Прикладной ИИ не работает

Мир потратил целое состояние на ИИ. Для большинства предприятий ничего не изменилось. Я общался с более чем 300 генеральными директорами, IT-директорами и финансовыми директорами крупнейших компаний мира. Я понял, что большинство компаний применяют ИИ к своим «мусорным» процессам, и в итоге просто ускоряют производство мусора. Будь то покупка тысяч лицензий Claude Code, ежегодные траты на токены в $50 млн или проведение тренингов по ИИ через Zoom, я воочию видел, насколько неэффективным было внедрение ИИ. Так быть не должно.

Мы уже проходили этот путь, причем неоднократно, и нам стоит извлечь уроки из истории, когда речь заходит о внедрении ИИ. Я надеюсь, что к концу этой статьи лидеры в области ИИ по всему миру перестанут использовать свои архаичные и наивные методы применения ИИ и вместо этого последуют проверенному и испытанному процессу, описанному ниже.

Часть 1: История и ее параллели

В 1990 году бывший профессор компьютерных наук Массачусетского технологического института по имени Майкл Хаммер написал статью для Harvard Business Review. Он уже провел годы внутри компаний, которые тратили огромные суммы денег на компьютеры, но получали очень низкую отдачу от инвестиций, и он был одним из первых, кто понял, почему.

«Крупные инвестиции в информационные технологии принесли разочаровывающие результаты, главным образом потому, что компании склонны использовать технологии для механизации старых способов ведения бизнеса. Они оставляют существующие процессы нетронутыми и просто используют компьютеры для их ускорения».

Это реальная цитата. Вы шутите? Если бы вы заменили «информационные технологии» на «ИИ», вы могли бы опубликовать это завтра и попасть на первую полосу Business Insider. В той же статье он написал, что пришло время перестать мостить коровьи тропы. Прошло 36 лет, и угадайте, что мы все еще делаем?

Примечание: «Мостить коровьи тропы» означает автоматизировать, формализовать или закрепить существующий неэффективный процесс вместо того, чтобы перепроектировать его так, как должно быть. Избавил вас от похода к Клоду, пожалуйста.

Тем временем более $1 трлн было потрачено на капитальные затраты на создание ИИ (только Microsoft, Alphabet, Amazon и Meta потратили $410 млрд в 2025 году; умопомрачительно, я знаю), и лишь $37 млрд было потрачено предприятиями на его фактическое использование. Что это означает на практике: Департамент бизнеса и торговли Великобритании провел пилотный проект Microsoft 365 Copilot и опубликовал результаты. 1000 лицензий были развернуты в течение 3 месяцев, и в среднем было всего 1,14 действия Copilot на пользователя в день. Слайды PowerPoint создавались на 7 минут быстрее (с 18 минут до 11), но с вдвое более низким качеством. Анализ в Excel выполнялся медленнее (и тоже с худшим качеством). Экономия времени на электронной почте была, цитирую, «чрезвычайно мала». Их собственный вывод, дословно: «Мы не нашли убедительных доказательств того, что экономия времени приводит к повышению производительности». И все же 72% пользователей заявили, что они удовлетворены или очень удовлетворены.

Короче говоря: людям это понравилось, но они производили ровно то же самое, что и раньше. Итан Моллик (адъюнкт-профессор Уортона и исследователь ИИ) сказал лучше всех: «Использование ИИ, повышающее индивидуальную производительность, не обязательно приводит к повышению эффективности организации». В этой статье мы подробно расскажем, почему это так, и предложим решения, которые, как мы видели, работают на практике.

Для контекста: я Вас, генеральный директор @varickagents. Мы работаем с очень крупными компаниями (с доходом от $500 млн до $100 млрд, от 1 000 до 100 000 сотрудников), помогая им внедрять ИИ: от общей стратегии до реинжиниринга процессов, создания, развертывания и управления их агентами. Эта статья основана на выводах, которые мы сделали: что отличает пилотные проекты по ИИ, которые терпят неудачу (нет измеримой окупаемости инвестиций), от тех, которые добиваются успеха (80%+ работы полностью выполняется агентом, экономя время и деньги).

Причина, по которой это продолжает происходить, не в глупости. Отчасти это, конечно, так, но в основном это инерция и дизайн. Тот, кто сегодня подписывает контракт на ИИ, может владеть инструментарием и выбором вендора, но он точно не владеет процессом. Никто в этой цепочке не уполномочен зайти, например, в финансовый отдел и сказать, что их 14-этапный процесс на самом деле должен состоять всего из 5 этапов. Поэтому никто этого не делает. Вместо этого вы «применяете ИИ» к тому, что у вас есть, и в итоге получаете более быстрое дерьмо.

ИИ не предназначен для «применения». Это не работает. Вы «наносите» слой краски. Слишком много людей думают об ИИ как о свежем слое краски, а краска не исправляет то, что под ней. Никто никогда не говорил «примененный облак» или «примененный цифровой». Нет, вместо этого они говорили «Цифровая трансформация», «Модернизация облака», потому что все понимали, что это трансформации, и что технология была лишь их частью. ИИ принимает ту же форму.

Вернемся к Хаммеру: его лучший пример — из страховой компании, которую он изучал. Заявка проходила через бизнес за 22 дня. Из этих 22 дней общее время, которое кто-либо тратил на работу над ней, составляло 17 минут. Предположим, сегодня ваш специалист по ИИ внедряет лучшую модель в мире в этот процесс, и она делает каждый отдельный шаг в два раза быстрее. Он сэкономил 8 с половиной минут. Он записывает это как экономию времени на 50%, получает повышение и бонус и уходит в закат. Это 8 минут.

Экономия была не в работе над заявкой. Она была в очередях и передачах, в периодах ожидания других команд и во втором раунде проверок. Тратить энергию на ускорение этих 17 минут хуже, чем ничего не делать; вы просто потратили свой бюджет и доказали своему совету директоров, что «ИИ не работает». Вы можете подумать, что это пережиток 90-х, но это не так. Мы работали с компанией, которая столкнулась с этой точной проблемой, судя по ее собственным системным журналам. Открытие нового клиентского дела занимало 25 минут реальной работы. Прошедшее время с момента ввода дела до его активации составляло от 2 дней до 2 недель. Работа может занимать минуты, а процесс все равно может длиться недели.

Когда я говорю, что большинство программ ИИ ускоряют дерьмо, я имею это в виду буквально. Процесс — дерьмо. ИИ делает его быстрее. На это я слышал: «ну, мы огромная компания, так что явно делаем что-то правильно, и нам не нужно меняться». Адаптируйся или умри — это актуально сегодня как никогда, и это то, чем ИИ отличается от цифровых технологий и облака. При правильном использовании ИИ дает конкуренту преимущество над вами, которого у тех никогда не было. Будь то снижение ваших затрат, бесконечное масштабирование без увеличения штата обработчиков или охват всего мира, прежде чем вы сможете составить список потенциальных клиентов, они вас раздавят. В лучшем случае вы продолжаете расти, и теперь ваша численность персонала растет в геометрической прогрессии. 3 аналитика становятся 6, но 6 теперь нужен менеджер, и, учитывая, что это 2 команды, им нужна передача, которой раньше не было, и теперь эта передача требует совещания по статусу и项目经理а и т.д. Вот почему графики численности персонала растут вверх, а доход на одного сотрудника — нет. Адаптируйся или умри, но не притворяйся, что ИИ не происходит. Ваши конкуренты не остановятся ни перед чем, чтобы разобраться в этом.

Часть 2: Что делать сегодня

Ваши данные в беспорядке, и ваши системы не общаются друг с другом, поэтому, возможно, ваша первая мысль — исправить это, прежде чем трогать что-либо еще. Вам нужна одна ERP, одна CRM, одна платформа данных, а затем ИИ сверху. Это звучит отлично в теории, но IT-специалисты понимают, что это никогда не бывает так просто. Посмотрите, сколько это на самом деле стоит, как в деньгах, так и во времени.

TSB потратила £318 млн на миграцию основной банковской системы, понесла примерно £200 млн дополнительных расходов на инциденты, была оштрафована на £48,65 млн FCA и PRA в декабре 2022 года и нарушила банковское обслуживание для 5,2 млн клиентов. Zimmer Biomet, производитель с оборотом $8 млрд, подал иск на $172 млн против Deloitte в сентябре 2025 года после того, как неудачная «миграция и консолидация» оставила их неспособными выполнять основные функции, такие как отгрузка продукции, выставление счетов клиентам или создание функциональной отчетности о продажах. И это лишь два примера, попавших в новости; подобные инциденты встречаются гораздо чаще, чем вы думаете.

Вместо этого вам следует сосредоточиться на настройке процесса. Скажем, за последние 20 лет вы купили 9 компаний, а это означает, что теперь у вас есть один и тот же процесс, который выполняется 9 различными способами в ваших 9 дочерних компаниях. Если вы хотите «применить» ИИ во всей своей компании, вам придется создать одного и того же агента 9 различными способами, а затем поддерживать все 9 наборов агентов вечно. Чтобы избежать этого чистилища, вам нужно сначала определить единый процесс, который работает глобально, и развернуть его во всей вашей организации, прежде чем даже думать о применении ИИ поверх него.

И наоборот, вам НЕ НУЖНА одна ERP. Детерминированные интеграции ломались в тот момент, когда 2 системы расходились во мнениях относительно того, что такое запись о поставщике. Однако агенты терпимы к такой несогласованности, поэтому уровень оркестрации, который находится поверх уже существующих систем, И является решением для разрозненных систем. Вашим системам не просто нужно общаться друг с другом, им нужно быть счастливыми в браке, терпя недостатки друг друга.

Начните картирование

Чтобы реорганизовать свой бизнес, вам нужно сначала его понять. Вы не достигнете такого уровня понимания, выбрав один рабочий процесс, потратив 8 недель на его совершенствование, а затем обнаружив, что он заблокирован вышестоящим смежным процессом, и в итоге получив нулевую окупаемость инвестиций.

В то же время, однако, вы не можете просто охватить весь бизнес сразу; вы должны с чего-то начать. Начните с уровня отдела. Это не будет идеально — финансовый отдел касается отдела продаж каждый раз, когда признание выручки зависит от того, как был продан товар. HR касается IT и операций при каждом новом найме. Но, по крайней мере, таким образом вы определяете «пакеты» рабочих процессов, которые питают один и тот же отдел (например, Финансы включают AP, AR, FP&A, Billing, Banking, Reconciliations и т.д.), и вы можете начать картировать следующие 7 деталей:

1. «Счастливый путь»: за что отвечает этот рабочий процесс и что происходит в самом идеальном сценарии. Для большинства компаний это единственное, что действительно задокументировано досконально.
2. Исключения. Вот на что уходит большая часть вашего времени. Не просто описывайте, что происходит, а подсчитайте, какая доля объема отклоняется от счастливого пути, куда она идет, кто привлекается, каково время цикла обработки этих исключений и какова стоимость ошибки здесь.
3. Что находится выше и ниже по потоку от этого рабочего процесса? Как этот процесс взаимодействует с ними, когда что-то задерживается или идет не так в каждом из них?
4. Какие системы учета задействованы и какая из них выигрывает, когда две из них расходятся во мнениях?
5. Чем это отличается по региону, по юридическому лицу, по дочерней компании, по тому, через какое приобретение оно пришло?
6. Каково время касания по сравнению с прошедшим временем и как различается разрыв на каждом отдельном шаге?
7. Какова способность к ИИ каждого человека в функции и какую степень ответственности они должны иметь над будущей системой ИИ? (Расчет этого субъективен и сильно варьируется).

Для извлечения вышеуказанной информации требуются две процедуры:

• Process mining по системам учета для сбора действий, временных меток, пропускной способности, правок и реальности, которая не соответствует документации.
• Интервью, потому что вышеуказанное даст вам данные, но разговоры с операторами скажут вам точно, где находится боль. Реальность вашей организации живет в головах 10-20 человек, которые годами выполняли эту точную работу для вашей точной компании, и в конечном итоге ваш ИИ должен быть принят этими людьми, чтобы он эффективно работал.

Выполнение только одного из этих шагов оставляет вам неполную картину и является самой большой причиной, по которой обнаружение ИИ терпит неудачу. Я видел, как фирмы, занимающиеся прикладным ИИ, пытались срезать углы с помощью «AI-интервью» или отправляя инженеров для проведения интервью. Это не работает. Половина работы заключается в установлении прочных отношений с операторами и знании того, какие вопросы им задавать, чтобы у вас было хорошее понимание того, что строить и как это развертывать.

Агенты, которые работают, — это не просто вызовы LLM

Реинжиниринг процессов — это сортировочное упражнение, требующее опыта в области программного обеспечения и ИИ. Каждый шаг попадает в одну из 3 корзин:

Детерминированный. Если X, то Y, без какого-либо суждения. Например, если счет-фактура ниже определенного порога суммы и соответствует заказу на закупку и квитанции о получении товара, то вы его оплачиваете. Если в раскрытии информации упоминается конкурент, направьте его команде по конфликтам. Эти действия лучше всего выполнять с помощью обычного, старого доброго программного обеспечения. Вам не нужен навороченный вызов LLM, если вы можете сделать это с помощью обычного кода, который дешев, аудируем, детерминирован (никогда не галлюцинирует) и быстр.

Агентский. Если у вас есть тысячи прошлых примеров того, как люди принимали решение с записью результата, и этот шаг достаточно низкого риска (например, утверждение сделок или GL-кодирование), вы absolutely должны использовать LLM для принятия решений. Особенно если результат — да/нет, направить в эту команду, отметить/не отмечать или совпадает/не совпадает, отправляйте это с агентом и измеряйте каждый результат. С другой стороны, если требуемый результат — это 5 страниц документа, который человеку все равно придется прочитать полностью для проверки, то лучше использовать гибридный подход. Здесь вам нужно оценивать сложность действия, а не сложность мышления.

Человек в цикле (Human-in-the-Loop). Для шагов, которые слишком рискованны или не имеют достаточного исторического контекста, лучше оставить человека в цикле, потому что стоимость ошибки агента слишком высока. Вместо этого предоставьте все соответствующие доказательства этому человеку в момент принятия им решения. Например, агент обнаружит несоответствие между счетом-фактурой и заказом на закупку, а затем предложит человеку 3 варианта: все равно утвердить, просто отклонить или предоставить отзыв и направить кому-то другому. Агент только что сэкономил вашему человеку 40 минут поиска по электронным письмам, записям счетов и т.д., чтобы вместо этого он мог принять решение за 30 секунд. Но окончательное действие по-прежнему контролируется этим человеком.

Как только вы отсортировали каждый шаг в одну из 3 вышеуказанных корзин, вы можете превратить что-то вроде 25-этапного процесса в кластер из 3 агентов с детерминированными шагами до и после и, наконец, 2 точками действия человека в цикле для разблокировки. Эта работа по реинжинирингу процессов в сочетании с самими агентами и есть то, где живет вся окупаемость инвестиций.

После этого вы устанавливаете базовые KPI, прежде чем что-либо строить. Ваша цель — рассчитать цифры, стоящие за процессом, который вы решаете, включая то, где и как эти цифры измеряются сегодня. Если вы не можете этого сделать, этот проект обречен на провал. Вы должны иметь возможность оглянуться на 12 месяцев назад и сказать: раньше у нас было X, а теперь у нас 3X, или 10X, или 100X, благодаря агентам, которых мы создали. Только тогда вы сможете сказать, что этот проект был действительно успешным.

Наконец, вы расставляете приоритеты и определяете последовательность сборки. Сначала возьмитесь за рабочий процесс с наибольшим количеством передач, так как это, вероятно, самый низко висящий фрукт, где вы можете увидеть наиболее четкие результаты. Ключевое отличие в том, что это не обязательно тот же рабочий процесс с наибольшим объемом.

Как это выглядит на практике?

Мы провели реинжиниринг глобального бизнеса, который ежемесячно сверял более 300 банковских счетов. 2/3 из них обрабатывались зарубежной командой, а остальные были разделены между 2 другими регионами в 3 разных форматах, но полностью в Excel. Было более 12 000 открытых позиций по сверке, и 4 дня в начале каждого месяца уходило на получение выписок. Процесс сверки занимал почти весь месяц, каждый месяц.

Их рабочий процесс до нашего реинжиниринга выглядел следующим образом (и прежде чем вы начнете смеяться над ними, признайте, что в вашей компании definitely есть такие процессы, если не хуже):

1. Запрашивать и собирать выписки из каждого банка в любом предоставленном формате.
2. Нормализовать их в региональную рабочую книгу.
3. Выгрузить выписку из главной книги.
4. Сопоставить построчно.
5. Отметить то, что не совпадает.
6. Отправить электронное письмо местному контролеру для получения контекста по отмеченным позициям.
7. Ждать их ответа.
8. Напомнить об ответе, если он не получен.
9. Наконец получить ответ, затем провести корректировку.
10. Объединить регион в консолидированный файл.
11. Повторить весь процесс с шага 1 по 10 для каждого из 2 других регионов, каждый в своем формате.
12. Закрыть.

Если вы ускорите каждый из этих шагов, сопоставление станет быстрее. Проблема в том, что сопоставление никогда не было проблемой. Проблемой были 4 дня ожидания выписок, электронное письмо контролеру в другом часовом поясе и ответ, который все равно занимает 3 дня. Ускорив сопоставление, вы сэкономите часы в процессе, который измеряется неделями.

Вместо этого мы перепроектировали их процесс до 3 шагов.

1. Выписки поступают по каналу, конвейерным способом, вместо того чтобы их запрашивать. Это не имеет абсолютно никакого отношения к ИИ.
2. Все, что может быть сопоставлено на основе правил, будет сопоставлено автоматически, а если нет, агент соберет дело от начала до конца: с самой позицией, историческими категоризациями, доказательствами, собранными из различных систем учета, и предложенным следующим шагом.
3. Наконец, человек работает со своей очередью исключений, имея подготовленные доказательства для проверки, вместо того чтобы вручную просматривать данные, разбросанные по ERP и электронным таблицам.

Запросы, электронные письма, ожидание, повторный ввод и региональные объединения были полностью устранены. В этом разница между системой агентов, которая экономит минуты и часы, и системой агентов, которая экономит недели.

Часть 3: Почему это не так распространено?

Вам солгали

Предложение по ИИ, которое вы получили, с самого начала вводило в заблуждение. ИИ, принятый как точечное решение, — это не то, из чего вы извлекаете ценность. Вы не можете сделать это только силами IT, и вы не можете сделать это из «инновационной функции» с бюджетом в $1 млн и нулевыми полномочиями. Реорганизация процесса, охватывающего 4 отдела, требует кого-то, кто может сказать всем 4 отделам, что процесс меняется. В компании есть лишь горстка людей, которые действительно могут это сделать; это должно исходить сверху.

Но есть и другая степень сложности: люди, которые сегодня фактически выполняют работу, например, руководитель отдела кредиторской задолженности, а также операторы и аналитики в финансовом отделе, также должны быть вовлечены. Они должны захотеть новую систему ИИ, потому что завтра им придется ее принять и продвигать. Они должны захотеть раскрыть информацию, которая, как они думают, потенциально может заменить их, даже если в большинстве случаев это не так.

И самое главное, внедрение ИИ считается рискованным. Статус-кво «безопасен» для большинства людей, которые не получают повышения, если ИИ работает, но увольняются, если он не работает, даже если сохранение статус-кво означает медленную смерть компании с течением времени.

Реинжиниринг довольно сложен

Собственная оценка Хаммера и Чампи в 1993 году заключалась в том, что от 50% до 70% организаций, которые пытались провести реинжиниринг процессов, не достигли намеченных результатов. (Очевидно, с 90-х годов мало что изменилось). Позже сам Хаммер сказал, что он «недостаточно оценил человеческое измерение». Он имел в виду, что «устранение передачи» в то время означало увольнение человека, ответственного за эту передачу (это была вся его работа), а затем просьбу ко всем остальным изменить свою работу, в то время как «программное обеспечение» того времени не поддерживало такие изменения. Это означало, что после того, как консультанты приходили и уходили, организационная структура и процесс быстро возвращались в исходное состояние: полное неэффективности и ошибок.

Однако сегодня две вещи принципиально изменились. Во-первых, инструменты, основанные на ИИ, предлагают беспрецедентное гибкое состояние программного обеспечения: такое, которое может адаптироваться к изменениям вокруг него. Агент, находящийся в вашей системе учета, может выполнять передачи, которые раньше зависели от людей, одновременно обрабатывая расхождения вокруг него с помощью детерминированного программного обеспечения, а также невосприимчив к вариациям, обычным для людей. Во-вторых, работа, которую вы устраняете в первую очередь, — это почти полностью координация, а именно: запросы, ожидание, эскалация, триаж и т.д. После этих улучшений процесса и настоящей трансформации ИИ остается только работа с высокой степенью суждения и высоким рычагом воздействия, которой ваши лучшие сотрудники в любом случае должны заниматься все свое время.

Дивный новый мир

Традиционные консалтинговые компании неплохо справляются с процессной работой, это я им отдам. Действительно, если вам нужна сложная иллюстрация 15-этапного процесса, охватывающего 10 стран и 3 юридических лица, ваша рядовая консалтинговая фирма создаст самый красивый слайд, который вы когда-либо видели, за $300 000. Чего эта консалтинговая фирма не может сделать, так это второй, более важной половины: знать, что можно и что нельзя доверять модели, сколько стоит агент, который выполняется 40 000 раз в месяц, какую модель (Fable 5.1 против Gemini 3.8 Flash) использовать для какого типа задачи (GL Coding против Deal Desk Routing), как оптимально спроектировать набор для оценки для конкретного процесса и к какой из 3 вышеуказанных корзин (Детерминированный, Агентский, HITL) на самом деле относится данный шаг в процессе. И таким образом, если вы пойдете по этому пути, ваш редизайн будет создан консультантами, которые гадают, а не опытными стратегами и FDE, ориентированными на ИИ, и через 6 месяцев вы будете задаваться вопросом, почему ваш пилотный проект потерпел крушение.

У лабораторий и компаний, занимающихся ИИ, с другой стороны, противоположная проблема. Они могут создать агента (по крайней мере, в большинстве случаев), но они никогда не садились с финансовым отделом и операционным отделом, чтобы разобрать рабочий процесс, где оба отдела не согласны с тем, кто владеет и кто находится выше по потоку, поэтому вместо этого они налепят ИИ на сломанный процесс и назовут это автоматизацией, вместо того чтобы выпотрошить и перепроектировать этот процесс, как следовало бы сделать месяцами ранее. Более того, крупнейшие лаборатории «прикладного ИИ», такие как OpenAI (DeployCo) и Anthropic (Ode), заставят вас жениться на их моделях на всю жизнь. Ставить весь интеллектуальный стек вашей компании на одного поставщика — самоубийство. Завтра, когда они ограничат скорость, квантуют, поднимут цены и выведут из эксплуатации модель, на которой вы работаете, вы останетесь с беспорядком и счетом. Вы можете думать, что это так же просто, как заменить конечную точку с Claude на GLM или Gemini или DeepSeek, но это не так. Повторный запуск eval и переопределение того, какой уровень мышления использовать для каждого вызова модели, — это кропотливый процесс, и лаборатории не помогут вам в этом.

Вместо этого вам нужно лучшее из обоих миров: люди, которые действительно управляли финансовой, операционной, торговой или HR-функцией, в сочетании с инженерными талантами для поставки производственного программного обеспечения в ERP, такие как Microsoft Dynamics, или CRM, такие как Salesforce, в сочетании с AI-инженерами, которые могут создавать не зависящие от модели корпоративные обвязки со встроенным корпоративным управлением и наборами для оценки. Некоторые называют этих людей «Forward Deployed Engineers», но правда в том, что большинство FDE сегодня — это посредственные инженеры и посредственные консультанты, абсолютно не способные к ИИ, и в итоге вы получаете практически ничего, сделанного хорошо.

Как это выглядит, когда вы делаете это правильно?

Есть 4 рычага, которые имеют значение, когда вы трансформируете компанию с помощью ИИ: стоимость (в идеале снижена), доход (в идеале увеличен), время (в идеале быстрее) и риск (в идеале ниже). В наших развертываниях, примерно половина из которых в публичных компаниях, вот примеры того, что на самом деле изменилось, рычаг за рычагом:

• Время. Мы сократили процесс закрытия месяца с 18–22 дней до 7–9 дней. Сбои в цепочках поставок теперь устраняются менее чем за 6 часов, а не за несколько дней.
• Выручка. Раньше сделки в среднем простаивали 23 дня; теперь средний показатель составляет 6 дней, а административное время сотрудников отдела продаж сократилось с 38% рабочей недели до 14%. Это время было полностью перенаправлено на продажи.
• Затраты. Обработка исключений по кредиторской задолженности сократилась с 600–800 счетов в месяц до менее 50. В маркетинговом отделе 8–12% медиабюджета было восстановлено за счет ошибок pacing, которые раньше обнаруживались только в конце месяца, что позволило сэкономить миллионы в квартал.
• Риски. Количество исправлений по заработной плате сократилось на 90%, поскольку сверка между системами теперь проводилась до, а не после выплаты зарплаты. 80% запросов сотрудников в службу поддержки были обработаны с помощью собственных политик компании, в то время как сложные случаи по-прежнему передавались специалисту из отдела кадров.

В общей сложности ценность, полученная в рамках этого набора внедрений, превысила 100 миллионов долларов. Самое приятное, что эта цифра была получена совместно с нашими клиентами; это не просто наши слова, это было измерено.

Как выглядит настоящая компания по AI-трансформации?

Все описанное выше — это то, как мы работаем в Varick, и это единственный подход, который сработал для компаний, внедрявших AI. Это невероятно крупные предприятия с тысячами сотрудников, десятками систем учета и бесконечной сложностью, но методика одна и та же, и она работает каждый раз.

Наша команда стратегов и инженеров приходит на уровень отдела, чтобы сначала составить карту того, как работа действительно выполняется, а не просто принять ее задокументированную версию. Это делается с помощью комбинации process mining и интервью, расчета затраченного времени по сравнению с временем непосредственной работы, картирования исключений, влияния на вышестоящие и нижестоящие процессы, а также понимания того, кто за что отвечает. Вместо месяцев мы завершаем этот процесс всего за несколько недель, после чего вы получаете переработанный процесс, ценность, которую можно извлечь, индивидуальные базовые KPI и приоритетный порядок создания агентов. Затем мы приступаем к созданию агентов, которые изначально оснащены корпоративным управлением, аудитом, оценочными наборами и мониторингом.

Мы работаем с компаниями с выручкой более 500 миллионов долларов, решая их самые сложные рабочие процессы в области продуктов, финансов, продаж, закупок, операций, HR и других. Если вы хотите увидеть, как это выглядит применительно к одному из ваших процессов, запишитесь на звонок на нашем сайте и приходите готовыми рассказать о своих самых нелюбимых рабочих процессах и о том, что делает их такими сложными. А если этот контент оказался для вас полезным, подпишитесь на нашу рассылку, где мы еженедельно публикуем статьи о последних достижениях в области «прикладного» AI и обо всем, что мы узнали на практике.

Краткое содержание

• Большая часть корпоративных расходов на AI сегодня приходится на те же самые процессы, которые уже существовали, а это означает, что вы просто заставляете плохой процесс работать быстрее. Майкл Хаммер говорил об этом в отношении IT еще в 1990 году, и правительство Великобритании практически подтвердило это в 2025 году с помощью 1000 лицензий Copilot: 1,14 действия на пользователя в день, никакого повышения производительности, которое они смогли бы обнаружить, и 72% пользователей все равно были довольны.
• Время было не в самой работе, а в очередях и передачах. Заявка на страховку Хаммера находилась в процессе 22 дня, при этом фактическая работа занимала 17 минут. Даже если вы ускорите работу вдвое, вы сэкономите 8 минут.
• Консолидация ваших систем в первую очередь (одна ERP, одна CRM, одна платформа данных) — это хорошо задокументированный способ потерять 2 года и 9 цифр, прежде чем вы увидите хотя бы доллар прибыли. На самом деле вам нужно одно определение процесса и один владелец, потому что агенты могут мириться с системами, которые противоречат друг другу, а детерминированные интеграции никогда не могли.
• Начните на уровне отдела, проанализируйте системы учета и опросите операторов, а затем отсортируйте каждый отдельный шаг по одной из трех категорий: детерминированное программное обеспечение, агент или человек в цикле с подготовленными для него данными. При правильном выполнении процесс из 25 шагов превращается в 3 агентов с 2 контрольными точками для человека.
• Когда мы сделали это таким образом, закрытие месяца сократилось с 18–22 дней до 7–9, исключения по кредиторской задолженности — с 600–800 в месяц до менее 50, исправления по заработной плате упали на 90%, а общая сумма по нашим внедрениям, измеренная совместно с клиентами, превысила 100 миллионов долларов.
• Ничто из этого не сработает, если инициатива не исходит сверху, операторы действительно этого хотят, а те, кого вы нанимаете, имеют в одной команде специалистов по процессам, инженеров-программистов и AI-инженеров, а почти ни у кого нет всех трех.