы показали изменение в цифрах, нам ещё нужно превратить его в бизнес-эффект. Это и есть та самая «звездочка». Как превратить сэкономленное время в бизнес эффект - очень сильно зависит от стратегии компании. Что будет с бизнесом в следующем году? Он растёт? Остаётся таким же? Какие задачи у нас вообще стоят?
Если объём работы остаётся прежним, смотрим на фонд оплаты труда. У нас высвободился ресурс, значит, можно пересмотреть модель численности и план найма. Дальше считаем, как это повлияет на расходы.
Если бизнес растёт, можем обслуживать больший объём той же командой. Условно, продаём больше кредитных карт, получаем больше обращений в поддержку. Команда работает производительнее, фонд оплаты труда сохраняем. Так мы сдерживаем рост расходов: прикидываем, сколько людей пришлось бы нанять без AI, и сравниваем с новым планом.
Есть третий вариант. У нас высвободились люди, и мы направляем их на другие задачи, например, допродажи банковских продуктов. Перераспределяем затраты между подразделениями и смотрим, какой результат сотрудники принесут там. Сам перевод людей ещё ничего не говорит о суммарной экономии компании.
Поэтому одинаковое ускорение у двух компаний может привести к разным результатам. Дальше всё упирается в то, что бизнес собирается делать с этим ресурсом.
Про пики нагрузки тоже не забываем
Мы посмотрели, как использовать высвободившийся ресурс при обычной нагрузке. Есть ещё одна вещь, которую стоит учесть: обращения приходят неравномерно.
Например, сегодня у нас вышла маркетинговая акция. Обращений посыпалось в десять раз больше. Всё, мы не справляемся. Сколько клиентов дождётся ответа? Сколько заявок мы обработаем? Сколько пользователей вообще сможет воспользоваться нашей услугой?
Здесь AI может помочь пройти пик. Во многих компаниях поток обращений связан с объёмом бизнеса. Например, в кредитном процессе какая-то доля заявок всё равно требует ручной работы. Растёт общий поток, растёт и эта часть. Это называют ещё «драйвером» модели численности. Если агент забирает на себя часть нагрузки, мы можем гибче планировать команду - уметь справлять с повышенной нагрузкой и, наоборот, не быть недоутилизированными в моменты просадки.
Поэтому, когда считаем эффект, смотрим и на такие периоды. Что произошло с очередью, со скоростью решения вопросов, с результатом для клиента? Здесь ключевой момент: раньше численность такой команды рассчитывалась от объёма бизнеса. Больше клиентов и обращений, значит, нужны новые сотрудники. AI позволяет ослабить эту прямую связь: обслуживать растущий поток без пропорционального роста команды. Насколько это получилось на практике, покажут данные о нагрузке и качестве.
Сколько стоит весь этот эффект
Хорошо, мы разобрались, где AI может принести пользу. Теперь считаем, во сколько она нам обходится. Конечно, мы же к CFO пришли. О чём ещё с ним разговаривать?
Мы хотим сэкономить на работе операторов, а к нам приходят с расходами на токены, лицензии, инфраструктуру, разработчиков. Ещё агента потом надо поддерживать. Что-то вообще сойдётся?
Для этого считаем TCO, полную стоимость владения. Токены здесь часть расходов на использование модели. Агенту и после запуска нужны сопровождение и обновления, даже если новую функциональность мы пока не разрабатываем.
Схематично расчёт выглядит так:
Берём один и тот же период для расходов и результата. Общую инфраструктуру учитываем в той доле, которая приходится на проект, а расходы на запуск и дальнейшую работу не записываем дважды. Затем сопоставляем стоимость с денежным результатом от внедрения относительно сценария без AI. Можно учитывать ещё ставку дисконтирования и стоимость материальных потоков - но это уже для профессиональных финансистов.
И экономика не обязана сходиться в каждом кейсе.
Давайте крайний пример. У вас один оператор поддержки и двадцать обращений в месяц. Зачем туда внедрять агента? Если у вас десятки или сотни тысяч обращений и заметную часть можно обрабатывать автоматически, тут уже возможна экономия. Но её всё равно надо посчитать.
С инфраструктурой та же логика. Для конкретного внедрения могут понадобиться общая платформа для моделей и подготовка данных. Платформенные решения, как и инфраструктуру правильнее «размазывать» на несколько кейсов - иначе экономика никогда не сойдется. Например, чтобы запустить автоматическую аналитику, сначала нужно описать данные и привести их в порядок, чтобы система могла с ними работать. Это тоже вложения в проект.
Их отдачу смотрим через конкретные внедрения, которым эта инфраструктура нужна. Считаем, какие задачи она поможет решить, какого эффекта мы ждём и сколько всё вместе будет стоить. Так у нас появляется полная картина расходов, с которой уже можно проверять экономику.
Если сейчас экономика не сходится
Посчитали расходы, сопоставили с эффектом и увидели: сейчас проект не окупается. Дальше у нас два варианта: закрыть его или проверить, может ли экономика сойтись позже.
Само по себе обещание будущего эффекта CFO не убедит. Нужен расчёт.
Например, мы ожидаем рост бизнеса и обращений. Или видим, что дополнительный функционал позволит агенту обрабатывать больше задач. Давайте посчитаем оба сценария: какой эффект они дадут, сколько будет стоить доработка и когда всё это окупится. Если расчёт показывает, что через три года экономика сходится, его уже можно обсуждать с CFO. Если нет, продолжать проект только потому, что все внедряют AI, смысла может и не быть.
Дальше показываем расчёт. Какой рост мы закладываем? Смотрим, что он означает для нагрузки на поддержку и сколько будет стоить обслуживание этого объёма. И отдельно проговариваем, на каких предположениях всё держится.
Мы работаем с крупными компаниями. Для них три года бывают очень коротким сроком. Глазом моргнул, три года прошло. Поэтому такой горизонт вполне имеет смысл обсуждать.
И тут важная оговорка: оно опять же не обязано сойтись. Может оказаться, что окупаемость наступит через двадцать лет. Может быть, тогда вообще не надо.
Вот теперь у нас есть с чем идти к CFO. Мы посчитали, что изменилось после пилота, и понимаем, как собираемся использовать высвободившийся ресурс. Учли расходы на само решение и необходимую инфраструктуру. Если эффект ожидаем позже, можем объяснить, откуда он должен взяться и при каких условиях. Дальше считаем и защищаем.
Вся логика в одной схеме
Собрал всё, о чём мы говорили, в одну последовательность. Её можно использовать как отправную точку для разговора о вашем внедрении.
