Д-р Ли Кэфэн (Kenny Li) – основатель и генеральный директор DigitForce – о выступлении в рамках первой встречи серии «AI-сезоны»
Недавно я выступал с докладом в Москве — перед техническими руководителями крупных компаний из ритейла, потребительского сектора и логистики: CTO, CIO, директорами по цифровой трансформации. Готовился я долго, а смысл доклада умещался в одну фразу: как сделать так, чтобы ИИ действительно работал внутри бизнеса, а не оставался красивым демо и набором слайдов.
Докладом я остался доволен. Но самое интересное началось после него. Часть зала не разошлась — люди подошли, и мы проговорили ещё больше часа. Уже в гостинице я понял: вопросы, которые они задавали, оказались ценнее того часа, что я провёл на сцене. И почти ни один из них не был про технологии.
Главный вывод той встречи вынесу сразу: внедрение ИИ в компании в девяти случаях из десяти спотыкается об одно и то же место — и это место не технологии.
Сначала коротко о том, что я говорил со сцены, — иначе будет непонятно, почему их вопросы так ценны.
Тот час на сцене — на самом деле об одном и том же
Начну с того, в каком положении сегодня ритейл; во всём мире картина схожая. Затраты на персонал, логистику, трафик и аренду растут, а привычные рычаги роста — открыть больше магазинов, купить больше трафика — почти исчерпаны. Покупатель всё чаще смотрит только на цену, лояльность тает. Персонализация из преимущества превратилась в норму. Онлайн и офлайн срослись в одну длинную и трудноуправляемую цепочку, где запасы, доставка и возвраты переплетены. Это давление не знает границ — с ним работает ритейлер на любом рынке.
Поэтому почти все делают ставку на ИИ. По данным McKinsey, около 88% компаний уже так или иначе применяют ИИ; корпоративные расходы на него за пару лет выросли примерно с 11 до более чем 37 миллиардов долларов; даже сами разработчики моделей оцениваются почти в триллион долларов. Деньги, общий настрой и внимание — всё на месте. Но как только доходит до дела, большинство застревает.
Моё мнение такое: ваше преимущество — это не модель, а то, понимает ли ИИ именно ваш бизнес (Your edge won’t be the model; it’ll be whether AI understands your business). Модель может арендовать каждый, и она дешевеет; то, что доступно вам, доступно и конкуренту — по сути, это общедоступный ресурс. Данные, разумеется, ваш ров с водой, но при одном условии: ИИ должен понимать, что эти данные означают.
Как этого добиться? Дать ему «семантический слой». Это всё равно, что выдать гениальному, но совершенно не знакомому с вашей компанией новому руководителю рабочий справочник, куда внесены определения показателей, бизнес-правила и экспертный опыт. У Шридхара Рамасвами, CEO Snowflake, есть фраза, с которой я согласен: нет стратегии данных — нет и стратегии ИИ (There is no AI strategy without a data strategy). От себя добавлю: пропустите этот слой — и ИИ просто умножит ваш беспорядок (Skip this layer, and AI just scales your mess). Над этим слоем — ещё два: аналитика и принятие решений, и цифровые сотрудники.
О цифровых сотрудниках я говорил больше всего. У такого сотрудника есть роль, KPI и ответственность за результат; это не чат-бот. Со сцены я сказал: вы покупаете уже не программу, а результат (You’re no longer buying software; you’re buying the outcome). С чего начинать? Не пытайтесь охватить всё сразу — выиграйте один сценарий, за несколько недель получите измеримую отдачу, а затем расширяйте. В ближайший год ритейл, думаю, разделится на две группы: одни впустят ИИ в решения и операции, у других данные так и будут лежать в системах без дела. И решится это не через пять лет, а в ближайшие 12 месяцев.
Вот что я готовил. Но запомнилась мне не само выступление, а то, что было после. Если вы тоже сейчас внедряете ИИ, эти вопросы наверняка крутятся и у вас в голове.
Те, кто копают глубоко, не спрашивают, какая у вас модель
Первое, что меня удивило: за весь вечер никто не спросил, какую модель я использую. Ни GPT, ни Claude, ни DeepSeek — ни разу. Эти люди давно прошли тот этап: у каждого в компании уже запущен ИИ-проект, а у кого-то и не один.
Но запустить — одно, а получить результат — совсем другое. По оценке MIT, около 95% корпоративных ИИ-пилотов не приносят измеримой отдачи; Gartner идёт дальше и прогнозирует, что к 2027 году более 40% проектов на основе агентного ИИ будут свёрнуты. Поэтому сидящие передо мной давно не переживают, силён ли ИИ. Их беспокоит другое, более конкретное и неприятное: деньги потрачены, системы внедрены, а бизнес-подразделения почти ими не пользуются, и наверх отчитаться нечем. В чём же затык.
Силён ИИ или нет — этих людей давно не занимает. Их занимает другое: почему при таких вложениях отдача такая тонкая.
Своя разработка или покупка — вопрос не в пропорции, а в том, выдержит ли организация период проб и ошибок
Один технический директор крупной компании задал очень практичный вопрос. У них большая внутренняя ИТ-команда и много сценариев для ИИ; он не мог решить, как распределить три вещи: ключевые сценарии разрабатывать самим, часть агентов отдать внешним партнёрам, типовые возможности просто купить как SaaS. Ему хотелось понять, в какой примерно пропорции.
Я ответил: пропорцию не посчитать, и считать её первым делом не нужно.
Большая ИТ-команда естественно склонна строить всё сама. Но у ИИ-проектов есть принципиальное отличие от обычного софта: они неизбежно требуют многих итераций, и запуск здесь не финиш, а старт. Сложность в том, что бизнес-подразделениям трудно долго терпеть, как техническая команда раз за разом ошибается и переделывает. Они думают: я выделил вам столько времени и сил — почему за полгода ничего не видно. Цену проб и ошибок платит вся организация, а не только техническая команда.
Поэтому, прежде чем решать «своё или купленное», задайте себе несколько вопросов: эта компетенция — ваше ключевое конкурентное преимущество или нет; действительно ли ваши люди понимают бизнес, а не только технологии; не решают ли уже большую часть задачи готовые продукты на рынке; позволяют ли требования к безопасности данных и комплаенсу работать с внешними партнёрами; и, самое главное, — выдержит ли ваша организация год-два без заметного результата.
Я склоняюсь к такому подходу: ключевые, отличающие вас сценарии и работу с данными держите крепко в своих руках; типовые платформы и базовые модели не изобретайте заново; а в том, в чём сомневаетесь, запускайте небольшие пилоты и сравнивайте на одной площадке свою команду, внешних партнёров и готовые продукты. Судите по бизнес-результату, а не по тому, «своя ли это разработка».
Своя разработка или покупка — сначала не о пропорции. Сначала спросите, выдержит ли ваша организация год-два проб и ошибок.
Не пытайтесь сначала собрать все данные — эту работу невозможно завершить
Один руководитель, отвечающий за формат dark store, сказал: они хотят усилить аналитику в магазинах, но сотрудники на местах не умеют и не успевают заниматься сложным вводом данных. Данных не хватает — и аналитика не складывается.
Первая реакция многих компаний: сначала построить хранилище данных с самого низа, всё вычистить, а уже потом искать бизнес-ценность. Я видел слишком много проектов, которые на этом и застряли: бизнес не видит, когда этот фундамент начнёт приносить плоды, и терпение быстро кончается.
Я советую ровно обратное: сначала возьмите конкретную бизнес-задачу, поставьте измеримую цель — и от цели идите назад, собирая только те данные, которые нужны, чтобы её решить. Если цель — поднять выручку с метра площади, снизить дефицит товара или потери, то и данные определяйте только вокруг этих задач, а не требуйте от магазина сразу сдать всё, что когда-либо может пригодиться.
За этим стоит ещё одна, более глубокая проблема — единые определения. Спросите в компании у десяти человек, что такое «выручка», и получите дюжину ответов: до возврата или после, с НДС или без, считать по заказу или по оплате, по какому региону, каналу и периоду, вычитать ли отменённые заказы. Если даже люди не сходятся, то и большая модель не угадает — она выдаст красивое, но неверное число, и вы даже не поймёте, где ошибка. В разговоре ошибиться не страшно, а вот в ценообразовании, запасах и финансах ошибка стоит денег.
В тот вечер вокруг этой темы чаще всего спрашивали о другом, тесно связанном: как растиражировать умение нескольких лучших управляющих магазинами на сотни и тысячи обычных точек. Это две стороны одной медали: то, что делает ваш лучший магазин прибыльным, часто живёт только в голове одного человека, и в день, когда он уходит, переводится или выходит на пенсию, это умение уходит вместе с ним. Данных компания накопила гору, а само суждение так и не сохранила.
Делается это без всякой магии. Найдите тех нескольких лучших управляющих или региональных супервайзеров, сядьте рядом и посмотрите, на какие показатели они смотрят каждый день, как понимают, что с магазином что-то не так, за что берутся в первую очередь, как поступают в разных ситуациях. Соберите это в практическое руководство и передайте ИИ. Поначалу он будет работать грубовато; человек рядом поправляет его, дополняет правила, указывает на ошибки — и память и суждение ИИ постепенно крепнут.
Для одной сети клубных гипермаркетов мы делали именно это: даже у компании такого масштаба около 4% маржи оказались «тёмной» цифрой и проявились только тогда, когда мы свели реальную прибыльность каждого товара к единому определению. У одной аптечной сети из нескольких тысяч точек — то же самое: больше сотни показателей, разбросанных по разным системам, мы привели к единому определению, и теперь каждую цифру можно проследить до источника. Самый показательный пример — сеть чайных напитков почти на десять тысяч точек: по-настоящему трудно не открыть ещё один магазин, а сделать так, чтобы все эти тысячи точек работали как ваша лучшая. Когда операционное руководство головного офиса и опыт лучших супервайзеров собрали в цифрового сотрудника, один региональный супервайзер стал вести не 12 точек, а 20, а операционные расходы за квартал снизились примерно на 30 миллионов юаней.
Самое ценное в компании — часто не та или иная система, а суждение нескольких лучших сотрудников, которое не объяснить словами и не унести с собой.
Поэтому не ждите, пока соберёте все данные, — этот момент не наступит. Идите назад от конкретной задачи, собирайте только то, что нужно для её решения, и параллельно вытаскивайте наружу суждение ваших лучших людей. Это работает куда лучше, чем три года молча строить хранилище данных.
«Болтающих» ИИ — сколько угодно; тех, кто работает и отвечает за результат, — единицы
Был и сугубо технический вопрос: ваш цифровой сотрудник — это одна большая универсальная система или множество узкоспециализированных агентов? И нужно ли обучать собственную модель?
Я считаю, что для большинства корпоративных сценариев своя модель поначалу не нужна. Более реалистичный путь — взять зрелую большую модель, загрузить в неё знания, документы и правила компании, выстроить семантический слой, добавить навыки и руководства, дать долговременную память, а дальше дорабатывать за счёт обратной связи от людей; до тонкой настройки доходить лишь тогда, когда без неё действительно не обойтись. Технический специалист, конечно, и сам соберёт всё из модели и фреймворков; но рядовой сотрудник бизнеса так не сможет — поэтому всю сложность снизу и нужно упаковать в понятную ему роль и процесс.
Спрашивали и с тревогой: не заменит ли это годами отлаженные алгоритмы прогноза, пополнения запасов и оптимизации маршрутов? Нет. Эти алгоритмы он не заменяет — он понимает вашу бизнес-цель, вызывает подходящий алгоритм, собирает результат и ведёт к следующему шагу.
Каждому агенту лучше поручать одну относительно простую и понятную задачу, а не сваливать сразу что-то очень сложное. Несколько агентов складываются в команду: вы ставите цель руководителю команды, а он распределяет работу и проверяет её; там же, где речь о деньгах, публикациях или движении запасов, всё останавливается и ждёт решения человека. По сути ценность мультиагентного подхода (когда несколько агентов работают сообща) в том, чтобы довести целое дело до конца, а не в том, чтобы добавить ещё пару окон для переписки.
Как это выглядит в работе? Региональный супервайзер обычными словами спрашивает: «за какими 20 магазинами на этой неделе нужно следить и почему» — а система отвечает из семантического слоя, давая ответ вашего бизнеса, а не догадку модели; добавляет причину и подсказывает следующий шаг. Раньше самостоятельно анализировать данные могли единицы — несколько специалистов по данным; в эпоху BI круг расширился до части руководителей; сегодня это доступно почти каждому сотруднику.
Ещё выше — цифровой сотрудник, который действительно берёт на себя должность. Для аптечной сети из нескольких тысяч точек мы «вложили» фармацевта в телефон каждого сотрудника: на семнадцати тысячах точек за 30 секунд проверяется, не конфликтуют ли препараты между собой, и каждый ответ можно проследить до источника данных, без галлюцинаций. У аптечного прилавка «ноль галлюцинаций» — это не технический показатель, а безопасность пациента.
ИИ, который вы покупаете сегодня, чаще всего ещё стажёр с хорошо подвешенным языком: говорит бойко, но не взял на себя ни одной должности и не отвечает ни за один результат.
Дайте ему ясную роль, цель, KPI и память — пусть отвечает за результат. Вот тогда ИИ по-настоящему выходит к вам на работу, а не любезничает на ресепшене.
Там, где буксует внедрение ИИ, проблема почти никогда не на стороне технологий
Сильнее всего тем вечером мне запомнилось то, что рассказал один из участников во второй половине разговора. Они как-то отдали большой модели длинную, давно тянувшуюся переписку и попросили подвести итог. Модель ответила так: эти люди не очень-то услышали друг друга; они будто обсуждают одно и то же на разных языках.
С этим наблюдением я согласен. Крупная организация принимает решения медленно часто не оттого, что не хватает данных, а оттого, что информация разбросана, ответственность раздроблена, совещания идут по кругу, и подразделения не сходятся даже в определении одного показателя. ИИ здесь как раз помогает: он фиксирует встречи, письма и ход решений, выявляет, где именно расходятся подразделения, и собирает для всей организации общий контекст. У себя в компании мы это тоже пробуем — впускаем ИИ в повседневную работу, чтобы он понемногу превращал её в корпоративный «мозг», а люди постепенно смещались с исполнения на постановку целей и контроль.
Но одну вещь надо проговорить честно: если структура, KPI и процессы не меняются ни на йоту, ИИ в лучшем случае слегка оптимизирует старую систему и большой ценности не раскроет. Чтобы действительно его впустить, не обойти несколько неудобных вопросов: что отдать ИИ, что обязательно оставить под контролем человека, какие должности переопределить, какие процессы вообще убрать, какие KPI в эпоху ИИ уже не годятся. Ни один из этих вопросов не технический — и решить их должен сам первый руководитель: за него этого никто не сделает.
Отсюда же и вопрос, который в тот вечер задавали снова и снова: а что тогда остаётся людям. Моё суждение: на нынешнем этапе самый надёжный режим — человек в контуре (Human in the Loop). ИИ может сгенерировать рекламный ролик — но перед публикацией его смотрит менеджер; может предложить пополнение запасов — но крупные изменения утверждает человек; может подготовить аналитический отчёт — но ключевое управленческое решение остаётся за ответственным.
Здесь есть легко упускаемая ловушка: контролёром ИИ нельзя ставить кого попало. У проверяющего самого должно хватать делового суждения, иначе он просто не увидит, верно ли то, что выдал ИИ. Должности будут меняться, но человеческое суждение со сцены не уходит — оно поднимается на уровень выше: от «делать каждый шаг руками» к «ставить цель, проверять результат и нести ответственность».
Крупная организация медлит часто потому, что некому взять на себя единое определение показателя. ИИ выносит расхождения на стол, но без изменения процессов и KPI он лишь латает старую систему.
Преимущество — не на стороне модели, а на вашей
К концу того вечера я поймал себя на мысли. Больше часа я готовил рассказ про архитектуру и продукты — а этих людей сильнее всего занимало то, что лежит в стороне от самой модели.
Модель рано или поздно станет такой же общедоступной, как электричество, — её сможет купить каждый. Унести с собой нельзя другое: ваши данные, ваши единые определения и тот опыт, который вы записали в систему; однажды занесённые внутрь, для конкурента они становятся недосягаемы. В ближайший год компании, наверное, тоже разделятся на две группы: одни — где ИИ работает на единых данных и знаниях, действительно участвует в решениях и в деле; другие — где данные всё ещё разбросаны по системам, а люди по-прежнему вручную достают цифры, делают таблицы, заседают и сводят расхождения. К какой группе вы относитесь, решится не через пять лет, а, скорее всего, в эти 12 месяцев — и зависит от того, кто раньше наведёт порядок у себя.
И отдельно — спасибо тем, кто остался после доклада. Вопросы у этой аудитории были по-настоящему острые; этот текст, по сути, и есть мои заметки с того разговора.
Автор: д-р Ли Кэфэн (Kenny Li), основатель и генеральный директор DigitForce. Текст отражает личное мнение автора.
