ИИ может сократить ваши затраты — и всё равно оставить вас позади

Руководитель может заработать много денег, используя ИИ для сокращения затрат на труд. Но на этом конкурентное преимущество не заканчивается.

В июне 2025 года C.H. Robinson сообщила, что её ИИ-агент для заказов примерно за 90 секунд разбирает заявки на перевозку, поступившие по электронной почте, и формирует заказы. По оценке компании, агент обрабатывает 5 500 заказов на перевозку грузовиками в день и экономит 600 часов труда ежедневно. Это расчёты самой C.H. Robinson, но экономический потенциал такого подхода очевиден.

Представим, что две конкурирующие компании получают сопоставимую экономию. Одна просто увеличивает маржу. Другая параллельно изучает проблемы клиентов, проверяет решения и меняет устройство бизнеса. После нескольких циклов улучшений их способности могут заметно разойтись, даже если обе используют одни и те же модели.

Именно эту стратегическую проблему автор рассматривает в книге The Generative Organization. ИИ позволяет компаниям быстрее конкурентов учиться тому, что важно клиентам. Сэкономленные на труде средства могут профинансировать такое преимущество.

Дешёвое мышление меняет возможности бизнеса

Вычисления дешевеют уже несколько десятилетий. Особенность нынешнего этапа в том, что экономичным становится гораздо более широкий круг мыслительных задач.

Люди могут описать потребность обычным языком, проверить результат и уточнить его, пока детали ещё свежи в памяти. Знания эксперта быстрее превращаются в работающий результат. Модели также умеют связывать текст, изображения и другие типы данных, совместный анализ которых раньше стоил дорого. Кроме того, они могут перебирать достаточно много вариантов, чтобы эксперименты, прежде считавшиеся непрактичными, стали оправданными.

Полевой эксперимент Procter & Gamble показывает потенциал такого подхода. Исследователи распределили 776 опытных специалистов по задачам продуктовых инноваций: кто-то работал один, кто-то в парах, часть участников использовала ИИ, а часть — нет. Специалисты, работавшие с ИИ в одиночку, показали результаты, сопоставимые с командами без ИИ. Специалисты по коммерции и исследованиям и разработкам с ИИ также подготовили предложения, в которых технические и коммерческие аспекты были представлены более равномерно. Исследование касалось ограниченного набора инновационных задач и не доказывает, что любые команды можно заменить.

Для руководителя интересна возможность привлечь больше людей к рассмотрению проблемы сразу с разных функциональных сторон. Полезную экспертизу становится проще подключать к принятию решений.

FM Logistic использовала похожую возможность в складских операциях. Компания передала Google AlphaEvolve существующий алгоритм маршрутизации и систему оценки, основанную на реальных маршрутах комплектовщиков. Система создавала варианты и проверяла их с учётом операционных ограничений. FM Logistic и Google сообщили, что эффективность маршрутизации выросла на 10,4% относительно прежнего лучшего решения. После пилота система продолжила работать в производственной среде.

Сам способ выполнения работы тоже может стать объектом регулярных экспериментов. В производстве такую роль играет экспериментальная линия — место для улучшения основной операции. Такая способность нужна и в консалтинге, клиентском обслуживании, закупках и других сферах, где работа связана с большими объёмами информации.

Нужно ускорять управление

Более быстрый анализ сам по себе не сделает компанию быстрее. В рамках преподавания управленческих информационных систем в Harvard Business School авторы различали рабочий и управленческий циклы.

Рабочий цикл описывает выполнение задач: заказ доставляют, клиенту оказывают услугу, продукт производят. Управленческий цикл показывает, как организация замечает необходимость изменений, принимает решение, распределяет ресурсы и разрешает действовать.

Если жалобы клиентов можно анализировать каждый день, но изменить правило разрешено только на ежеквартальном совещании, задержка просто перемещается на другой этап. Если руководство принимает решения быстрее, а операционные команды не могут их реализовать, решения лишь накапливаются. Менять нужно оба цикла.

Hapag-Lloyd даёт показательный пример. Её ИИ-система ежедневно получает отзывы клиентов и готовит отчёты к двухнедельному циклу планирования команд. Повторяющиеся просьбы добавить предварительный просмотр в Shipping Instructions помогли команде расставить приоритеты и выпустить такую функцию. Позднее обратная связь показала, что конкретный запрос был закрыт. Это рассказ самой компании об улучшении, а не контролируемое исследование выручки или удержания клиентов.

Значение имеет связь между сбором отзывов и изменением услуги. Один дашборд такую связь не создаёт.

Автор сталкивался с компаниями, которые приветствуют отдельные участки автоматизации, но затем ожидают, что создавшие их сотрудники будут заниматься более широкой перестройкой бизнеса в свободное от основной работы время. Команда находит возможность, но не получает понятного пути к финансированию, экспертизе или полномочиям для принятия решения.

Крупную трансформацию нельзя бесконечно вести как дополнительную работу.

Сотрудник, который находится рядом с клиентом, должен иметь возможность запустить процесс улучшения и привлечь необходимую поддержку. Источник проблемы может находиться в другом отделе. ИИ способен помочь разобраться в ней, но руководство должно сделать возможными дальнейшие действия.

Инвестиции в обучение

Часть бюджета на ИИ стоит направлять на эксперименты, улучшающие бизнес. Для операционных экспериментов разумной целью может быть портфель, который окупает себя. Одни попытки провалятся, другие должны создать достаточно ценности, чтобы покрыть эти потери и стоимость обучения.

В расчёт нужно включать оценку результатов, время экспертов, интеграцию и внедрение — не только счёт за использование модели. Перспективная демка лишь начинает экономическую проверку.

Для долгосрочных исследований и разработок нужна другая логика инвестиций. Эксперимент в колл-центре может дать данные за несколько дней. Научному открытию могут потребоваться годы, чтобы превратиться в коммерческий продукт. Каждый проект нужно оценивать с учётом потенциального влияния на бизнес и периода, за который может появиться результат.

Затем следует измерять весь путь — от сигнала клиента до внедрённого улучшения:

Удержание клиентов, доля расходов клиента, приходящаяся на компанию, выручка на сотрудника и загрузка активов могут показать, превращаются ли улучшения в бизнес-результаты.

Наконец, нужно сохранять экспертизу, благодаря которой система остаётся полезной. Эксперты должны участвовать в обновлении её знаний. Новичкам необходимо время для развития профессионального суждения.

Один из подходов автор называет режимом Сократа: модель задаёт ученику вопросы, предлагает исключения и просит защитить ход рассуждений по стандартам эксперта. На это нужно выделять отдельное время. Сотрудники, работающие с клиентами, не должны превращать каждую операцию в учебное занятие.

Конкурентное преимущество определяется тем, как компания использует высвободившиеся благодаря ИИ возможности. Конкурент, который снова и снова находит лучшие способы обслуживать клиентов, может превратиться в компанию другого типа.

В эпоху пароходов можно потратить много изобретательности на оптимизацию клипера. Поэтому часть инвестиций в ИИ стоит направлять на поиск того, что понадобится клиенту дальше, и на развитие способности организации создать это.