Эволюционный подход к трансформации корпоративных систем
От автора
Меня зовут Максим Рогоза, я работал корпоративным архитектором в крупнейших компаниях последние 8 лет. В настоящее время занимаюсь стратегическим IT-консалтингом в компании Аксеникс. В рамках своей деятельности я регулярно сталкиваюсь с одной и той же проблемой: компании прекрасно видят огромный потенциал генеративного ИИ, но не могут его реализовать. При этом они не готовы вкладываться в модернизацию архитектуры, считая это излишней тратой денег. Эта статья — попытка систематизировать опыт успешных трансформаций и дать техническим лидерам практический план действий.
Проблема айсберга
В конференц-залах корпораций по всей стране разворачивается одна и та же картина. На экране демонстрация ChatGPT, который за секунды создает маркетинговую стратегию, анализирует финансовые отчеты и предлагает оптимизацию бизнес-процессов. Глаза руководителей загораются — они видят будущее своего бизнеса.
Но прошло уже почти 3 года с момента начала победоносного выхода ГенИИ на рынок, а видимой революции так и не свершилось; более того, многие руководители испытывают скепсис по поводу ожидаемых эффектов от внедрения ГенИИ. Где обещанная революция? Почему миллионные инвестиции не дают ожидаемого эффекта?
Причина проста, но неочевидна для бизнеса. Компании пытаются использовать золотой микроскоп для забивания гвоздей. Они покупают самые современные ГенИИ-решения и пытаются интегрировать их в архитектуру, которая создавалась десятилетия назад без учета возможностей искусственного интеллекта, и, к тому же, за время своего развития накопила огромный технический долг.
Задача технического лидера
Здесь возникает ключевая задача технического директора или корпоративного архитектора. Нужно объяснить руководству фундаментальную истину: покупка ГенИИ-решения — это не то же самое, что полноценное внедрение искусственного интеллекта. Чтобы внедрить ГенИИ, необходимо создать архитектурный фундамент, способный поддержать его революционные возможности. Основное преимущество ГенИИ заключается в способности анализировать огромные массивы разнородных данных и находить скрытые закономерности. Но без доступа к полному контексту корпоративной информации даже самая продвинутая модель превращается в дорогую игрушку.
Здесь мы сталкиваемся с проблемой айсберга. Руководство видит только его вершину: красивый интерфейс чат-бота или впечатляющий отчёт, сгенерированный ИИ. Но под водой скрыта массивная основа, без которой вершина просто утонет: сбор и очистка данных, бесшовная интеграция, эластичная инфраструктура. Наша задача — не просто показать вершину, а обосновать необходимость строительства всего айсберга. Но как это сделать? Ответ лежит в правильном переводе бизнес-ожиданий в технические требования. И для этого нужен прагматичный, пошаговый план, который превращает туманную идею в реалистичный проект.
От мегабайтов к рублям
Главная ошибка технического лидера — прийти к руководству с разговором о технологиях. Бизнес не мыслит категориями API, микросервисов или петабайтов данных. Бизнес мыслит категориями прибыли, затрат, рисков и доли рынка. Роль современного архитектора или CTO — быть переводчиком с технического языка на язык бизнеса.
· Вместо: «Нам нужно построить data pipeline на Kafka для стриминга данных из ERP в реальном времени»
· Нужно говорить: «Мы можем дать отделу продаж возможность видеть актуальные остатки на складе прямо в момент звонка клиенту. По нашим оценкам, это сократит цикл сделки на 15% и предотвратит потери от заказов на отсутствующий товар».
Прежде чем чертить схемы, мы должны научиться задавать правильные вопросы и переформулировать технические задачи в измеримые бизнес-показатели. Следующие шаги — это и есть инструментарий для такого перевода.
Шаг 1. Открытый брейншторм. От хаоса идей к запросу от бизнеса
Хорошая новость заключается в том, что сегодня убеждать бизнес в пользе ИИ почти не нужно. Люди видят рутину, которая отнимает время и вызывает скуку, и охотно готовы «спихнуть» её на умные алгоритмы. Скорее всего, бизнес с энтузиазмом включится в игру и за час накидает вам десятки сценариев внедрения.
И в этом кроется новая ловушка: хаос. Если поддаться этому энтузиазму и начать делать множество мелких, несвязанных проектов, мы потратим ресурсы и не создадим никакого стратегического актива. Задача технического лидера — не инициировать, а канализировать эту энергию.
Проведите серию структурированных брейнштормов, но с одной целью: найти не просто идеи, а сценарии, которые требуют схожих данных.
Маркетинг хочет персонализировать рассылки на основе истории покупок (данные из CRM и ERP).
Логистика хочет прогнозировать спрос (данные из CRM и ERP).
Финансисты хотят видеть отчет о продажах в реальном времени (данные из CRM и ERP).
Результатом этого этапа будет не просто список идей, а кластеризованный, приоритизированный запрос от бизнеса. Вы приходите к руководству не с личной инициативой, а с консолидированной потребностью нескольких департаментов, которая указывает на одно и то же узкое место — разрозненность данных в ключевых системах.
Шаг 2. Event Storming. Вскрываем информационные потоки
Сегодня событийно-ориентированный подход (Event-Driven Architecture) стал стандартом и для построения ГенИИ-систем. Однако в условиях большого количества легаси в архитектуре выделить и описать потоки данных бывает крайне сложно. События разбросаны по десяткам систем, каждая со своими форматами и правилами.
Для решения я предлагаю использовать Event Storming. Это простая техника, которая не требует долгого изучения. По сути, это вариация брейншторма с использованием цветных карточек: оранжевые для ключевых событий («Заказ оформлен», «Платеж получен»), синие для команд, жёлтые для акторов (пользователи, системы), зелёные для бизнес-правил. За несколько часов команда из представителей бизнеса и ИТ может создать довольно точную карту процесса «как есть».
Мы собираем вместе представителей бизнеса и ИТ и моделируем выбранный бизнес-процесс от начала до конца. Этот метод наглядно показывает, где возникают «разрывы»: данные нужны для ИИ, но их нет в нужном формате или месте. Например, анализируя процесс обработки заявок клиентов, мы можем обнаружить, что email с заявкой попадает в одну систему, история клиента хранится в CRM, а база знаний для решения проблем — в третьей системе.
Результат — детальная карта реальности, которая делает сложность проекта осязаемой. Мы точно видим, какие события критичны для ИИ-системы, где лежат нужные данные и что именно нужно интегрировать. Эта карта становится основой для проектирования событийно-ориентированной архитектуры и точного расчёта затрат на интеграцию.
Шаг 3. От карты к бюджету. Обоснование ROI и управление рисками
Имея на руках карту процессов и понимание необходимых данных, мы можем перейти к самому важному — к цифрам. Особенно сейчас, когда в России деньги дороги, ни один проект не получит одобрения без чёткого финансового обоснования.
Пример: ИИ-ассистент для юридического отдела
Проблема: в компании 20 юристов со средней зарплатой 200 тысяч рублей. Анализ показывает, что до 30% их времени (около 50 часов в месяц на человека) уходит на вычитку и сравнение типовых договоров с внутренними регламентами.
Гипотеза: внедрение ГенИИ, обученного на наших документах, сократит время на эту рутинную проверку на 80%.
Расчет ROI:
Высвобождаемое время: 20 юристов × 50 часов/мес × 12 мес × 80% = 9,600 часов в год
Экономия в деньгах: 9,600 часов × 1,250 рублей/час = 12 миллионов рублей в год
Стоимость проекта: 16 миллионов рублей
ROI = 75% за первый год
срок окупаемости: 1.5 года
Расчёт риска бездействия:
Самый сильный аргумент, который нужно донести до руководства, что если ничего не делать, то дальше станет только хуже, ведь пока мы размышляем, рынок не стоит на месте. Риск бездействия — это не теоретическая угроза, а вполне измеримые будущие потери, которые вполне можно оценить:
Текущая ситуация:
Стоимость юридического сопровождения одного контракта: 12,000 рублей
Количество контрактов в год: 2,000
Общие затраты на юридическое сопровождение: 24 миллиона рублей в год
Эта сумма заложена в наценку на продукцию
Сценарий «делаем как конкуренты» (внедряем ГенИИ):
Экономия 9,600 часов = экономия 12 миллионов рублей в год
Новая стоимость юридического сопровождения одного контракта: 6,000 рублей (-50%)
Мы можем либо снизить цены на 3-5%, либо увеличить маржинальность
Сценарий «не делаем ничего»:
Конкуренты снижают свои затраты на юридическое сопровождение на 50%
Они получают возможность снизить цены на 3-5% или инвестировать эту экономию в маркетинг
Наша продукция становится на 3-5% дороже при равном качестве
При текущем обороте в 2 миллиарда рублей потеря даже 2% доли рынка = потеря 40 миллионов рублей выручки в год
Совокупный риск через 3 года:
Прямые потери от неконкурентоспособности: 40 млн × 3 = 120 миллионов рублей
Упущенная выгода от неавтоматизированной работы: 12 млн × 3 = 36 миллионов рублей
Общий ущерб от бездействия: 156 миллионов рублей
При стоимости трансформации в 8 миллионов соотношение потерь к инвестициям составляет 19:1
Таким образом, наша задача не только подготовить экономическое обоснование выгоды от внедрения ГенИИ, но также нужно рассчитать и ущерб от «а если ничего не делать».
Шаг 4. Проектирование фундамента. Единое озеро данных как стратегический актив
Пример с юридическим отделом показывает ROI одного конкретного ГенИИ-решения стоимостью 16 миллионов рублей. Но помните — мы проводили брейншторм по всей компании и нашли схожие потребности в других отделах. Таким образом совокупная стоимость портфеля увеличится.
Допустим, мы посчитали стоимость внедрения для 4х проектов. Их совокупная стоимость составит 64 миллиона рублей. Но есть проблема: каждый из этих проектов требует одних и тех же данных — из CRM, ERP, документооборота. Примерно половина от этой суммы уйдет на разработку дублирующихся интеграций в инфраструктуру.
И здесь рождается главный аргумент для руководства. Мы говорим: «Мы проработали сценарии для отделов маркетинга, юридического и финансов. Для их реализации нужны данные из CRM, ERP и документооборота. Мы предлагаем не просто "закопать" деньги в четыре разных проекта, а инвестировать в создание общего "аэродрома" — единого озера данных».
Мы строим платформу один раз, а дальше стоимость запуска каждого последующего ИИ-проекта снижается в разы. Мы инвестируем не в разовое решение, а в актив, который будет генерировать ценность годами.
Но из чего конкретно состоит наш «аэродром»?
Озеро данных — наш «единый источник правды»
Технически: это централизованное хранилище, где собираются данные из всех систем — структурированные (из ERP, CRM) и неструктурированные (PDF-договоры, письма, логи).
Бизнес-ценность: мы навсегда решаем проблему «разных цифр» в отчётах разных отделов. Маркетинг, продажи и финансы начинают работать с одними и теми же данными. Это фундамент для принятия решений на основе полной картины.
Векторные базы данных — долгосрочная память для ИИ
Технически: это специализированные хранилища, которые позволяют искать информацию не по ключевым словам, а по смысловой близости.
Бизнес-ценность: наш ИИ-ассистент сможет найти не просто все договоры со словом «неустойка», а все пункты из тысяч документов, которые юридически схожи с «условиями финансовой ответственности при срыве сроков». Это качественно новый уровень работы с корпоративными знаниями.
API-шлюз и сервисный слой — «диспетчерская и служба безопасности» аэродрома
Технически: это единая, контролируемая точка доступа ко всем данным и ИИ-моделям.
Бизнес-ценность: мы гарантируем, что каждый ИИ-агент получит только те данные, которые ему положены по регламенту. Это позволяет в будущем быстро и без рисков подключать новые ИИ-сервисы — как свои, так и внешние.
Ответы на неудобные вопросы
С таким планом мы приходим к руководству. И мы должны быть готовы к скепсису.
Опыт показывает: чем более радикальное предложение вы выносите на обсуждение, тем больше возражений получите. Это нормально — руководители не обязаны быть экспертами в ИИ-технологиях, но они обязаны защищать интересы компании от рискованных инвестиций.
Ключевое правило успешной презентации: проработайте ответы на возражения заранее, а не импровизируйте в моменте. Когда вас спрашивают о рисках проекта на 200 миллионов, а вы отвечаете: «Мм, ну, это интересный вопрос, давайте подумаем...», — доверие к вашей экспертизе тает на глазах.
Более того, готовность к сложным вопросам демонстрирует, что вы не просто продвигаете модную технологию, а действительно проанализировали все аспекты предложения. Руководство увидит в вас того, кто продумал проект на несколько ходов вперед.
Вот топ-5 самых частых возражений, с которыми я сталкиваюсь при защите ГенИИ-проектов, и готовые ответы на них:
Вопрос: «А что, если мы вложим кучу денег, а результата не будет? Этот ваш ИИ — просто хайп»
Наш ответ: «Это абсолютно справедливое опасение. Именно поэтому мы не предлагаем "большой взрыв". Наш эволюционный подход создан для минимизации этого риска. Мы начинаем с одного конкретного пилотного проекта с чёткими бизнес-метриками. Успех или неудача этого пилота будут стоить нам 8 миллионов, а не 80. Но самое важное: даже если конкретный ИИ-алгоритм не оправдает ожиданий, мы в любом случае создадим ценнейший актив — очищенные и собранные в одном месте данные. Это само по себе повысит качество нашей стандартной аналитики и окупит значительную часть вложений».
Вопрос: «Это звучит слишком масштабно и дорого. Почему мы не можем начать с чего-то одного?»
Наш ответ: «Мы и начнём с одного пилотного проекта. Но мы спроектируем его фундамент так, чтобы он был переиспользуемым. Мы не строим всю автомагистраль сразу, мы строим первые 10 километров, но по такому проекту, который позволит легко достроить остальные 100, а не заведёт нас в тупик».
Вопрос: «А что будет с нашими старыми, но работающими системами?»
Наш ответ: «Мы не будем их "ломать". Наш подход подразумевает разработку специальных "адаптеров", которые позволят новым ИИ-системам безопасно обмениваться данными со старыми, извлекая из них ценность без нарушения стабильности бизнес-процессов».
Вопрос: «Когда мы увидим первые результаты?»
Наш ответ: «Первые измеримые результаты пилотного проекта мы увидим через 4-6 месяцев. Полную окупаемость первого этапа — через 8-12 месяцев. Но уже через 2-3 месяца вы увидите качественные изменения в работе с данными — более быстрые и точные отчёты, лучшее понимание клиентской базы».
Вопрос: «А что, если технологии ГенИИ устареют через год-два? Не получится ли, что мы инвестируем в тупиковую ветвь?»
Наш финальный аргумент: «Да, технологии могут устареть. Но мы не инвестируем в технологии — мы инвестируем в способность быстро адаптироваться к новым технологиям. Сегодня все крупные компании находятся в одинаковом положении — никто не знает, какие ИИ-модели будут через 2 года. Но когда они появятся, преимущество получит тот, у кого уже есть качественные данные и гибкая архитектура.
Озеро данных, API-шлюз, векторные базы — это фундамент, который останется актуальным независимо от того, какие ИИ-модели появятся завтра. Мы строим не под конкретную технологию, а под класс технологий.
Риск не в том, что мы инвестируем не в ту технологию. Риск в том, что мы не инвестируем вообще. Потому что через 2-3 года ГенИИ станет такой же базовой потребностью бизнеса, как интернет или мобильные приложения сегодня. И тогда вопрос будет стоять не "стоит ли внедрять ИИ", а "успеем ли мы догнать конкурентов"».
Когда идею продали — всё только начинается
Поздравляю! Руководство одобрило проект, бюджет выделен, команда собрана. Казалось бы, самое сложное позади. Но на самом деле самое интересное только начинается.
Генеративный ИИ — это не просто новая технология, это совершенно новая парадигма работы с информацией. И здесь вас ждут вызовы, к которым классическое ИТ-управление не готовит.
Вызов 1: Скорость устаревания знаний
В мире ГенИИ полгода — это эпоха. За время, пока вы будете строить озеро данных, выйдут 2-3 поколения новых моделей. Техническое решение, которое казалось оптимальным в начале проекта, может стать анахронизмом к моменту запуска.
Как справляться: заложите в архитектуру принцип «модульной заменяемости». Каждый компонент должен легко заменяться без перестройки всей системы. Планируйте не конкретные технологии, а интерфейсы взаимодействия с ними.
Вызов 2: Непредсказуемость результатов ГенИИ
В отличие от традиционного ПО, где 2+2 всегда равно 4, ГенИИ может дать разные ответы на один вопрос. Это создаёт новые проблемы для тестирования, контроля качества и соответствия регуляторным требованиям.
Как справляться: внедрите культуру «вероятностного мышления». Вместо поиска идеального решения фокусируйтесь на улучшении средних показателей. Создайте системы A/B-тестирования для ИИ-решений.
Вызов 3: Сопротивление пользователей
Сотрудники будут бояться, что ИИ заменит их работу. Они будут саботировать внедрение, жаловаться на качество результатов и требовать возврата к старым методам при первых же проблемах.
Как справляться: с первого дня позиционируйте ИИ как инструмент усиления, а не замещения. Покажите, как он избавляет от рутины и позволяет сосредоточиться на творческих задачах. Найдите евангелистов среди сотрудников и превратите их в послов изменений.
Вызов 4: Регуляторная неопределенность
Согласно отчёту McKinsey «Technology Trends Outlook 2023», законодательство в сфере ИИ развивается быстрее, чем компании успевают внедрять технологии. То, что сегодня разрешено, завтра может стать нарушением. Особенно это касается обработки персональных данных и принятия автоматических решений.
Как справляться: Создайте избыточные механизмы контроля и аудита. Всегда держите человека в петле принятия критически важных решений. Регулярно пересматривайте compliance-процедуры.
Принципы выживания в эпоху турбулентности
1. Итеративность важнее перфекционизма.
Лучше запустить несовершенное решение и улучшать его, чем год планировать идеальное.
2. Экспериментируйте дешево.
Большинство ваших гипотез окажутся неверными. Создавайте возможность быстро и недорого их проверять.
3. Инвестируйте в команду больше, чем в технологии.
Технологии устареют, а люди, которые научились думать в парадигме ИИ, останутся вашим главным активом.
4. Создавайте внутренние стандарты.
В условиях быстрых изменений собственные чёткие принципы работы с ИИ важнее следования внешним best practices.
Помните: вы не просто внедряете новую технологию. Вы трансформируете компанию для жизни в мире, где ИИ станет повсеместным. Это сложно, непредсказуемо, но невероятно увлекательно. И те, кто пройдёт этот путь первыми, получат неоспоримое конкурентное преимущество.
Новая роль технического лидера
Эпоха генеративного ИИ — это фундаментальный сдвиг в правилах игры. ГенИИ способен взять на себя огромный пласт когнитивной рутины — анализ документов, написание отчетов, первичный поиск информации — и тем самым высвободить самый ценный ресурс компании: время и интеллект людей для решения стратегических задач.
В этой статье я описал стратегический подход, который позволяет заложить фундамент для такой трансформации. Но правда в том, что быть успешным техническим лидером в новую эпоху — это значит постоянно учиться и овладевать новыми навыками. Умение говорить на языке бизнеса, фасилитировать Event Storming, проектировать сложные гибридные архитектуры, управлять ожиданиями и рисками — всё это становится не менее важным, чем глубокие технические знания.
Три ключевых компетенции современного технического лидера:
Переводчик между мирами — способность транслировать технические возможности в бизнес-ценность и наоборот
Архитектор изменений — умение спроектировать не только техническую систему, но и процесс её внедрения
Управленец рисков — навык предвидеть проблемы и готовить план действий для различных сценариев
Я понимаю, что не раскрыл подробно многие из упомянутых тем. Реальность такова, что каждая из них — от техник финансового моделирования ИИ-проектов до нюансов архитектуры озера данных или практик промпт-инжиниринга, заслуживает отдельной статьи, а то и не одной.
Цель этой статьи была иной: дать вам стратегический компас. Показать, как превратить расплывчатую идею об ИИ в реалистичный, экономически обоснованный и защищённый перед руководством план.
Научиться создавать поддерживаемые системы и организовывать код, опираясь на архитектурные принципы, можно на курсе Слёрма «Архитектура приложений: от идеи до архитектурного решения». Познакомиться с программой и тарифами — по ссылке.