ИИ-система принятия решений: как искусственный интеллект изменит управление организацией

Хочу начать с дисклеймера - я больше не работаю в Токеон, эту статью и все последующие воспринимайте в отрыве от компании.

А написать сегодня хочу о концепции внедрения ИИ в систему принятия решений руководителя организации. В качестве примеров в этой статье я использую продукты, которые себя хорошо зарекомендовали, с которыми есть практический опыт реализации такой системы. Второй дисклеймер - воспринимать их как единственно возможные, конечно, не стоит.

Проблема: информационный хаос и человеческий фактор

Руководители сегодня тонут в информации. Отчёты, метрики, дашборды, совещания, письма - всё это создаёт иллюзию контроля, но на самом деле мешает принимать эффективные решения.

Когда руководитель запрашивает информацию у сотрудников, возникает классическая проблема: человеческий фактор. Сотрудники приукрашивают данные, представляют их в выгодном свете, а иногда просто не понимают, что именно нужно руководителю. На качество информации напрямую влияет компетенция человека, который готовит информацию для руководителя.

Важно отметить и социальные эффекты. Неаккуратно заданный вопрос может привести к непоправимым последствиям - сотрудники начинают нервничать, додумывать, готовиться к худшему. В итоге руководитель получает не объективную картину, а искажённую версию реальности.

Решение: личный ИИ-ассистент руководителя

Искусственный интеллект на текущий момент - одно из возможных решений для анализа данных и выявления ценной информации. Он не устаёт, не приукрашивает, не нервничает и не имеет личных интересов.

В этом подходе можно было бы предоставить руководителю личного ИИ-ассистента с ключом доступа, который будет:

- Анализировать цифровой след организации

- Предоставлять объективную информацию без социального следа

- Работать 24/7 без перерывов на обед и выходные

Чат с ИИ как первичный инструмент

Чат с ИИ - интуитивно понятный способ доступа к информации. Современные LLM способны не только давать текстовые ответы, но и создавать графики, таблицы, отчёты.

Но это не односторонняя связь. С помощью чата можно настраивать персональный дашборд руководителя, оперативно создавать отчёты под конкретную ситуацию.

Для новых сотрудников чат позволит быстро вникнуть в специфику корпоративной среды и получить необходимую информацию, не отвлекая опытных коллег от работы.

Интеллектуальные дашборды

На основе уникальных интересов конкретного руководителя можно формировать интеллектуальные дашборды - набор показателей, отображающих в реальном времени информацию, соответствующую текущим задачам.

ИИ способен не только своевременно предоставлять необходимую информацию, но и сохранять критерии её отбора в настройках дашборда. Управлять такими дашбордами можно на естественном языке, не привлекая технических сотрудников и аналитиков.

Поскольку персональные дашборды основаны на объективных данных, можно получить:

- Независимую экспертизу по реализации проектов

- Независимую экспертизу по личному вкладу сотрудника в эффективность

- Анализ даже в неизвестных предметных областях

Такая независимая экспертиза позволит выявить риски на ранних этапах и принять меры ещё до того, как проблема начала оказывать негативное влияние.

Управление цифровым следом

Стратегия навязывания процессов цифровых инструментов контроля показала свою неэффективность. Внедрённые инструменты заставляли менять процессы, часто не в лучшую сторону.

Предлагаю заменить эту стратегию на управление цифровым следом. Суть в том, что мы требуем обязательного создания цифровых артефактов в ходе реализации бизнес-процессов, но не изменяем сами процессы.

Цифровой след в значительном объёме может формироваться автоматически. У любой компании есть масса систем, из которых можно извлечь цифровой след: CRM, ERP, системы мониторинга, базы данных.

Например, эта цель хорошо достигается благодаря DocHub и его datalake, который мы расширяем доступом к базам данных, хранящим цифровой след о работе продукта, операционной деятельности, финансовых операциях.

Токенизация решений

Если мы сможем оценить личный вклад участника в то или иное решение, то сможем его измерить. А значит, готовы реализовать токенизацию решения - оценку вклада сотрудника, количественную характеристику решения с различных критериев эффективности.

Возможности:

- Оценить стоимость задачи, её сложность, влияние на результат

- Оценить эффективность вклада сотрудника в бизнес компании, влияние на прибыль

- Выстроить прогностическую модель

Целеполагание с помощью ИИ

Мы описываем результат, который хотим получить, а не пытаемся оцифровать то, что уже есть.

Описываем процесс:

- Входные данные

- Требования к результату

- Выходные данные

Ставим цели в отношении процесса:

- Ускорение (сокращение среднего времени на исполнение задач)

- Снижение затрат

- Соблюдение требований по качеству

Алгоритм работы:

1. Моделируем процесс в DocHub

2. Описываем требования к процессу (метрики)

3. Анализируем текущее состояние процесса с помощью ИИ-ассистента

4. Разрабатываем и оцениваем меры по достижению целей

5. Реализуем меры и регулярно их оцениваем с помощью ИИ-ассистента

Цифровые модели для прогнозирования

Функционал цифровых моделей, связанный с описанием процессов и реальными операционными данными, позволит выстроить подход к прогнозированию и исследованию возможных вариантов решения крупных задач.

Так мы сможем повысить уверенность в верности принимаемых решений, их оптимальности и исполнимости.

Технологическое обеспечение

Основой реализации является DocHub - система управления архитектурой и документацией как кодом. Мы расширяем её datalake доступом к различным источникам данных организации.

Для работы с ИИ используем RAG (Retrieval-Augmented Generation) на основе Yandex LLM. Это позволяет:

- Анализировать корпоративные данные

- Предоставлять контекстно-релевантные ответы

- Обеспечивать безопасность данных

План внедрения

Концептуальный план внедрения в этом случае может выглядеть так:

1. Идентификация источников данных - анализ уже существующих данных, восприятие их как цифрового следа

2. Подключение к DocHub - интеграция с существующими системами

3. Настройка ИИ-ассистента - обучение на корпоративных данных

4. Пилотное внедрение - тестирование с ограниченной группой руководителей

5. Масштабирование - постепенное расширение на всю организацию

Условия успешного внедрения

Для успешного внедрения ИИ-системы принятия решений необходимо:

- Организационная готовность - принятие принципов объективного анализа руководством

- Технологическая база - наличие систем, генерирующих цифровой след

- Культура данных - понимание важности качественных данных

- Поэтапность - внедрение начиная с высокого уровня с последующим каскадированием

Выводы

ИИ-система принятия решений - это не фантастика, а неизбежность. Технологии уже готовы, лидеры индустрии уже используют подобные решения.

В среднесрочной перспективе это приведёт к значительным изменениям в конкурентной среде практически во всех индустриях. Те, кто не успеет адаптироваться, окажутся в невыгодном положении.

Но важно понимать: ИИ не заменит руководителей, а станет их мощным инструментом. Он поможет принимать более качественные решения на основе объективных данных, выявлять риски на ранних этапах и оптимизировать процессы.

Полезные ссылки

- Собственно продукт DocHub: dochub.info ^[1] и особенно его IDE-версия: https://beta.dochub.info/ ^[2]

- Еще интересный продукт для проектирования процессов: https://stormbpmn.com/ ^[3]

- Отличный BPM-продукт для внедрения в организацию: https://www.comindware.ru/ ^[4]

- Центр компетенций ИИ: https://ai.diplatforms.ru/ ^[5] и лично Алексей Маркелов: https://diplatforms.ru/team/markelov ^[6]