Цифровизация бизнес-процессов в крупной компании: методология и неочевидные точки роста

Ошибка многих — попытка цифровизировать всё и сразу или, напротив, устранение отдельных проблем без общей стратегии. Чтобы решения на основе искусственного интеллекта для бизнеса работали, нужно чётко понимать, на каком уровне мы сейчас действуем.

Можно выделить три уровня трансформации.

Это результаты, которых можно достичь быстро и с небольшими усилиями. Это не перестройка бизнес-процессов, а сокращение времени на рутинные и организационные задачи, автоматизация конкретных, часто изолированных задач.

Что делаем: внедряем программных роботов для переноса данных из табличного редактора «Эксель» в систему управления ресурсами предприятия, настраиваем оптическое распознавание текста первичной бухгалтерской документации, запускаем чат-бота для первой линии техподдержки.

Цель: сократить затраты, исключить влияние человеческого фактора, снизить нагрузку на сотрудников.

Сложность: низкая.

Результат виден через 3–6 месяцев.

Трансформация затрагивает целые направления или департаменты. Это требует не только внедрения чат-бота, но и пересмотра работы функции целиком.

Что делаем: внедряем прогнозную аналитику в логистике, полностью переводим процессы управления персоналом (от найма до завершения работы сотрудника в компании) на цифровую платформу, запускаем динамическое ценообразование.

Цель: повысить качество сервиса, сократить время вывода продукта на рынок, оптимизировать сквозные процессы.

Сложность: средняя/высокая.

Требует интеграции разных систем.

Не все компании достигают этого этапа развития. Речь идёт о смене бизнес-модели или выходе на новые рынки за счёт цифровых технологий.

Что делаем: создание экосистем, переход от продажи товара к предоставлению продукта как услуги, монетизация собственных данных.

Цель: кратный рост выручки, захват доли рынка.

Сложность: максимальная.

Начинать стратегическую трансформацию, не устранив неупорядоченность операционных процессов, — значит рисковать бюджетом и результатами проекта. Сначала автоматизируйте рутину, чтобы у команды появилось время работать над стратегией.

Успешное внедрение искусственного интеллекта в бизнес-процессы — инженерная задача, требующая строгой последовательности действий. Если пропустить этап диагностики, вы рискуете автоматизировать хаос. Автоматизация неупорядоченных процессов лишь ускоряет возникновение проблем.

Прежде чем писать код, нужно понять, как процесс выглядит в реальности, а не в должностных инструкциях. Часто выясняется, что регламент утверждён три года назад, а сотрудники работают иначе и используют мессенджеры или электронные таблицы, поскольку это быстрее. Задача — найти узкие места, дублирование функций и зоны, где данные теряются или искажаются.

На этом этапе следует выбирать технологию без предварительной привязки к конкретному инструменту. При этом мы отвечаем на вопрос: «Какая технология нужна?» Не всегда это нейросети — иногда достаточно грамотно настроенного программного сценария или интеграции через программный интерфейс. То есть мы подбираем инструмент под задачу, а не наоборот. Если задачу можно решить просто, не следует внедрять нейросетевые модели на основе архитектуры трансформеров только из-за их популярности.

Решение запускают в ограниченном масштабе. Например, внедряем помощника на основе искусственного интеллекта только для отдела продаж одного региона. Критерий успеха — чёткие показатели. Например, не «стало лучше», а «время обработки заявки сократилось с 40 до 5 минут».

Самый сложный этап. Пилотное решение, работавшее в изолированной тестовой среде, нужно интегрировать с ранее внедрёнными системами, обеспечить безопасность данных и, что самое сложное, обучить людей.

Как определить приоритетные задачи и найти потенциал повышения эффективности в крупной компании? Рассмотрим пять направлений, где решения на основе искусственного интеллекта для бизнеса показывают наибольшую отдачу от инвестиций.

Крупный бизнес работает с большими объёмами документов. Счета, накладные, акты выполненных работ, спецификации — это первичная документация, которая поступает в больших объёмах, требует ручного разбора и ввода в системы. Один неверно внесённый коэффициент приводит к ошибкам в расчётах.

Решение: Системы на базе компьютерного зрения и обработки естественного языка не просто распознают текст, но и классифицируют документы, извлекают ключевые сущности (ИНН, суммы, даты, реквизиты), сверяют их с данными в системе управления ресурсами предприятия и находят аномалии.

Пример: ПАО «Сургутнефтегаз» внедрило цифровой документооборот и перевело в электронный вид процессы работы с первичной документацией. На долговременное хранение в архив ежегодно поступают документы 450 форм, объём архива ежегодно растёт на 1+ млн документов. За пять лет использования системы число пользователей выросло с 8500 до более чем 25 500 человек, а компания сэкономила более 276 тыс. рабочих часов в год.

Результат: Снижение затрат на ввод данных, исключение ошибок ручного ввода, освобождение сотрудников от рутины.

Для компаний с разветвлённой логистикой прогноз спроса — критически важная задача. Неправильный прогноз означает либо пустые полки, либо избыточные запасы товара, которые потом нужно ликвидировать с убытком.

Решение: Модели машинного обучения анализируют исторические данные продаж, сезонность, рекламные акции, погоду, курсы валют и выдают достаточно точный прогноз спроса на следующий период.

Примеры

Сеть супермаркетов «Магнолия» объединила систему управления складом, спутниковую навигацию и системы управления ресурсами предприятия, добавив многоуровневый контроль за списаниями и потерей товара. Результат: списания снизились на 10 %, число жалоб клиентов снизилось на 35 %, оборот вырос на 8 %, годовая экономия составила примерно 150 млн рублей.

АШАН Ритейл Россия внедрил систему динамического ценообразования и прогнозирования спроса с учётом сроков годности товара, сезонности и других факторов. В 2024 году это позволило сократить пищевые отходы на 9,6 тыс. тонн (30 % от общего объёма).

Результат: Оптимизация запасов, снижение потерь и списаний, улучшение доступности товара на полке, рост маржинальности.

На производстве стопроцентный ручной контроль — задача, требующая занятости нескольких сотрудников в течение полной смены. При этом ошибки всё равно случаются. Человеческий глаз устаёт, внимание рассеивается, субъективность порождает разночтения.

Решение: Компьютерное зрение анализирует изображение продукции, сравнивает с эталонными параметрами, выявляет мельчайшие дефекты — трещины, царапины, сколы, нарушения размеров, неправильность сборки. По данным консалтинговой компании «Маккинзи и компания», компьютерное зрение способно повысить уровень обнаружения дефектов до 90 %.

Примеры

Система компьютерного зрения в автомобильной промышленности инспектирует качество сборки кузовов, проверяет наличие и точность расположения отверстий, контролирует соосность деталей с точностью до 1 микрометра. Контроль работает с постоянным качеством 24/7 без перерывов.

На производственных линиях пищевой промышленности системы проверяют герметичность упаковок и корректность нанесения даты изготовления. Там, где раньше на смену требовалось два контролёра, теперь их функции автоматизированы. Расходы на оплату труда снижаются, ошибки, связанные с усталостью сотрудников, исчезают.

Результат: Снижение брака, скорость контроля, исключение человеческого фактора, возможность работать с деталями, которые невозможно проверить вручную.

Наём, адаптация и обучение новых сотрудников — процессы, требующие значительного времени специалистов по персоналу. Текучесть кадров часто начинается на первой неделе, когда новый сотрудник испытывает трудности с процессами и не знает, к кому обратиться.

Решение: Помощники на основе искусственного интеллекта помогают подобрать кандидатов, автоматизируют ввод в должность (встреча нового сотрудника, подписание документов, первоначальное обучение), анализируют сигналы, предвещающие увольнение.

Пример: «Арксинус» разработала помощника на основе искусственного интеллекта для автоматизации процесса ввода в должность и адаптации новых сотрудников. Система помогает компаниям улучшить первое впечатление новых сотрудников и снизить текучесть кадров уже в первые месяцы.

Результат: Снижение текучести, ускорение адаптации новых сотрудников, снижение нагрузки на специалистов по персоналу.

В крупной компании закупки часто недостаточно упорядочены: десятки поставщиков, разные условия договоров, бумажный документооборот. Согласования длятся месяцами.

Решение: Электронные площадки и системы электронного обмена данными автоматизируют все этапы: от подготовки тендера до приёмки товара. Система контролирует соответствие по срокам и объёмам, автоматически предупреждает об отклонениях.

Пример: Группа компаний «Самолёт» внедрила специальный модуль управления материально-техническим снабжением, работающий как электронная торговая площадка. К нему подключены все предприятия группы, более 1000 контрагентов и 420 подрядчиков. Результаты: уровень цифровизации заказов и поставок вырос с 35 % до 80 %. Обработка заказов у поставщиков ускорилась в 2 раза (с 15 до 8 дней, планируется 1–2 дня). Ошибки сократились в 2 раза: с 15 % до 7,5 % от всех заказов.

Результат: Прозрачность по всей цепочке, снижение времени согласования, исключение коррупционной составляющей, контроль сроков и объёмов поставок.

Почему при наличии технологий и бюджетов проекты сталкиваются с трудностями? Полезно привлечь опытного эксперта и провести аудит, однако часто проблема связана с технической инфраструктурой и работой с персоналом.

1. Устаревшая инфраструктура

Внедрение современного искусственного интеллекта на базе архитектуры 15-летней давности может приводить к несоответствию возможностей новой технологии и существующей инфраструктуры. Данные в старых системах часто неструктурированы, разрозненны и содержат ошибки. Без наведения порядка в них никакой искусственный интеллект не поможет.

2. Сопротивление команды

Сотрудники боятся, что ИИ их заменит. Это нормальная реакция. Если не проводить работу с персоналом, сотрудники будут сопротивляться изменениям и не станут пользоваться новыми инструментами.

3. Завышенные ожидания

Бизнес часто ожидает немедленных результатов. Но нейросетям нужно время на дообучение, а процессам — на настройку. Многие сталкиваются с периодом «плато разочарования»; в это время необходимо продолжать оптимизацию.