«Прежде чем компанию можно оптимизировать, её нужно сделать понятной для того интеллекта, который берётся за эту задачу». Так звучит тезис консультанта по корпоративным данным и аналитике Дэниела Агрэйлза, опубликованный в его блоге. Короткая формула описывает главное ограничение, с которым сегодня сталкивается любой проект по внедрению искусственного интеллекта в корпоративные процессы.

По его словам, в большинстве организаций сама операционная модель остаётся «чёрным ящиком» — набором неявных правил, устных договорённостей и десятков локальных обходных путей, которые сотрудники используют вместо официальных регламентов. Пока эти правила не описаны формально и не собраны в единую структуру данных, никакая модель — даже самая мощная — не сможет выдать обоснованные рекомендации. ИИ способен работать только с тем, что ему показано: с метриками, событиями, связями между этапами процесса.

Агрэйлз предлагает смотреть на оптимизацию как на производную от понимания. Сначала — картирование процессов, очистка данных и формализация тех шагов, которые сегодня существуют «в головах» сотрудников. Затем — появление слоя, пригодного для машинной обработки: справочники, событийные журналы, единая идентификация клиентов и сделок. Только после этого можно говорить о моделях, которые реально указывают на узкие места и предлагают изменения.

Отдельный риск — иллюзия готовности. Руководство может считать, что компания уже «оцифрована»: есть дашборды, CRM-ретание, храничные отчёты. На деле это часто разрозненные срезы, между которыми нет сквозной логики. Модель, обученная на таких данных, выдаёт статистически корректный, но практически бесполезный результат — например, предложит сократить этап, который и так существует только в обход регламента, или оптимизирует показатель, не связанный с реальной экономикой процесса.

Из этого следует практический вывод: проекты по ИИ внутри корпораций чаще упираются не в возможности моделей, а в качество описания бизнеса. Команды данных тратят месяцы не на обучение и подбор архитектур, а на ручную сборку схем, согласование терминов и восстановление связей между системами, которые проектировались в разное время под разные задачи. Без этой работы любая «оптимизация» превращается в косметику над теми же процессами.

Агрэйлз также обращает внимание на порядок внедрения. Сначала — фиксация текущего состояния: как на самом деле работает цепочка, кто принимает решения, где теряются данные. Затем — выделение метрик, которые действительно связаны с результатом, а не просто удобны для отчёта. И лишь потом — подключение ИИ как «оптимизатора», у которого есть понятная цель и проверяемая обратная связь.

Формула «понятное — оптимизируемое» — не открытие, но напоминание о том, что технологический слой в корпоративном ИИ решает меньше, чем принято думать. Главный актив — структурированное описание самой компании, и его приходится собирать задолго до запуска моделей.