ბიზნესს არ აინტერესებს რომელ დიდ ენობრივ მოდელს (LLM) სთავაზობთ. მას შედეგი სჭირდება
მე რეგულარულად ვხედავ ერთსა და იმავე სურათს
ხელოვნურ ინტელექტზე საუბრისას ყველაზე დიდი დრო მოდელების განხილვაზე მიდის: რომელია უფრო ახალი, უფრო ძლიერი, უფრო ჭკვიანი. ამ დროს პროექტებში იგებს არა ის, ვინც აირჩია "ყველაზე-ყველაზე", არამედ ის, ვინც ჩააშენა გადაწყვეტილება პროცესში და მიიღო გაზომვადი შედეგი.
ბიზნესს სულერთია, კონკრეტულად რომელ მოდელს სთავაზობთ — ChatGPT-5 თუ 4, Grok, Claude, DeepSeek თუ ნებისმიერ სხვა დიდ ენობრივ მოდელს (LLM). მნიშვნელობა აქვს მხოლოდ ერთ რამეს:
რა დაემართება პროცესს და მეტრიკებს დანერგვიდან 30–60–90 დღის შემდეგ.
ტექნიკურ სპეციალისტებს შორის ვერსიების განხილვა ნორმალურია. ბიზნესის შიგნით კი ეს სწრაფად იქცევა საუბრად არაფერზე. ყველაზე "ძლიერი" მოდელიც კი ვერ გიშველით, თუ:
- პროცესი მრუდად არის აწყობილი
- მონაცემები ერთმანეთს ეწინააღმდეგება
- პასუხისმგებლობა არ არის გაწერილი
- შედეგი აღიწერება სიტყვებით "უფრო მოსახერხებელი გახდა", და არა კონკრეტული მაჩვენებლებით
ჩვეულებრივ, ყველაფერი დრამატულად იწყება
ჩართეს ახალი მოდური ხელოვნური ინტელექტის ინსტრუმენტი, ჩააგდეს ბმული ჩატში, გუნდი რამდენიმე დღე შთაგონებით ატარებს მოთხოვნებს და უზიარებს ერთმანეთს წარმატებულ პასუხებს. შემდეგ კი იწყება სამუშაო რეალობა დიდი რაოდენობით რეგლამენტებითა და შეზღუდვებით.
რუტინა, რომელსაც ცხოვრების თავისი წესები აქვს: წერილი კლიენტს უნდა იყოს კორპორატიულ სტილში, იურისტს სჭირდება ფორმულირებები "რისკების გარეშე" და ასე შემდეგ. თანამშრომლები იწყებენ თითოეული სტრიქონის გადამოწმებას, ღიზიანდებიან — და ინტერესი სწრაფად ქრება. რამდენიმე კვირაში ხელოვნური ინტელექტი იქცევა ჩანართად "შემდეგისთვის". და მალევე ისმის: "არ გაამართლა".
მაგრამ, როგორც ნებისმიერი სხვა ტექნოლოგიური გადაწყვეტილება, ხელოვნური ინტელექტი არ აწყობს პროცესებს და არ ასწორებს პრობლემებს. თუ გარიგებების ბარათებში "ქაოსია", სტატუსები თავისი ცხოვრებით ცხოვრობენ, მენეჯერები წერენ როგორც მოუხერხდებათ, ხოლო ორგანიზაციული და ფუნქციონალური სტრუქტურები — ორი სხვადასხვა არსია კონფლიქტური მონაცემებით, ყველაზე ჭკვიანი სისტემაც კი ვერ "განკურნავს" პროცესს, არამედ მხოლოდ გაამრავლებს ამ ქაოსს. უფრო სწრაფად, გამჭვირვალედ და მკაფიოდ მოხდება ის, რაც ისედაც ხდება.
და აი აქ ხდება ცნებების ჩანაცვლება
პროცესზე, რისკებსა და კონტროლის წერტილებზე საუბრის ნაცვლად, განხილვა ისევ ინსტრუმენტზე გადადის: იქნებ საქმე მოდელშია? უფრო ჭკვიანი ავიღოთ? უფრო ახალი?
მაგრამ პრობლემა მოდელში არ არის. და თუ შესასვლელზე უმართავი პროცესია, გამოსასვლელზე იქნება სწრაფი, მასშტაბირებადი და უმართავი შედეგი.
სწორედ ამიტომ რეალურ ექსპლუატაციაში — არა დემოზე და პრეზენტაციებში, არამედ რეალურ სამუშაო გარემოში — კრიტერიუმები მკვეთრად იცვლება. წინა პლანზე გამოდის: სიჩქარე და ფასი მოცულობაზე, უსაფრთხოება, აღწარმოებადობა, ხარისხის კონტროლი, გადაწყვეტილების ახსნისა და დაცვის შესაძლებლობა ხელმძღვანელობის წინაშე. ზოგჯერ უფრო მარტივი მოდელი სწორედ ამიტომ იგებს. ხელმძღვანელისთვის უფრო მნიშვნელოვანია, სისტემამ კორექტულად იმუშაოს ათიდან ცხრა შემთხვევაში, ვიდრე ერთ შემთხვევაში გასცეს ტექსტი, რომლის ციტირებაც მოგინდება.
სანამ კონკრეტულ ენობრივ მოდელს განვიხილავთ, აზრი აქვს ვუპასუხოთ კითხვებს, რომლებიც თვეებს დაზოგავს:
- სად გაქვთ ყველაზე ძვირადღირებული რუტინა (საათებსა და ფულში)?
- როგორ გამოიყურება პროცესი ნაბიჯ-ნაბიჯ ახლა?
- რომელი მონაცემებია რეალურად ხელმისაწვდომი და რა მდგომარეობაშია ისინი?
- რომელი მეტრიკებით გაიგებთ, რომ უკეთესი გახდა?
- სად არის შეცდომა დაუშვებელი, რადგან შეცდომის ფასი ძალიან მაღალია?
საინტერესოა, რომ როდესაც პასუხები არსებობს, მოდელის არჩევა მეორეხარისხოვანი ხდება. მომწიფებულ პროექტებში შედეგი სხვანაირად ჟღერს.
არა "ჩვენ დავნერგეთ ხელოვნური ინტელექტი", არამედ მისი დახმარებით "ჩვენ შევამცირეთ პასუხის დრო 28%-ით", "განვტვირთეთ მხარდაჭერის პირველი ხაზი", "კომერციული წინადადებები მზადდება 15 წუთში საათის ნაცვლად", "კონვერსია პოტენციური კლიენტიდან ზარში გაიზარდა X%-ით".
მესმის, არც ისე ეფექტურად ჟღერს. სამაგიეროდ, ეს ჟღერს როგორც შედეგი, რომელშიც ფულს იხდიან.
ხშირად დასმული კითხვები
რატომ არ არის მნიშვნელოვანი რომელ AI მოდელს ვიყენებთ?
მოდელის არჩევა მეორეხარისხოვანია, რადგან ბიზნესის წარმატება დამოკიდებულია პროცესის სწორად აწყობაზე, მონაცემების ხარისხზე და გაზომვად მეტრიკებზე. ყველაზე ძლიერი მოდელიც კი ვერ გიშველით, თუ პროცესი მრუდად არის აწყობილი ან მონაცემები ერთმანეთს ეწინააღმდეგება.
რატომ ვერ ხერხდება AI-ს დანერგვა კომპანიებში?
ყველაზე გავრცელებული მიზეზი — AI-ს ჩართვა უმართავ პროცესში. თანამშრომლები ენთუზიაზმით იწყებენ, შემდეგ ყოველ პასუხს ხელით ამოწმებენ, ღიზიანდებიან და ინტერესი ქრება. პრობლემა არ არის მოდელში — პრობლემა პროცესშია, რომელიც AI-მდეც არ მუშაობდა სწორად.
რა კითხვებს უნდა ვუპასუხოთ AI დანერგვამდე?
ხუთი ძირითადი კითხვა: სად არის ყველაზე ძვირადღირებული რუტინა? როგორ გამოიყურება პროცესი ნაბიჯ-ნაბიჯ? რომელი მონაცემებია ხელმისაწვდომი? რომელი მეტრიკებით გაიგებთ გაუმჯობესებას? სად არის შეცდომა დაუშვებელი? ამ კითხვებზე პასუხები თვეებს დაზოგავს.
როგორ გავზომოთ AI დანერგვის წარმატება?
წარმატებული AI დანერგვა იზომება კონკრეტული მეტრიკებით: პასუხის დროის შემცირება პროცენტებში, მხარდაჭერის განტვირთვა, კომერციული წინადადების მომზადების დრო, კონვერსიის ზრდა. „უფრო მოსახერხებელი გახდა" — ეს არ არის შედეგი, ეს არის შთაბეჭდილება.