блог/Внедрение ИИ/Автоматизация бизнес-процессов с ИИ: где есть эффект, а где нет

Автоматизация бизнес-процессов с ИИ: где есть эффект, а где нет

7 минут чтения

Почти в каждой компании есть сотрудники, которые часами перекладывают данные из одного окна в другое: заявку из Telegram — в 1С, прайс поставщика — в таблицу, письмо клиента — в CRM. Обычная автоматизация с этим справляется, пока данные приходят в одном формате. Разбираем, что меняется, когда в процесс добавляют ИИ, и где он не нужен вовсе.

КОРОТКО
  • ИИ нужен там, где на входе свободный текст, голос или сканы — на них правила ломаются;
  • однотипные операции с предсказуемыми данными дешевле и надёжнее закрыть обычной интеграцией;
  • агент, в отличие от бота, не только отвечает, но и действует в 1С и CRM;
  • персональные данные и решения с дорогой ошибкой прорабатывают до запуска;
  • пилот начинают с одного процесса и метрики, замеренной заранее.

Чем ИИ отличается от обычной автоматизации

Классическая автоматизация работает по правилам. Сумма меньше лимита — согласовать автоматически, клиент новый — отправить на проверку. Такие сценарии давно живут в 1С, CRM и RPA-роботах и годами работают почти без сбоев, если данные предсказуемы.

Сложности начинаются на входе. Клиент пишет в мессенджер: «Как в прошлый раз, только без синих и на неделю позже». Поставщик третий раз за квартал меняет формат прайса. Часть заявок приходит голосовыми. Правило такой текст не разберёт, и задача возвращается к менеджеру.

Модель закрывает именно этот разрыв. Она превращает свободный текст, голос и сканы в поля, с которыми дальше работают те же правила. Остальную часть процесса часто можно не трогать.

Правила отвечают за предсказуемые шаги, модель — за разбор хаотичного входа, человек — за решения с высокой ценой ошибки.

Какие задачи забирает модель

Если разложить наши проекты по типу задач, почти всё попадает в четыре группы.

Разбор входящих обращений

Письма, сообщения в Telegram и WhatsApp, голосовые, заявки с сайта. Модель определяет, что нужно клиенту, извлекает позиции, количество и сроки и собирает черновик заказа или тикета. Менеджер открывает готовую карточку вместо переписки на двадцать сообщений.

Документы

Счета, акты, договоры, прайсы. Основная экономия здесь не в распознавании, а в сверке с данными учётной системы — подробно разбирали это в статье про автоматизацию обработки документов.

Прогнозы

Спрос, отгрузки, загрузка склада, отток клиентов. Здесь работают уже не языковые модели, а классическое машинное обучение на исторических данных. Если история короткая или разбросана по десятку таблиц, прогноз будет ненадёжным. Поэтому прогнозы часто оставляют на второй этап — когда данные приведены в порядок.

Ответы по базе знаний

Бот поддержки отвечает клиентам по регламентам. Внутренний помощник подсказывает сотрудникам, что написано в договоре про штрафы или где лежит нужная инструкция. Правильно настроенный бот опирается на конкретный документ и даёт на него ссылку. Нет источника — вопрос уходит человеку.

ИИ-агенты: когда мало просто ответить

Чат-бот отвечает. Агент действует: проверяет остатки в 1С, ставит задачу в CRM, считает цену по условиям клиента и отправляет подтверждение. У него есть доступ к системам и список разрешённых действий.

Сложный процесс редко удаётся отдать одному агенту. Приём заявки, проверка данных, расчёт и логистика — задачи разной природы. Их удобнее разделить между несколькими агентами, которые передают работу друг другу по цепочке. Такую схему называют мультиагентной системой. Отдельный агент следит за исключениями и отдаёт нестандартные случаи менеджеру.

[кейс]

ФАРМСНАБ: пять ИИ-агентов вместо ручного приёма заказов

Задача
Заявки от аптечной сети приходили в Telegram, на почту и по телефону. Менеджеры вручную проверяли лицензии, остатки и скидки, часть заявок терялась в переписке.
Решение
Команда из пяти агентов — приём заявок, проверка лицензий и остатков в 1С, расчёт цены, логистика и эскалация сложных случаев менеджеру. Система работает в контуре клиента.
Результат
80% заявок проходят без менеджера, обработка занимает в среднем 4 минуты вместо 40+, потерянных заявок на 90% меньше.
[смотреть кейс →]

У агента цена ошибки выше, чем у бота. Неверный ответ можно поправить в чате, а неверный заказ уже уехал на склад. Поэтому мы оставляем агенту только те права, которые нужны для его задачи, пишем каждый шаг в журнал, а операции выше порога отправляем сотруднику на подтверждение.

Подпись к картинке
Подпись к картинке

Расскажите, где у вас больше всего ручной работы. Покажем, что отдать модели, что — правилам, и как посчитать эффект до начала разработки.

Разберём ваш процесс→

Где ИИ лишний

Если данные приходят в одном формате и логика не меняется, хватит интеграции. Выгрузка из 1С по расписанию, уведомление клиенту о смене статуса заказа, перенос заявки с сайта в CRM — модель здесь добавит только расходы и непредсказуемость.

Решения с дорогой ошибкой тоже не стоит отдавать модели целиком: подпись договора, платёж выше лимита, отказ клиенту. Модель может подготовить решение и показать основания. Подтверждает человек.

И без данных ИИ не работает. Прогноз без истории продаж и бот без актуальных регламентов будут ошибаться, и более мощная модель этого не исправит.

ВАЖНО

Если в процессе есть персональные данные клиентов или сотрудников, на них распространяется 152-ФЗ. Отправлять такие данные в зарубежные нейросети без юридической проработки рискованно. Обычное решение — модель в контуре компании или в российском облаке, и закладывать его лучше в архитектуру с самого начала.

Эксплуатацию тоже стоит посчитать заранее. Запросы к модели оплачиваются по объёму, и при тысячах обращений в день сумма становится заметной. Провайдеры обновляют модели, поэтому поведение системы может измениться без единой правки с вашей стороны. Нужен набор контрольных примеров, на котором каждую новую версию проверяют до запуска.

Как запустить пилот и посчитать эффект

Пилот лучше делать на одном процессе — с заметным объёмом и метрикой, которую можно измерить уже сейчас: время обработки заявки, доля потерянных обращений, число ошибок при вводе.

  1. Замерьте метрику до старта, на обычной работе без ИИ.
  2. Соберите прототип на реальных данных, а не на демо-примерах.
  3. На первом этапе модель только предлагает, а сотрудник подтверждает — так видно, где она ошибается.
  4. Расширяйте самостоятельность постепенно, начиная с самых однотипных случаев.
  5. Сравните метрику и посчитайте экономику: сколько часов высвободилось и во что обходятся разработка, инфраструктура и поддержка.

Если непонятно, какой процесс брать первым, помогает аудит. В проекте для АЛЬФАТРЕЙД он показал, что 30% времени менеджеров уходило на ручную обработку прайсов. Обработку прайсов и приём заказов взял на себя ИИ-бот, и у менеджеров высвободилось больше 50 часов в месяц. Там же запустили модель прогнозирования отгрузок — прогноз стал точнее на 35%. От аудита до продакшена прошло девять недель.

Вопросы и ответы

Чем ИИ-агент отличается от чат-бота?

Бот отвечает на вопросы. Агент выполняет действия в рабочих системах — проверяет остатки, создаёт заказы, ставит задачи — в пределах выданных ему прав.

Придётся менять 1С или CRM?

Обычно нет. ИИ подключают к существующим системам через API, а процесс вокруг них меняют точечно.

Можно ли не передавать данные во внешние нейросети?

Да. Модель можно развернуть в контуре компании или в российском облаке. Например, у ФАРМСНАБ агенты работают внутри их инфраструктуры и обращаются к 1С и CRM без выгрузки данных во внешние сервисы.

Сколько длится внедрение?

Зависит от процесса и числа интеграций. Для ориентира: в проектах АЛЬФАТРЕЙД и ФАРМСНАБ от аудита до продакшена прошло 9 и 12 недель.