28 AI-решений и 400 гипотез: как промышленная компания учится управлять внедрением искусственного интеллекта

Когда в компании появляются десятки AI-инструментов, главной задачей становится уже не поиск новых сценариев применения нейросетей, а управление существующими решениями. Как определить, какие из них действительно полезны бизнесу, избежать дублирования разработок и превратить локальные эксперименты в устойчивые корпоративные инструменты? Разбираемся на примере промышленной компании LIGA, где сотрудники и руководители сформировали более 400 потенциальных сценариев применения ИИ. Как превратить технологические эксперименты в реальные изменения бизнеса?

Виталий Кривошеев

Виталий Кривошеев, генеральный директор LIGA

Игорь Никитин

Игорь Никитин, основатель WMT AI и WMT Group

AI-трансформация начинается с проблемы, а не с выбора нейросети

Внедрение ИИ ради следования технологическим трендам редко приводит к системным изменениям. Реальная AI-трансформация начинается тогда, когда компания видит конкретную бизнес-проблему и использует технологии для ее решения. Именно такой подход выбрала компания LIGA, поставщик промышленного оборудования, комплектующих и сервисных услуг.

Последние два года мебельная промышленность испытывает серьезное давление: инвестиционная активность снижается, финансирование дорожает, а предприятия осторожнее закупают оборудование. Клиентам LIGA уже недостаточно просто приобрести качественный станок. Им нужны решения, которые помогут повысить производительность, снизить себестоимость и эффективнее использовать существующие мощности.


«Мы пришли к AI-трансформации не потому, что искусственный интеллект стал популярной темой. Для нас это ответ на изменения, которые одновременно происходят на рынке и внутри бизнеса наших клиентов», - объясняет Виталий Кривошеев, генеральный директор LIGA.


Для LIGA внутренняя AI-трансформация - не только проект повышения собственной эффективности. Это часть более широкого изменения бизнес-модели: от поставщика оборудования к технологическому партнеру, который помогает мебельному производству повышать производительность, автоматизировать процессы и управлять эффективностью. Поэтому компания решила сначала проверить новые подходы на собственных процессах, измерить их экономический эффект и только после этого превращать накопленную экспертизу в решения для клиентов.


И это, по мнению Игоря Никитина, основателя WMT AI, как раз тот путь, который приведет к реальным результатам. Покупка корпоративных подписок, обучение сотрудников и запуск пилотов способны дать быстрые локальные результаты, но сами по себе не меняют бизнес. Если информация разрознена, а порядок выполнения операций не определен, даже современные AI-системы не смогут обеспечить устойчивый результат. Поэтому отправной точкой трансформации должна становиться диагностика бизнес-процессов, а не выбор нейросети.

ИИ для внутренних процессов: от накопленных данных к новым возможностям

Параллельно со стратегической задачей LIGA начала искать возможности применения ИИ внутри самой компании. Приоритетом стали процессы, в которых автоматизация могла решить конкретные проблемы и повысить эффективность бизнеса. В первую очередь это продажи и сервис.

С 2014 года LIGA накопила историю взаимодействия более чем с 8 000 клиентов: сведения о закупках, установленном оборудовании, сервисном обслуживании и коммерческих предложениях.


Так появился проект Sales Book. Его задача - объединить накопленные данные и с помощью ИИ подсказывать менеджерам следующие действия: например, выявлять изменения периодичности закупок, потенциальную потребность в модернизации оборудования или возможности повторных продаж.


Другое перспективное направление - сервис. LIGA обслуживает сложное промышленное оборудование на большой территории, поэтому здесь особенно важны скорость диагностики и правильный подбор специалистов. Компания работает над системой, которая объединит историю оборудования, предыдущих ремонтов, техническую документацию и компетенции инженеров. В перспективе ИИ сможет сопровождать весь процесс: от первичной диагностики и подбора инженера до планирования выезда и пополнения корпоративной базы знаний по результатам ремонта.


Таким образом, параллельно с изменением бизнес-модели LIGA начала решать собственные операционные задачи: эффективнее использовать накопленные данные, выявлять коммерческие возможности и повышать качество сервисного обслуживания.

От персональных инструментов к 400 AI-гипотезам

До начала системной трансформации сотрудники LIGA уже активно экспериментировали с искусственным интеллектом. Первые инициативы возникали внутри подразделений: сотрудники использовали ChatGPT для анализа документов, подготовки писем и презентаций, а специализированные инструменты, включая PLAUD, - для расшифровки переговоров и протоколирования встреч. Постепенно компания перешла от персональных инструментов к автоматизации бизнес-процессов и получила первые измеримые результаты.

Так, в коммерческом блоке анализ около 4 000 контрагентов, который вручную занял бы несколько месяцев, с помощью ИИ выполнили за 30 часов. Оценка возможностей модернизации оборудования клиентов сократилась с нескольких дней до трех часов, а первичная проверка договоров лизинга - с нескольких часов до 30 минут.


В финансовом подразделении автоматизация сверки данных 1С позволила сократить трудозатраты с 24 до 6 часов в месяц. В управлении продуктами и закупках ИИ начали применять для расчета потребностей, мониторинга около 70 конкурентов, анализа цен, перевода документации и подготовки таможенных документов. В частности, составление отдельных таможенных писем ускорилось с одного-трех дней до часа.


Параллельно в маркетинге тестировали многоагентные системы с автоматической проверкой результатов, а в сервисе - AI-агента в Bitrix24 и динамическую матрицу компетенций инженеров.


В результате на первых этапах сотрудники и руководители LIGA сформировали более 400 потенциальных сценариев применения ИИ. К стратегической сессии 2 сентября через внутреннюю систему AI Pulse уже отслеживалось использование 28 решений: 9 чат-ботов, 8 агентов, 7 дашбордов и 4 автоматизаций.

Почему количество AI-проектов перестает быть показателем успеха?

Несмотря на вовлеченность сотрудников и первые результаты, LIGA столкнулась с типичной проблемой: количество AI-инициатив росло, но далеко не все они превращались в полноценные корпоративные решения.

Проекты развивались разрозненно, иногда дублировали друг друга и зависели от отдельных сотрудников. Не везде были определены правила работы с данными, рассчитана стоимость эксплуатации и подтвержден экономический эффект. Некоторые инструменты использовали внешние AI-сервисы без единого подхода к управлению доступами.


На этом этапе LIGA совместно с WMT AI сосредоточилась на переходе от локальных экспериментов к системной трансформации.


Так, в LIGA изменились и критерии оценки: теперь важно не просто ускорить операцию, а понять, насколько регулярно используется инструмент, как он меняет бизнес-процесс, сколько стоит и какой результат приносит.


Отдельным требованием стала устойчивость решений: они должны работать независимо от своих разработчиков, передаваться в корпоративный IT-контур и масштабироваться.


Таким образом, главной задачей стратегической сессии стал отбор перспективных инициатив, способных превратиться из отдельных экспериментов в устойчивые инструменты с измеримым экономическим эффектом.

Главный результат стратегической сессии: от отдельных AI-инструментов к изменению бизнес-процессов

Главным результатом совместной работы LIGA и WMT AI стало изменение управленческого подхода. Вместо вопроса «Как ускорить отдельные операции с помощью нейросетей?» руководители начали задумываться: «Как выглядел бы наш бизнес-процесс, если бы мы проектировали его с нуля с учетом возможностей ИИ?».

Именно поэтому в LIGA отказались от разработки готовой AI-стратегии исключительно силами консультантов или IT. Каждый руководитель самостоятельно определял проблемы своего подразделения, формулировал и проверял гипотезы, а затем защищал собственную стратегию перед коллегами.


Это позволило не только получить практический опыт работы с ИИ, но и выявить возможности для совместных решений.


Например, Sales Book стали рассматривать не как очередной дашборд, а как интеллектуальную систему управления клиентской базой. В сервисе появилась концепция единой цифровой истории оборудования, а в аналитике - перехода от отчетов о прошлых результатах к системам, которые выявляют отклонения и помогают руководителям принимать решения.


Особый потенциал обнаружился на стыке подразделений: одни и те же данные могут использоваться в продажах, сервисе, закупках, маркетинге и обучении. Это открыло возможности для объединения ранее разрозненных процессов и решений.
Игорь Никитин отмечает, что AI-трансформация требует не только технологических, но и управленческих изменений. Руководителям необходимо самостоятельно разбираться в возможностях технологии, проверять гипотезы и вовлекать сотрудников.


При этом специалисты по-разному реагируют на внедрение ИИ. Одни быстро начинают использовать новые инструменты и искать дополнительные возможности, другие стремятся перепроверять каждый результат или предпочитают привычные методы работы.


Задача руководителя - учитывать эти различия и создавать условия, в которых сотрудники, готовые экспериментировать, смогут демонстрировать результаты и делиться опытом с коллегами. При этом критически важные решения должны сохранять необходимый человеческий контроль.


В результате в LIGA начала формироваться новая модель ответственности: бизнес определяет, что и зачем необходимо изменить, а IT превращает успешные эксперименты в безопасные, устойчивые и масштабируемые корпоративные решения.


Для этого компания развивает единую AI-инфраструктуру с общими правилами работы с данными, контролем качества и учетом затрат.

Сэкономленные часы еще не означают заработанные деньги

Следующим важным этапом стала оценка экономической эффективности AI-решений.

Первые эксперименты LIGA показали существенное сокращение трудозатрат, однако экономия времени не всегда означает финансовую выгоду. Реальный эффект возникает, когда высвободившиеся ресурсы позволяют увеличить продажи, обслужить больше клиентов, сократить расходы или избежать дополнительного найма.


Поэтому LIGA перешла от оценки сэкономленных часов к анализу полной экономики каждого AI-решения по пяти критериям:
1.  Использование: сколько сотрудников и как регулярно работают с инструментом.
2. Качество: точность результатов, количество ошибок и необходимость доработок.
3. Операционный эффект: сокращение трудозатрат, ускорение процессов и рост производительности.
4. Финансовый результат: дополнительная прибыль, снижение затрат и предотвращенные расходы.
5. Полная стоимость владения: разработка, инфраструктура, интеграции, сопровождение и проверка результатов сотрудниками.


Сопоставление полученного эффекта со всеми затратами позволяет определить, какие AI-решения действительно улучшают экономику бизнеса и заслуживают дальнейшего масштабирования. Виталий Кривошеев отмечает:
«Для меня показатель успешного внедрения ИИ - не количество созданных агентов и не число сэкономленных часов. Я хочу видеть, что изменилось в экономике компании: сколько мы дополнительно заработали, какие затраты сократили, насколько выросла производительность и какие управленческие решения стали принимать быстрее и качественнее. Если этого эффекта нет, значит, эксперимент ещё не превратился в бизнес-инструмент».

AI-трансформация начинается там, где заканчиваются эксперименты

Опыт LIGA показывает, что успешная AI-трансформация начинается не с решения внедрить искусственный интеллект, а с понимания проблем, которые бизнесу действительно необходимо решить.

По оценке WMT AI, в ближайшие годы значение AI-стратегии для промышленности будет возрастать прежде всего как управленческого инструмента. Искусственный интеллект способен ускорять анализ информации, выявлять отклонения и помогать руководителям выбирать оптимальные сценарии действий. Однако конкурентные преимущества будут зависеть не только от доступности технологий, но и от способности компаний перестраивать процессы, обучать сотрудников и использовать новые возможности в ежедневной работе.


Поэтому задача руководителей - не просто внедрить ИИ раньше конкурентов, а сформировать организацию, которая умеет постоянно адаптироваться и превращать технологические возможности в экономический результат.

Все права защищены © 2020 - 2026
Перепечатка материалов и использование их в любой форме, возможны только с письменного разрешения редакции.