Євген Саранцов: Ви пробували працювати з AI до того, як приєдналися до «AI-майстерні для команд»?

Євгенія Богданова: У нашій команді були різні рівні залученості. Я тоді скоріше була користувачкою-ентузіасткою — використовувала штучний інтелект для власних потреб: щось досліджувала, тестувала, збирала дані через звичайний ChatGPT.

Іван Москальченко: На той момент ми вже завершили IT-проєкт, пов’язаний з EDI — платформою, що дозволяє передавати електронні документи й автоматично завантажувати їх у систему. Але проблема залишалася з клієнтами, які не користуються EDI. Вони надсилають документи у вільній, несистемній формі: хтось — Excel-файли, хтось — PDF, хтось — фото. Іноді — просто зображення у Viber. Цю інформацію вони передавали торговим агентам, які або самі вручну переносили замовлення в систему, або надсилали їх операторам — і вже оператори обробляли все власноруч. Це займало багато часу й ресурсів.

Тоді ми вирішили залучити ChatGPT через API й побудували сервіс, який автоматично обробляв ці документи. Якщо це було зображення — спрацьовувала OCR-технологія, що «зчитувала» текст. Якщо Excel-файл — алгоритм розпізнавав структуру документа й витягував потрібні дані. На виході ми отримували вже готову, структуровану інформацію, яку можна було одразу записувати в систему без ручної обробки.

Також ми реалізували обробку товарів без штрихкоду. Якщо клієнт надсилав позицію без коду, система шукала в базі схожий за описом товар, знаходила відповідний штрихкод, автоматично його підставляла — і формувала повний запис. Адже клієнти передавали інформацію так, як їм було зручно, — без єдиних форматів чи стандартів.

У результаті ми значно розвантажили і операторів, і торгових представників. Йдеться не лише про економію часу, а й про суттєве зменшення кількості помилок — ми нарешті отримали стабільний, контрольований процес.

Євген Саранцов: Усе починається з ідеї. Тобто наскільки буде якісна ідея, наскільки буде якісний результат. 

Протягом “AI-майстерня для команд” учасники часто проходять різні етапи. Розкажіть про свій досвід.

Євгенія Богданова: Я була впевнена, що все працюватиме просто: є великий масив якісних даних, потрібно лише сформулювати промпт, завантажити ці дані в модель — і агент виконає роботу: надасть аналітику, покаже відхилення, сформулює висновки. Але результат виявився далеким від очікуваного. Тоді я спробувала інший підхід і почала створювати підготовлені, структуровані таблиці. Коли з’явилася перша така таблиця, точність результатів сягнула приблизно 70%. Це вже був прогрес: з’явилося відчуття, що ми рухаємося до чогось реального. Згодом вдалося досягти близько 95% достовірності відповідей.

І хоча це був прорив, водночас прийшло й перше розчарування. Ми справді вірили, що достатньо «закинути в модель усе, що маємо», — і отримаємо відповідь. Та коли починаєш працювати з мовними моделями серйозно, розумієш: на першому місці — математична постановка завдання і точна логіка промптів.

Євген Саранцов: Під час навчання ми часто говорили, що належимо до покоління big data. І звикли мислити так: що більше даних, то краще. Достатньо все завантажити в систему — і вона видасть готовий результат. Але робота з LLM [великими мовними моделями] — це не про big data. Це зовсім інша парадигма.

Іван Москальченко: Тут головне — не кількість, а якість даних, а ще важливіше — контекст. Це принципово інший підхід.

Ми завантажили Excel-файли, експортували дані з ERP-системи, спробували згенерувати звіт — але результатів або не було, або вони не відповідали очікуванням. Два-три дні ми змінювали формулювання, уточнювали промпти, пояснювали моделі, в якому контексті треба рахувати. Зрештою довелося звернутися до технічної команди.

Саме тоді ми почули ключову пораду: «Працюйте з меншими фрагментами даних. Розбивайте великі масиви на частини. І лише після цього — аналізуйте». З цього моменту почалося своєрідне “гойдалкове” відчуття: то захоплення від проривів і влучних інсайтів, то розчарування, коли система не давала прогнозованих результатів. Це тривало фактично протягом усієї акселераційної програми.

Тоді ми ще не усвідомлювали одного ключового моменту: якість вхідних даних визначає якість відповіді моделі. Якщо дані неповні, слабо структуровані або позбавлені контексту, система не здатна сформувати коректний висновок — незалежно від потужності самої технології.

Євген Саранцов: Під час навчання ми говорили про важливість зміни оптики. Саме тоді ви вирішили не створювати окремий контролюючий інструмент, а зосередитися на створенні рішення, яке дає торговому агенту додану цінність і підтримку під час візиту. Розкажіть про цей досвід.

Іван Москальченко: Ми почали розробляти систему, яка дозволяє торговому представнику отримувати персоналізовані підказки — конкретні рекомендації щодо того, що саме пропонувати клієнту під час візиту. Ці підказки базуються на даних: історії замовлень, профілі клієнта, поточних залишках, сезонності, ефективності товарів у цій точці тощо.

Наприклад, система може підказати, які товари від певних виробників мають найвищий потенціал продажу саме в цій точці, які позиції краще не пропонувати, бо вони не працюють у подібному форматі, або показати, які категорії зараз недопредставлені у викладці. Таким чином агент отримує чітку, автоматично згенеровану послідовність дій та аргументи для діалогу з клієнтом.

Євген Саранцов: Як ви застосували те, що отримали під час навчання? Чи вплинуло це на рішення всередині компанії?

Євгенія Богданова: Так. Я розуміла, що базову аналітику можна передати AI-агенту. Тож створила агента, який бере маршрут торгового представника, аналізує кількість відвідувань і їхню періодичність, а далі формує рекомендації для керівника: де варто змінити маршрут, де заходити до торгової точки щотижня, а де достатньо разу на місяць.

Він автоматично класифікував інформацію за каналами продажу, підказував, які точки мають найбільший виторг і які з них потребують частішого відвідування. Також визначав міста, де торгові представники недопрацьовують.

Особливо цінною виявилася частина, що аналізує маршрути й пропонує їх оптимізацію. Наприклад: «Ці точки зараз обслуговуються чотири рази на місяць — достатньо буде двох, бо ефективність низька». Адже проаналізувати десятки чи сотні точок вручну — складне завдання навіть для досвідченого спеціаліста. Тим часом агент виконує це за секунди.

Тут ми вперше побачили ключову річ:

якщо ми хочемо створити штучний інтелект, який дає реальний вплив, його не можна залишати лише на рівні аналітика чи асистента. Для того, щоб це мало цінність — інтелект має бути імплементований у бізнес-процес.

Для нас це було відкриттям. 

Євген Саранцов: Ми звикли мислити так, ніби менеджер має десять агентів і ухвалює рішення вручну. Насправді ж AI-модель не може існувати окремо. Вона ефективна лише як частина ширшої системи. І це одразу перебудовує логіку процесу: змінюються ролі, змінюється стиль роботи, люди починають діяти інакше.

Це було одне з наших ключових припущень: нам не вдасться створити просто помічника. Якщо ми не підемо далі — тобто не інтегруємо агента в бізнес-процес і не переосмислимо роль людини, яка працює поруч із ним, — зрештою нічого не вийде.

Тепер ми бачимо, що саме над цим горизонтом і потрібно працювати. Ми більше не можемо дозволити собі підхід: «Напиши промпт, проаналізуй дані, зроби якісь висновки про свої маршрути — і працюй, як вважаєш за потрібне». Це має бути частина системного, узгодженого підходу.

Усе це має бути інтегровано в наші діючі системи. Адже торговий агент не може працювати в одній системі, а отримувати рекомендації — в іншій. Це має бути єдиний процес і цілісна архітектура.

Євген Саранцов: Що змінилося у підходах або процесах компанії після навчання на програмі?

Іван Москальченко: Під час програми ми збудували прототип, який досі працює. Проте з часом виявилася проблема — якість даних. Тому наступним кроком ми з командою глибше занурилися в структуру даних і процес їх покращення. Зараз основний фокус команди — на зміні й доповненні масиву даних: робимо його глибшим і точнішим.

Євген Саранцов: Пам’ятаю, під час програми ми разом із вами почали аналізувати дані на національному рівні й зрозуміли: у таких масштабах втрачається контекст. Щойно перейшли до роботи з регіональними даними — стало краще: з’явилося більше значущих орієнтирів. Але найякісніший і найточніший контекст — це дані з однієї конкретної торгової точки.

Це стало поворотним моментом: змінилося не лише бачення аналітики, а й сам підхід до створення AI-рішень. Ми вирішили працювати з даними на рівні однієї точки й одного торгового представника. І саме для нього формувати персональні, релевантні рекомендації.

Іван Москальченко: Технічно ми вирішували це так: обмежували обсяг контексту, працюючи в межах можливостей мовної моделі; зменшували кількість даних на вхід і відбирали лише ті, що мають найбільший вплив на рішення. ERP-система фільтрувала дані — і вже після цього вони передавалися у модель штучного інтелекту для обробки.

З часом ми усвідомили, що нам не потрібні десятки департаментів — достатньо понад десять амбасадорів, здатних запускати системні продукти всередині компанії. Потім виникла нова мета: щоб AI-підходи стали не поодинокими ініціативами, а частиною системного процесу.

Євген Саранцов:

AI повинен ставати вбудованою частиною бізнес-процесів.

Дуже цінно, коли в компанії є AI-амбасадори або архітектори.

Є співробітники, які самостійно можуть протестувати промпт, перевірити модель і фахово пояснити, як саме вона має працювати. Є й інші — ті, хто користується AI, навіть не підозрюючи про це. Для них оновлена система — це як Google Maps: просто інструмент, і все. Це добре ілюструє ваш кейс із фото та чеками — коли інструмент працює автоматично, але більшість користувачів не усвідомлює, що ним керує штучний інтелект. Поступово в компанії з’являється усе більше людей, чия робота вже частково керується AI — хоча вони самі про це не знають.

Євгенія Богданова: Тут виникає важливий момент: саме людина має захотіти підвищити власну продуктивність. Це — перше. Друге: ця людина, особливо якщо йдеться про продажі, повинна добре розуміти бізнес-контекст.

У певний момент нам може знадобитися окрема роль — наприклад, супервайзер або керівник AI-напряму. Це людина, яка розуміє свій операційний контекст і здатна працювати з бізнес-моделями.

Євген Саранцов: AI сьогодні вимагає від компанії нову групу людей — тих, хто постійно запитує: «Як можна зробити краще?», «Яку модель побудувати?», «Де можна оптимізувати?»

Іван Москальченко: І це не просто технічні люди. Навпаки — це ті, кого раніше навіть не було в структурі. Раніше ефективна автоматизація вимагала знань мов програмування й завжди асоціювалася з ІТ. Тоді автоматизація сприймалася як «ЄТЗ» — єдине технічне завдання: хтось написав, передав у розробку — і колись щось зробили. Тепер парадигма змінюється: ролі можна розділити.

У самих бізнес-командах з’являються люди, які добре розуміють власні процеси — ті самі, з якими працюють щодня. Саме вони здатні налаштовувати власних агентів. Зі свого боку IT уже не «робить усе під ключ», а супроводжує процес, допомагає обрати правильні інструменти, консультує щодо технічного стеку — і стає технологічним партнером. Тобто вже не «розробник агента», а умовно «другий пілот».

Євген Саранцов: Насправді в цьому підході формується щонайменше три ролі:

1. Ті, хто можуть поставити фахову завдачу — сформулювати потребу, протестувати модель, доопрацювати її та передати на наступний рівень.
2. AI-архітектори — ті, хто створює або налаштовує ці рішення.
3. IT-команда — підтримує готові процеси, забезпечує технологічну сталість, консультує та інтегрує рішення.

І зрештою є ще одна категорія — умовно «четверта роль». Це ті, хто відмовляється працювати з AI осмислено, але при цьому вже користується інструментами з вбудованим AI «під капотом» — навіть не усвідомлюючи його присутності. Просто натискають кнопку й отримують результат, не знаючи, що за цим стоїть.

Євгенія Богданова: У нашій компанії культура роботи з AI лише починає формуватися. Тому поки що в цьому процесі задіяно небагато людей. Проте я думаю, що чим більше буде таких людей, тим більше перемог з’являтиметься в компанії. Тоді ми зможемо значно підвищити продуктивність компанії.

Іван Москальченко: Наприклад, кейс з акціями. Оскільки ми компанія-дистриб’ютор, то майже не створюємо власних маркетингових активностей. Здебільшого ми отримуємо акції від виробників і транслюємо їх на ринок. Виробники передають нам ці брифінги в найрізноманітніших форматах: хтось надсилає електронною поштою, хтось — через месенджери. Після цього до процесу долучаються наші маркетологи: кожен бриф вони опрацьовують вручну, вносячи його у внутрішню систему — промоінструмент, який дозволяє фіксувати акцію, відстежувати її ефективність і будувати прогнози щодо майбутніх результатів.

Євгенія Богданова: Пізніше ми порахували, що в середньому на місяць вони заводять у систему приблизно 900 акцій. На обробку кожної йде 10–15 хвилин. У сумі — це близько 225 годин на місяць. Ми також оцінили цю роботу в грошовому еквіваленті — це близько 30 тисяч гривень.

З мого боку, як директорки з продажів, тут виникає додаткова складність. Якщо виробник, наприклад, затримується з наданням акції і відправляє її не 25-го числа, а пізніше, то ми запускаємо її із запізненням — уже 2-го чи 3-го числа наступного місяця. Бувають випадки, коли відповідальний колега зайнятий або навіть звільнився — і доводиться чекати, поки хтось зможе внести акцію у систему.

Ми проаналізували, як цей процес міг би виглядати з використанням штучного інтелекту. За нашими оцінками, ту саму кількість акцій можна було б обробити не за 225, а за 15 годин. А витрати компанії при цьому становили б до 4 тисяч гривень — замість 30.

Таким чином ми можемо працювати значно ефективніше. Водночас наші співробітники отримують можливість працювати над іншими завданнями. Тобто відбувається зміна ролей.

Євген Саранцов: Змінюються не лише ролі, змінюється спосіб мислення. Коли люди починають взаємодіяти зі штучним інтелектом, вони поступово переходять від автоматичного виконання завдань до пошуку нестандартних рішень. З’являється здатність бачити неочевидні результати й непрямі ефекти.

Найцікавіше, що ці зміни відбуваються з тими, хто спочатку мав сумніви, але все ж наважився працювати з новим інструментом. Ті, хто подолав внутрішній опір, відкривають для себе нове мислення — більш цілісне й спрямоване на розв’язання складних завдань.

Євген Саранцов: Чи думали ви над тим, аби перестати працювати з ШІ?

Іван Москальченко: Від цієї технології точно не варто відмовлятися. Те, що зараз можна легко автоматизувати за допомогою ШІ, раніше вимагало значних зусиль або взагалі не мало вирішення за допомогою стандартних інструментів. Сьогодні для мене це дуже потужний аналітичний інструмент.

Євгенія Богданова: Це новий стиль менеджменту. Завдяки використанню штучного інтелекту кожна людина в компанії — незалежно від ролі чи посади, зокрема й керівник — отримує можливість приймати рішення значно швидше.

Зі збільшенням кількості AI-амбасадорів і архітекторів у команді ця здатність зростатиме: рішення ухвалюватимуться оперативніше, а їхня якість покращуватиметься. Це відбувається тому, що дані, які ми отримуємо за підтримки ШІ, стають дедалі точнішими — за умови правильно сформульованих промптів і налагодженої роботи агентів.

Якщо модель протестована, адаптована до контексту бізнесу й навчається на якісному запиті, її висновкам можна довіряти. І саме ці висновки можуть переходити на наступний рівень — до повної інтеграції в бізнес-процеси.