AI как операционное преимущество: Корен Айзенштадт о том, почему хайп не заменяет технологическую стратегию
17 июня в Таллинне Baltic Business Club провёл бизнес-визит в офис Amazon / AWS, посвящённый практическому применению искусственного интеллекта в бизнесе. Одним из спикеров мероприятия выступил Корен Айзенштадт, основатель Kortaliya и бывший вице-президент Pipedrive, с темой “Hype is Not a Strategy: AI for Operational Advantage”.
Главная мысль выступления была простой: AI сам по себе не является стратегией. Он становится полезным только тогда, когда связан с реальными операционными проблемами компании, профессиональной технологической экспертизой и дисциплинированным внедрением.
Почему вопрос “как нам применить GPT?” недостаточен
Большинство устойчивых компаний построены на глубокой экспертизе. Они хорошо знают своих клиентов, рынок, операционные процессы, риски и то, как на самом деле выполняется работа. Внутри таких бизнесов уже есть ответственность, стандарты, рабочие ритмы и управленческое суждение, накопленное годами.
Именно поэтому бизнес работает: не потому что кто-то просто попробовал несколько инструментов, а потому что компания накопила понимание своей индустрии и научилась управлять процессами профессионально.
Но когда разговор переходит к AI, автоматизации или внутреннему программному обеспечению, эта логика часто исчезает. Возникает ощущение, что достаточно взять самый видимый инструмент и попробовать применить его к бизнесу.
“Может ли GPT помочь нам стать эффективнее?”
Это понятный вопрос. Но в нём уже есть проблема.
IT-сфера, включая программирование, автоматизацию, работу с данными и искусственный интеллект, – такая же профессиональная область, как финансы, производство, логистика или продажи. У неё есть свои методы, архитектура, процессы, риски, стандарты качества и опыт внедрения.
Без этой экспертизы невозможно надёжно понять, где AI действительно поможет, где нужна автоматизация, где интеграция между системами, где заказная разработка, а где сначала нужно менять сам бизнес-процесс.
Более сильный вопрос звучит иначе: “Где в нашем бизнесе мы теряем время, качество, видимость или производственную мощность, и какие технологические решения могут помочь это исправить?”
Чтобы ответить на этот вопрос, одной бизнес-экспертизы недостаточно. Нужна ещё и технологическая экспертиза: понимание того, как современные программные системы, автоматизация, данные и AI реально применяются в бизнесе и как превратить операционную проблему в правильно выбранное решение.
Компании “посередине”
Особенно актуальна эта тема для устойчивых малых и средних компаний в традиционных индустриях. Речь не о технологических компаниях, не о микробизнесах с одним владельцем и ограниченным бюджетом, и не о крупных корпорациях, где уже есть IT-директора, разработчики, архитекторы, команды по данным и формальное управление технологическими изменениями.
Речь о компаниях, которые уже работают как серьёзный бизнес: у них есть клиенты, сотрудники, выручка, обязательства, процессы и операционная сложность. Они достаточно велики, чтобы лучшие системы могли дать реальный эффект, но часто ещё недостаточно велики, чтобы иметь внутри зрелую экспертизу в разработке ПО, автоматизации, данных и AI.
Именно здесь появляется разрыв. Бизнес уже сложный. Технологии уже могут дать пользу. Но внутри компании часто нет человека или функции, которые способны профессионально решить, какая технология нужна, где именно, в какой последовательности и как её внедрять без создания нового хаоса.
Не каждая задача является AI-задачей
После этого меняется сама логика разговора. Вопрос уже не в том, “может ли AI что-то сделать”. Вопрос в том, какая именно проблема стоит перед компанией и какой тип решения подходит для неё лучше всего.
Иногда проблема действительно подходит для AI: например, когда нужно читать, резюмировать, классифицировать, сравнивать или объяснять неструктурированную информацию. В таких сценариях AI может снять часть ручной работы и дать сотрудникам сильный рабочий инструмент.
Но если сотрудники каждый день переносят данные из одной системы в другую, это чаще всего не AI-задача. Это задача интеграции или автоматизации. Если руководитель не видит статус работ, это может быть вопрос отчётности, workflow или качества данных. Если процесс зависит от одного человека, проблема может быть не в отсутствии AI, а в отсутствии описанного процесса, ownership и нормальной системы передачи знания.
Поэтому профессиональный подход начинается не с выбора инструмента, а с классификации проблемы. Это процесс, данные, интеграция, автоматизация, интерфейс, отчётность, AI, заказная разработка или изменение ответственности?
Именно здесь часто появляется самая большая ценность: не в том, чтобы применить самую модную технологию, а в том, чтобы выбрать правильную технологию для правильной части процесса.
Что компании обычно пробуют без этой экспертизы
Во многих компаниях бизнес-сторона хорошо понимает свои проблемы. Руководители и операционные команды знают, где работа идёт медленно, где информация копируется вручную, где отчёты готовятся слишком долго, где возникают ошибки и где менеджменту не хватает видимости. Часто у них уже есть идеи, что можно улучшить.
Проблема появляется на следующем шаге: как превратить это бизнес-знание в правильное технологическое решение.
Обычно видны три сценария.
- Hype-driven подход: “AI сейчас везде, покажите, как он может помочь нашему бизнесу”. Такой запрос не обязательно неправильный. За ним часто стоит реальная потребность: процессы слишком ручные, слишком медленные или слишком зависимые от отдельных людей. Но компания ещё не знает, где AI действительно полезен, где он не нужен и что потребуется для качественного внедрения.
- Ставка на группу внутренних чемпионов: “Обучите наших лучших людей, и они начнут внедрять AI внутри компании”. Это может быть очень полезным направлением. Внутренние люди знают бизнес, процессы и множество деталей, которые внешнему подрядчику пришлось бы долго изучать и которые он не всегда сможет понять с первого раза. Поэтому обученные champions могут быстро проверять идеи, “вайбкодить” простые прототипы вокруг своих процессов и находить практичные сценарии изнутри бизнеса. Но обучение работе с AI-инструментами всё равно требует времени, практики и профессионального сопровождения. Зрелая технологическая экспертиза не появляется после одного тренинга: внутренних champions нужно развивать, направлять и помогать им понимать, где эксперимент уместен, а где уже требуется архитектура, требования, качество и полноценное внедрение.
- Внешнее исполнение: компания нанимает разработчика, агентство или IT-подрядчика, чтобы что-то построить или настроить. Это тоже может быть правильным шагом. Но на стороне компании всё равно должен быть человек, который профессионально определяет проблему, выбирает тип решения, формулирует требования, понимает архитектуру и видит, как каждое техническое решение связано с общим процессом.
Внешние подрядчики могут строить модули, интеграции, автоматизации, отчёты и программные компоненты. Но ответственность за всю технологическую картину должна оставаться у компании: понимание бизнес-проблемы, приоритеты, roadmap, требования, архитектурное направление и решение о том, как разные системы должны работать вместе.
Внедрение технологий – это профессиональный процесс
Так же как серьёзный бизнес не строит свои операционные процессы только на хороших намерениях, технологическое внедрение не должно строиться на энтузиазме и случайных экспериментах.
У качественного внедрения есть дисциплина. Сначала бизнес-проблема должна быть понята в контексте. Затем текущий процесс нужно описать достаточно ясно, чтобы его можно было улучшать. После этого выбирается правильный тип решения: AI, автоматизация, интеграция, стандартный инструмент, отчётность, заказная разработка или изменение процесса.
Дальше появляются требования, архитектурные решения, приоритеты, план внедрения, контроль качества и принятие системы пользователями. Система, которой люди не доверяют или которой не пользуются, не создаёт ценности.
Это не просто управление проектом. Это практическая экспертиза превращения бизнес-реальности в технологию, которая работает.
Операционное преимущество
Когда технологии применяются таким образом, ценность становится практической. Сокращается ручная работа. Улучшается видимость для руководства. Ошибки обнаруживаются раньше. Планирование становится точнее. Клиентская коммуникация становится последовательнее. Люди меньше времени тратят на копирование информации между системами.
И, что особенно важно, компания становится менее зависимой от отдельных “героев”, которые держат критическое знание в голове.
Это и есть operational advantage: не AI ради AI, не software ради software и не digital transformation как лозунг, а использование AI, автоматизации, данных, программных решений и систем для того, чтобы бизнес работал лучше.
Главный вывод
AI часто становится причиной начать разговор. Но настоящая возможность шире.
Для устойчивых малых и средних компаний главный вопрос не в том, какой AI-инструмент попробовать.
Главный вопрос: как соединить собственную бизнес-экспертизу компании с профессиональной технологической экспертизой?
Компании, которые получат от AI наибольшую пользу, не обязательно будут теми, кто попробует больше инструментов. Скорее, это будут компании, которые смогут понять, где технологии действительно принадлежат их операционной модели, какие проблемы они решают и кто профессионально отвечает за их внедрение.
Именно так AI curiosity превращается в operational advantage.
Материал подготовлен по итогам встречи сообщества Baltic Business Club. Статья носит информационный характер и отражает практический опыт приглашенных экспертов и резидентов клуба.
