Дмитрий Гуреев – Цифровое мышление в бизнесе. Как строить процессы, чтобы ИИ стал стратегическим преимуществом (страница 1)
Дмитрий Гуреев
Цифровое мышление в бизнесе. Как строить процессы, чтобы ИИ стал стратегическим преимуществом
© Гуреев Д. В., 2026
© Оформление. ООО «МИФ», 2026
Предисловие от автора
Мир неумолимо цифровизируется. Современные компании тратят миллионы на IT-проекты, CRM, ERP, системы автоматизации. Нанимают консультантов. Но проходит год, два, три. И…
Маржа – как у всех.
Процессы буксуют там же, где были.
Производительность не растет.
«Зачем это все? – думают собственники и решают: – Надо внедрить ИИ!»
Покупают подписки. Обучают промптам. Запускают пилоты. Играются с ChatGPT. Экспериментируют месяцами. И снова эффекта нет.
Производительность стоит на месте. Узкие места там же, где и были. И снова иллюзия прогресса вместо реального роста.
Знакомая ситуация?
Но что, если поменять фокус восприятия и принять тот факт, что проблема не в технологиях? Проблема в мышлении.
За 20+ лет цифровизации – со стороны заказчика, потом консультанта, параллельно исследуя, как работает восприятие, – я видел одно и то же: автоматизация не работает не потому, что инструменты плохие.
Она не работает, потому что люди не видят, что именно необходимо автоматизировать. Но даже если и видят, то не знают, как это сделать.
Как же быть?
Нужно научиться видеть правильную точку. Ту точку, которая одновременно отвечает двум условиям:
• она является бутылочным горлышком в производительности;
• и она может быть расшита за счет ИИ.
Эта книга научит вас находить эту точку.
Не через технологии. Через изменение того, как вы смотрите на свои процессы. Загвоздка в том, что не любая задержка поддается автоматизации. И не любая автоматизация устраняет узкое место. Вот почему многим не удается воплотить идеи по автоматизации в жизнь.
Фундаментальная проблема, которую я заметил: то, что действительно занимает время – мыслительная работа, – обычно схлопывается в один глагол.
«Пусть ИИ проанализирует документ».
Но что такое «проанализировать»? Посчитать буквы? Проверить грамотность? Найти противоречия? Выявить отклонения от стандарта? За этим глаголом скрываются годы опыта и огромный контекст, который эксперт не может – а чаще просто не готов – описать словами. Но хочет, чтобы это сделал ИИ.
Вот и получается: IT-отдел перегружен, вашу задачу ставят на реализацию в следующем году. А все потому, что казалось: стоит купить подписку на ChatGPT, научить людей промптам – и заработает.
Не заработает. Потому что вы не видите, где именно ИИ должен встроиться в процесс.
Чтобы найти нужную точку, нужно научиться видеть работу по-другому.
Базовая идея: представить любой бизнес-процесс как конвейер цифровых артефактов. Конкретных объектов, с которыми работает специалист: письмо, таблица, расчет, статус в CRM, коммерческое предложение.
Простой критерий: если можно сделать скриншот или распечатать – это артефакт. Они создаются, преобразуются, передаются дальше.
Каждый значимый процесс, который мы обычно рисуем на схемах, вроде BPMN (получить документ, рассчитать риски), начинается с какого-то обязательного цифрового артефакта и завершается созданием другого, который передается по цепочке. Товар может лежать на складе физически, но пока он не оприходован в системе, движение по процессу (выставление счета, перемещение, продажа) невозможно. Поэтому артефакты первичны.
Ключевая идея в том, что скорость процесса напрямую зависит от скорости создания этих артефактов. Если они создаются медленно – вся компания тормозит.
Но самое интересное происходит
Между «заказ клиента на почте» и «коммерческое предложение» продавец создает профиль клиента (масштаб, бюджет, специфика), строит техническую модель решения, вспоминает похожие проекты, оценивает риски.
Между «тендер на площадке» и «решение участвовать» коммерческий директор оценивает географию (дальше 2000 км логистика съедает маржу), рентабельность (маржа минимум 20%), шансы на победу (не заказной ли тендер).
Между «договор на согласовании» и «запись в системе» юрист извлекает ключевые параметры из текста (сроки, штрафы, ответственность), сравнивает с шаблоном, выявляет отклонения, оценивает риски.
Задачи кажутся незначительными: ну подумал человек пару минут, ну оценил на глаз. Но когда таких «пар минут» сотни в день, когда очередь к эксперту – 13 задач, когда клиент ждет ответа неделю – вот оно, бутылочное горлышко.
Системы часами ждут, пока мы введем данные, чтобы обработать их за секунды, – и снова ждать. Не так ли?
Во-первых, искусственный интеллект перешагнул критический порог. Он научился работать с неструктурированными данными (тексты, письма, разговоры) и выполнять действия по динамическому плану, как опытный управленец. То, что раньше могли делать только люди, теперь доступно алгоритмам. То есть теперь у вас появились инструменты для переноса большего числа когнитивной работы в машину.
Во-вторых, когда вы видите работу как конвейер артефактов, к ней применимы классические методы оптимизации производства – теория ограничений Голдратта. Вам достаточно найти узкое место (где создается очередь), раскопать скрытые артефакты в голове эксперта и точечно автоматизировать именно этот участок.
В-третьих, метод дает карту местности. Вы начнете не мыслить категориями «давайте внедрим ИИ везде», а четко понимать: «Вот здесь, на этом конкретном преобразовании артефакта, машина может работать быстрее человека». А здесь – нет, здесь нужна экспертиза, которую пока никак не выразить словами.
Методика позволяет провести «цифровые раскопки»:
1. Найти узкое место – где процесс буксует (обычно это очередь к ключевому эксперту).
2. Раскопать мышление – какие скрытые артефакты рождаются в голове эксперта между видимыми действиями.
3. Классифицировать работу – это правила, паттерны, трансформация или проектирование?
4. Выбрать технологию – в зависимости от типа работы и данных (LLM, ML, скрипты, ИИ-агенты).
5. Точечно автоматизировать – передать машине именно то звено, которое тормозит поток.
Благодаря этому процесс становится видимым целиком: не как набор действий («получил», «проверил», «отправил»), а как поток конкретных объектов, которые преобразуются один в другой.
И главное – вы видите, где именно ИИ усилит результат, а где только создаст иллюзию прогресса.
Эта книга – не просто набор рекомендаций, а бизнес-роман, художественное изложение реальных кейсов из сотен часов работы с клиентами. Так вы увидите, как метод применяется в реальных ситуациях.
Главное – вы получите способность различать, где ИИ нужен и где не нужен. Где он усилит эксперта, а где заменит его ответственность опасной автоматикой.
Вы получите не волшебную таблетку «внедрите ИИ, и все наладится». А систему мышления, которая позволит самостоятельно принимать решения о том, где технология даст реальный рост, а где создаст иллюзию прогресса.
Главное, что я понял за 20+ лет практики: цифровизация и ИИ – это не про технологии. Это про смену мышления.
Звучит как лозунг. Но я наблюдал это всю жизнь – с обеих сторон. Как технолог и как человек, исследующий то, как мы думаем.
Мой путь нетипичен для IT-директора или консультанта по цифровизации.
В школьные и первые студенческие годы я увлекался математикой и программированием. Выбор факультета прикладной математики был очевиден. Представить, что когда-то буду руководить или преподавать, я не мог.
Но математика не позволяла решать накапливающиеся вопросы о мироустройстве.
Как мы воспринимаем мир?
Почему принимаем такие решения?
Я с удивлением начал замечать, что работа с людьми мне нравится больше, чем цифры. Или, возможно, я просто увидел больше возможностей через менеджмент.
Случился первый осознанный разворот. Я оставил прикладную математику и год спустя перевелся на гуманитарный трек – стратегический менеджмент и параллельно MBA. Это позволило сделать карьерный рывок: генеральный директор западной компании до 30 лет.
Кстати, одной из моих дипломных работ было «Исследование информационных потоков между отделами». Это был конец 2000-х. Я уже тогда обнаружил: даже маленький коллектив, где все друг друга знают, а бизнес вроде не сложный, все равно страдает от нехватки информации. Позднее мы в компании измерили через матрицу, как каждый отдел взаимодействует с другим, зафиксировали, чего не хватает, внесли изменения. Через год такой работы наш бизнес показал устойчивость при кризисе 2008 года – нам удалось вырасти, когда рынок падал.