ИИ ускоряет отдельные операции. Но ускоряется ли бизнес-система?

Искусственный интеллект все активнее входит в рабочие процессы компаний. Один из заметных примеров — подбор персонала.

По данным исследования Get Experts, платформы «Джун» и сервиса «Собесо», в котором приняли участие 1007 респондентов, 49% компаний уже используют ИИ в рекрутменте, ещё 21% планируют сделать это в течение года. При этом 35% применяют технологии фрагментарно.

При этом наиболее распространенные сценарии пока связаны с конкретными операциями: 64% используют ИИ для создания описаний вакансий, 36% — для транскрибации и анализа интервью.

Эти цифры ставят перед нами важный управленческий вопрос: что происходит с бизнес-процессом, когда отдельная операция внутри него начинает выполняться значительно быстрее?

Автоматизация участка не равна ускорению процесса

Представим процесс найма.

ИИ может помочь быстрее подготовить вакансию, обработать большое количество откликов, провести первичный скрининг или проанализировать интервью. В результате трудоемкость отдельных этапов сокращается.

Но кандидат проходит не один этап.

После автоматизированного отбора может потребоваться решение нанимающего руководителя. Затем — согласование условий. Проверка. Подготовка оффера. Иногда дополнительные уровни согласования.

И если один участок процесса ускорился в несколько раз, это еще не означает, что во столько же раз сократится весь цикл найма. Более того, после автоматизации может стать заметнее другое ограничение — ожидание решения на следующем этапе.

Важно понимать, что технология не обязательно устраняет ограничение системы. Иногда она просто перемещает его внутри бизнес-процесса или их цепочки.

Когда исполнение ускоряется, проявляется стоимость ожидания

Похожая закономерность рассматривается в материале Thinkers 50 об экономике инновационных проектов. Автор предлагает смотреть на стоимость неудачной продуктовой инициативы как на сумму трех компонентов:

Стоимость неудачи = стоимость создания + стоимость получения знаний/проверки гипотез + стоимость принятия решения 

То есть компания несет затраты на то, чтобы создать продукт, получить реальные данные о его ценности для клиента и, наконец, принять решение: продолжать работу, изменить направление, масштабировать проект или закрыть его.

ИИ существенно сокращает первый компонент. Генерация кода, автоматизированное тестирование, инструменты для дизайна позволяют быстрее создавать продукты и проводить эксперименты.

Но два других компонента сокращаются значительно меньше.

Чтобы понять, нужен ли продукт рынку, по-прежнему необходимо получить реальные данные от клиентов. А после получения данных организации еще необходимо принять решение.

Возникает парадокс: исполнение ускорилось, а управленческий цикл остался прежним. Thinkers50 приводит простой пример. Если содержание команды обходится в €8 тыс. в день, а решение по инициативе откладывается на 45 дней до следующего портфельного рассмотрения, компания тратит дополнительные €360 тыс. Не на разработку и не на получение новых знаний — только на ожидание решения.

Одна закономерность в разных процессах

На первый взгляд, рекрутинг и разработка нового продукта — совершенно разные процессы. Но с точки зрения бизнес-системы в них можно увидеть один и тот же механизм.

Было ограничение на этапе исполнения. Технология позволила увеличить его пропускную способность. После этого ограничением становится следующий этап процесса.

В разработке команда может быстрее создать и протестировать продукт, но затем ждать решения инвестиционного комитета.

В подборе ИИ может за короткое время обработать сотни откликов, но отобранные кандидаты будут ждать обратной связи от нанимающего руководителя.

В закупках алгоритм может быстрее подготовить сравнительный анализ предложений, но решение будет проходить прежнюю цепочку согласований.

То есть рост производительности одного элемента системы не гарантирует роста производительности всей системы.

ИИ меняет конфигурацию ограничений

До автоматизации узкое место часто заметно само по себе: человеку физически не хватает времени обработать поток информации, подготовить документы, провести анализ или выполнить большое количество однотипных операций.

ИИ снимает часть таких ограничений. И возникает вопрос, куда переместится очередь.

Если система способна генерировать больше результатов на вход следующего этапа, чем этот этап способен обработать, локальное ускорение может привести даже к росту незавершенной работы.

Thinkers50 отмечает похожий риск применительно к инновационному портфелю. Когда создавать новые инициативы становится дешевле, компания способна запускать их значительно больше. Но если управленческая способность рассматривать их и принимать решения остается прежней, уменьшается инженерное ограничение и одновременно растет управленческое.

Автоматизировать операцию и улучшить поток — разные задачи

Допустим, обработка откликов стала занимать не два дня, а два часа. Это хороший локальный результат. Но если общий срок найма практически не изменился, экономический эффект нужно искать уже не в работе алгоритма, а в устройстве всего процесса.

Поэтому вместе с вопросом «что здесь можно автоматизировать?» полезно задавать еще несколько:

• Какое ограничение процесса мы снимаем с помощью ИИ?
• Что станет следующим ограничением после автоматизации?
• Увеличится ли поток работы на последующие этапы?
• Кто и как быстро принимает решения по результатам работы ИИ?
• Сколько времени работа выполняется, а сколько находится в ожидании?
• Нужно ли вместе с технологией менять регламенты, полномочия и частоту управленческих решений?
• Какая метрика должна измениться на уровне всего процесса, если внедрение действительно успешно?

Последний вопрос особенно важен.

Количество созданных с помощью ИИ описаний вакансий само по себе мало говорит об эффективности найма. Как и количество сгенерированного кода — об эффективности создания нового продукта.

Ценность возникает тогда, когда локальное улучшение меняет результат всей системы.

От автоматизации операций — к перестройке системы управления

Показательно, что среди причин отказа российских работодателей от использования ИИ называются недоверие алгоритмам, нехватка внутренней экспертизы, сомнения в окупаемости и необходимость сохранить человеческий подход.

Это важные ограничения внедрения технологии.

Но по мере того как ИИ становится привычным рабочим инструментом, появляется еще один уровень задачи. Компании необходимо не только научиться применять алгоритмы, но и адаптировать к новой скорости остальные элементы системы.

Поэтому следующий этап внедрения ИИ — это не поиск новых операций для автоматизации. Это пересмотр процессов, управленческих циклов и правил принятия решений с учетом того, что отдельные элементы системы теперь способны работать на совершенно другой скорости.