Андрій Длігач

Штучний інтелект дозволяє радикально змінити будь-які процеси, до яких ми звикли. З одного боку, наче по факту нашого життя нічого не змінюється і ми залишаємося в тій самій життєвій моделі, як це було раніше. А з іншого – кіберократія, як підхід в державному управлінні, інша логіка гіперперсоналізації, яка реалізована в бізнес-управлінні, і створення іншого простору (і комфорту) для життя – це все вже є результатом впровадження технологій штучного інтелекту. Як і нові небезпеки. За оцінками, які робить AIwiser.ai, Singularity University, McKinsey, Advanter Group і інші, ми матимемо експоненційне зростання ринку АІ рішень в найближчі роки з середнім темпом зростання в 35%. Тобто це один з найстрімкіше зростаючих ринків – він навіть перегнав цифровий гейминг. Використання генеративного штучного інтелекту стрибнуло у відсотках в два рази в Сполучених Штатах Америки і досягло майже двох третин бізнесів, які так чи інакше впроваджують чи використовують ці технології для власного бізнесу. Тотальне захоплення Але традиційне питання наступне – що ми можемо робити за допомогою АІ на практиці? Візьмемо Україну. Зараз в країні катастрофічно не вистачає персоналу. Ми маємо на поточний момент не закритими вже майже 30% позицій в штаті приватного бізнесу (дослідження Advanter Group, серпень 2024). Звичайно, штучний інтелект буде одним з інструментів, за допомогою якого ми зможемо зменшити потребу в людях. Так, ми потребуватимемо більше людей для сервісних дисциплін, для людських сервісів і для роботи з даними чи імплементацією. Бо штучний інтелект в найближчі роки все ще не матиме повноцінного впливу на фізичний простір – все одно буде потрібна людина, яка затверджуватиме чи впроваджує рішення. Критична маса бізнесів цифровізувалася – велика частина бізнесів в Україні вже теж впроваджують технологію штучного інтелекту – це вже більше 10% підприємств (дослідження Advanter Group). Так, порівняно зі США, де майже 2 третини бізнесів цифровізовано, – наші результати виглядають скромно, але ми бачимо доволі сильну динаміку. Другий виклик – це, власне, брак адаптивності. Ми дійсно занадто відсталі в розумінні бізнес-моделей в практиці, яку ми напрацювали. Але вже потроху не тільки цифрові компанії, а й традиційні компанії, які будують виробничий бізнес «на землі», або традиційний продуктовий бізнес – вони навчилися змінювати власні бізнес-моделі і логіку побудови бізнесу. І основною ідеєю тут є зробити так, щоб бізнес отримав принципово нову можливість – можливість для аналітики, можливість для прискорення пошуку рішень і зменшення часу на їх впровадження, зменшення потреби в людському капіталі. І головне – інший маркетинг – ось на що всі ці зміни орієнтовані. Наприклад, бачимо проблему – зниження ефективності продажів. У традиційній логіці, яка є у B2B, B2C бізнесу, або у будь-якій іншій моделі, яка вже зараз існує, цю проблему прийнято вирішувати стандартно – підвищенням результативності окремих (з 5, 7 або 12 – в залежності від моделі продажів) кроків. Але ми багато наших клієнтів в 2015-2020 вже перевели з моделі CRM на моделі CDP – моделі роботи з клієнтськими даними. А з 2018 активно переводимо на моделі на кшталт AI.Sales,wiser, де ключову роль у підвищенні ефективності віддано штучному інтелекту. Для чого? Для того, щоб була можливість узагальнювати клієнтський досвід, щоб була можливість отримувати від клієнтів більше даних, збагачувати дані про клієнта і, відповідно, навчати наші аналітичні системи. Раніше в бізнесі збирали дані, опрацьовували їх і робили висновки – це, так званий реактивний підхід. Таким чином ми можемо стандартизувати на основі наявного досвіду скрипти по тому, як має працювати маркетингово-інформаційна система, чи по тому, як має працювати продавець. Але за останні два роки, базуючись якраз на нових технологіях, нових можливостях, ми повністю переосмислили те, як будувати сервіси і продажі. По-перше, від узагальненого досвіду ми переходимо до персоніфікації. Від того, щоб збагачувати нашу базу через збирання даних від клієнтів для навчання АІ, ми перейшли у модель коли використовуємо штучний інтелект для того, щоб навчати самого клієнта. Бо ми вже вміємо і без клієнта генерувати дані по ньому. Тепер нам потрібно використати штучний інтелект для того, щоб керувати поведінкою клієнта. Це маркетинг впливу або соціальні зміни – провоковані чи керовані, чи зроблені за рахунок наших моделей впливу. Нові моделі Так само від реактивного аналізу ми перейшли до аналізу в реальному часі. Звичайно, наступний крок буде предиктивний аналіз – тобто аналіз в майбутньому часі. Також від стандартизованих скриптів ми перейшли до систем підлаштування під конкретного клієнта (персоналізації комунікації і продажів). Відповідно, наші системи тепер виглядають так, що менеджери, маркетологи, які в нас займаються впливом на клієнта, використовують штучний інтелект в кожному з функціональних напрямків, яким керують – і в комунікаціях, і в ціноутворенні, і в доданні до продукту сервісу, і в персоніфікації продукта, і, власне, в скриптах продажі. Фактично ми беремо за основу 12-крокову логіку продажі – тобто традиційну 7-крокову, розширяємо до 12 для того, щоб мати більш персоніфіковану модель. Аналізуємо проблематику, яка є на кожному з кроків, і розробляємо системи штучного інтелекту для кожного з кроків – від пошуку контактів і їхньої кваліфікації до отримання зворотного зв'язку. На кожному з цих кроків ми можемо робити персоніфіковані моделі, базуючись на навченій SalesWiser AI. Відповідно, це таке AI рішення, яке дозволяє керувати продажами, персоніфікувати їх, персоніфікувати маркетингову комунікацію. Але навіть все це є лише першим етапом, бо ключова ідея – це поступово навчитися продавати не продаючи. Не просто алгоритмізувати і систематизувати роботу маркетолога чи продавця, менеджера з продажем, а зробити так, щоб вони взагалі були не потрібні, як функція, яка потребує людського втручання. Давайте подумаємо, як, використовуючи наше знання системно-рефлексивного підходу, ми могли б радикально змінити систему продажів чи систему маркетингу. Перше – ми зупиняємо традиційні наші підходи – бігом-бігом потрібно продавати-продавати, тобто виходимо з простору дій в рефлексивний простір. Далі ми будуємо карти стейхолдерів – карти впливу. І потім повертаємось в простір дій з іншою логікою, з іншим бізнес-процесом. Нагадаю, що системно-рефлексивний підхід – це розгляд широкого спектру стейхолдерів з високої рефлексивної позиції і управління трансформацією ринку з урахуванням інтересів стейкхолдерів. Причому, переходячи вище і вище по рангах рефлексії, ми кожен раз змінюємо цю логіку. В результаті конкурент перетворюється для нас на партнера, клієнт перетворюється на партнера і так далі. Це на найвищому рівні. Що це дає можливість нам робити? Не просто продавати ефективніше, а дає можливість продавати не продаючи, підписувати на покупки, продавати продукт як сервіс, продавати все, а не тільки той товар, який в нас є. Тобто на кожному рівні ми переглядаємо нашу бізнес-модель. Від традиційної моделі Sales Advisor, який дозволяє ефективно продавати, ми приходимо до моделі Direct-For-Customer (вже навіть не Direct-To-Customer). Тобто ми перетворюємо самого клієнта на амбасадора продукта і робимо його продавцем. Ми його підписуємо так, щоб не довелося кожного разу нагадувати, продавати – ми будь-що, одяг, їжу, перетворюємо на сервіс, на який можна підписатися. І, нарешті, ми будуємо екосистему – екосистему, які вдало побудовані в Китаї, які в Україні будує Епіцентр, Єва, FOZZY і інші. Це робимо ми в Advanter Health та в нашій консалтинговій екосистемі. Ми також намагаємось реалізувати модель 360 градусів для будь-якого клієнта. Бо головне завдання захопити якомога більшу територію саме у його смислах, у логіці ухвалення рішень – і, з рештою, у його кошику. Паралельно з цим сам AI потребує переосмислення і пошуку нових бізнес-моделей. Відповідно, для самого AI реалізуються моделі AI як сервіс. І це вже відпрацьована модель. Це чисто SaaS-івські моделі, які відпрацьовані на іншому програмному забезпеченні, інших програмних сервісах. Це побудова спільних екосистем – коли будуються екосистеми не для однієї компанії, а для цілої мережі створення цінності. На основі штучного інтелекту будується інтерфейс, який дозволяє, задовольняти потреби клієнта на 360 градусів. Це різноманітні сервіси, які побудовані на тому, щоб тренувати AI на збагачених даних і, відповідно, мати вищу ефективність за рахунок універсалізації. Це проєкти в платформі з відкритим кодом Open Source і те, що я люблю останній час найбільше – за останні роки ми це відпрацювали в багатьох сферах, і як для самого штучного інтелекту, так і для бізнес-моделей на його базі – це так звані моделі Free2. Моделі, при яких ми втягуємо у споживання через безкоштовну базову функціональність, а заробляємо на додаткових сервісах, на посиленій функціональності, на доступі до прихованих можливостей і на прискорені самого доступу. Такі моделі дають можливість залучити більше клієнтів, здешевити маркетинг, використати клієнта, як постачальника даних для їх подальшого використання і, з іншого боку, заробити на тому, що навчаючи і втягуючи через безкоштовність ми отримаємо вищу ступінь готовності клієнта сплачувати більше, бо він вже реально бачить цінність. Зміна мислення Тепер ми підходимо до логіки, як ми будуємо roadmap для того, щоб впроваджувати ці нові бізнес моделі. Перше – ми змінюємо мислення. Замість традиційного «хтось комусь – В2В, В2С», ми впроваджуємо моделі бізнесу «human with human». Тобто вибудовуємо такі горизонтальні партнерські відносини – співвідносини через інструменти співдій – щоб клієнт перестав бути клієнтом і почав бути безумовним постачальником нам лояльності, постійності покупок, грошового потоку, амбасадорства, позитивних відгуків та всього іншого. Тобто залучити його до співдії. Єдиний спосіб це зробити – це перестати продавати стандартне і почати продавати персоніфіковане – персоналізуючий продукт, сервіс, комунікацію. Відповідно у нас є модель, яка включає у себе вісім кроків, які ми реалізуємо в для того, щоб зрозуміти і впровадити такі рішення. Перше – це ідентифікація бізнес-проблеми. Ми завжди починаємо не з технології, а з проблем. Тобто ми спочатку шукаємо бізнес-рішення. Як переосмислити сам бізнес, його процедури, і яку інакшу бізнес-модель запропонувати в цьому бізнесі. Як зробити більш стало, більш перспективно, зростаюче, і більш доходно. Чи готовий бізнес до SaaS, або сервіс-моделі, чи до моделі Direct Purchasing, чи до моделі Free2, чи до моделі Good-on-Demand. Будь-які бізнес-моделі сучасні, які ми можемо впровадити, ми шукаємо, тестуємо як базову бізнес-модель. Це другий етап – підбір логіки рішення. Але, звичайно, однією з ключових умов є зробити адаптивну пілотну-модель. Тобто, фактично, таку, щоб вона могла бути цифровизована, і після цього використана знову рішення штучного інтелекту. Так, інструменти штучного інтелекту ми підбираємо під бізнесове рішення, яке знаходиться. І це третій крок – підбір інструментів АІ під знайдене рішення. Тобто, ми не надаємо наполегливо певний готовий інструмент, це не завжди стандартне рішення, але і зовсім не завжди потрібно робити щось ексклюзивне. Не завжди потрібен спеціалізований AI під певну бізнес-задачу. Небагато ефективніше (ми побачили це за останній час) працюють якраз універсалізовані моделі, бо в них є той самий елемент рефлексивності, якого немає в спеціалізованих моделях АІ. Далі йдуть наступні три кроки. Спочатку підготовка даних – їх збір, очистка та класифікація для подальшого тренування АI моделі. Наступний крок, власне, саме тренування спеціалізовного або індивідуального АІ на даних, алгоритмах і параметрах. І тільки потім настає етап інтеграції рішення в існуючі процеси і цифрову інфраструктуру – це теж дуже важливо. Наступні кроки – це перебудова взагалі бізнесу, оскільки в нас принципово нові бізнес-моделі, нова логіка побудови самого бізнесу, його процесів, то дуже часто це призводить до необхідності побудувати інший бізнес паралельно з існуючим. Але якщо мова йде про точкові рішення, коли ми покращуємо систему, а не чіпаємо, наприклад, логістичну чи інші підсистеми бізнесу, то тоді нам потрібно інтегрувати рішення в існуючу цифрову інфраструктуру. На цьому етапі йде і пілотування на реальних сценаріях, і навчання персоналу. А далі ми працюємо над кооперативними моделями. На цьому етапі нам потрібно інтегрувати AI в обидва боки, щоб і життєвий цикл споживання продукту і взагалі логіка побудови життя нашого клієнта також змінювалася. Не бізнес-модель підлаштовувати під існуючу життєві стандарти, а життєві стандарти, життєві процедури адаптувати. Але це окрема історія вже для наступної колонки. Один з прикладів імплементації AI за нашими технологіями – управління інвестиціями. Якщо раніше ми просто підходили до того, що аналізували тисячі параметрів (так, насправді 10,000+ параметрів щоранку аналізує наша система Trade,Vision) і намагалися будувати прогнозні моделі, то тепер ми перейшли до побудови платформ, які з одного боку об'єднують десятки систем, «двигунів» в інвестиціях, а з іншого боку вибудовують таку сервісну модель, яка дозволяє зробити інвестування менш ризикованим, більш прогнозованим і комфортним, більш зручним і, головне, зрозумілим для клієнтів. І ще одним красномовним прикладом є те, що за допомогою штучного інтелекту нам тепер вдається ефективніше управляти побудовою ком'юніті і задоволенням дуже різноманітних інтересів тих, хто прагне з одного боку єднання, а з іншого боку персоніфікації. І це найскладніша задача, яку нам вдається зараз реалізовувати за рахунок штучного інтелекту – об'єднувати і персоналізувати одночасно.