Продолжая тезисы предыдущего поста, хочу отметить, что с ИИ показать работающий прототип стало проще и быстрее. В принципе снизился порог квалификации для желающих создавать. Но между «на демонстрации получилось» и «люди пользуются каждый день» остаётся работа, которой на демонстрации не видно.

К примеру, в трёх разных подразделениях параллельно собрали ИИ-помощников. В продажах помощник готовит черновик ответа клиенту, в кадровой службе ищет положения внутренних документов, в аналитическом отделе составляет сводку. На нескольких заранее выбранных примерах всё получилось. Руководители просят запустить решения в продуктивную эксплуатацию для сотрудников.

Для этого нужно подключить рабочие данные, разграничить доступ к документам и проверить, что помощники делают при ошибке или нехватке сведений. Выясняется, что настройкой доступа и проверкой безопасности для всех трёх проектов занимаются одни и те же специалисты. У них уже есть другие обязательства. Прототипы готовы, но ни один из трёх помощников ещё нельзя передать в обычную работу.

Проблема здесь не в скорости создания прототипа. Каждый руководитель по отдельности увидел небольшую доработку, а все вместе заказали работу одних и тех же людей. Нужен общий выбор: какой проект проверяем первым, когда возьмём следующий и что ради этого сдвинем в текущем плане. Просто добавить три даты внедрения - не значит обеспечить их выполнение.

Это не требует остановить все остальные эксперименты. Пока один проект проходит проверку безопасности, другой отдел может уточнять потребность пользователей. Но срок его запуска должен учитывать очередь на общую проверку, а не только готовность собственного прототипа.

Есть и второй вопрос. Даже если нужные специалисты доступны, продолжать стоит не каждый эксперимент. Иногда проверка показывает: технически решение возможно, но полезного результата на приемлемых условиях не получается.

Возьмём аналогию из мира бизнеса, был такой проект одной из исследовательских лабораторий по получению жидкого топлива из морской воды. Команда хотела создать топливо, способное конкурировать по цене с обычным бензином. В лаборатории его получили. Однако этого было недостаточно: нужно было понять, можно ли организовать экономически оправданное производство.

По рассказу руководителя проекта, около половины работы занял расчёт затрат. Команда привлекла инженера, который умел строить модели стоимости нефтеперерабатывающих производств. Он помог учесть обслуживание оборудования, труд, налоги и накладные расходы - затраты, которые можно недооценить при работе над лабораторным образцом.

Команда заранее задала предельную себестоимость, к которой рассчитывала прийти за пять лет. Когда расчёты показали, что достичь её в этот срок не получится, проект остановили. Не потому, что топливо получить невозможно: его уже получили. Не подтвердилась возможность создать конкурентоспособное производство в выбранных условиях и в установленный срок.

Это энергетический проект, не ИИ-пилот. Но различие полезно и для офисного инструмента: демонстрация отвечает на вопрос «можно ли получить такой результат?», а решение о продолжении - ещё и на вопросы «какой ценой и на каких условиях?». Поэтому до эксперимента стоит определить и зафиксировать для всех участников, что проверяем, сколько времени отводим и что станет основанием для остановки.

Закрытый эксперимент не нужно выдавать за внедрённое решение. Достаточно честно объяснить, что удалось проверить и почему дальше не идём. ИИ может удешевить начало, но получить пользу помогает выбор: что доводить до применения сейчас, что отложить и что остановить.