Ось детальне резюме відео Юри Гнатюка з подкасту Flow, присвячене AI-трансформації в бізнесі. Всі тези розгорнуті з аргументами автора, конкретними прикладами та логічними зв'язками.
Чому компанії застрягають у впровадженні AI: глибокий розбір помилок, патернів та справжнього шляху до трансформації
Сьогодні ми з вами глибоко зануримось у проблематику AI-трансформації. Я розкажу про це через досвід компанії Easyflow, де ми провели сотні, якщо не тисячі дзвінків із компаніями різного масштабу — від стартапів до корпорацій у різних країнах та індустріях. І ми побачили дуже цікаві патерни, які повторюються настільки часто, що в якийсь момент ми просто перестали дивуватися. Тому, якщо ви зараз думаєте про AI-трансформацію для свого бізнесу, цей короткий епізод для вас.
Ми почнемо з того, з чого починали ми самі, як AI-агентна компанія. Наша модель була простою: setup fee плюс підписка. Тобто ви платите за налаштування, а потім ми розробляємо під вас AI-агентів, за яких ви платите щомісячну підписку. AI-агенти — це майбутнє, всі про це говорили. Здавалося, це дуже логічно. Але за останні 18 місяців AI-ринок пройшов через декілька хвиль, у тому числі хайпу, і слово "агент" поступово девальвувалося до рівня "чатбот". Ми почали помічати просту логіку, яка зараз звучить дуже очевидно: AI-агент — це не основна проблема клієнтів. AI-агент — це просто одне з рішень. Проблема глибша. Наша початкова гіпотеза була в тому, що проблеми клієнтів у контексті AI-автоматизації — це відсутність AI-агентів, які автоматизують. Але часто все виявлялося набагато прозаїчніше: основна проблема — це те, що компанія просто не готова до AI-автоматизації чи трансформації.
1. Основні патерни проблем, що блокують AI-трансформацію
Проаналізувавши всі наші дзвінки — з тими, хто став клієнтом, з тими, хто не став, і з тими, хто планує стати, — ми побачили, що компанії стикаються з постійно повторюваними проблемами. Ось цей список основних патернів у контексті AI-трансформації та AI-автоматизації.
Перше — це відсутність стратегії та залученості керівництва. Якщо власники або топ-менеджмент не розуміють, навіщо їм AI для досягнення бізнес-цілей, і не беруть у цьому активної участі, будь-яка ініціатива приречена на провал.
Друге — це відсутність розуміння того, що AI реально може зараз, без перебільшень і без саботажу чи применшення. Компанії або мають завищені очікування, або, навпаки, недооцінюють можливості моделей, які за останні шість місяців зробили феноменальний прорив.
Третє — немає оунера на стороні компанії. Людини, яка готова взяти на себе відповідальність, провести або хоча б підтримати AI-трансформацію у випадку, якщо нею займається зовнішня команда на кшталт Easyflow.
Четверте — команди досить часто саботують нові інструменти. Це окрема тема: чому люди саботують інновації. Зазвичай це пов'язано зі страхом втратити роботу, небажанням змінювати звичні процеси або відсутністю мотивації.
П'яте — процеси між департаментами дуже часто не описані. Якщо в компанії немає чіткої документації того, як працюють крос-функціональні workflow, неможливо зрозуміти, куди саме і як вбудовувати AI.
Шосте — інструменти, які є ядром вашого бізнесу, не мають доступу через API. Тобто до них не може доступитися умовний AI-агент.
Сьоме — питання безпеки даних без чітких гайдлайнів.
Але все це відносно дрібниці порівняно з головною проблемою.
2. Найголовніша проблема: неготові дані
Головна проблема — це те, що в дуже багатьох компаній просто не готові дані для AI-трансформації. І справа не в тому, що їх немає. Даних дуже багато, але часто вони живуть як мінімум у п’яти різних інструментах. У кожному відділі вони структуровані по-різному, без оунера і часто без логіки.
Інколи трапляється так, що понад 80% реальної експертизи, реальних знань організації зберігаються в Slack-переписках, у мейлах, у WhatsApp, а в наших краях інколи навіть у Telegram, Viber або, ще гірше, у голосових дзвінках, які ніхто не записує, не оцифровує. Відповідно, ці дзвінки майже не існують — їх неможливо проаналізувати, неможливо покращувати пов'язані з ними процеси.
До таких даних жоден AI-агент, жодна AI-система нормально не зможе доступитися — ні по API, ні по MCP, ні по телефону. І автоматизація в такому випадку буде не більше ніж автоматизований хаос, або "AI-зований хаос". Агент чи якість моделі тут ні до чого. Він просто перший, хто наштовхнеться на цей хаос. І це не технічна проблема — це проблема стратегічна й операційна.
3. Як ми перебудували бізнес-модель Easyflow навколо реального шляху клієнтів
Після аналізу цих даних ми вирішили перебудувати нашу бізнес-модель навколо реального шляху наших клієнтів і оформили її в чотири сервіси. Агенти й першочергова ідея нікуди не зникли, але вони стали четвертим сервісом, а не основним продуктом. Тому що, якщо коротко, AI-агент без якісних даних і без стратегії не має великого змісту.
Перший сервіс — AI Transformation. Тут ми не продаємо поради про "ваше світле AI-майбутнє", а даємо команду, яка це світле майбутнє робить разом із вами або за вас. Ми фактично перебудовуємо ваші бізнес-процеси так, щоб ваша компанія стала так званою AI-native компанією. Це може включати три фази. Продуктова трансформація — там, де ми вбудовуємося у вашу команду, допомагаємо вам випускати AI-функції всередині вашого продукту. Процесна трансформація — це коли ми документуємо кожен workflow і інтегруємо AI туди, де це має найбільше сенсу. Трансформація команд — це навчання, воркшопи, де внутрішні лідери вчаться і потім продовжують вести AI-трансформацію після того, як ми завершили свою роботу. Але все це починається з аудиту: ми документуємо процеси, збираємо дані, перетворюємо їх на якісні, щоб з ними могли працювати агенти та моделі, розставляємо пріоритети, рахуємо ROI, і тільки після цього починаємо впровадження.
Другий сервіс — AI Engineering. Це сервіс для надання AI-інженерів компаніям із продуктом. У цьому сервісі є окрема послуга, яка називається "Project Cleanup". Це коли ваш прототип, який ви "навайбкодили" десь у Cursor або Claude якимось дивним магічним чином, запрацював, почав генерувати revenue, став віральним, але архітектура цього продукту тримається на "скотчі" і ви витрачаєте по 14 годин на день, щоб усе хоча б якось працювало. У такому випадку ми заходимо всередину, аналізуємо і перебудовуємо архітектуру так, щоб ви могли масштабувати свій бізнес.
Третій сервіс — AI Product Development. Деякі продукти потрібно одразу перевіряти з реальними користувачами, але з мінімальним бюджетом. Ми пропонуємо фіксований скоп, фіксовану ціну на 2–6 тижнів, і на виході ви отримуєте задеплоєний продукт із повною документацією. Це може бути живий B2C-продукт, внутрішній AI-інструмент або прототип для інвестиційного раунду.
Четвертий сервіс — побудова production-ready AI-агентів під конкретні процеси. Ми вже маємо каталог за категоріями (sales, recruitment, retail, HR, маркетинг). Можна взяти майже готового агента й налаштувати під ваші процеси або замовити кастомного. Після того, як агент побудований і задеплоєний, він ваш. Ви берете повну документацію, код, або підписуєтеся на підтримку.
4. Зовнішнє підтвердження патернів: спостереження Ітана Леві з Box
Дослухавши сюди, ви можете подумати, що це специфіка нашого досвіду, що ми просто натрапили на компанії, які не готові до трансформації. Але буквально на днях я натрапив на спостереження одного підприємця — Ітана Леві, SEO компанії Box. Він писав, що недавно об'їхав десятки великих компаній — банки, медіа, healthcare, консалтинг, tech, спорт — і зустрічався з їхніми IT або AI лідерами enterprise-рівня. Він опублікував свої висновки, і я, читаючи, буквально впізнавав кожен пункт.
Перше, про що він пише і на чому наголошує, — це change management. Він стверджує, що цей процес залишається одним із найбільших викликів у контексті AI-трансформації, і що більшість процесів просто не готові інтегрувати в себе AI-агентів. Як приклад він наводить компанію, яка поставила окремого Head of AI у кожен бізнес-юніт тільки для того, щоб тримати координацію між департаментами. Не тому, що в них були зайві люди, а тому, що без цього трансформація просто не рухалася.
Другий пункт — це те, що в бізнесах по всьому світу фрагментовані й застарілі системи. Це головна технічна перешкода в контексті AI-трансформації. Йдеться про legacy-системи, деякі з яких побудовані в кінці 90-х або на початку 2010-х, і які перенесли в хмару, але так і не модернізували. AI-агенти не можуть до них нормально доступитися в адекватному форматі, тому що його просто не існує. Багато з тих компаній зараз зайняті не стільки AI-трансформацією, скільки модернізацією цих legacy-систем, щоб AI-агенти могли з часом до них доступитися.
Третє — більшість компаній, з якими спілкувався Леві, не говорять про заміну людей. Основні use case для агентів — це те, що раніше або взагалі не робилося через брак ресурсів, або до чого не доходили руки. Сюди ж відноситься автоматизація бек-офісу, обробка великих масивів документів, генерування нових бізнес-рішень та інсайтів. Акцент робиться на тому, як заробити більше, стати продуктивнішим і прибутковішим, а не на тому, як скоротити людей.
Четверте спостереження Леві — дуже цікаве. Він каже: "AI не зробив складне простим". Найпотужніші способи використання агентів залишаються технічними, можливо навіть технічнішими, ніж у попередні ери софту. Для технічної аудиторії, для інженерів це прості та звичайні концепти. Але для середньостатистичних бізнесів, які знаходяться поза технічною бульбашкою, це складно. Такі концепти, як "skills", "AI-агенти", "RAG", "MCP", для них є непростими. Для того, щоб це дійсно стало вбудовано в бізнес-процеси і приносило реальну користь, потрібні технічні люди.
5. Перші три кроки, які варто зробити вже зараз
Отже, якщо ви зараз думаєте про те, як AI-зувати або провести трансформацію в своїй організації, пам'ятайте, що ви не самотні в цих викликах. І тут немає якогось дуже легкого шляху. Але перші три питання, з яких варто почати, є абсолютно конкретними.
Перше — визначте, хто у вашій компанії відповідає за AI. Це має бути конкретна людина з конкретною відповідальністю. Якщо компанія велика, це може бути в межах бізнес-юніта. Якщо такої людини немає, це перша й найважливіша проблема, яку потрібно вирішити ще до покупки будь-яких інструментів.
Друге — з'ясуйте, де живуть ваші дані, ваші знання компанії. Якщо вони просто в Slack, Telegram, мейлах або телефонних дзвінках, несистематизовані, то дані не готові. Жоден AI-агент не зможе з ними ефективно працювати.
Третє — перевірте, чи ваші ключові інструменти, core вашого бізнесу, мають API. Чи може AI-модель або AI-агент доступитися до цієї інформації, до цих систем і взаємодіяти з ними? Якщо ні, це те, що потрібно вирішувати ще до впровадження, а не після.
Отже, ми оновили Easyflow і наш вебсайт відповідно до цих висновків. А якщо ви зараз у процесі трансформації або думаєте про неї, звертайтеся. І якщо ви вже проводите AI-трансформацію у своєму бізнесі, напишіть у коментарях, з якими проблемами ви стикаєтеся найбільше. Це буде дуже цікаво почитати. Дякую, що послухали цей епізод. Читайте, слухайте, дивіться першоджерела, тестуйте та застосовуйте ідеї на практиці.
