Как McKinsey изменила свою работу с помощью ИИ: создание Lilli и пять трудных уроков

Компания McKinsey не осталась в стороне от внедрения передовых технологий и решила использовать потенциал генеративного искусственного интеллекта (Gen AI), чтобы сделать свои знания более доступными для сотрудников. В результате почти годовых усилий был создан Lilli — инструмент на основе искусственного интеллекта, который помогает объединить множество разрозненных источников информации в единую, удобную платформу. Названная в честь Лилиан Домбровски, первой женщины-профессионала, нанятой McKinsey в 1945 году, платформа стала решением, которое смогло изменить работу консультантов компании. Но на пути создания Lilli было множество трудностей, из которых компания извлекла важные уроки. Вот пять ключевых уроков, которым научились в McKinsey на своем “автобусе борьбы”.

1. Четкое видение целей: зачем нужен инструмент?

Приступая к разработке Lilli, в McKinsey понимали, что успех возможен только при наличии четкого представления о целях инструмента. Компания стремилась сделать свои ресурсы — документы, статьи, вебинары и другие источники информации — более доступными. Это позволило бы консультантам тратить меньше времени на поиск информации и больше — на генерирование решений и рекомендаций для клиентов. Большая часть знаний McKinsey была заархивирована в форме презентаций PowerPoint, и это стало одной из первых проблем. Lilli пришлось “научиться” понимать и обрабатывать такие презентации. Первоначально платформа могла работать лишь с 15% документа, что стало значительным препятствием. Разработчикам пришлось создать собственные инструменты, чтобы улучшить качество распознавания и обработки этих материалов. Таким образом, одной из первых задач стало создание системы, которая помогала бы командам быстрее и легче находить и использовать ресурсы компании.

2. Многопрофильная команда — залог успеха

Lilli — это проект, который затрагивал разные аспекты деятельности McKinsey, и поэтому его разработка требовала разнообразных компетенций. Первоначально команда состояла из технических специалистов, работающих над минимально жизнеспособным продуктом. Однако вскоре стало ясно, что нужно гораздо больше — и с точки зрения компетенций, и в плане количества участников. В итоге к проекту присоединились специалисты по правовым вопросам, коммуникациям, внедрению новых технологий, а также эксперты в предметных областях. Lilli должна была быть не просто технически надежной, но и соответствовать ценностям McKinsey и быть безопасной. Управление таким количеством взаимозависимых рабочих потоков стало одним из главных вызовов. Это помогло компании осознать, что необходимо не только определить задачи, но и продумать, как именно взаимодействуют между собой разные компоненты системы.

3. Ориентация на пользователей — ключ к эффективному внедрению

Как бы модным ни был генеративный ИИ, главное — это его практическое применение и улучшение работы сотрудников. В процессе разработки McKinsey активно собирала отзывы пользователей из всей компании, чтобы постоянно улучшать Lilli. Сначала сотрудники были в восторге от возможностей инструмента, но затем появились и негативные отзывы — некоторые функции работали недостаточно быстро, а интерфейс иногда был запутанным. McKinsey уделила внимание каждому аспекту, связанному с удобством использования Lilli, стремясь к решению реальных бизнес-проблем. Для проверки новых функций была создана бета-программа, которая позволяла выявить слабые места и оперативно внести изменения.

4. Обучение и постоянное развитие

Запуск Lilli стал важным этапом, но не конечной точкой развития. Чтобы адаптироваться к изменяющимся требованиям, McKinsey внедрила систему циклов непрерывного обучения и совершенствования. Быстрое развитие технологий требует гибкости и готовности к изменениям, включая многократное переписывание кода для улучшения производительности. Обучение сотрудников стало неотъемлемой частью проекта. McKinsey организовала обучающие мероприятия, чтобы демонстрировать, как Lilli может быть полезной, и обучала ИТ-команды тому, как обучать других сотрудников, обеспечивая эффективное внедрение. Важно было не просто внедрить инструмент, но и показать, как его использование может изменить способы выполнения задач, сокращая время и затраты на выполнение работы.

5. Измерение и управление результатами — как поддерживать качество

Lilli была создана, чтобы изменить подход к управлению знаниями в McKinsey. Для достижения этой цели компания разработала операции расширенного генерирования данных (RAGOps), которые позволяли анализировать эффективность Lilli, измеряя релевантность, точность и полноту ответов. Использование информационных панелей позволило разработчикам и экспертам по контенту отслеживать и улучшать производительность платформы. За первый год работы Lilli стала незаменимой частью повседневной деятельности McKinsey: инструмент используется более чем тремя четвертями сотрудников, а количество обработанных запросов превысило три миллиона.

Результаты и выводы для других компаний

Создание Lilli показало, что генеративный ИИ может существенно изменить рабочие процессы и повысить продуктивность сотрудников. Основные направления, на которых отразилась работа Lilli, — это экономия времени консультантов (до 30% за счет оптимизации процесса поиска информации) и улучшение качества аналитики. Использование Lilli позволяет сотрудникам не тратить время на рутинный поиск среди тысяч документов, а сосредотачиваться на решении задач клиентов.

Основной вывод для других компаний: внедрение генеративного ИИ — сложный и непростой процесс, который требует подготовки и готовности к преодолению препятствий. Однако он может привести к значительным улучшениям, которые будут полезны для всей организации. Авторы статьи называют этот путь “автобусом борьбы”, но не рекомендуют бояться на него садиться — ведь именно преодоление трудностей и делает возможным создание инноваций.