1. Знания компании должны участвовать в работе
У бизнеса уже есть много полезного: переписки, записи встреч, решения, причины отказов, история исправлений. Но сведения часто остаются там, где возникли. Следующий сотрудник или агент начинает почти с нуля.
Мне близка идея общей памяти компании. В моей работе важно сохранять согласованные решения и возвращаться к ним в следующих задачах. Иначе приходится снова объяснять контекст и исправлять уже обсуждённое.
Для бизнеса такая память начинается с простого порядка: где лежит действующая информация, кто её обновляет и кому разрешено её использовать. Подключённая папка сама по себе ещё не означает, что система умеет находить верные сведения. И доступ к документам не равен обучению модели.
2. За результат отвечает человек
В книге я выделил для себя роль DRI (directly responsible individual), человека, непосредственно отвечающего за результат. Для себя перевожу это так: у процесса должен быть хозяин, который может принимать решения.
Если автоматизируем подготовку коммерческих предложений, кто-то определяет, что считается готовым документом, какие условия можно предлагать и когда нужно согласование. Эту работу нельзя целиком переложить на разработчика или на инструкцию для модели.
Мне важна здесь связь полномочий и ответственности. Бессмысленно требовать от человека итог, если он не может поменять правила, получить данные или остановить неудачный сценарий.
3. Проверять нужно весь путь запроса
В работе с агентами я смотрю на то, можно ли воспользоваться итогом. Текст должен быть проверен и сохранён, страница должна открываться, опубликованная информация должна совпадать с согласованной.
Возьмём условный пример: ИИ быстро составил предложение, а менеджер потом выясняет наличие, исправляет цену и переносит всё в CRM. Чтобы увидеть пользу, нужно измерить и эту часть работы.
Поэтому я бы сначала описал цепочку: запрос → актуальные данные → подготовка → проверка → действие → сохранённый результат. А уже потом выбирал число агентов и инструменты. Дополнительные агенты могут помогать, но не гарантируют точности. Эту разницу мы отдельно разбирали в материале об одном агенте и команде.
4. Ускорение должно превращаться в пользу
Быстрый ответ нейросети приятно впечатляет. Меня больше интересует, что удалось сделать благодаря этому: обработать обращение вовремя, проверить больше вариантов, выпустить нужный материал, заметить противоречие до публикации.
Поэтому для пилота я бы выбрал несколько понятных показателей:
- Время до принятого результата, включая проверку и исправления.
- Доля задач, которые обходятся без существенной переделки.
- Затраты на инструменты и сопровождение.
- Изменение для клиента: скорость ответа, доступность услуги или качество решения.
Высвободившийся час не становится экономией автоматически. Нужно понять, на какую полезную работу он пошёл. При этом эффект может выражаться и в новой возможности, которую команда раньше вообще не могла себе позволить.
5. Руководителю остаётся выбирать направление
Агенты помогают исследовать вопрос, сопоставлять сведения и готовить варианты. Но чем проще получить варианты, тем важнее решить, какой из них имеет смысл для компании.
Для меня это главный вывод из AI Native. Руководителю нужно самому понимать возможности инструмента, видеть ограничения и задавать критерии хорошей работы. Участие в этих решениях нельзя заменить поручением «внедрите нам ИИ».
Начать я бы предложил с одного значимого процесса: назначить ответственного, собрать необходимые знания и сравнить работу до и после. Какое решение мы сможем принимать лучше благодаря ИИ и как это заметит клиент? Этот вопрос мне кажется хорошей отправной точкой.
Практические шаги описаны в нашем руководстве по ИИ-трансформации, а условия запуска описаны в разборе перехода от пилота к работе.
