Штучний інтелект більше не експеримент, а бізнес-необхідність

Тенденції використання штучного інтелекту 

 Зараз є дві великі хвилі впровадження:

1. Категорія "технологічних ентузіастів": компанії, що експериментують з AI у вузьких задачах; це було  на початку знайомства з АІ, перші покоління програм, що безперечно частіше помилялися.
2. Категорія "стратегічних користувачів", де штучний інтелект стає частиною бізнес‑ланцюжка і впливає на прибутки. Це означає перехід від ефектних PoC‑проєктів до бізнес‑цінності в масштабі всієї компанії.

Я з впевненістю можу сказати, що ми зараз на другому етапі. Бізнес починає сприймати AI не як окрему функцію, а як частину продуктового та операційного дизайну, інтегровану в головні бізнес‑метрики. Компанії, що інтегрують AI, можуть отримати вже зараз значну перевагу над тими, хто чекає "ідеальної технології" чи регуляторного середовища. Тобто питання, чи впроваджувати в процеси штучний інтелект чи ні, вже не стоїть. Компанії просто не зможуть конкурувати на ринку з повільними процесами. 

В першу чергу бізнес буде змагатися за час, але це не єдина тенденція інтеграції ШІ в процеси. З іншого боку, за даними дослідників, 80-90% ШІ-пілотів наразі неуспішні. Це вдвічі гірше, ніж зі звичайними ІТ-проєктами (МІТ, EFESO). Серед основних причин невдач – неготовність даних, організаційної структури та відсутність навичок у персоналу. Тому загальної рекомендації тут бути не може. Уявіть, що ви плануєте запускати вебсайт в еру доткомів (на початку 2000). Купа ініціатив скоро прогорить, але інтернет таки стане гейм ченджером.

Аналіз даних

Все частіше компанії використовують штучний інтелект для аналізу великого масиву даних. Прекрасний приклад успішного використання АІ для аналізу споживацької поведінки є у Spotify. Компанія почала використовувати його, щоб створювати більш персоналізовані плейлісти. Як наслідок, алгоритми допомогли збільшити час прослуховування та лояльність користувачів. 

Проте я б застерігав від сліпого використання без контролю людини. Інколи ШІ робить помилкові висновки.

Наприклад, якщо взяти кейс з Uber, можна прослідкувати, коли аналітика генеративної моделі може зашкодити іміджу компанії. Компанія використала модель для прогнозування попиту, щоб оптимізувати тарифи. Проте штучний інтелект часто підіймав ціни, наприклад через дощ, попри те, що машин було достатньо. Клієнти почали скаржитися на занадто високі ціни.  Uber досі користується цим алгоритмом, то ж певно іміджеві втрати не сильно вплинули на прибутки. Але компанія досі втрачає клієнтів. 

Оптимізація, автоматизація і ще раз оптимізація

Великі мовні моделі найчастіше використовують для автоматизації операцій (обробка документів, чат‑боти, відповіді клієнтам). Це суттєво полегшує життя найнятим працівникам. Відповідно росте продуктивність і прибуток. Компанія Microsoft навіть похвалилась, що AI‑інструменти допомогли їй зекономити більш ніж $500 млн у 2024 році внаслідок підвищеної продуктивності в продажах, підтримці клієнтів та інженерних процесах.

AI використовується для автоматизації рутинних задач у корпоративних процесах (AI workflow automation), що вже широко впроваджують компанії у фінансовому, логістичному та сервісному секторах. У великих компаніях співробітники часто використовують AI‑асистентів (типу Microsoft Copilot, ChatGPT тощо) для автоматичного створення внутрішніх документів і звітів. Це скорочує витрати, підвищує ефективність та оптимізує повторювані операції. 

Гарний приклад делегування рутинних процесів у Coca‑Cola. Вони використали AI для оптимізації управління ланцюгами постачання та логістики, що включає аналіз даних про попит, погодні умови і транспортні маршрути для точного планування та зниження витрат. Натомість Amazon використовує ШІ у своїх розумних фулфілмент‑центрах для автоматизації сортування, пакування і відправлення замовлень. AI‑система прогнозує попит, оптимізує розміщення товарів на складі та координує роботу роботів‑асистентів. 

Зміни у підходах до розвитку персоналу 

Найбільша помилка власників бізнесу – скорочувати робочі місця замість оптимізації процесів. Після буму застосування ШІ багато компаній вирішили позвільняти ключових співробітників, довіривши їхню роботу штучному інтелекту, проте не врахували, що він може логічно помилятися. Як наслідок, замість скорочення витрат на персонал, вони мусили наймати нових працівників, щоб контролювати АІ. Суми збитків публічно не розголошуються, але за статистикою найняти та навчити нового працівника коштує бізнесу вдвічі дорожче, ніж утримати старого. 

Я вкотре наголошую, не варто вважати, що АІ на цьому етапі може замінити кваліфіковану людину. Зараз його варто сприймати як персонального помічника на рівні студента. Він прекрасно справляється з базовими рутинними процесами, готує "конспекти", але не приймає самостійних рішень. 

Як наслідок, знімаючи рутинні задачі з працівника, ви вивільняєте його час на високорівневі проблеми, де треба залучити фантазію. Дослідження MIT показало, що генеративний ШІ може підвищити продуктивність висококваліфікованих працівників майже на 40% у задачах творчого й аналітичного характеру.

Єдиний нюанс: для того, щоб ваш пілот запрацював успішно, працівники мають вміти користуватися генеративними моделями. Більшість проблем на етапі впровадження штучного інтелекту провалюються і відкидаються через помилкові запити, базове нерозуміння, як правильно прописувати промти та як має працювати АІ-асистент. Ви маєте навчити персонал працювати з інструментом, а вже потім вимірювати ефективність. 

Водночас важливо не плутати "швидке впровадження інструментів" із побудовою великої AI-системи. Якщо ви плануєте справді складне рішення (інтеграції, якісні дані, безпека, контроль доступів, підтримка, відповідальність за помилки), то мова зазвичай іде про інвестиції в десятки, а частіше — в сотні тисяч доларів. І ще один нюанс термінології: штучний інтелект у великих системах далеко не завжди зводиться до великих мовних моделей — там часто працює суміш правил, класичних моделей, аналітики, інженерії даних та інтеграцій, а LLM є лише одним з компонентів, хай і дуже помітним.

А от "тут і зараз" в українських реаліях найкраще заходить підхід мікроавтоматизації: ми не намагаємося автоматизувати весь великий процес, як у класичних ІТ-проєктах, а підсилюємо маленькі кроки всередині стандартних процедур. Наприклад, додатковий інструмент для служби підтримки: AI-агенти можуть відповідати на частину типових запитань або готувати драфт відповіді оператору — служба підтримки не зникає, але працює швидше і рівніше. Інший практичний кейс — розпізнавання PDF-документів (рахунків, актів, договорів) із попереднім внесенням даних в облікові системи: бухгалтер або економіст все одно перевіряє, але часу витрачає менше, а помилок на "механіці" стає менше.

І тут ключове питання — чи потрібен вам man-in-the-middle (людина "в контурі"). Якщо бізнес-процес допускає певний рівень похибки, то мовну модель можна використовувати як інструмент, що частково замінює людину: головне, щоб її відсоток помилок не був вищим за людський. Але якщо помилка створює надвисокий ризик (умовно: невірні дані в податковій накладній або критичний юридичний факт у документі), тоді людина має лишатися частиною процесу, а модель — тільки допомагати: підказувати, структурувати, готувати чернетки, але не "підписувати рішення" замість вас.

***

Штучний інтелект — це вже базова потреба прибуткового бізнесу. Від того, наскільки успішно ви інтегруєте його у свої бізнес-процеси, залежить підвищення ефективності й продуктивності вашої компанії. Інтеграція у щоденні процеси дозволить створити повноцінні робочі моделі та врешті-решт змінити операційну діяльність. Штучний інтелект прекрасно посилює людей у складних рутинних задачах та обробці величезного масиву даних, що дозволяє професіоналам займатися своєю роботою, замість виконання повторюваних дій. Тож, якщо ви досі вагалися, чи потрібно це вашому бізнесу, скажу — потрібно. Це запорука вашого стратегічного розвитку у швидкому світі.