Позвоните нам:
АКТУАЛЬНЫЕ ВОПРОСЫ ОПТИМИЗАЦИИ БИЗНЕС-ПРОЦЕССОВ СИСПОЛЬЗОВАНИЕМ ИНСТРУМЕНТОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
2025 г.
Заболотный Юрий Алексеевич, ОАО «МНИПИ»,
Республика Беларусь, Минск
Бузунов Роман Александрович, Noblelift Intelligent Equipment Co. Ltd,
Китайская Народная Республика, г. Чансин
Аннотация. Статья посвящена анализу актуальных аспектов применения инструментов искусственного интеллекта (ИИ) для оптимизации бизнес-процессов. Рассматриваются значимость исследования, проблемы внедрения ИИ, включая интеграцию, качество данных, безопасность и этические аспекты, а также оптимальные задачи для автоматизации. Представлен алгоритм создания и настройки инструментов ИИ с учетом практического опыта автоматизации проверки студенческих проектов. Подчеркивается, что ИИ выступает ассистентом, требующим структурированных инструкций и навыков пользователей для достижения устойчивых результатов. Исследование предлагает рекомендации для бизнеса по минимизации рисков и повышению эффективности.
Ключевые слова: инструменты ИИ, оптимизация бизнес-процессов, автоматизация, проблемы внедрения, кастомизированные чаты, языковые модели.
В условиях цифровой трансформации оптимизация бизнес-процессов (BPM) становится ключевым фактором конкурентоспособности организаций. Инструменты искусственного интеллекта (ИИ), включая ИИ-агенты и языковые модели, обеспечивают автоматизацию и повышение операционной эффективности. Актуальность исследования обусловлена ростом объемов данных и сложности бизнес-операций в условиях глобализации. Согласно отчету консалтинговой компании McKinsey, в ближайшее время ИИ станет основой для автоматизации сложных процессов, преодолевая ограничения традиционных инструментов [1].
Практическая значимость проявляется в способности ИИ автономно анализировать, планировать и выполнять задачи, освобождая ресурсы для стратегической деятельности. В отраслях, таких как финансы и логистика, внедрение ИИ снижает затраты на 20–30 % и ускоряет процессы на 40–50 % за счет предиктивной аналитики [2]. Интеграция ИИ с no-code платформами демократизирует доступ к технологиям для малого и среднего бизнеса [3]. Настоящее исследование изучает применения ИИ в BPM и предлагает практические рекомендации для трансформации бизнес-моделей в эпоху Индустрии 4.0.
Необходимо отметить, что внедрение инструментов ИИ сопряжено с рядом проблем. Во-первых, сложность интеграции: корпоративные системы часто несовместимы с ИИ, что требует изменений инфраструктуры, увеличивает затраты на 30–50% и вызывает сбои в операциях [4–5].
Во-вторых, качество данных и предвзятость: неполные или искаженные данные приводят к ошибкам, включая «галлюцинации» ИИ, что влечет финансовые потери и утрату доверия [6–7].
В-третьих, вопросы безопасности и этики: уязвимости ИИ могут привести к кибератакам, утечкам данных или сокращению рабочих мест, вызывая юридические, репутационные и социальные последствия [8–9].
Наконец, высокие начальные затраты и дефицит кадров создают барьеры для малого бизнеса, приводя к отставанию от конкурентов [10].
Также необходимо учитывать, что вероятностная природа языковых моделей вызывает вариативность результатов, требуя ручной проверки и увеличивая временные затраты. Данная вероятностная природа требует осознанного подхода к постановке задач. Наибольшую эффективность они демонстрируют при решении повторяющихся рутинных задач, не предполагающих поиска инновационных решений. В этих условиях ИИ следует рассматривать как вспомогательный инструмент, повышающий эффективность работы специалистов за счёт автоматизации однотипных операций. Анализ проблем оптимизации бизнес-процессов с использованием инструментов ИИ, их последствия и возможные решения приведены в таблице 1.
Таблица 1 – Проблемы внедрения инструментов ИИ и их последствия
|
Проблема |
Последствия |
Решение |
|
Сложность интеграции |
Задержки, рост затрат, сбои |
Модернизация инфраструктуры |
|
Качество данных |
Ошибки, финансовые потери, утрата доверия |
Очистка и аннотация данных |
|
Безопасность и этика |
Кибератаки, юридические риски, сокращения |
Защита данных, этические нормы |
|
Высокие затраты |
Отставание от конкурентов |
Оптимизация инвестиций, использование no-code решений |
|
Вариативность |
Потеря времени, снижение предсказуемости |
Итеративная настройка инструкций |
Примечание – Источник: авторская разработка.
В качестве практического примера рассмотрим задачу по разработке предварительно настроенного ИИ-чата бизнес-школы для проверки промежуточных практических студенческих проектов. При выполнении данной задачи необходимо учесть, что студенческие проекты могут быть написаны на русском или английских языках, существует формализованный список требований к проекту, а также критерии оценки проектов. По результатам проверки необходимо предоставить файл оригинальной работы, в котором допущенные ошибки будут выделены цветом и внесены комментарии, поясняющие суть этих ошибок, а также второй файл, содержащий детальный отчет о проверке по заданному шаблону, с проверкой на соответствие требованиям проекта, указанием сильных сторон работы, ошибок, обоснованием оценки и информацией о возможных улучшениях, которые могут повысить оценку для его следующей версии. В качестве ИИ-платформы для решения задачи был использован ChatGPT 5 Thinking – самая новая на текущий момент модель с возможностью размышлений, что реализовано в виде разбиения получаемых инструкций на более мелкие задачи, как будто погружаясь в детали задачи, а также пересмотра выводов перед их представлением в качестве результата. В предварительно настроенный чат были загружены ранее проверенные преподавателями проекты, с комментариями и оценками, на основании которых сформировалась база данных ключевых и типичных ошибок, которые совершают студенты.
При автоматизации проверки студенческих проектов в рамках решения данной задачи возникли следующие проблемы: смешанные языки в отчетах из-за длинных инструкций, чрезмерно строгие оценки из-за буквальной трактовки требований, «забывание» инструкций ИИ, потеря фокуса при устранении проблем и недоступность ссылок на файлы отчетов. Решения включали уточнение требований, сокращение и оптимизацию инструкций, использование шаблонов отчетов, добавление примеров работ и уточнение формата ссылок (таблица 2).
Таблица 2 – Обнаруженные проблемы при решении поставленной задачи и их решения
|
Проблема |
Решение |
|
Смешанные языки в отчетах из-за длинных инструкций |
Уточнение требования, использование шаблона отчета, вынос части данных в отдельный файл |
|
Чрезмерно строгие оценки из-за буквального подхода ИИ |
Добавление инструкций о весах ошибок, загрузка примеров работ для калибровки |
|
«Забывание» инструкций ИИ |
Сокращение длины инструкций для сохранения фокуса |
|
Потеря фокуса при устранении проблем |
Оптимизация текста инструкций, удаление избыточных формулировок |
|
Недоступные ссылки на файлы отчетов |
Уточнение требований к формату ссылок в инструкциях |
Примечание – Источник: авторская разработка.
Опыт подтверждает, что качественный результат возможен только при наличии структурированных и детализированных инструкций, включающих примеры, шаблоны и описание методологии. В противном случае возрастает риск вариативности ответов и потери фокуса. Для повышения устойчивости результатов целесообразно использовать предварительно настроенные чаты, адаптированные под решение однотипных задач, что позволяет минимизировать издержки на постановку задачи и ускоряет получение итогов в требуемом формате.
В результате проведенного исследования задача успешно выполнена, в предварительно настроенный чат загружается промежуточный студенческий проект, после обработки в чате формируются две ссылки: на файл оригинальной работы, в котором допущенные ошибки выделены цветом и внесены комментарии, поясняющие суть этих ошибок, а также второй файл, содержащий детальный отчет о проверке по заданному шаблону, с проверкой на соответствие требованиям проекта, указанием сильных сторон работы, ошибок, обоснованием оценки и информацией о возможных улучшениях, которые могут повысить оценку для его следующей версии.
По результатам решения поставленной задачи по автоматизации проверки студенческих проектов были сделаны следующие промежуточные выводы:
При оптимизации бизнес-процессов с применением инструментов ИИ следует учитывать, что они наиболее эффективны в задачах, требующих автономии и анализа данных, особенно в рутинных операциях. Оптимальные направления включают:
Эти задачи подходят для ИИ благодаря их адаптивности, но требуют понимания ограничений ИИ как ассистента. При этом недостаточно выбрать подходящую для инструментов ИИ задачу, для ее решения необходимо также соблюдать корректный алгоритм создания и настройки инструмента ИИ.
Таким образом, можно сделать вывод о наличии большого потенциала инструментов ИИ для трансформации и автоматизации бизнес-процессов, для повышения эффективности в рутинных задачах. Возникающие при внедрении проблемы, такие как сложность интеграции, качество данных, безопасность и этика, вариативность и высокие затраты преодолеваются через модернизацию инфраструктуры, очистку и аннотацию данных, защиту данных и этические нормы, оптимизацию инвестиций и использование бюджетных no-code решений и итеративной настройкой инструкций. Тем не менее практика показывает, что на текущем уровне ИИ следует позиционировать как ассистента, способного эффективно автоматизировать однотипные операции при наличии чётко определённых требований, но не заменяющего профессиональную экспертизу человека при решении сложных и нетривиальных задач. Понимание границ применимости инструментария ИИ является ключевым фактором его успешной интеграции в бизнес-процессы. Тем не менее, будущее BPM – в симбиозе ИИ и человеческого интеллекта, способствующем инновациям и автоматизации с учетом этических аспектов [15].
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
