В этом кейсе рассматривается стратегия замены трудоёмкого процесса проверки качества в медицинской аналитической лаборатории на валидацию на базе ИИ. Мы отслеживаем конкретные шаги внедрения и показываем, как внедрение ИИ было организовано на стратегическом уровне — через введение необходимых контролей и связь с потребностями заинтересованных сторон.
Этот кейс по стратегии внедрения ИИ будет представлен на конференции OOP 2026 в Мюнхене. Свяжитесь с нашей командой, чтобы узнать, как платформа BSC Designer помогает организациям управлять стратегиями ИИ и обеспечить связь их с общими бизнес-целями.
OOP 2026, место проведения: Munich, Germany, дата: 13 February 2026.
Профиль компании
В этом примере рассматривается частная лаборатория, специализирующаяся на медицинском анализе, с национальной сетью аффилированных лабораторий.
- Лаборатория обрабатывает примерно 80 000 тестов в день по всей своей сети.
- Она использует собственную ИТ-систему, которая объединяет различные лабораторные приборы, включая используемые для диагностики и клинического тестирования.
Начальный анализ
Первоначальный анализ включал в себя идентификацию заинтересованных сторон, карту затрат, определение эталонов качества и оценку пробелов в возможностях.
Анализ заинтересованных сторон
Отправной точкой стало определение заинтересованных сторон и их потребностей:
- Проблема валидации качества в первую очередь затрагивала внутренних специалистов по качеству. Их потребности были количественно оценены в терминах среднемесячных часов, затрачиваемых на ручной анализ качества.
- Другие заинтересованные стороны были определены в связи с юридическими обязательствами. Их интересы включали поддержание существования документированного и отслеживаемого процесса валидации. Что касается обработки ИИ, то правила требовали, чтобы медицинские данные обрабатывались в стране, где осуществляется операция.
- Старшие заинтересованные стороны ожидали увеличения скорости, снижения затрат и снижения уровня ошибок, соответствующего или превосходящего текущие уровни.
Карта затрат
После анализа заинтересованных сторон были составлены карты прямых и косвенных затрат. Они включали зарплаты специалистов по качеству (основанные на времени, затраченном на валидацию) и связанные управленческие накладные расходы.
Область внедрения
Область внедрения была определена для четкого различения областей, где внедрение ИИ было возможно, и где, напротив, традиционная программная автоматизация была предпочтительным выбором.
Критерии качества
Для отслеживания улучшений были определены критерии качества. Базовым уровнем была текущая ошибка валидации, проводимой человеком, которая будет сравниваться с будущей производительностью, управляемой ИИ.
Пробелы в возможностях и инфраструктуре
Пробелы в возможностях были выявлены как в команде разработчиков, так и среди специалистов по контролю качества.
Существующая ИТ-инфраструктура была проверена и подтверждена на предмет ее пригодности для поддержки автоматизации с использованием ИИ.
Стратегия реализации
Выявленные проблемы, критерии успеха и направления действий были отображены с использованием карты стратегии в стиле Сбалансированной системы показателей.
Реализовать
Платформа для стратегического надзора
Учитывая неопределенности новой технологии, внедрение ИИ следовало стратегическому, экспериментальному подходу, а не фиксированному плану. Платформа BSC Designer, уже используемая для общей реализации стратегии, была принята в качестве основного инструмента для отслеживания успеха внедрения ИИ.
Определение правил безопасности
Основным требованием к системе валидации ИИ было включение правил безопасности, которые ограничивали ИИ от рассмотрения тем, требующих подтверждения человеком.
Для проверки базовой функциональности ИИ были введены самотесты с использованием известных случаев.
Этапы реализации
Чтобы обеспечить контролируемую доставку ценности заинтересованным сторонам, реализация была разделена на следующие шаги.
Пилотная фаза
- Подготовка данных и их анонимизация; это включало преобразование существующих норм пороговых значений и единиц измерения в структурированный формат JSON.
- Создание начального цикла обучения, где разработчики сравнивали валидацию ИИ (невидимую для пользователей) с человеческой валидацией.
- Проектирование контролей, позволяющих операторам обновлять инструкции ИИ.
- Создание второго цикла обучения, обеспечивающего возможность прямой корректировки подсказок операторами.
Этап масштабирования
- Расширение объема данных, чтобы ИИ мог обнаруживать более широкий спектр аномалий.
- Оптимизация скорости ИИ путем определения задачи в первую очередь и загрузки только соответствующих задаче знаний.
- Рефакторинг процессов с приоритетом на ИИ, переход от текущего анализа данных к включению исторических данных.
Управление ИИ и связь со стратегией
Чтобы обеспечить надлежащее управление ИИ, были внедрены несколько дополнительных контролей:
- Количественно измеримые результаты человеческого надзора и автоматизированных тестов автоматически направлялись на дашборд ИИ.
- Ежемесячные проверки и рефакторинг промптов ИИ, изменённых операторами.
- Ежеквартальные обзоры типовых паттернов ошибок и недопониманий для улучшения процесса обучения ИИ.
Результаты
Система ИИ снизила общий уровень ошибок в 10 раз по сравнению с проверкой человеком.
Операционные результаты
- В 90% случаев валидация происходила почти мгновенно, что устранило среднее ожидание в 5 часов, связанное с человеческой валидацией.
- Приблизительно 5 штатных эквивалентов (FTE) врачей были освобождены от рутинного анализа в главной лаборатории, и 2 FTE в каждом филиале.
Инновации
- Расширение контекста ИИ с использованием аналитических и клинических данных истории позволило выявить ранее неидентифицируемые случаи, некоторые из которых позже были упомянуты в научной литературе.
- Непрерывные усилия организации по обучению поддерживались структурированными циклами обучения с измеримыми KPI.
Страх потери работы
Хотя ожидалось некоторое негативное восприятие из-за страха потери работы, ни одного фактического случая не произошло. Это может быть связано с рутинным характером задачи проверки. Творческое суждение и окончательные решения оставались в руках человека, так как неясные случаи все еще требовали человеческого контроля.
Управление ИИ
- Установленные контроли помогли количественно оценить риски и обеспечить их эффективное смягчение.
- Отчетность о производительности была автоматизирована через запланированные отчеты.
- Заинтересованные стороны имели четкую видимость внедрения и работы ИИ.
Стратегическая связь
Результаты по конкретным целям использовались как индикаторы действия в других системах показателей. Например, данные об уровне ошибок были включены в системы показателей контроля качества, а производительность учебного цикла поступала в системы показателей HR.
Влияние бренда
Успешная реализация, стратегическая связь и обнаружение аномалий с помощью ИИ позиционировали руководство лаборатории как лидеров в инновациях в своей области.
Сессия: 'Стратегический надзор за внедрением ИИ' доступна в рамках программы непрерывного обучения BSC Designer, предлагается как в формате онлайн, так и в формате очного семинара. Узнать больше....
Выводы
Внедрение ИИ является примером цифровой трансформации за счет внедрения прорывной технологии. Его успех зависит от глубокого понимания потребностей заинтересованных сторон и настройки надлежащих контролей для обеспечения постоянного мониторинга качества и обучения.
- Команда BSC Designer добавила ценность, предоставив стратегическое консультирование — связь требований к технической реализации с лучшими практиками управления ИИ и общей стратегической связью.
- Конкретные контрольные механизмы надзора были автоматизированы через платформу BSC Designer, поддерживая непрерывный мониторинг и обучение.
Узнайте больше о нашем подходе к внедрению ИИ, ориентированном на стратегию.
Alexis Savkin — старший консультант по стратегии и генеральный директор BSC Designer, платформы для сбалансированной системы показателей. У него более 20 лет опыта в этой области, а также образование в области прикладной математики и информационных технологий. Alexis является автором «Системы внедрения стратегии». Он опубликовал более 100 статей по вопросам стратегии и измерения эффективности, регулярно выступает на отраслевых мероприятиях, а его работы часто цитируются в академических исследованиях.