Вы встречали ситуацию, когда внедряются инструменты автоматизации бизнеса и мало кто в компании задумывается о том, какую измеримую ценность для бизнеса или клиента это принесёт?
Или может вы видели таких людей, которые пытались измерить ценность, но инициатива по автоматизации быстро сходила на нет?
По нашему опыту, это повсеместная проблема — многие лидеры компаний закрывают на эту проблему глаза. Так было с системами CRM, ERP, BIM, MES, а сейчас аналогичная история повторяется с ИИ.
Почему это проблема?
Проблема заключается в излишней трате средств там, где можно двигаться более бережливо.
Какое решение мы видим
Надо научить команды и руководителей мыслить образом конечного результата.
Для этого перед тем, как начать что-то внедрять, задайте себе два вопроса
Чего Вы хотите достичь?
Как Вы поймёте, что достигли цель?
Оба этих вопроса кажутся простыми.
Наша цель — «Внедрить И И / CRM / ERP».
Как поймем, что внедрили? Тут обычно звучит что-то типа: «80% людей в своей работе используют ИИ / CRM / ERP и положительно отзываются о них» или «Мы внедрили 8 модулей и успешно прошли приёмо-сдаточные испытания».
Так себе образ результата.
Получается, что система внедряется как бы ради самой системы. Происходит подмена цели.
Вместо бизнес-результатов придумываются какие-то эфемерные «ради прозрачности, наблюдаемости», «скорости принятия решений» или «удовлетворенности процессом».
Ваша задача докрутить эту цель до ощутимого результата, который можно объективно измерить и выбранные метрики можно напрямую или косвенно связать с бизнес-метриками.
Что это может быть?
Давайте посмотрим на ИИ, как наиболее свежую повсеместно внедряемую инновацию.
Хотя с внедрением ERP и CRM была очень схожая картина, когда они были на большой волневнедрений. ERP были призваны сделать всю информацию легкодоступной любому в организации, но, по факту, если люди оптимизируют свои колодцы и не думают о работе смежников, то в текущем распорядке никому нет дел до сверхдоступных данных в разрезе всей организации.
Любая инновация должна применяться, чтобы помогать бизнесу расширять свои узкие места. Элияху Голдратт, создатель теории ограничений, отлично описывает это в книге «Цель». Некоторые вещи можно в принципе оставить в полуручном / неэффективном режиме и никто от этого не умрёт. Ни клиент, ни бизнес. И, наоборот, в погоне за повсеместной оптимизацией есть риск создания локальных оптимизаций, которые вредят всей системе, всему бизнесу, и хотя руководители, создающие такие локальные оптимизации, неплохие, они зачастую просто не видят всей картины.
Обычно в компании считается, что каждый участок / отдел / команда должны работать с максимальной производительностью. И простой людей или машин — это плохо! Вы отдали кучу денег за оборудование, платите людям высокую з/п, а потому необходимо, чтобы всё постоянно работало. Плюс многие методы оценки деятельности и системы премирования основаны на эффективности использования времени.
Поэтому, прежде чем начинать ИИ-зацию всего и вся, остановитесь, визуализируйте ваш ключевой процесс, посчитайте метрики этого процесса (время, ошибки, производительность), найдите узкое место, подумайте, а может ли это узкое место быть расширено с помощью данной технологии.
И если да, то визуализируйте новую версию процесса, сравните разницу метрик процесса до и после автоматизации и поставьте на основе этого измеримые цели вашей команде автоматизации.
2 примера для внедрения ИИ в процесс продаж:
Пример 1. ИИ в продажах
Цель: Оптимизировать процесс квалификации потенциальных клиентов и ускорить их движение по воронке с помощью ИИ-скоринга.
Ключевые результаты:
Сократить среднее время от первого контакта до SQL на 30%.
Повысить конверсию из MQL в SQL с 18% до 25%.
Повысить точность прогноза вероятности сделки до 80% на основе ретро-анализа.
MQL (Marketing Qualified Lead, маркетингово квалифицированный лид) — это потенциальный клиент, который проявил интерес к продукту (например, заполнил форму, подписался на рассылку, скачал документ), и соответствует критериям, заданным маркетингом. Он ещё не готов к покупке, но уже «тёплый» и его можно передать в продажи при наличии нужного уровня заинтересованности.
SQL (Sales Qualified Lead, продажно квалифицированный лид) — это потенциальный клиент, готовый к контакту с отделом продаж. Он прошёл маркетинговую валидацию и дополнительно проверен (например, через скоринг или общение), и по нему ожидается реальная возможность сделки. Такие лиды — фокус для менеджеров по продажам.
Пример 2. ИИ в продажах
Цель: Сократить время прохождения сделок по воронке с помощью ИИ-ассистента для генерации персонализированных email-ответов и предложений.
Ключевые результаты:
Сократить среднюю длительность сделки с 32 до 25 дней.
Повысить долю сделок, закрытых в рамках первого месяца, с 45% до 60%.
Снизить долю «зависших» сделок в стадии переговоров на 25%.
2 примера для внедрения ИИ в маркетинге:
Пример 1. ИИ в маркетинге
Цель: Повысить вовлеченность email аудитории за счёт сегментации + использования ИИ для создания персонализированных цепочек
Ключевые результаты:
Автоматически на основе поведенческих данных и RFM-анализа сгенерировать 5 email-цепочек для разных сегментов с помощью ИИ-редактора.
Увеличить конверсию в открытие сообщений с 22% до 30%.
Повысить конверсию в переход по ссылке (CTR) с 3% до 6%.
RFM-анализ — это это метод сегментации клиентов по трем ключевым параметрам:
Recency (давность последней покупки) — как давно клиент покупал у вас.
Frequency (частота покупок) — как часто он делает покупки.
Monetary (сумма трат) — сколько он потратил за всё время.
Пример 2. ИИ в маркетинге
Цель: Увеличить объём лидогенерации через ИИ-копирайтинг и автоматизацию лендингов
Ключевые результаты:
Сгенерировать минимум 10 вариаций лендингов с помощью ИИ (например, с использованием Copy. ai или ChatGPT + Webflow).
Повысить среднюю конверсию лендингов с 2,8% до 4%.
Увеличить общее число MQL на 40% за квартал.
Сократить время запуска новой посадочной страницы с 5 дней до 1 дня.
2 примера для внедрения ИИ в обслуживании:
Пример 1. Цель: Сократить время обработки обращений с помощью ИИ-автоматизации
Ключевые результаты:
Сократить среднее время первого ответа с 30 минут до 7 минут.
Автоматически обрабатывать не менее 60% типовых запросов без участия оператора.
Повысить NPS (Net Promoter Score) среди клиентов службы поддержки с 45% до 60%.
Пример 2. Цель: Предотвратить отток клиентов через предиктивную аналитику и проактивное обслуживание
Ключевые результаты:
Идентифицировать и сегментировать 80% «рисковых» клиентов в течение 1 недели после появления признаков оттока.
Внедрить автоматическую триггерную коммуникацию через мессенджер для «рисковых» клиентов.
Повысить уровень удержания клиентов на 15% за квартал.
Что даёт такой подход к целеполаганию:
Вы тратите деньги и понимаете, на какое благо они идут,
В процессе движения к цели это позволяет вам отдавать себе отчет, что «вы на верном пути или нет?»,
Вы можете остановить или пересобрать проект на основе объективных цифр.
Отдельно остановимся на пунктах 2 и 3.
В OKR процессе каждые 1−2 недели вы проводите чекин или прогресс-собрание, фокус этой встречи на продвижении к измеримым ключевым результатам, а не на задачах. Обязательно обсуждение, что мешает нам сдвинуть метрики с места, и оперативно принять решения по блокирующим вопросам. Для того, чтобы решения принимались оперативно, на встрече присутствует генеральный директор или один из топ-менеджеров — это зависит от размера компании.
А что делать, если у нас уже запущено «море» проектов и затраты раздуты?
Тогда включайте умное сокращение затрат.
От каждой команды добейтесь Цели и Измеримых ценностных ключевых результатов.
Далее отрезайте все то, что не несёт стратегической ценности и не повредит клиенту.
Это сложный и болезненный процесс, но в условиях кризиса без этого компания может утонуть (расходы резко сожрут всю накопленную прибыль), или, если резать все и вся без разбора «что ценно?», то есть риск ещё больше навредить себе. Например, нанять снова редких и ценных сотрудников будет в разы дороже после их сокращения.
Что такое умное сокращение затрат с ИИ?
Это не просто сокращение бюджета, а перераспределение ресурсов в пользу более продуктивных процессов с использованием ИИ-автоматизации.
До ИИ
После внедрения ИИ по OKR
5 человек на⦁обработку входящих лидов
3 человека + ИИ-бот → то же количество лидов, быстрее и⦁дешевле
8 часов на⦁подготовку статьи
2 часа с⦁ИИ-копирайтером → рост объёма без⦁роста затрат
5000 руб. за⦁стоимость лида в⦁рекламе
3000 руб за⦁лида после⦁оптимизации разработки креативов с⦁помощью ИИ-инструментов
В сухом остатке мы вкладываем меньше → получаем результат больше и быстрее.
OKR задают конкретные цели по результатам (скорость обработки, рост конверсии, вовлечённость), а не просто, чтобы «уменьшить издержки на 20%». Это даёт возможность снижать затраты через технологии и переформатирование процессов, а не увольнения.
Ещё одна опция, которая у вас есть при использовании OKR — это нулевое бюджетирование (ZBB, Zero-Based Budgeting). Подход, при котором каждая статья расходов должна быть обоснована с нуля, а не исходя из прошлогоднего бюджета. Деньги выделяются только на те инициативы, которые дают измеримую ценность.
В контексте ZBB это позволяет обосновать, почему проект с ИИ заслуживает финансирования.
Без OKR компании часто продолжают финансировать устаревшие процессы «по привычке».
OKR позволяют сфокусироваться на высокоприоритетных и измеримых зонах роста, где ИИ даёт лучший возврат инвестиций.
ИИ-проекты = идеальные кандидаты для ZBB, если есть чёткие метрики.
Например, если проект по AI-чату показывает снижение затрат на поддержку на 40% и рост удовлетворенности клиента на 20% — он обоснован. Без этого — бюджет на «исследование возможностей» может быть легко урезан.
Более подробное разберём эту практику в одной из следующих статей.