AI туршилт амжилттай ч бодит амьдрал дээр (production) яагаад бүдэрдэг вэ?
- А.Ганбаатар
- May 27
- 7 min read
Updated: May 28
Boost with AI: Agentic Workforce арга хэмжээний дараах тусгай нийтлэл
"Бид AI туршилтын шатаа амжилттай дуусгасан, үр дүн нь ч сайн байсан. Гэвч бодит үйл ажиллагаанд (production) нэвтрүүлж чадсангүй." Энэ бол 2026 оны 5 сард Улаанбаатар хотноо зохион байгуулагдсан "Boost with AI: Agentic Workforce" арга хэмжээний завсарлагааны үеэр нэгэн CIO-ийн (Мэдээллийн технологийн захирал) надтай хуваалцсан үг юм.
Энэхүү бэрхшээл нь зөвхөн тэр байгууллагад ч биш, олон улсын зах зээлд ч тулгарч буй томоохон сорилт юм. Writer.com-оос 2026 онд гаргасан олон улсын судалгаагаар AI технологийг үйл ажиллагаандаа идэвхтэй хэрэгжүүлж буй компаниудын 79% нь ямар нэгэн томоохон бэрхшээлтэй тулгардаг гэдгийг дотоодын зах зээл дээрх жишээ баталж байх шиг санагдана.
Уг судалгаанд, бүтэлгүйтлийн шалтгаанаа ихэвчлэн технологитой холбон тайлбарлаж, AI загвар нь хангалтгүй, өгөгдөл нь дутуу цэвэрлэгдсэн, эсвэл систем нь хуучирсан гэх мэтээр буруутгах хандлага давамгай боловч бодит байдал дээр жинхэнэ шалтгаан нь огт өөр газар байна.
ТОВЧ АГУУЛГА · IDEA IN BRIEF Асуудал: AI-ийн янз бүрийн туршилт амжилттай дуусаж байгаа ч өдөр тутмын үйл ажиллагаанд нэвтрэлгүй, ямар нэгэн шалтгаанаар гацаж байна. Удирдлагууд үүнийг ихэвчлэн технологийн нарийн төвөгтэй байдлаас боллоо гэж үзэж, буруутгадаг. Жинхэнэ шалтгаан: Уг гацаа нь технологиос биш, харин зохион байгуулалтын бүтцээс шалтгаалдаг. AI хэрэгжүүлэлт нь зүгээр нэг шинэ програм суулгаж нэвтрүүлэх төсөл биш, харин бизнес моделийг тодорхой хэмжээнд өөрчлөх үйл явц юм. Шийдэл: "Эхлэх — Алхах — Гүйх" гэсэн гурван үе шаттай замаар явахдаа хоёр дахь шатнаас гурав дахь шат руу шилжих үед үүсэх Бүтцийн саад-ыг урьдчилан мэдэрч, манлайллаар даван туулах шаардлагатай. |
Klarna-ийн сургамж: Туршилт амжилттай ч бодитоор нэвтрүүлж эхлэх шатанд унасан нь
Энэхүү сорилтын хамгийн алдартай, ойрын үеийн тод жишээ бол Швед улсын санхүүгийн үйлчилгээ үзүүлэгч "Klarna" банкны кэйс юм. 2024 оны 2-р сард Klarna компани OpenAI-тай хамтран бүтээсэн AI туслахаа үйлчилгээндээ нэвтрүүлж, үйлчлүүлэгчдийн чат харилцааны 75%-ийг даатган, 35 хэлээр 2.3 сая ярианд амжилттай хариу өгчээ.
Эхний үр дүн нь маш сэтгэл хангалуун байсан бөгөөд жилд 40 сая ам.долларын хэмнэлт гаргана гэж тооцоолсон байна. Улмаар Klarna харилцагчийн үйлчилгээний 700 ажилтнаа үе шаттайгаар ажлаас чөлөөлжээ. Гэвч 2025 он гэхэд тус компани ажилтнуудаа буцаан авч эхлэхээс өөр аргагүйд хүрсэн юм.
"Бид хэтэрхий хол явчихжээ." — Sebastian Siemiatkowski · Klarna-гийн Гүйцэтгэх захирал (CEO) |
Учир нь туршилтын (pilot) үр дүнгийн хэмжүүрүүд дээр (хариулах хурд, хэмнэх зардал гэх мэт) өндөр үзүүлэлттэй байсан ч жинхэнэ эцсийн үр дүн болох хэрэглэгчийн сэтгэл ханамж болон нарийн төвөгтэй маргааныг шийдвэрлэх чадвар мэдэгдэхүйц буурчээ.
Klarna-ийн сургамж нь AI технологи өөрөө бүтэлгүйтсэнд биш, харин тухайн компани AI-д зориулж өөрийн бүтэц, зохион байгуулалтаа дахин шинэчилж амжаагүйд оршиж байна.
Технологийн туршилт амжилттай болсон хэдий ч хүний нөөцийн бодлого, ажлын гэрээний бүтэц, KPI-ийн систем нь өөрчлөгдөлгүй хуучнаараа үлдсэн юм. Үүний улмаас үйлчлүүлэгчтэй харилцах хамгийн эмзэг, чухал харилцаа нь "хүн ч биш, бүрэн автомат систем ч биш" гэсэн дундын, тодорхойгүй орчинд орхигджээ. Тэд өөрсдөө ч мэдэлгүй HR Wall буюу хүний нөөцийн бүтцийн саадыг мөргөсөн нь энэ юм. Энэ бол Монголын тэрхүү компанид тулгарч буй яг ижил бэрхшээлийн дэлхийн хэмжээний тод жишээ билээ.
Менежментийн үндэс суурь өөрчлөгдөж байна
Орчин үеийн менежментийн шинжлэх ухааны анхны эх сурвалжууд болох Фредерик Тейлорын (Frederick Taylor) Principles of Scientific Management (1911) болон Анри Файолийн (Henri Fayol) General and Industrial Management (1916) бүтээлүүд нь дараах хоёр тулгуур ойлголтыг онцлон тайлбарладаг:
Job (Ажил үүрэг: Хэн, юу хийх вэ)
Management (Удирдан зохион байгуулах: Хэрхэн үр дүнтэйгээр зохион байгуулах вэ?)
Сүүлийн зуу гаруй жилийн хугацаанд хөгжсөн хүний нөөц (HR), санхүү, маркетинг, худалдан авалт, борлуулалт, гүйцэтгэлийн үнэлгээний бүхий л онол, практик энэхүү хоёр багана дээр л суурилан хөгжиж ирсэн билээ. Гэвч энэ бүх систем нь AI, тэр дундаа Agentic AI (Агент суурилтай AI) бий болохоос өмнө үүсэж хөгжиж, товчхондоо “зохиогдсон” бөгөөд өнөөдөр эдгээр хоёр багана болсон суурь нь хоёулаа огцом өөрчлөгдөөд байна:
Job (Ажил үүрэг): Одоо ихэнх ажил "гар ажиллагаа"-аар явахаа больж, харин AI-ийг "чиглүүлэх ба шалгах" үйл ажиллагаа болон хувирч байна. Жишээлбэл, маркетер хүн 10 өөр хувилбарыг өөрөө суун бичих биш, харин AI-ийн үүсгэсэн 10 хувилбараас хамгийн оновчтойг нь сонгон, AI-аараа засаж сайжруулдаг болсон.
Management (Удирдан зохион байгуулах): "Хүн төвтэй" үеэс "систем төвтэй" хэлбэрт шилжиж байна. Менежер хүний үндсэн ажил нь ажилтныг шууд хянах биш, харин хүн ба AI хаана, хэрхэн хамтран ажиллахыг зохицуулах оркестр (зохион байгуулалт) бүтээх явдал болж байна.
Эдгээр хоёр гүн шилжилт нь "ажилтандаа зүгээр л нэг AI эрх өгөх" төдий өнгөц өөрчлөлтөөс хамаагүй илүү гүн гүнзгий агуулгатай бөгөөд AI-ийн туршилтууд (pilot) яагаад бодит практикт (production) нэвтэрч чадалгүй гацдагийг тайлбарлах гол түлхүүр юм.
Хөгжлийн гурван үе шатны зам
Microsoft компаниас 2026 онд гаргасан AI Adoption Maturity судалгаанд AI технологийг байгууллагын үйл ажиллагаанд хэрэгжүүлэх үйл явцыг гурван үе шаттайгаар тодорхойлсон байдаг. Энэ нь хүн төрөлхтөн анхнаасаа шууд гүйдэггүй, эхлээд мөлхөж, дараа нь алхаж, эцэст нь гүйж сурдагтай яг ижил юм.
1. Эхлэх (0–3 сар)
Энэ үе шатанд agile (уян хатан) зарчмаар 3–5 хүний бүрэлдэхүүнтэй "champion team" буюу туршилтын багийг байгуулдаг.
Тэд sandbox (тусгаарлагдсан орчин) дотор AI технологийн боломж болон хязгаарлалтыг танин мэдэхэд анхаарна.
Энэ үед байгууллагын хувьд шинэ зүйлд суралцах үйл явц өөрөө хамгийн чухал үр дүн буюу бүтээгдэхүүн болдог.
Практик утгаараа ROI (хөрөнгө оруулалтын өгөөж) нь тэг байна; учир нь гол зорилго нь шууд орлого олох биш, харин дүгнэлт, туршлага цуглуулах явдал юм.
Иймээс энэ шатанд "AI ашиглан орлогоо нэмэгдүүллээ" гэж тайлагнах нь хэтэрхий яарсан, хайхрамжгүй амбиц болно.
2. Алхах (3–9 сар)
Туршилтын багийн анхны алхмууд амжилттай болсон бол дараагийн шат нь системчлэх үйл явц юм.
Хэлтэс бүрд "champion" буюу манлайлагчдыг томилж, ажилтнуудад AI-ийн бичиг үсгийн сургалт явуулан, хамгийн үр дүнтэй зааварчилгаанаас (prompt) бүрдсэн дотоод ур чадварын (skill) санг бүрдүүлнэ.
Байгууллагын үндсэн системүүд болох CRM, ERP, HRM зэргийг MCP (Model Context Protocol буюу AI-ийг бизнесийн системүүдтэй холбох шинэ стандарт) ашиглан холбож, аюулгүй байдлыг олон улсын OWASP LLM Top 10 стандартаар хянаж эхэлдэг.
Үүний үр дүн нь бодитоор хэмжигдэхүйц бөгөөд үйл ажиллагааны зардал 10–20%-аар буурч, ажлын мөчлөгийн хугацаа (cycle time) богиносдог.
Үүний зэрэгцээ компани шинэ үйлчилгээний шугам нээх боломжууд бүрдэнэ.
3. Гүйх (9+ сар)
Гурав дахь үе шат бол хамгийн хүнд сорилттой шилжилт юм.
Учир нь энд технологийн бус, харин компанийн бүтэц, зохион байгуулалт сууриараа өөрчлөгддөг бөгөөд бүх албан тушаалын тодорхойлолтыг шинээр дахин бичих шаардлага тулгарна.
KPI-ийн систем нь зүгээр нэг "цаг бүртгэсэн" үзүүлэлтээс "үр ашгийн коэффициент" рүү шилждэг бөгөөд нүсэр том хэлтсүүд micro-team буюу өөрийгөө удирдах жижиг багуудад задардаг.
Ганцхан AI хэрэглэхийн оронд олон төрлийн агентыг нэгтгэн “оркестр” систем болгоно.
Энэ үед pipeline (дамжлага) гэх шинэ ойлголт зайлшгүй шаардлагатай болох бөгөөд энэ нь AI загвар, зааварчилгаа болон өгөгдлийг 3–6 сар тутамд автоматаар шинэчилж байдаг тогтолцоо юм.
Аюулгүй байдлын шинэ патч (засвар) гарахад ийм pipeline-тай компани хэдхэн цагийн дотор хэрэгжүүлдэг бол pipeline-гүй компани долоо хоног, заримдаа хэдэн сарын хугацаа алддаг. AI-ийн эринд энэхүү хурдны ялгаа нь өрсөлдөх чадварын гол давуу тал болно.
MIT CISR-ээс 847 нээлттэй компанид хийсэн судалгаагаар (2025) "Гүйх" үе шатанд хүрсэн компаниуд салбарынхаа дунджаас 47% илүү ашигтай ажилладаг болохыг харуулжээ. Энэ нь AI нь зүгээр нэг зардал хэмнэх хэрэгсэл биш, харин шинэ бизнес моделийн үндсэн зангилаа болсныг гэрчилж байна.
"Алхах" болон "Гүйх" шатны хоорондох бүтцийн саад
Энэхүү нийтлэлийн гол маргаан энд оршиж байна: AI нэвтрүүлэх гурван үе шаттай замын туршид хоёр өөр төрлийн ажилд “фокус” хийдэг. Эхнийх нь технологийн ажилд (Эхлэх + Алхах) фокуслах бол дараагийнх нь зохион байгуулалтын ажилд (Гүйх) фокуслах юм.
Эхний хоёр шатыг CIO эсвэл CTO-ийн манлайлал дор амжилттай удирдаж болох ч хоёр дахь үеэс гурав дахь үе рүү шилжихэд компани заавал HR Wall буюу Хүний нөөцийн бүтцийн саадыг мөргөдөг. Учир нь үүнээс цааш үргэлжлэх өөрчлөлт нь технологийн шинэчлэл дээр нэмэгдээд хүний нөөцийн архитектур, бизнес моделийн түвшинд орж ирдэгт оршино.
Дээр дурдсан Klarna-ийн жишээ үүнийг бэлхнээ харуулна. Тэдний AI систем нь бүрэн суурилагдсан, MCP стандарттай ижил түвшинд интеграц хийгдсэн, аюулгүй байдал нь өндөр чанартай байв. Өөрөөр хэлбэл, тэд "Алхах" үеийн стандартыг бүрэн хангаж чадсан. Гэвч "Гүйх" үе шат руу шилжих үедээ хүний нөөцийн зохион байгуулалтаа шинэчилж чадаагүй юм. Тэд ажилтнуудаа ажлаас чөлөөлсөн боловч AI-тай хамтран ажиллах ажлын байрны шинэ тодорхойлолтыг (Job Description) бий болгоогүй орхижээ.
Үр дүнд нь хагас цомхотгосон, хагас AI-жуулсан, үйлчилгээний чанар нь бүрэн алдагдсан дундын орчин үүссэн юм. Тэд өөрсдөө ч анзааралгүй HR Wall-ыг мөргөсөн хэрэг.
HR Wall-ыг даван туулахад шаардагдах үндсэн ажлууд болох албан тушаалын тодорхойлолтыг шинэчлэх, KPI-ийн логикийг дахин боловсруулах, бүтцийн шинэ зохион байгуулалт хийх зэрэг нь зөвхөн IT гэлтгүй, Хүний нөөц (HR) болон бусад C-Level удирдлагуудын стратегийн чадавх, хамтын ажиллагаанаас хамаарна. Тийм ч учраас өрсөлдөгчдөөсөө түрүүлж "Гүйх" шатанд хүрч чадсан компаниудыг ажиглахад ихэвчлэн топ удирдлагын манлайлал нь маш хүчтэй байдаг.
Оношилгооны 3 асуулт
Танай компани яг аль шатандаа явж байгааг дараах асуултуудаар оношилж болно:
Ажилтнуудын хэдэн хувь нь өдөр тутмын үндсэн ажилдаа AI-г тогтмол ашиглаж байна вэ? (Хэрэв та тодорхой тоо хэлж мэдэхгүй байвал танай компани Эхлэх үе шатандаа явж байна.)
Танай компанийн KPI системд "AI ашиглалт"-тай холбоотой ямар нэгэн үзүүлэлт туссан уу? (Хэрэв байхгүй бол танай компани Алхах үе шатандаа явж байна.)
Танайд олон агентыг нэгтгэн ажиллуулдаг pipeline (автомат дамжлага) бий юу? (Хэрэв байхгүй бол танай компани хараахан Гүйх үе шатанд хүрээгүй байна.)
Маргааш хийх боломжтой хоёр алхам
Үе шатнаас үл хамааран маргааш өглөө шууд эхлүүлэх хоёр ажил бий.
Эхнийх нь, танай Хүний нөөцийн захирлын (HR Director) дараагийн улирлын зорилтод "AI ашиглалтыг компанийн KPI-ийн системд хэрхэн уялдуулахыг CIO-той хамтран тодорхойлох" гэсэн заалтыг нэмж оруулах юм.
Хоёр дахь ажил нь, хэрэв танайх эхлэх үе шатанд байгаа бол Champion team байгуулах, (хэрэв энэ үе шатыг амжилттай давсан бол AI council team байгуулах) явдал юм. Энэхүү алхмыг хийснээр танай AI стратеги CIO-ийн ширээн дээр гацахгүй, ажил хэрэг болж эхэлнэ.
Дүгнэлт
AI технологийг байгууллагад нэвтрүүлэх нь зүгээр нэг жижиг техникийн, эсвэл IT төрлийн төсөл биш, харин бизнес моделийг өөрчлөх тухай юм. Энийг зуун жилийн өмнө бий болсон Job (Ажил үүрэг) болон Management (Удирдлага) гэх хоёр том баганыг шинээр зурах процесс гэж ойлгож болно.
Хөгжлийн гурван үе шатны загвар нь энэхүү шилжилтийн зураглалыг өгч байгаа ч жинхэнэ том сорилт нь HR Wall-ийг даван туулах үеэр гарна. Klarna-гийн сургамжаас үзэхэд зөвхөн технологийг өөрчлөх нь хангалтгүй бөгөөд компани өөрөө хүний нөөцийн архитектурын хувьд хувиран өөрчлөгдөх ёстой.
Зохиогчийн тухай
Ганбаатар нь Дижитал воркс ХХК-ийн GreenHRM-ийн Бизнес хөгжил хариуцсан захирал юм. GreenHRM нь 2010 оноос хойш тасралтгүй хөгжүүлж буй хүний нөөцийн систем билээ. Тэрбээр "Boost with AI: Agentic Workforce" арга хэмжээнд "Reshape HR: Mutual Onboarding" сэдвээр илтгэгчээр оролцлоо.
