Прежде чем покупать этот ИИ-инструмент, вам нужно сначала сделать кое-что куда менее захватывающее

Дистрибьютор, который торопился с внедрением

Представьте себе: средний дистрибьютор обращается к ИТ-консультанту, воодушевленный идеей внедрения искусственного интеллекта для автоматизации обработки заказов. В отделе обслуживания клиентов работают шесть человек, которые обрабатывают примерно 1200 заказов в неделю, и каждый заказ вручную вводится в систему. «Наверняка ИИ справится с этим», — думают они.

Знакомо? Именно так начинают большинство компаний. Они видят проблему, находят блестящее решение на базе ИИ и сразу же переходят к внедрению.

Но вот в чем суть — и здесь начинается самое интересное — настоящая история была вовсе не про ИИ. По крайней мере, не сразу.

Что произошло, когда они действительно посмотрели на процесс

Когда консультанты начали анализировать процесс обработки входящей почты (то есть буквально сесть и разобраться, что же происходит на самом деле), выяснились любопытные вещи. В хорошем смысле.

Первый сюрприз: лишь около 62% входящих писем были заказами. Остальные? Вопросы о доставке, запросы цен и изменения к ранее оформленным заказам. Если бы они просто купили ИИ для обработки «заказов», они бы автоматизировали не то, что нужно.

Второй сюрприз: в отделе работала специалист по обслуживанию клиентов по имени Денис. (Я называю ее, потому что она заслуживает признания — она была основой этого процесса.) Около 70% входящих заказов использовали собственные номера деталей клиентов, а не дистрибьютора, и у Денис была таблица, которую она вела одиннадцать лет для перевода между этими системами. Эта таблица фактически обеспечивала поток основной выручки компании, и никто даже не знал о ее существовании.

Третий сюрприз: любой заказ со скидкой более 5% требовал утверждения менеджером по продажам. Это правило появилось после сжатия маржи в 2016 году. Оно касалось примерно 40% заказов и добавляло целый день к времени обработки. И вот что важно: это правило утверждалось в 99% случаев. Сжатие маржи закончилось много лет назад, но никто не удосужился удалить правило.

Вы видите, к чему я веду?

Цифры, которые изменили все

После двух недель реальных замеров того, что происходит (не догадок, не предположений, а именно замеров), команда обнаружила:

• Среднее время ручного обработки одного заказа составляло чуть менее девяти минут
• От получения письма до подтверждения проходило в среднем шесть часов, а по понедельникам этот срок растягивался до двух дней
• Примерно 4% заказов отправлялись с ошибками
• Компания теряла деньги на кредитах и обратной доставке

Но вот что действительно имело значение: как только они поняли реальную картину, сразу же появились два легких выигрыша.

Правило утверждения 2016 года? Отменено за одну встречу. Без затрат. Это сократило почти целый день из цикла обработки для 40% всех заказов.

Таблица Денис? Заменена на полноценную систему маппинга. Ни то, ни другое не требовало ИИ.

ИИ наконец получил свою очередь

То, что осталось, было действительно хорошим кандидатом на автоматизацию. Повторные заказы от известных клиентов с последовательным форматом и чистой картой номеров деталей? Это около 55% объема, и это идеально подходит для извлечения данных с помощью ИИ. Модель достигла 94% точности с человеческой проверкой для помеченных случаев.

Проект окупился менее чем за год, и ROI был виден в операционных показателях, а не только на красивых слайдах презентации.

Моя точка зрения

Я видел, как этот сценарий повторяется бесчисленное количество раз в компаниях любого размера. Мы так увлечены новыми технологиями, что пропускаем скучную часть — реальное понимание того, что мы пытаемся решить.

И послушайте, я понимаю. Сидеть с командой и наблюдать за их работой не так уж гламурно. Записывать реальные цифры вместо оценок кажется утомительным. Построение карт процессов не создает ощущения, что вы на переднем крае технологий.

Но знаете, что еще хуже? Потратить шестизначную сумму на внедрение ИИ, который автоматизирует не то, упускает критические исключения и терпит неудачу, потому что никто не

Теги: ['ai automation', 'process improvement', 'business efficiency', 'workflow optimization', 'operational excellence', 'ai implementation', 'digital transformation', 'business processes']