AI Readiness Audit: как понять, где LLM и агенты реально дадут ROI

Большинству компаний не нужен еще один красивый AI-демо. Им нужно понять, где AI переживет столкновение с реальными процессами, данными, доступами, пользователями и бюджетом.

Для этого нужен AI Readiness & ROI Audit.

Что я проверяю

1. Бизнес-давление. Какой процесс дорогой, медленный, рискованный или стратегически важный?
2. Готовность данных. Где лежат знания, кто ими владеет, насколько они свежие и какой доступ реалистичен?
3. Форма workflow. Это RAG, decision support, tool-using agent или automation pipeline?
4. Риски. Data leakage, неверное действие, prompt injection, vendor lock-in, рост стоимости, слабые evals.
5. Операционная модель. Кто будет владеть prompts, evals, monitoring, escalation, approvals и обновлениями после запуска?
6. Путь к ROI. Какая метрика должна измениться: время, deflection rate, cycle time, качество, ошибки, cost per task, выручка на оператора?

Что должно получиться

Результат - не 60 слайдов. Это decision document:

• карта приоритетных use cases;
• оценка готовности данных, процесса, security и команды;
• build-vs-buy рекомендация;
• архитектурный набросок;
• risk register;
• scope первого pilot;
• план на 30/60/90 дней.

Что обычно ломается

AI-пилоты ломаются, когда начинаются с модели, а не с workflow. Еще чаще они ломаются, когда никто не владеет evals, observability, access control и human handoff.

Правильный вопрос не “можем ли мы добавить сюда AI?” Правильный вопрос:

Может ли эта система дать измеримый бизнес-результат без неприемлемого операционного или security-риска?

С этим я и помогаю.