В этой статье я собрал важные инсайты из двух свежих гайдов OpenAI о внедрении ИИ в бизнес. Узнайте, как большие и не очень компании избежали ошибок и ускорили разработку ИИ-решений, достигнув реальных результатов. Коротко и по делу.
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 попробовали работать с ИИ. Это заметно быстрее, чем распространялся интернет, который за первые два года охватил лишь 20%.
Лидеры показывают лучшие финансовые результаты
Компании, которые активно внедряют ИИ, имеют заметно лучшие бизнес-показатели. Исследование BCG показало: за последние три года выручка таких компаний росла в 1,5 раза быстрее конкурентов. Их доходность для акционеров была выше в 1,6 раза, а рентабельность капитала — в 1,4 раза.
Компании планируют больше инвестировать в ИИ
Несмотря на очевидные преимущества для лидеров, общий уровень внедрения ИИ в разных отраслях остается низким. Опрос McKinsey показал, что лишь 1% компаний считают свои инвестиции в ИИ разумными. Однако 92% компаний планируют увеличить вложения в ИИ. Это свидетельствует о большой вере в будущий потенциал технологии, хотя реальную ценность еще предстоит нащупать.
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% возможной пользы ИИ приходится на основные бизнес-функции — финансы, маркетинг, продажи, разработку продуктов, а не на смелые эксперименты.
Эксперты предметной области — драйверы целевых решений
Сложные ИИ-проекты могут выглядят круто, но часто приводят к задержкам и не соответствуют реальным потребностям пользователей. Но когда ИИ-инструменты попадают к сотрудникам, знающим свои процессы и проблемы лучше всего, тогда создаются действительно работающие решения.
Пример BBVA: Банк BBVA (>125 000 сотрудников) развернул ChatGPT Enterprise для всей организации. Под контролем юристов, службы контроля соответствия (комплаенс) и ИТ-безопасности сотрудникам предоставили возможность самостоятельно создавать ИИ-решения.
Всего за 5 месяцев они разработали более 2900 GPT-приложений. Это позволило сократить сроки реализации проектов — буквально с недель до часов. Этот пример наглядно показывает, как сочетание знаний сотрудников и доступных ИИ-инструментов может 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
Чтобы найти, где ИИ может пригодиться, регулярно собирайте обратную связь у сотрудников об их рабочих сложностях. Попросите их перечислить задачи, в которых они:
Тратят много времени на ручную работу (составьте их «анти-список дел»);
Нуждаются в помощи других команд (например, аналитиков данных или дизайнеров).
Пример промпта для LLM: «Я [должность] в [компания]. Мы внедрили ChatGPT. Каковы лучшие сценарии использования для моей роли?»
Приоритизация: фокус на быстрых победах
Успешные компании не применяют ИИ сразу везде, а начинают с задач, дающих хороший результат при низких затратах.
Часто ИИ внедряют для автоматизации рутинных ручных задач, которые отнимают много времени, но приносят мало пользы. Вот 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» — то есть перечень задач для делегирования ИИ. Этот список включает мониторинг KPI, отслеживание конкурентов и обмен отзывами клиентов через Slack.
Роль лидерства и обучения сотрудников
Успешное внедрение ИИ невозможно без активного участия руководства, которое формирует нужную культуру. Лидеры должны продвигать использование ИИ, поощрять эксперименты и подчеркивать стратегическую важность технологии.
Организации могут значительно ускорить внедрение ИИ и развитие навыков у сотрудников с помощью обучения. Хакатоны, семинары по сценариям использования и программы взаимообучения помогают сотрудникам лучше понять потенциал ИИ и применять его эффективнее.
Итеративная разработка как главный драйвер
Чтобы успешно внедрять ИИ, нужно смотреть на этот процесс иначе, чем на традиционную разработку ПО. Ключевую роль играет итеративная разработка.
Например, Estée Lauder использует системный процесс в «GPT Lab», где междисциплинарные команды 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 Внедрения. Последння использует итеративное развертывание для изучения клиентских сценариев, таких как ChatGPT Enterprise или API. Они часто собирают обратную связь и регулярно выпускают обновления, улучшая производительность и безопасность систем.
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 оценка нужна, чтобы измерять эффективность ИИ-моделей в конкретных рабочих ситуациях. Это помогает добиться нужного качества, обеспечить безопасность и формирует доверие к технологии.
Например: Morgan Stanley работает в фин. услугах, где важны доверие и конфиденциальность, поэтому они начали с внедрения трех типов оценки:
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).
Дообучение моделей для повышения точности и эффективности
Дообучение ИИ-моделей на специфических данных компании часто оказывается лучше, чем использование базовых моделей. Это позволяет:
Повысить точность за счет обучения на уникальных данных (например, каталогах продукции, базах знаний FAQ);
Улучшить понимание отраслевой терминологии;
Выдержать единый тон и стиль коммуникации;
Ускорить получение конечных результатов за счет сокращения времени на ручное редактирование или перепроверку.
Пример Lowe's: Компания Lowe's (Fortune 50, товары для дома) столкнулась с проблемой неполных данных о товарах. Совместно с OpenAI они дообучили модели (GPT-3.5) на своих данных, учитывая специфику поиска товаров покупателями. Эта доработка повысила точность тегирования товаров на 20%, а также эффективность обнаружения ошибок в данных — на 60%.
Масштабное использование ИИ может обходиться дорого из-за больших вычислительных ресурсов и затрат (например, на токены). Дообучение меньших, специализированных моделей помогает сохранить высокую производительность, оставаясь при этом экономически более выгодным.
Пример Indeed: Чтобы эффективно обрабатывать 20 млн сообщений в месяц и избежать больших затрат, Indeed и OpenAI дообучили меньшую модель GPT. Эта модель достигла сравнимых результатов с более крупной, но использовала при этом 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 принадлежит к одному из шести фундаментальных типов. Эти базовые сценарии, или «примитивы», применимы практически во всех отделах компании.
Примитив 1: Создание контента (черновики, редактура, адаптация)
ИИ помогает создавать разнообразный контент:
Составлять резюме звонков продаж;
Готовить черновики документов (таких как стратегии, блоги, тексты для веб-страниц);
Генерировать изображения;
Писать служебные записки (для финансовых отделов);
Формулировать требования к продукту;
Создавать описания продуктов;
Писать заметки о релизах и руководства пользователя (для продуктовых команд);
Разрабатывать планы работы с клиентами;
Писать скрипты звонков и писем (для отделов продаж).
ИИ также хорошо справляется с редактированием, вычиткой, подгонкой текста под стиль компании (можно загрузить соответствующий гайдлайн), переводом и адаптацией контента для различных аудиторий.
Пример Promega: Компания Promega сэкономила 135 часов за полгода, используя ChatGPT Enterprise для создания черновиков email-кампаний. Также он помог с переводом текстов для рекламных материалов.
Примитив 2: Исследования (сбор и анализ информации)
ИИ помогает с различными исследовательскими задачами:
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 так же может обрабатывать большие объемы внутренних документов и выдавать результаты в удобном формате (например, в виде таблиц или списков). Функция «Deep Research» в ChatGPT позволяет самостоятельно искать и анализировать сотни источников, составляя отчеты уровня профессионального аналитика.
Примитив 3: Программирование (генерация кода, отладка, перенос)
Программисты активно используют ИИ для:
Отладки кода, создания его черновиков (особенно на незнакомых языках программирования, как Bash в Tinder);
Переноса кода между языками;
Изучения API и применения «метода резиновой уточки» (объяснение кода ИИ помогает находить ошибки);
ИИ помогает и сотрудникам без навыков программирования: например, маркетологи и финансисты могут создавать Python-скрипты или SQL-запросы, просто описывая задачи на естественном языке.
Пример Tinder: Команда Tinder использует ChatGPT для генерации синтаксиса и работы с документацией API. Инструмент также помогает в решении архитектурных задач, что значительно упрощает рутинную работу разработчиков.
Примитив 4: Анализ данных (объединение, инсайты, визуализация)
ИИ помогает анализировать данные даже тем, 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 сверял миллионы строк в таблицах. Это также позволило автоматически создавать еженедельные отчеты, что сэкономило часы ручной работы. Кроме того, улучшилось качество получаемых инсайтов.
Примитив 5: Идеи и стратегия (мозговой штурм, планирование, обратная связь)
ИИ полезен и 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 (загрузите бриф, и ИИ укажет, чего не хватает);
Создавать планы (например, выхода на новый рынок или расширения географии с учетом 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. Он взаимодействует с макетами интерфейса, предоставляя обратную связь по юзабилити без привлечения реальных людей. Это позволяет избежать соответствующих затрат.
Примитив 6: Автоматизация (рутинные задачи и процессы)
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. Оно автоматически извлекает 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 заметны: доступность необходимых документов выросла с 20% до 80%.
Кроме того, время поиска информации существенно сократилось.
За счет автоматизации рутинных задач и быстрой аналитики консультанты могут больше времени уделять непосредственно 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. Она также помогает в создании их описаний. Это позволяет каталогизировать в 100 раз больше продуктов, существенно расширяя ассортимент, доступный покупателям.
Платформа Verdi также ежедневно анализирует данные миллионов товарных позиций. Благодаря этому точность обнаружения мошенничества для подозрительных товаров выросла почти до 99%.
Klarna: Революция в обслуживании клиентов
ИИ-ассистент компании Klarna помог оптимизировать процессы обслуживания клиентов. Он обрабатывает две трети всех обращений в чате, а также 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 том же высоком уровне, как и при поддержке людьми.
Indeed: Улучшение клиентского опыта через персонализацию
Компания Indeed (сайт №1 по поиску работы на западе) использует модель GPT-4o mini не только для подбора вакансий. Инструмент также служит для персонализации общения с кандидатами.
ИИ генерирует краткие пояснения («why statements»), которые объясняют привлекательность вакансии для кандидата, учитывая его опыт и навыки. Добавление такого контекста и повышение точности подбора увеличило отклики на вакансии на 20%. Вероятность найма также выросла 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 те, кто уже освоился, начинают встраивать ИИ в целые рабочие процессы.
Пример процесса 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!
Такой подход к процессам готовит компании к будущему, где ИИ-агенты смогут выполнять комплексные проекты целиком.
Агентный ИИ: Автономное выполнение сложных задач
Следующим шагом станут «агентные» системы, способные действовать автономно, взаимодействуя с различными инструментами.
Пример: Инструмент «Operator» от OpenAI самостоятельно нажимает кнопки, заполняет формы и выполняет другие действия, имитируя работу человека. Компании уже используют его для автоматизации сложных процессов, например, для тестирования ПО.
Накопительный эффект ранних инвестиций в ИИ
Ценность ИИ-решений проявляется не мгновенно, а растет постепенно с каждой итерацией и накоплением опыта.
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, но и к высокой вовлеченности персонала. 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 две тенденции: с одной стороны, быстрое внедрение ИИ. С другой — потребность в глубокой перестройке существующих процессов и подходов.
Автоматизация рутинных операций — это лишь первый шаг. Настоящая трансформация означает передачу ИИ-инструментов в руки экспертов в предметных областях. Она также требует готовности к фундаментальному апдейту процессов.
Главный вопрос, который стоит сегодня перед компаниями: кто на самом деле поведет ИИ-трансформацию — технологи или ваши собственные эксперты? Ответ на этот вопрос во многом определит будущую конкурентоспособность и успех в новую эпоху.
Глубже погрузится в стратегии внедрения ИИ, включая четырёхэтапный процесс интеграции LLM, оценить готовность вашей компании и узнать, как минимизировать риски, в моей другой 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
