AI-трансформація без ілюзій: люди, процеси та реальні результати

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Мене звати Артем, я — Head of AI Transformation у медіахолдингу Byborg Enterprises. Деякий час я займаюся впровадженням AI у великому ентерпрайзі, який об’єднує понад 12 компаній. Моє завдання — змінювати процеси так, щоб AI реально працював для більш ніж 500 людей: інженерів, менеджерів, продакт-оунерів, директорів та інших спеціалістів.

Я бачу, що практичного досвіду в темі AI-трансформації поки небагато, особливо у великих компаніях. Тому хочу поділитися своїми спостереженнями й висновками, які можуть бути корисними іншим.

Чому трансформація була важливою ще «вчора»

У вересні я відвідав чергову конференцію з AI в Амстердамі й побачив суттєву різницю порівняно з початком року. Якщо раніше більшість компаній лише говорили про старт експериментів із AI, то цього разу вони вже демонстрували вимірювані результати. Крім того, кількість організацій, які працюють з AI, помітно зросла.

Це ще раз підкреслює: штучний інтелект не чекає, поки його адаптують компанії — він розвивається надзвичайно швидко. Ті, хто вже сьогодні інтегрує AI у свої процеси, отримують значні переваги на ринку. І йдеться не лише про оптимізацію витрат завдяки автоматизації рутинних операцій, а й про нові можливості для диференціації — пошук нестандартних шляхів конкуренції за допомогою AI.

Яскравий приклад — Netflix. Ще на початку 2010-х компанія інвестувала у власні AI-алгоритми рекомендацій. Сьогодні понад 80% контенту на платформі переглядається саме на основі цих рекомендацій. Netflix використовує deep learning-моделі, які аналізують перегляд кожного користувача:

враховують історію переглядів, оцінки, час доби, пристрій;
комбінують контент-бейз методи (аналіз жанру, акторів, режисера) з колаборативною фільтрацією (схожість із іншими користувачами);
застосовують нейронні мережі для ранжування, які прогнозують, наскільки ймовірно, що конкретний користувач обере конкретний фільм чи серіал.

В результаті Netflix може персоналізувати не тільки рекомендаційний список, а й обкладинку (thumbnail) для одного й того ж фільму: наприклад, комусь показати романтичну сцену, а комусь — динамічний кадр з екшену. Це підвищує клікабельність і час перегляду, зменшує відтік клієнтів.

Так Netflix сформував нову модель конкуренції: персоналізація контенту замість «однакових» каталогів для всіх. Конкуренти, які почали впроваджувати подібні системи пізніше, вже не змогли наздогнати Netflix у швидкості росту й рівні утримання аудиторії.

Однак трансформація — це непростий процес. Багато організацій обмежуються деклараціями на кшталт «нам потрібно впроваджувати AI», але без системного підходу це рідко приносить результат. Відсутність структурованого процесу трансформації може не лише знизити ефективність, а й заблокувати отримання тих вигод, які AI сьогодні відкриває.

У майбутньому виграють не ті, хто просто «доторкнувся» до AI, а ті, хто зміг перетворити його на стратегічний ресурс і зробити частиною власної ДНК бізнесу.

Що таке трансформація і типові помилки у розумінні

На рівні бізнесу — серед керівників C-Level чи Board of Directors (залежно від масштабу компанії) — трансформацію часто сприймають занадто спрощено. Для багатьох це лише «нові інструменти» або максимум — навчання персоналу. Але в такому підході криється ключова помилка: AI-трансформація — це системний процес, який охоплює всю компанію, її культуру, процеси та стратегію.

Якщо сприймати трансформацію виключно як зміну тулів, ймовірність провалу надзвичайно висока. Щоб цього уникнути, компанія має бути готовою до кількох критично важливих речей:

Urgency і чіткі дедлайни. Трансформація не може відбуватися «колись потім». Потрібні визначені терміни, дорожня карта та майлстоуни, які дозволяють вимірювати прогрес.
Коаліція лідерів. Неможливо змінювати компанію без підтримки ключових керівників. Спочатку варто відверто проговорити з ними бачення AI-трансформації та заручитися готовністю брати участь у змінах.
Чітке бачення та план. Типова помилка — відсутність відповіді на питання «що саме ми трансформуємо і яких результатів чекаємо». Наприклад, у Software Engineering це може бути впровадження AI-assisted coding. Але важливо розуміти: як саме це допоможе команді, у чому буде користь і який підхід до реалізації.
Робота з даними. AI неможливий без якісних даних. Тому варто оцінити:
— чи збирає компанія дані системно,
— як вони обробляються та зберігаються,
— чи є можливість їх ефективно аналізувати.
Наприклад, якщо планується аналіз користувацького фідбеку, потрібно спершу налагодити його збір та структурування. Лише після цього AI здатний дати реальну цінність.
Швидкі перемоги (quick wins). Корисно визначати невеликі, але відчутні результати. Наприклад, використання AI для автоматизації picture-to-code у фронтенд-розробці (через інтеграцію з Figma чи інші MCP-рішення) дозволяє відчутно пришвидшити delivery та показати команді реальну користь від трансформації.
Культурні зміни. «Як було раніше, вже не буде». AI-трансформація вимагає нової культури — відкритості до експериментів, постійного навчання, готовності працювати разом із системами штучного інтелекту. І саме в культурі часто лежить найбільший виклик, про який варто говорити окремо.

Люди та поширені культурні бар’єри

Найбільший виклик AI-трансформації полягає не у технологіях, а в людях. Саме вони мають навчитися працювати з новими інструментами, змінити свої навички та підходи.

Уявімо приклад: досвідчений Principal Software Engineer, який понад 15 років працює в IT. І раптом із появою AI-assisted coding ця людина опиняється в ролі «новачка». Їй потрібно знову проходити процес навчання, як на початку кар’єри. Це важко психологічно — визнавати, що попередній рівень експертизи вже не гарантує переваги.

Аналогію можна провести з періодом, коли інженери тільки починають вчити мову програмування, наприклад Java. Вони роблять перші застосунки, стикаються з помилками компіляції чи багами, але не звинувачують саму Java. Вони розуміють: проблема у їхніх навичках, і це стимулює навчання.

Я дуже часто чув інше: замість того, щоб шукати шляхи вдосконалення себе, інженери кажуть: «AI — це нісенітниця, він не працює так, як мені потрібно, краще я зроблю сам». Це типовий прояв зони комфорту.

Для компанії, яка прагне успіху в AI-трансформації, критично важливо розвивати у співробітників growth mindset (мислення зростання). Це означає:

готовність постійно навчатися,
відсутність захисної реакції за принципом «я вже все знаю»,
визнання того, що в новій реальності доведеться опановувати навички заново.

Якщо компанія зможе сформувати критичну масу людей, готових «вчитися з нуля», тоді трансформація матиме шанс на успіх. Якщо ж буде толерантність до постійної критики AI та небажання вийти із зони комфорту, то будь-які технологічні ініціативи опиняться під загрозою.

AI-трансформація в Software Engineering

Однією з найдинамічніших сфер AI-трансформації є саме software engineering. Тут ми бачимо справжній вибух інструментів та підходів, які постійно змінюють робочі процеси:

усе починалося з автодоповнення коду (Copilot та схожі рішення);
далі з’явився AI-assisted coding у форматі чатів (наприклад, Cursor, Windsurf);
зараз активно розвивається agentic AI-coding (CloudCode та подібні інструменти), де агенти вже можуть виконувати цілі робочі цикли.

Поточні можливості та виклики

Прискорення написання коду. AI суттєво пришвидшує розробку, але ефективність залежить від рівня інженера. Недостатньо просто відкрити інструмент — потрібно вміти:
— керувати контекстом (context management),
— використовувати пам’ять агента,
— будувати правила та воркфлоу,
— планувати роботу з AI.Без цих навичок інженер не отримає максимальної користі від інструментів.
Перехід «design-to-code». Завдяки інтеграціям із Figma та використанню MCP + agentic AI інструментів, розробку фронтенду можна прискорити в кілька разів. У моїй практиці ми з командою йшли поступово: спочатку просто копіювали дизайн із Figma у Windsurf, і вже тоді почали досягати омріяні ×3 і більше прискорення. Згодом на ринку з’явився MCP-протокол, і після кастомізації MCP для взаємодії з Figma нам вдалося ще більше підняти швидкість: перетворення цілого компоненту з дизайну в код займало вже кілька хвилин.
Прискорення бекенд-розробки.AI допомагає автоматизувати створення CRUD-операцій, API, тестів. Але тут особливо гостро постає питання код-рев’ю. У моєму досвіді саме бекенд-розробка була першою сферою, де ми почали застосовувати AI-Assisted Development. І я думаю, що це закономірно, адже тут одразу видно як переваги, так і виклики. Найбільшим викликом для нас (і, ймовірно, для багатьох інших) стало керування контекстом і робота зі складними задачами. Спочатку це було доволі складно: ми намагалися вручну емулювати практики планування та воркфлоу. Зараз же більшість сучасних інструментів для AI-assisted coding або agentic AI-рішень (наприклад, Cloud Code) мають це «із коробки». У результаті написання бекенд-коду за допомогою AI стало значно легше. Я можу сказати з практики: скорочення часу на виконання окремих задач до 80% — це абсолютно реалістичні показники.
AI у код-рев’ю.
Сьогодні можливе часткове чи навіть повне рев’ю за допомогою AI.
— Для POC чи не критичних проєктів цього може вистачити.
— Для продакшн-коду потрібні комбіновані підходи: AI-рев’ю + обов’язкова перевірка людиною.
Безпека та якість.
— GPT-моделі у базовому режимі не перевіряють код на вразливості OWASP.
— Claude має «із коробки» близько 6 з 10 перевірок, а при правильному промптингу може закривати всі 10 категорій.Тобто результат залежатиме від того, наскільки ефективно технічний менеджмент зможе інтегрувати AI у бізнес-процеси, водночас гарантуючи необхідний рівень безпеки та якості.

Що визначає успіх?

Люди. Чи готові інженери змінювати підходи та навчатися новим практикам?
Менеджмент. Чи готове керівництво перебудовувати процеси розробки, тестування й доставки коду під AI?
Ресурси. Чи є бюджет на використання найновіших моделей та agentic AI-інструментів?

AI-трансформація в Support

Однією з найбільш освоєних сфер застосування AI сьогодні є підтримка користувачів.

ChatBot нового покоління

Якщо раніше більшість ботів працювали на основі decision tree і часто виглядали як «скрипти з варіантами», то сьогодні їх замінюють системи на базі LLM.

Використання RAG-додатків (Retrieval-Augmented Generation) дозволяє чат-боту підвантажувати актуальну інформацію з баз знань чи продукту і формувати більш точні та релевантні відповіді.
У результаті компанії економлять десятки людино-годин, оскільки значна частина звернень вирішується без участі живого оператора.

AI як асистент для саппорт-агентів

Інший формат трансформації — не повна заміна людини, а AI-підказки для агентів підтримки.

Система «слухає» чи «читає» звернення клієнта, швидко знаходить потрібну інформацію в інтегрованих джерелах і готує відповідь.
Це дозволяє оператору обробляти значно більше звернень за той самий час, зберігаючи баланс між швидкістю і людяністю сервісу.

Контент-модерація

Якщо підтримка включає рев’ю контенту (тексти, зображення, відео), AI також змінює цей процес:

Використовуються CNN-моделі та гібридні архітектури (CNN + трансформери).
Такі системи здатні розпізнавати навіть дрібні об’єкти на фото чи відео й оцінювати, чи відповідає контент правилам платформи.
Це дозволяє автоматизувати значну частину модерації, пришвидшити перевірку й суттєво знизити її вартість.У моїй практиці я робив кілька експериментів: за допомогою CNN ми могли визначати ідентичність обличчя — наприклад, порівняти фото й підтвердити, що на них зображена та сама людина. Технологія тут відносно проста: використовується векторне порівняння.

AI-трансформація в Data Analytics

Аналіз даних сьогодні можна назвати своєрідним «граалем» для компаній, які дотримуються data-driven підходу. Якщо рішення приймаються на основі даних, то головним завданням стає їхня швидка обробка та пошук закономірностей. Саме тут AI дає величезний прорив.

Нові можливості завдяки AI

Сучасні AI-системи відмінно виявляють патерни у великих масивах даних. Це стосується навіть LLM, які здатні знаходити закономірності у текстових або напівструктурованих даних.
Те, що раніше потребувало роботи окремих ML-команд (наприклад, класифікація відгуків клієнтів), тепер може виконуватися значно швидше й простіше.

Приклад Uber

Одним із перших успішних кейсів став досвід Uber, де текстові запити користувачів

трансформувалися у SQL-запити.

Раніше, щоб отримати дані, бізнес-користувач (наприклад, продакт-оунер) мав звертатися до BI-команди.
BI-відділ витрачав час на пріоритезацію, підготовку звітів і досліджень.
Завдяки Agentic AI, бізнес-користувач тепер може напряму написати запит у природній мові: «Продажі товару за останній місяць у Сингапурі для користувачів віком 30–42 роки» — і миттєво отримати потрібний репорт.

Розвиток інструментів

Подібні системи розробляються як ін-хаус, так і інтегруються у готові продукти.
Наприклад, AWS QuickSight у поєднанні з Amazon Q дозволяє швидко створювати якісні аналітичні звіти на основі корпоративних даних.
Тренд рухається далі: інтеграція різних джерел даних (Google Analytics, продуктова база даних, heatmaps користувацького досвіду тощо) в єдине середовище. Це дає бізнесу можливість бачити цілісну картину.

У вересні 2025 року на AI & Data конференції в Амстердамі багато великих компаній вже презентували проєкти з Text-to-SQL на платформах, таких як Snowflake та CrateDB. PepsiCo також представили свій юзкейс, показавши, як вони застосовують AI для трансформації текстових запитів у SQL, щоб бізнес-команди могли швидше отримувати доступ до даних і формувати аналітику.

Вектор розвитку

Найперспективніший напрямок сьогодні — це Text-to-SQL або навіть ширше — Text-to-Whatever. Тобто можливість для бізнес-команди швидко формулювати запит у природній мові та миттєво отримувати результат у вигляді аналітики, графіків чи прогнозів.

Це означає значне скорочення часу між питанням і рішенням, а отже — величезну конкурентну перевагу для тих компаній, які впроваджують подібні рішення першими.

Як вимірювати трансформацію: інструменти та метрики

Один із найскладніших викликів AI-трансформації — це вимірювання результатів. Бізнес завжди цікавить Return on Investment (ROI): як довести, що впровадження AI не лише модний тренд, а й інвестиція, яка окупається.

Підхід до вимірювання

Поки що питання вимірювання AI-трансформації залишається важким для індустрії. Більшість компаній говорять про це дуже обережно. Наприклад, у розмовах із Deutsche Bank та IBM я почув, що вони ще не мають власних відпрацьованих підходів, а лише запускають експерименти й уважно спостерігають за результатами.

У своїй практиці ми використовували один із фреймворків, що набуває популярності в індустрії, який пропонує оцінювати трансформацію через три складові: utilization, impact, cost:

Utilization (використання).Наскільки активно співробітники взагалі застосовують AI-інструменти? Якщо у компанії лише 10–15% людей використовують AI у роботі, то рано робити висновки про економію. Спочатку треба збільшити рівень adoption.
Impact (вплив).Який реальний ефект дає застосування AI? Це можна вимірювати різними способами:
- час, зекономлений на типових задачах (залежить від рівня людини: у когось економія сягає 80%, у когось, навпаки, процес сповільнюється);
- кількість та розмір pull request у розробці;
- якість і maintainability коду;
- швидкість створення звітів (наприклад, завдяки text-to-SQL більше не потрібні запити в BI-відділ);
- продуктивність у support (наприклад, замість 100 людей у зміні достатньо 40 завдяки AI-чатботам).
Cost (витрати).Лише після оцінки використання та імпакту варто рахувати економіку:
- скільки коштує використання AI (ліцензії, інфраструктура, навчання);
- скільки компанія реально зберігає (час інженерів, вартість підтримки, швидше прийняття бізнес-рішень).

Загальні висновки

AI-трансформація — це не про інструменти, а про зміну мислення, процесів і культури. Вона вимагає чіткої стратегії, підтримки лідерів і готовності людей виходити із зони комфорту, вчитися наново й працювати разом із системами штучного інтелекту.

На практиці найбільшого ефекту досягають ті компанії, які:

підходять до впровадження системно, а не «для галочки»;
поступово рухаються від використання → імпакту → економіки, а не зациклюються одразу на ROI;
роблять ставку на швидкі перемоги (quick wins), щоб продемонструвати цінність AI у реальних бізнес-задачах;
інвестують у людей і культуру, адже саме тут зосереджений головний бар’єр трансформації;
не забувають про якість і безпеку, інтегруючи AI у production із відповідними перевірками й контролем.

AI вже довів свою цінність у сферах інженерії, саппорту й аналітики. Але виграють ті компанії, які бачать у ньому не просто інструмент, а стратегічний ресурс, здатний створювати нову бізнес-цінність.

І головне: трансформація відбувається вже сьогодні. Питання не в тому, чи варто її починати, а в тому, як швидко та на якому рівні зрілості компанія готова до неї приєднатися.

Теми: AI, досвід