ИИ для бизнеса: где он приносит пользу, а где добавляет работы

Что бизнес на самом деле покупает

«Внедрить искусственный интеллект» звучит как план, хотя в нём пока не названа ни одна работа. Компания платит за более быстрый ответ клиенту, меньше времени на поиск в документах, аккуратнее заполненные карточки, поддержку сотрудников. Модель сама по себе этих изменений не создаёт.

Представим отдел продаж, где менеджер каждый день ищет актуальные условия доставки в пяти файлах. Если собрать одну достоверную базу и дать сотруднику поиск с ответом и ссылкой на документ, он тратит меньше времени. Но если в файлах три разные версии условий, ассистент лишь ускорит распространение путаницы. Часто первый шаг к ИИ выглядит прозаично: привести знания компании в порядок.

Есть и другая ловушка. Демонстрация показывает красивый ответ на подготовленный вопрос; рабочая среда приносит обрывки писем, фотографии документов, оговорки клиента и редкие исключения. Оценивать инструмент нужно на таких примерах, а не на идеальной презентации.

Пять сценариев, которые можно проверить без революции в компании

Первый кандидат — черновики ответов на типовые обращения. Система предлагает текст по утверждённой базе знаний; сотрудник сверяет условия и отправляет. Это снимает часть рутины, но не передаёт модели право обещать скидку или менять договор.

Второй — поиск по внутренним документам. Вместо перечитывания десятка регламентов специалист задаёт вопрос и получает фрагменты источников. Ответ без ссылки трудно проверить, поэтому источник здесь важнее уверенного тона.

Третий — разбор входящих сообщений: определить тему, срочность, ответственного, подготовить карточку. Цена ошибки различается: неверно пометить обычное письмо неприятно; потерять срочную рекламацию гораздо хуже. Для разных классов обращений понадобятся разные правила контроля.

Четвёртый — подготовка черновиков маркетинговых материалов и описаний товаров. Модель ускоряет первый проход, но фактологию, право на изображения, тон бренда и актуальность предложения проверяет редактор.

Пятый — помощь аналитикам и руководителям: свести комментарии из интервью, найти повторяющиеся причины отказа, сопоставить темы отзывов. Здесь важно сохранить исходные цитаты и не выдавать интерпретацию модели за мнение клиентов.

• Для начала выберите один поток, у которого известен объём: например, входящие обращения за неделю.
• Запишите, сколько времени уходит на обработку и какие ошибки встречаются сегодня.
• Согласуйте, какие данные разрешено передавать выбранному инструменту и кто видит результат.

Когда обычная автоматизация выгоднее нейросети

Если задача решается правилом «поле пустое — запросить документ», модели там делать нечего. Правило дешевле, предсказуемее и проще проверить. То же касается переноса данных между системами с надёжным API, расчёта по фиксированной формуле и шаблонного уведомления.

ИИ имеет смысл там, где вход неоднороден: свободный текст, длинный документ, разговорная формулировка, множество способов задать один вопрос. И даже здесь часть процесса стоит оставить детерминированной. Модель может предложить категорию обращения, а система — проверить обязательные поля и отправить запрос только после подтверждения специалиста.

Сочетание двух подходов часто работает лучше чистого «ИИ-решения». Оно выглядит менее эффектно на слайде, зато его проще обслуживать.

Как мы предлагаем выбирать первую задачу

На диагностике мы просим показать реальный путь одной операции: от письма или файла до готового результата. Где сотрудник ищет сведения? Какие решения принимает? Что происходит при ошибке? Кто замечает, что регламент изменился? Из этого разговора обычно видно, готов ли процесс к эксперименту.

Далее считаем нынешнюю стоимость: время на одно действие, число действий в месяц, долю переделок. Затем оцениваем, что прибавит новая схема: вызовы модели, настройка интеграций, проверка человеком, обновление знаний, сопровождение. Экономию нельзя считать только по времени, которое заняла генерация ответа.

Для пилота выбираем ограниченный набор разрешённых примеров. Отдельно собираем сложные случаи, на которых система может ошибиться. Результат принимают специалисты компании; мы сравниваем его с исходной работой и фиксируем границы применения. Если пилот не оправдал затрат, полезный вывод — не масштабировать его.

Инструменты: сначала требования, потом логотип платформы

Для пилота могут подойти готовые сервисы, API языковых моделей или платформа вроде Yandex AI Studio. Для ответов по документам часто рассматривают поиск релевантных фрагментов с последующей генерацией ответа — подход RAG. Он не исправляет устаревший документ и не избавляет от проверки, зато помогает опираться на указанный источник.

Выбор зависит от языка, качества на рабочих примерах, требований к данным, доступности интеграции, стоимости запросов и возможности поддержки. Мы не назначаем платформу до исследования задачи. Если в компании уже есть инструменты, сначала проверяем их возможности: дополнительная подписка может оказаться лишней.

Отдельно проектируем доступы. Сотрудник склада не должен получить финансовые документы из общего поиска лишь потому, что умеет удачно формулировать запрос. А действие агента в CRM нельзя считать безопасным только потому, что ответы в чате кажутся разумными.

По каким цифрам понять, что получилось

Попросите показывать не «точность ИИ» в целом, а результаты по вашему процессу: медианное время операции, долю ответов, принятых без переделки, частоту критических ошибок, время проверки и стоимость на одно завершённое действие. Эти числа сравнивают с исходной линией и на одинаковом типе задач.

Удобная проверка для руководителя: если завтра отключить модель, что изменится в отделе? Если только исчезнут красивые черновики, а сроки и нагрузка останутся прежними, внедрение ещё не закончилось.

В «Горячо!» консультационный этап по одной задаче начинается от 90 000 ₽. Итогом должен стать план проверки и смета пилота, а не обещание автоматизировать всё за один месяц. Расскажите, какой процесс хотите улучшить: вместе выясним, нужен ли там ИИ.