"Второе мнение" для бизнеса
Если глянуть на все прикладные ИИ-решения, то увидим две большие группы:
1. Трансформация. Берём процесс, по-максимуму переводим на ИИ все, что можно перевести, получаем ускорение, экономию и прочую оптимизацию. Типичный пример - ИИзация поддержки. Раньше люди делали вообще всё, а теперь 70-80% (условно) запросов обрабатывает умный робот.
2. Помощь. Это когда ИИ ассистирует, но не заменяет. Такие штуки ещё называют "копайлоты". Пример - собеседования, где интервьюер получает лайв-подсказки, но решения принимает сам. Или "второе мнение" в медицине. Лечит врач, а ИИ-диагност следит, чтобы тот ничего не забыл.
Так вот, в более критичных областях, где цена ошибки выше, популярнее "помощь". А в бизнес-процессах, где цена ошибки не так фатальна и всё завязано на совокупном эффекте - трансформации. "Второе мнение" в бизнесе недооценено, а зря, ведь полезные кейсы тоже есть:
Например, Yandex B2B Tech выкатили обновление "Нейроанилитика". Это ИИ-помощник, который смотрит вообще все данные бизнеса - выручку, заявки, клиентов, средний чек, точки продаж, разные косты и т.д. - и "майнит" из всего этого инсайты. Подсказывает, где оптимизировать, где сократить, где увеличить, где могут быть точки роста и всё такое. Результат - пользователь видит привычный дашборд с метриками и интерактивными картами, а Нейроаналитик поверх этого слоя строит аналитические выводы и в формате чата помогает сформулировать и быстро проверить гипотезы.
Рекомендации не внедряются автоматом, управляет всё так же человек. Это пока ещё не "второе мнение" в полной мере. Потому что менеджеру-человеку самому нужно ставить гипотезы, а сервис помогает их проверять на данных. Но в будущем планируют прикрутить и проактивный мониторинг - система сама будет прогнозировать проблемы и предлагать решения. Сейчас Нейроаналитик используется сервисами Яндекса и многими сторонними компаниями - Магнит, Lamoda, Петрович и прочими.
ИМХО, в бизнесе у ИИ-копайлотинга большой потенциал, потому что:
- Цена ошибки не так критична. Измеряется в деньгах, а не в жизнях, например.
- Больше вариативность. Ошибку или не очень оптимальное решение можно потом поправить.
- Данные менее однозначны и более однородны. Аналитика должна гибко учитывать контекст, а это ИИ как раз умеет делать хорошо.
Главный момент, который здесь часто упускают из вида (и из-за которого может сильно страдать выхлоп) - это качество и структурированность данных. Речь идёт про data-driven сервис, где на данные ещё и контекст накладывается > доп усложнение. А значит, с данными нужно очень хорошо поработать. И тут здорово помогает, если данные изначально лежат в продуманном облаке. То есть, такие ИИ-штуки живут в априорном симбиозе с облачными решениями для бизнеса.
Дизраптор
👍
35
❤
17
🙊
9
😁
3
🔥
2
🍾
2