Исследователи проанализировали кейсы внедрения ИИ в брокерской компании Compass, чтобы понять, почему схожие на первый взгляд проекты приносят разные результаты. Ключевым фактором успеха стала привязка алгоритмов к конкретным бизнес-процессам с измеримым доходом. В то время как одни инструменты принесли компании девятизначную выручку, другие оказались неэффективными из-за отсутствия четкой интеграции в работу сотрудников.
Основная проблема компаний заключается в сложности оценки потенциального ROI на этапе планирования. Авторы исследования подчеркивают, что даже при наличии качественных данных и квалифицированной команды, выбор приоритетного проекта часто зависит от того, насколько глубоко модель интегрирована в ежедневные задачи пользователей. Успешный продукт, такой как система рекомендаций «Likely-to-Sell», позволил агентам сфокусироваться на наиболее перспективных сделках, что напрямую отразилось на финансовых показателях.
В работе предлагается фреймворк для оценки ИИ-инициатив, который помогает отсеивать проекты с низким потенциалом внедрения. Вместо фокуса исключительно на сложности архитектуры модели, компаниям рекомендуется оценивать «стоимость бездействия» и степень влияния ИИ на принятие решений конечными пользователями. Такой подход позволяет избежать инвестиций в технологии, которые остаются невостребованными из-за разрыва между возможностями алгоритма и реальными потребностями бизнеса.
Ключевые факты
- Проект «Likely-to-Sell» в компании Compass принес девятизначную сумму в долларах годовой валовой комиссионной выручки.
- Исследование базируется на анализе реальных кейсов внедрения ИИ в секторе недвижимости.
- Основной критерий отбора проектов — измеримое влияние на конкретные бизнес-результаты, а не только технические метрики модели.
- Разработанный фреймворк помогает компаниям минимизировать риски при выборе между несколькими перспективными ИИ-инициативами.