ИИ-Стратегия: Инструкция по применению фреймворков

Перед стартом Ответьте на 12 стратегических вопросов (Видео 1) с командой топ-менеджмента — это займёт 1–2 часа и даст общий контекст для всех шагов.

Questions for Business Leaders — 12 стратегических вопросов

👁

Vision, goals & outcomes

Какое долгосрочное видение AI-powered enterprise?
Каких бизнес-результатов хотите достичь с ИИ?
Где сосредоточить ресурсы и инвестиции?

📁

Initiatives, use cases & data

Какие внутренние и внешние use cases наиболее перспективны?
Какими проприетарными данными вы обладаете?
Как обеспечить актуальность и чистоту данных?

⚙️

Technology, infrastructure & tools

На какую hyperscaler платформу и инструменты ставить?
Как построить надёжную data-инфраструктуру?
Как оптимизировать стоимость и ROI моделей?

👥

People, organization & governance

Как организовать ИИ-инициативы в структуре компании?
Как развивать ИИ-компетенции команды?
Как обеспечить ответственное использование ИИ?

Где мы хотим играть?

ИИ-Радар 2.0

Стоит ли инвестировать?

AI Impact Model

Как это построить?

Crawl-Walk-Run-Fly

Где мы сейчас?

Модель зрелости

📡

Шаг 1

ИИ-Радар 2.0 — найти приоритетные инициативы

Цель: из сотен идей выбрать 3–5 с наибольшим потенциалом

1. Оцените богатство данных по 12 измерениям (от 1 до 5)

Нажмите на точки, чтобы проставить оценку

Квадрант	Измерение	Оценка
Клиентские	Данные о клиентах
Клиентские	Данные о каналах
Клиентские	Данные о взаимодействиях
Операционные	Данные о продуктах / SKU
Операционные	Данные об активах
Операционные	Данные экосистемы
Административные	Данные о людях (HR)
Административные	IT-системы
Административные	Финансовые данные
Риски	Операционный риск
Риски	Рыночный риск
Риски	Комплаенс-риск

Богатство данных — это мера доменной специфичности и дифференциального качества данных, которыми владеет организация

Domain specificity

Geography-specific data
Business function-specific data
Industry-specific workflow data
Customer-specific data

Differential quality

Frequency of data
Structured vs. unstructured
Historical data
Exclusive datasets

Decoding Data Richness — 4 квадранта

ИИ-Радар 2.0 — пример Priceline

AI Radar 2.0 Use Case: Priceline

Пример из практики

Priceline · Туризм

ИИ-Радар: приоритет — клиентские данные

Радар показал максимальную площадь в секции взаимодействий с клиентами и данных о людях. Это определило 4 приоритетных инициативы:

✈️ Туристический ИИ-консьерж 🏨 Агент бронирования отелей 📢 ИИ-маркетинг по каналам 💰 Оптимизация цен (ML)

2–4. Интерпретация

📐 Нарисуйте радар

Нанесите оценки на 12-осевую диаграмму. Соедините точки в полигон.

🏔 Найдите «горбы»

Где площадь под кривой наибольшая — там ваше конкурентное преимущество в данных.

💡 Сформулируйте инициативы

Для каждого «горба» — 2–3 конкретных сценария использования ИИ.

📊

Шаг 2

AI Impact Model — оценить каждую инициативу

Цель: предсказать ROI до инвестирования и понять, как его улучшить

Воздействие =
[задача × данные
+ технологии
× таланты]^исп.

🎯

Определение задачи
Problem definition

🗄

Данные
Data

⚙️

Технологии
Technology tools

🧠

Таланты
Talent availability

🚀

Исполнение
Execution capabilities

Формула бизнес-воздействия

Воздействие = [задача × данные + технологии × таланты] ^{исполнение}

Оцените инициативу по 5 блокам (отметьте выполненные)

🎯 Задача

Повторяющаяся проблема

1 = разовая → 5 = ежедневная

Чётко структурирована

1 = размыто → 5 = ясно определена

Масштабируема до prod

1 = прототип → 5 = готово к деплою

Связана с другими задачами

1 = изолирована → 5 = сквозная

🗄 Данные

Данные доступны сейчас

1 = нет → 5 = есть и чистые

Высокое качество данных

1 = грязные → 5 = валидированные

Данные в реальном времени

1 = месяцы → 5 = секунды

Нет серьёзных ограничений

1 = GDPR/PII-проблемы → 5 = свободно

⚙️ Технологии

Есть платформа аналитики

1 = нет → 5 = есть и зрелая

Есть оркестрационные инструменты

1 = нет → 5 = работают

🧠 Таланты

Есть ИИ / data-специалисты

1 = нет → 5 = сильная команда

Есть гражданские дата-сайентисты

Обычные сотрудники, работающие с ИИ

🚀 Исполнение

Руководство активно поддерживает

1 = нейтрально → 5 = лично вовлечено

Культура принятия решений на данных

1 = интуиция → 5 = данные везде

Есть план управления изменениями

Ресурсы выделены

Прогресс по чеклисту

0 / 14

Что реально отличает успешные проекты (60+ кейсов)

Анализ реальных проектов · Lenovo, Mars, C5I

Прозрачное и поддерживающее руководство
Чётко структурированная, масштабируемая задача
Сильная культура данных и аналитики
Высококачественная платформа аналитики
Наличие гражданских дата-сайентистов (CDS)
Связка: Записи → Аналитика → Взаимодействие

КЕЙС · Real Applications of the AI Impact Model

ИНСТРУМЕНТ · What If Analysis — Business Impact Simulation

Mars · FMCG

Snacking GPT

LLM дообучена на данных продаж в Walmart. Менеджер спрашивает: «Как говорить с байером на следующей неделе?» — модель отвечает: «Из 6 промо 3 были прибыльны, рекомендую...»

Подготовка к переговорам

Lexion → DocuSign · Legal Tech

Fine-tuned LLM для контрактов

Тысячи контрактов как обучающие данные. Модель генерирует клаузулы, предлагает правки (redline), резюмирует договоры. Приобретена DocuSign в 2024.

Юридические команды освобождены от рутины

Что делать, если балл низкий

📝 Задача слабая

Переформулируйте уже и конкретнее

🗄 Данные слабые

Начните с data cleanup или внешних датасетов

🧠 Таланты слабые

Наймите или заключите партнёрство с вендором

🚀 Исполнение слабое

Сначала заручитесь поддержкой руководства

🐛

Шаг 3

Crawl-Walk-Run-Fly — выбрать уровень реализации

Цель: не переинвестировать и не застрять на слишком простом уровне

🐛

ПОЛЗИ

Только начинаем с ИИ
Нет ИИ-экспертизы внутри
Нужен быстрый результат за 1–3 месяца
Бюджет ограничен

🚶

ИДИ

Готовые инструменты уже упираются в лимиты
Есть 10 000+ проприетарных примеров
Есть ML-инженер
Нужна специфика бизнеса

🏃

БЕГУ

ИИ — ключевой технический актив
Уникальные данные, которых нет у других
10+ ИИ-специалистов
Готовы инвестировать $1–10 млн

✈️

ЛЕТИ

Создаём ИИ-продукт для продажи
ИИ = бизнес-модель
Мощная команда исследователей
Крупные инвестиции

💡 Практический совет Большинство компаний получат 80% ценности на стадии ИДИ. Не нужно строить собственную LLM, чтобы получить конкурентное преимущество.

Реальные кейсы по стадиям

🐛 ПОЛЗИ · JP Morgan Chase · Банкинг

Azure OpenAI для комплаенса

Out-of-the-box Azure OpenAI Services для автоматизации обработки комплаенс-документов. Безопасно, приватно, без внутренней экспертизы.

$1.5 млрд эффекта в 2023

🚶 ИДИ · Cresta · Контакт-центры

Ocean-1: собственная базовая модель

2018: GPT-2 out-of-the-box → дообучение на чат-данных → 2023: собственная модель Ocean-1 для контакт-центров. Меньше задержек, лучше следование инструкциям.

Первая в мире foundation model для контакт-центров

✈️ ЛЕТИ · Bloomberg · Финансы

BloombergGPT

Десятилетия проприетарных финансовых данных → собственная LLM. Значительно превосходит ChatGPT по глубине анализа тикеров и финансовых отчётов.

Продаётся как отдельный продукт

✈️ ЛЕТИ · Intuit · Fintech

GenOS — ИИ-ОС для малого бизнеса

Годы данных QuickBooks и других продуктов → GenOS. Целая ИИ-операционная система для малого бизнеса, обученная на миллионах бухгалтерских записей.

ИИ стал бизнес-моделью

🎯

Шаг 4

Модель зрелости — диагностика текущего состояния

Цель: найти сильные и слабые стороны, определить приоритеты развития

Столп	🟡 Формирующийся	🔵 Паритет	🟢 Лидер
Стратегия	ИИ-видение не формализовано	Есть стратегия, согласована с бизнесом	ИИ — центр корпоративной стратегии
Данные	Разрозненные данные, нет платформы	Единый data lake, базовый governance	Real-time данные, продвинутый governance
Разработка	Пилоты без процессов	Agile-методология, CI/CD для моделей	MLOps, автоматизированное переобучение
Таланты	1–2 специалиста, нет развития	Центр компетенций, регулярное обучение	ИИ-грамотность по всей компании
Управление	Нет политик ответственного ИИ	Базовые политики, AI Ethics committee	Полная подотчётность, аудит моделей

🔍 Как использовать Определите свой уровень по каждому столпу. Для слабых столпов — сформулируйте 1–2 конкретных действия на ближайший квартал.

⚠️

Антипаттерны

Типичные ошибки

🔧

Начать с технологии, а не с задачи

Сначала — формулировка проблемы, потом — выбор инструмента

🗄

Переоценить собственные данные

Оценивайте честно: уникальны ли они? Чисты ли они?

🔄

Пропустить управление изменениями

Включайте change management в план с самого начала

🏃

Сразу идти на стадию «Бегу»

Докажите ценность на стадии «Иди» сначала

⚖️

Игнорировать этику и governance

Минимально необходимое условие — без него проект провалится

🗓

Старт

Быстрый старт за 2 недели

📅 Неделя 1 — Анализ

Дн 1–2

Ответить на 12 стратегических вопросов с командой

Дн 3–4

Заполнить таблицу ИИ-Радара (оценка 12 измерений)

Дн 5

Выбрать 3–5 приоритетных инициативы

📅 Неделя 2 — Планирование

Дн 1–2

Оценить каждую инициативу по AI Impact Model

Дн 3

Выбрать стадию Crawl-Walk-Run-Fly для каждой

Дн 4

Провести диагностику по Модели зрелости

Дн 5

Сформировать роадмап на 6–12 месяцев