AI Product | Igor Akimov

Важный анонс. Последний год я помогаю компаниям внедрять AI решения в бизнес без хайпа и грандиозных бюджетов. Я не постил в свое время исследование MIT, что 95% AI-проектов проваливаются, потому что не верилось в эти цифры, хотя они широко обсуждались по всему интернету. Но я действительно часто вижу абсолютно такую же картину: компания покупает корпоративные лицензии на LLM или позволяет сотрудникам использовать свои (или они тайком используют), заказывает или разрабатывает сама кастомный AI (“сейчас мы сделаем AI-first компанию”), пишет "агентов" и "фабрики контента", но все это через месяц прозябает в пыли и откатывается до "давайте вручную, AI нельзя доверять, исправлять потом дольше, чем с нуля делать". Не всегда проекты долгосрочно выживали, и меня это очень угнетало. И я все время их сравнивал с успешными проектами. И кажется, разобрался, в чем дело. AI не работает не потому, что он "галлюцинирует" или там “модели еще недостаточно умные”. А потому что в компании Excel 2008 года вместо ERP-системы, семь «актуальных» версий стратегии, пять разных систем хранения данных (которые никто не заполняет), три презентации с «самыми точными цифрами» и несколько человек, кто “держит все в голове”. Добавляя к этому AI мы получаем хаос в квадрате. Мы пытаемся это разгребать руками и скриптами, что держится, пока вовлекаемся в проект, но без поддержки и постоянной работы все откатывается к первоначальной версии. Что, например, не работает без порядка в данных: Саппорт, продажи и маркетинг: - Саппорт-бот выдаёт устаревшие инструкции или противоречивые ответы, клиенты недовольны и просят вернуть людей. - Квалификация лидов проваливается — AI-бот не получает бизнес-контекста, необходимого для ведения осмысленного диалога и выявления релевантности лида - Персонализированные Email/WhatsApp-триггеры для онбординга и активации срабатывают невпопад. Аналитика и отчётность: - Дашборды показывают цифры, которым никто не верит, все равно люди копипастят и строят модели в эксельке. - AI-аналитика строит выводы на противоречивых данных из разных источников, и в итоге, конечно же, получается, что “AI нельзя доверять”.. - Отчёты генерируются быстро, но бесполезны, на них никто не обращает внимание. Внутренние процессы: - Папочка с гордым названием “база знаний” или несколько шаблонных документов делает генерацию текстов или ответов только хуже, потому что путается от несвязанных текстов. - Извлечение данных через AI занимает больше времени, чем ручной ввод - «Умная» автоматизация ломается на каждом исключении. И попытка создать каких-нибудь “AI-агентов”, в идеале забирающих часть работ, проваливается без постоянного наблюдения и правок сотрудниками. Довольно часто я сталкиваюсь с завышенными ожиданиями, что AI – это добрая фея, которая решит все проблемы – "Подключаем LLM ко всему болоту, которое у нас есть в компании, и думаем, что AI сам во всём разберется", а по факту это просто один из инструментов автоматизации, который нужно использовать в рамках обычных и скучных проектов по автоматизации бэкофиса (к таким же выводам пришли и в MIT). В общем, ничего нового. Garbage in -> Garbage out. И никакой AGI тут не поможет. И я понял, что мне понадобится помощь. И нашел – бывшего коллегу из стартапа по AI-аналитике, специалиста по автоматизациям, аналитике и data quality. Хочется теперь подтвердить, что подход, в котором укрощение и централизация данных настраиваются в связке с AI, действительно дает результаты лучше. А потому в ближайшие 2 недели мы проводим 10 бесплатных консультаций для компаний, которые: - Понимают, что проблема в данных, а не в технологиях - Готовы навести порядок, а не искать волшебную кнопку и ждать AGI - Хотят, чтобы AI давал реальные результаты, а не создавал новый хаос На консультации разберём: - Где у вас утечки и противоречия в данных - Какие процессы можно автоматизировать прямо сейчас, возможно даже без помощи AI. - Что нужно сделать, чтобы AI заработал «неизбежно хорошо»