B2B-маркетинг · Стратегия · RevOps · ИИ Маркетинг с 2008 года
Telegram WhatsApp +7 926 423-65-08
Обсудить задачу
Telegram WhatsApp Позвонить
База знаний / Диагностика / AI Readiness
Growth OS · AI Readiness Diagnostic

AI Readiness:
готов ли конкретный процесс к автоматизации

Вопрос «готова ли компания к AI?» слишком общий. Один процесс может быть отличным кандидатом на автоматизацию, а другой — полностью не готов. Диагностика оценивает процесс, данные, evaluation, economics и governance, чтобы понять, что делать первым.

Пройти диагностику ↓ AI Growth Operational Leverage
Главная модель
AI Readiness = Process clarity × Data readiness × Evaluation × Economics × Governance
Это концептуальная модель. Критически слабый слой может ограничить весь use case, даже если остальные выглядят зрелыми.
Пять доменов

Что должно быть готово до масштабирования AI

01 · ProcessПроцесс понятенЕсть повторяемый input, output, owner, правила и понятные исключения.Если процесс хаотичен, AI автоматизирует хаос.
02 · DataКонтекст доступенДанные находятся в системах, достаточно полны и могут использоваться безопасно.Если AI не видит контекст, качество нестабильно.
03 · EvaluationКачество измеримоЕсть критерии правильного ответа, golden set, human review или автоматические evals.Без evaluation невозможно доказать улучшение.
04 · EconomicsЕсть leverageДостаточный объём и стоимость процесса, чтобы automation влияла на economics.Не каждый хороший AI-use case является хорошим бизнес-кейсом.
05 · GovernanceРиски управляемыЕсть boundaries, escalation, owner, privacy/security и fallback.AI должен работать в понятных пределах ответственности.
AI Readiness Test

Проверьте один конкретный workflow

Отвечайте по фактическому состоянию сегодня. «Не знаю» — полезный ответ: он показывает, где сначала нужно собрать evidence.

15 вопросов · 5 доменов

Результат показывает sequencing: redesign, data foundation, evaluation, economics check, governance setup или controlled pilot.

Один workflow, не вся компания.
Кто отвечает за результат процесса.
Если outcome невозможно измерить, AI-use case ещё не сформулирован.
Process 1/3Процесс повторяется достаточно часто?

Есть заметный объём похожих операций, а не редкие уникальные кейсы.

Process 2/3Можно описать стабильные input, output и основные правила?

Команда в целом одинаково понимает, что считается началом и результатом процесса.

Process 3/3Известно, где находятся главные ошибки, ожидания и handoffs?

Есть process map или хотя бы подтверждённое понимание bottleneck.

Data 1/3AI может получить нужный контекст без ручного поиска в пяти местах?

Ключевые данные доступны через CRM, DB, API, документы или другой стабильный источник.

Data 2/3Данные достаточно полны и актуальны?

Нет системной зависимости от пропущенных полей, устаревшей информации и неформальных каналов.

Data 3/3Понятно, какие данные разрешено использовать?

Есть boundaries по privacy, security, confidential data и retention.

Evaluation 1/3Можно определить, что результат AI правильный?

Есть объективный outcome, критерии качества или экспертная проверка.

Evaluation 2/3Есть исторические примеры хороших и плохих результатов?

Можно собрать golden set для baseline и последующих evals.

Evaluation 3/3Можно измерять ошибки и downstream impact?

Например, false positive, rework, conversion, churn, margin, compliance incidents.

Economics 1/3Известна текущая стоимость или трудоёмкость процесса?

Есть baseline cost per operation, time per task или аналогичная метрика.

Economics 2/3Объём процесса достаточно велик, чтобы automation имела смысл?

Даже хороший эффект на одну операцию может быть несущественным при малом объёме.

Economics 3/3Понятно, какой business metric должен измениться?

Cost, throughput, response time, conversion, revenue, margin или working capital.

Governance 1/3Есть понятный owner AI-workflow?

Кто отвечает за качество, incident handling, changes и результаты после запуска.

Governance 2/3Понятно, когда AI должен эскалировать решение человеку?

Есть confidence threshold, risk conditions или типы исключений.

Governance 3/3Есть fallback, если AI ошибается или недоступен?

Критичный процесс не должен зависеть от одного нестабильного automation path.

Overall readiness—Для sequencing, не «сертификат готовности»
Weakest domain—Что ограничивает use case сейчас
Unknowns—Где сначала нужен evidence
Recommended path—Что делать следующим шагом
Process—Repeatability & clarity
Data—Access, quality, permissions
Evaluation—Quality & downstream checks
Economics—Baseline & leverage
Governance—Owner, escalation, fallback
Интерпретация

—

    Готовый brief

    AI Readiness Brief

    Следующий шаг по результату

    Четыре типовых маршрута

    Route 01Process RedesignЕсли workflow нестабилен, сначала убрать лишние шаги, handoffs и неясные exceptions.
    Route 02Data & Evaluation FoundationЕсли AI нечем кормить или нечем проверять, сначала построить context и eval layer.
    Route 03Economics CheckЕсли process готов, но leverage неизвестен, сначала посчитать cost/volume/payback.
    Route 04Controlled PilotЕсли все слои достаточно зрелые, запускать небольшой тест против baseline.
    Критически слабый домен важнее среднего score. Например, хороший process + хорошие данные не компенсируют отсутствие evaluation для high-risk автоматизации.
    Антипаттерны

    Что часто принимают за AI readiness

    «У нас есть доступ к модели»Технологическая доступность не означает, что процесс, данные и economics готовы к production use.
    «Сотрудники уже используют ChatGPT»Личное использование AI не доказывает, что company workflow можно безопасно автоматизировать.
    «Demo работает»Демонстрация на нескольких примерах ничего не говорит о edge cases, full cost и downstream error rate.
    «Точность 90%»Без understanding error types и business cost ошибки эта цифра может быть бессмысленной.
    «Human-in-the-loop всё решит»Если человек должен полностью перепроверять каждый результат, economics automation может исчезнуть.
    «Сначала построим, потом посчитаем ROI»Baseline и target economics нужно определить до разработки, иначе pilot трудно оценить честно.
    Связанные маршруты

    Куда идти после диагностики

    AI Growth

    Вернитесь к общей архитектуре AI-use cases и выберите, где именно AI должен создавать leverage.

    Открыть AI Growth →     Operational Leverage

    Посчитайте cost per operation, cycle time, throughput и payback автоматизации.

    Посчитать economics →     AI Growth Office

    Если use case относится к monitoring, diagnostics и management decisions — соберите executive operating loop.

    Открыть Growth Office →
    Принцип AI Readiness

    Готовность к AI определяется не моделью, а зрелостью процесса вокруг неё

    Сильный AI-use case начинается с ясного workflow, доступного контекста, измеримого качества, понятной economics и управляемых boundaries. Когда эти слои готовы, технология становится ускорителем. Когда они не готовы — технология просто делает нестабильный процесс сложнее.

    Пройти диагностику AI Growth Operational Leverage