> For the complete documentation index, see [llms.txt](https://scrumtrek.gitbook.io/iishki-1/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://scrumtrek.gitbook.io/iishki-1/transformation/pilot-one-process.md). # Пилот одного процесса Берём один ваш реальный процесс — и за 4-6 недель показываем измеримый результат. Конкретные цифры для борда и команды, а не ещё одна презентация со стрелочками. > **Кратко:** Один процесс, 4-6 недель, измеримый результат. Proof point перед масштабированием. **Для кого:** CDO, VP Operations — нужен быстрый результат до больших инвестиций. **Результат:** AI работает на реальном процессе, метрики до/после, лог решений (Decision Log), кейс для масштабирования. **Сроки:** 4-6 недель. ## Зачем это Смотри, здесь развилка. Вы сделали аудит (или знаете без аудита, какой процесс болит). У вас есть 3 варианта: 1. **Полная трансформация** — 12 недель, 1-3 процесса, серьёзные инвестиции. Борд хочет обоснование. 2. **Ещё один пилот-навсегда** — запустили ChatGPT, показали демо, объявили успех. Через 3 месяца adoption 12%. 3. **Пилот одного процесса** — берём один процесс, прогоняем через полный цикл (Двойной прогон), получаем реальные цифры. За 4-6 недель у вас есть факт, а не гипотеза. Мы делаем вариант 3. ## Для кого * **CDO, VP Operations** — нужен proof point до крупных инвестиций * **CEO** — борд просит «покажите, что AI работает, прежде чем мы выделим бюджет» * **CTO** — нужно понять, как AI встраивается в существующую архитектуру * **Компании после аудита** — выбрали топ-кандидата, нужно запустить * **Компании без аудита** — точно знают, какой процесс болит, хотят сразу попробовать ## Как это работает ### Gate 0: Валидация процесса (2 дня) Прежде чем начать — проверяем, что выбранный процесс подходит для пилота. Я видел, как пилот разваливается на второй неделе, потому что выбрали процесс без данных или без спонсора. **Чеклист входа:** * Есть названный спонсор (руководитель, который отвечает за результат) * Есть доменный эксперт (человек, который делает этот процесс сегодня) * Данные доступны или могут быть собраны за 1 неделю * Процесс выполняется минимум 20 раз в месяц (нужна статистика) * Нет блокирующих compliance-ограничений (персональные данные, регуляторика) **Если процесс не проходит Gate 0** — это не провал. Это экономия 4 недель и бюджета. Мы поможем выбрать другой процесс или порекомендуем сначала пройти аудит. ### Неделя 1: Discovery + Design **Понимаем процесс как он есть:** * Интервью с доменным экспертом (2-3 часа) * Shadow observation: смотрим, как процесс работает на практике * Сбор метрик baseline (время цикла, стоимость, количество ошибок, объём) **Проектируем AI-решение:** * Маппинг по A1-A5: на каком уровне автономии стартуем * DRI-оценка: это Deploy (готовый инструмент) или Reshape (перестройка логики) * Архитектура решения: какая модель, какой контекст, какие ограждения * Критерии успеха: конкретные метрики, которые будем измерять **Артефакт недели:** Проектный документ (1 страница) — текущий процесс, целевой процесс, метрики, риски, go/no-go решение спонсора. ### Неделя 2: Сборка + Настройка **Собираем AI-решение:** * Настройка модели (промпты, контекст, правила) * Интеграция с вашими данными и системами * Настройка ограждений (красные линии, Свод правил для этого процесса) * Подготовка к Двойному прогону **Тестирование на исторических данных:** * Прогоняем AI на 50-100 исторических кейсах * Сравниваем с реальными решениями эксперта * Выявляем паттерны ошибок до запуска в реальный поток **Артефакт недели:** Работающий прототип + отчёт по историческим данным (точность, типы ошибок, edge cases). ### Недели 3-4: Двойной прогон (Shadow + Canary) Это ядро пилота — реальная работа на реальных данных. **Фаза Тень (неделя 3):** * AI обрабатывает 100% потока параллельно с экспертом * Результаты AI **не применяются** — эксперт работает как обычно * Каждое расхождение логируется: AI лучше / AI хуже / контекст неполный * Метрика: доля расхождений (divergence rate) * Порог перехода: divergence < 30% **Фаза Канарейка (неделя 4):** * AI обрабатывает 5-10% реального потока, результаты **применяются** * Эксперт проверяет каждый результат * Метрика: доля вмешательств (override rate) * Порог: override rate < 15%, ноль критических ошибок **Три ситуации, когда числа обманывают:** 1. **Ошибки кластеризуются** — общий divergence 25%, но 80% ошибок на VIP-клиентах. Средняя маскирует провал в критичном сегменте. Решение: разбивка по сегментам. 2. **Override по привычке** — эксперт отменяет AI, но бизнес-метрики улучшаются. Это не техническая проблема, а проблема доверия. Решение: A/B-сравнение. 3. **AI лучше эксперта** — в 5-10% случаев AI даёт лучший результат. Divergence считает это как ошибку, хотя это улучшение. Решение: асимметричная классификация. **Артефакт недель:** Dashboard с метриками Двойного прогона, лог расхождений, еженедельный отчёт. ### Недели 5-6: Измерение + Решение **Считаем результат:** * Сравнение baseline vs пилот по всем метрикам * Расчёт экономического эффекта (экономия времени × стоимость часа, снижение ошибок × стоимость ошибки) * Проекция на 12 месяцев при масштабировании **Принимаем решение:** * **Go** → переходим в Градуальный Rollout (10% → 25% → 50% → 100%) — это уже отдельный проект или часть трансформации * **Conditional Go** → AI работает на части кейсов, нужна доработка для остальных * **No-Go** → процесс не подходит для AI на текущем уровне. Это тоже результат — вы сэкономили 6 месяцев и бюджет полной трансформации **Артефакт недель:** Финальный отчёт + Board Deck (5-7 слайдов: что сделали, что получили, что дальше). ## Что вы получаете ### 1. Работающий AI на одном процессе Не прототип, не демо — AI, который обработал реальные кейсы и показал измеримый результат. ### 2. Метрики до/после Конкретные цифры: время цикла, стоимость, количество ошибок, доля вмешательств. Факт, а не прогноз. ### 3. Decision Log Все решения, которые мы принимали: почему этот процесс, почему этот уровень автономии, где AI ошибается, где превосходит эксперта. ### 4. Кейс для масштабирования Board Deck с цифрами и проекцией: если пилот показал X на одном процессе, вот что будет на 5-10 процессах. ### 5. Свод правил процесса Ограждения, красные линии и политики, которые мы настроили для этого процесса. Переиспользуются при масштабировании. ## Как пилот связан с другими услугами ``` Карта зрелости → понять, где вы сейчас Аудит AI-процессов → выбрать лучшего кандидата Пилот одного процесса → доказать на одном ← ВЫ ЗДЕСЬ Трансформация процессов → масштабировать на 1-3 процесса Центр AI-компетенций → встроить в организацию ``` Пилот можно запустить **после аудита** (мы уже знаем лучшего кандидата) или **самостоятельно** (вы уверены в выборе процесса). Если после пилота решение Go — естественный следующий шаг: AI-трансформация процессов (полный Градуальный Rollout + масштабирование). ## Чем это отличается от «мы сами попробовали ChatGPT» | Самостоятельный эксперимент | Пилот одного процесса | | ----------------------------------- | ------------------------------------------- | | Нет baseline-метрик | Baseline зафиксирован до старта | | Нет Двойного прогона (сразу в прод) | Shadow → Canary → измерение | | Нет ограждений и красных линий | Свод правил настроен до запуска | | Демо на чистых данных | Реальные данные, реальный поток | | «Работает!» (adoption 12%) | Метрики adoption, override rate, бизнес-KPI | | Нет decision log | Каждое решение задокументировано | | Нечего показать борду | Board Deck с цифрами и проекцией | ## Часто спрашивают **Q: Можно ли обойтись без аудита и сразу запустить пилот?** A: Да, если вы точно знаете, какой процесс болит. Gate 0 (2 дня) проверит, что процесс подходит. Если нет — поможем выбрать другой или порекомендуем экспресс-аудит. **Q: Что если пилот покажет No-Go?** A: Это один из трёх нормальных исходов. No-Go экономит вам 6-12 месяцев и бюджет полной трансформации. Вы получаете decision log с объяснением, почему не сейчас, и рекомендации, что нужно изменить. **Q: Сколько времени нужно от наших сотрудников?** A: Доменный эксперт — 5-8 часов в неделю (интервью, shadow, review результатов AI). Спонсор — 2-3 часа за весь пилот (kick-off, промежуточный review, финальное решение). **Q: Что потом — если Go?** A: Два варианта. Если у вас есть внутренняя команда — мы передаём настроенное решение, Свод правил и playbook для Градуального Rollout. Если нет — переходим в трансформацию процессов, где мы доводим до 100% и масштабируем на другие процессы. **Q: Какой уровень автономии AI реалистичен за 4-6 недель?** A: Deploy-уровень (A1-A3) — реалистично. Reshape (перестройка логики процесса) за 6 недель возможен для простых процессов. Для сложных Reshape — это начало, но не финиш. Пилот покажет, на каком уровне AI стабилен, и что нужно для следующего. *** ## Следующий шаг [Запишитесь на 30-минутную консультацию](https://kkts.ai/consult) — расскажите про процесс, который хотите пилотировать. Мы проведём Gate 0 прямо на звонке и скажем: подходит или нет. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation by asking a question. Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters: ``` GET https://scrumtrek.gitbook.io/iishki-1/transformation/pilot-one-process.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.