Внедрение ИИ в компании: с чего начать и что это даёт

Ошибка почти всех, кто начинает, в порядке действий. Сначала выбирают инструмент, потом ищут, куда его пристроить. Работает обратный порядок. Находится задача, которая повторяется часто, отнимает время и не требует человеческого суждения, и уже под неё подбирается решение.

Кандидат проверяется по трём признакам.

• Задача случается регулярно, а не раз в квартал.
• У неё понятный вход и понятный выход.
• Ошибка в ней не стоит немедленных денег.

Всё, что проходит по трём условиям, можно пробовать отдавать машине уже сейчас. Переговоры, увольнения и решения по стратегии не отдаются никак, там цена ошибки другая.

Документооборот. Раньше договоры и сопутствующие документы вручную собирал бизнес-ассистент, порядка восьмидесяти документов в месяц по девяти разным шаблонам. Мы разобрали, чем шаблоны отличаются, свели их к четырём, прописали все варианты исходов и собрали скрипт. Документ готовится за две-три минуты вместо пятнадцати-тридцати. Экономия 40 000–50 000 рублей в месяц, и это единственная цифра, которую я называю уверенно, потому что считали по конкретной ставке и конкретному объёму.

Разбор архива. Нам понадобилось разобрать 22 200 файлов, шесть чатов и больше десяти миллионов строк переписки, оставшихся от подрядчика. После дедупликации получилось 7 824 сделки, к ним привязали 728 платёжных документов. Нашли расхождения по суммам, о которых иначе не узнали бы никогда. Руками эту работу не сделал бы никто, её просто не стали бы делать.

Отслеживание цен. Бот следит за прайсами примерно тысячи телеграм-каналов. Менеджер пересылает ему сообщения от админов, бот фиксирует изменения и по команде отдаёт выгрузку. Задача скучная, повторяется постоянно, и человек в ней ошибается чаще машины просто от усталости.

Бот-продавец, который вёл бы переписку с клиентом, до сих пор в разработке. Логика там такая, что каждое исходящее сообщение подтверждает человек, потому что полностью отпускать общение с клиентом мы не собираемся.

Скрипт распознавания текста с картинок в том самом архивном проекте работал нестабильно, часть данных сверяли вручную. Ещё был неприятный случай. Рабочий аккаунт отвалился из-за неправильного пополнения, и мы потеряли накопленный контекст, после чего часть настройки собирали заново. Теперь всё важное лежит в наших файлах, а не внутри переписки с моделью.

Считать нужно на уровне задачи, а не компании. Берётся время, которое человек тратил на одну операцию, умножается на количество операций в месяц и на стоимость часа. Из результата вычитается время на проверку после машины. Проверка никуда не девается и в расчёт входит обязательно.

Экономия получилась на уровне погрешности, автоматизировать эту задачу рано. У нас так вышло с несколькими мелкими процессами, где настройка и контроль съедали больше, чем сама экономия. Оставили людям.

Главные расходы на ИИ это не подписка, а проверка. Машина ошибается уверенно, тем же ровным тоном, каким говорит правду, и по интонации выдумку не отличить. Поэтому везде, где результат уходит наружу, у нас стоит второй проход.

Сначала проверял человек, и это съедало ровно ту экономию, ради которой всё затевалось. Потом проверку мы отдали второму скрипту с одной задачей: сверить готовый материал с исходными данными и найти в нём то, чего в этих данных нет.

В сентябре механизм сработал так, как задумывался. Скрипт собирал материал для нашей внутренней базы и сослался на статью в журнале, которого в исходниках не было. Сам случай был настоящий, а название издания машина дописала от себя, чтобы ссылка выглядела солиднее. Проверяющий поймал это по одному признаку: источника нет в файле, из которого материал собирался.

Отсюда правило, которое стоит дороже любой экономии. Проверку можно отдать машине, но написать, по каким признакам она проверяет, обязан человек. Мы после того случая дописали запрет называть издания, которых нет в исходнике, и эта проверка теперь стоит на каждом материале.

Разговор про ИИ упирается в вопрос про сокращения, и тут скажу как есть. Найм у нас практически остановился с середины 2025 года. Главной причиной был кризис на рынке, а автоматизация усилила эффект, потому что часть функций закрылась без новых ставок.

Костяк команды остался на месте. Работу, которую делал бы новый человек, мы перераспределили на действующих сотрудников с ростом объёма и зарплаты. Деньги, которые ушли бы на поиск и онбординг, вернули в бизнес. Нагрузка выросла, и это честная цена. Приходится постоянно объяснять команде, что происходит, иначе люди достраивают страшное сами.

Первый шаг сделайте бесплатным. Возьмите одну задачу из своей недели, которая бесит сильнее прочих и не требует вашего суждения, и отдайте её нейросети руками, без разработки и интеграций. За пару дней станет понятно, справляется машина или нет, а бюджет на автоматизацию ненужного процесса вы не потратите.

Дальше правило одного процесса за раз. Пока первый не заработал стабильно и не показал экономию в часах, второй не начинается. Иначе через месяц у вас пять недоделанных автоматизаций и ощущение, что ИИ не работает.

Отдельно про порядок. Автоматизировать неописанный процесс бесполезно, машина не разберётся в том, в чём не разобрались вы. Сначала описание, потом скрипт, про это подробно в статье регламенты в компании.

В презентациях ИИ выглядит красиво, а в работе очень буднично. На практике всё сводится к нескольким скучным задачам, снятым с людей, и к регулярной проверке того, что машина не начала врать.

Начните с одной операции и посчитайте по ней часы и деньги честно. За месяц вы узнаете про свои процессы больше, чем из любого курса про нейросети. Что делать с освободившимся временем, разобрано в статье как выйти из операционки.

Про то, как мы автоматизируем работу агентства и что из этого выходит, пишу в блоге в Telegram и в Максе.