ИИ в бизнесе: почему спешить не стоит и с чего начинать

Шум вокруг ИИ зашкаливает. Чуть ли не каждый сейчас либо уже внедряет ИИ в свой бизнес, либо чувствует, что должен. Конференции, подкасты, кейсы про «рост производительности на 40%» — давление нарастает. В этом шуме легко пропустить один важный вопрос: а что именно вы собираетесь автоматизировать?

По моему опыту, большинство компаний, которые торопятся с ИИ, совершают одну и ту же ошибку. Запихать в ущербные бизнес-процессы еще и ИИ. Берут кривой процесс, натягивают на него нейросеть — и получают кривой процесс, который теперь работает быстрее. Проблема не исчезает, она начинает набирать обороты.

Сначала нужно разобраться в процессах. Потом — понять, где действительно нужен ИИ. И только потом — думать о данных для его обучения.

Почему «внедрить ИИ» — это не задача

Когда руководитель говорит «хотим внедрить ИИ», за этим обычно стоит одно из двух. Либо конкретная боль: «менеджеры тратят три часа на составление коммерческих предложений, хотим это ускорить». Либо абстрактное желание «быть в тренде».

Первое — задача. Второе — не задача.

ИИ — это инструмент автоматизации и аугментации. Он хорошо работает там, где есть повторяющийся процесс с понятными входными данными и предсказуемым результатом. Там, где процесса нет — ИИ его не создаст. Он просто добавит ещё один слой сложности поверх существующего беспорядка.

Именно поэтому внедрение ИИ начинается не с выбора инструмента. Оно начинается с аудита того, как у вас сейчас устроена работа.

Аудит процессов: что искать

Аудит процессов перед внедрением ИИ — это не консалтинговый ритуал. Практическая необходимость. Без него вы не поймёте, где ИИ даст реальный эффект, а где — только создаст иллюзию прогресса.

Что нужно зафиксировать на этом этапе.

Где люди тратят время на рутину. Ручная обработка входящих запросов, составление типовых документов, перенос данных между системами, подготовка отчётов — всё это потенциальные кандидаты на автоматизацию. Но сначала нужно понять, сколько времени реально уходит и насколько эти задачи стандартизированы.

Принимаются ли решения на основе данных. Звонки клиентов, тикеты поддержки, история сделок, переписка с поставщиками — в большинстве компаний это кладбище информации, из которой никто не извлекает ничего системного. ИИ здесь может дать реальную ценность — но только если данные собраны, структурированы и доступны.

Как процесс можно оптимизировать без ИИ. Это важный вопрос, который часто пропускают. Часть проблем решается не нейросетью, а нормальным регламентом, чек-листом или правильно настроенной CRM. Если процесс можно починить бесплатно — чините без ИИ. ИИ имеет смысл там, где ручная оптимизация уже исчерпала свой ресурс или где объём задач слишком велик для людей.

Где качество работы зависит от экспертизы, которую сложно формализовать. Это зоны, где ИИ пока работает плохо или требует серьёзной донастройки. Сложные B2B-переговоры, нестандартные клиентские ситуации, стратегические решения с высокой неопределённостью — здесь торопиться не стоит.

Оптимизация до автоматизации

Есть простое правило, которое я применяю в проектах: не автоматизируй то, что можно сначала упростить.

Если процесс занимает десять шагов и восемь из них — лишние, ИИ на таком процессе даст минимальный эффект. Сначала нужно убрать восемь шагов, оставить два — и только потом думать, нужна ли тут автоматизация вообще.

Конкретный пример логики. Компания хочет автоматизировать обработку входящих заявок с помощью ИИ. Аудит показывает, что 60% заявок теряются не потому что их некому обработать, а потому что нет чёткого SLA на первичный ответ и непонятно, кто за что отвечает. Решение здесь — не ИИ, а регламент и правильно настроенная маршрутизация в CRM. После этого оставшиеся 40% задач действительно можно автоматизировать — и эффект будет ощутимым.

ИИ усиливает то, что уже работает. Он не исправляет то, что изначально работает криво.

Где ИИ реально повышает производительность

После аудита становится видно в каком направлении двигаться. Из практики — несколько зон, где ИИ даёт стабильный результат в B2B-компаниях.

Обработка и классификация входящего потока. Письма, тикеты, заявки, обращения — ИИ умеет их читать, классифицировать и маршрутизировать. Это снимает рутину с операционной команды и ускоряет время первого ответа.

Составление типовых документов и коммуникаций. КП по шаблону, ответы на стандартные вопросы, резюме встреч, первичные брифы — всё, что имеет повторяющуюся структуру и не требует глубокой экспертизы на каждой итерации.

Извлечение информации из неструктурированных данных. Расшифровка звонков, анализ переписки, структурирование обратной связи — это работа, которую люди делают медленно и непоследовательно. ИИ делает это быстро и одинаково.

Поддержка принятия решений на основе данных. Не замена аналитика, а инструмент, который помогает быстро найти паттерны в большом массиве данных. Сегментация клиентов, прогнозирование оттока, выявление аномалий в воронке.

Во всех этих случаях есть общее: задача повторяется, данные доступны, результат можно проверить.

Данные для ИИ: почему это сложнее, чем кажется

Допустим, аудит сделан, зоны применения определены, процессы оптимизированы. Теперь нужно думать о данных — потому что без них ИИ работает плохо или не работает вообще.

Большинство компаний, которые приходят к нам с запросом на внедрение ИИ-ассистентов, обнаруживают одну и ту же проблему: данные есть, но они разбросаны, неструктурированы и частично устарели. Где-то в Google Docs, где-то в CRM, где-то в головах сотрудников, которые уволились полгода назад.

Здесь появляется концепция RAG — Retrieval-Augmented Generation. Если упрощённо: это архитектура, при которой ИИ не просто генерирует ответы из своих внутренних знаний, а сначала обращается к вашей базе данных, находит релевантную информацию — и только потом формирует ответ. Это делает ИИ-ассистента конкретным и контекстным, а не универсальным и размытым.

Но для RAG нужен граф данных — структурированное хранилище, в котором информация связана между собой по смыслу, а не просто лежит в папках.

Как формировать граф данных: с чего начинать

Граф данных для RAG — это не ИТ-проект, который живёт в отрыве от бизнеса. Это операционная задача, которая требует участия людей, которые понимают, как устроены ваши процессы.

Несколько практических шагов.

Инвентаризация источников. Где у вас хранится экспертиза и информация о процессах: регламенты, скрипты, база знаний, история переписки, записи звонков, CRM, внутренние базы данных. Всё это потенциальное топливо для ИИ — но сначала нужно понять, что вообще есть.

Оценка качества данных. Актуальность, полнота, структурированность. Регламент двухлетней давности, который никто не обновлял — не данные для ИИ, это шум. Перед загрузкой в граф нужна чистка и актуализация.

Структурирование по сущностям. Данные в графе организуются не как файлы в папках, а как связанные объекты: клиенты, продукты, процессы, сотрудники, решения. Чем точнее описаны связи между сущностями — тем лучше ИИ понимает контекст при поиске.

Определение приоритетных доменов. Не нужно заливать в граф всё сразу. Начните с одного домена — например, поддержка клиентов или онбординг новых сотрудников. Отработайте архитектуру, проверьте качество ответов ИИ, потом масштабируйте.

Процесс обновления. Граф данных — это не разовый проект, это живая система. Нужен процесс регулярного обновления: кто отвечает за актуальность, как часто ревизия, что делать с устаревшей информацией.

Типичные ошибки, которые стоят дорого

Начать с инструмента, а не с задачи. «Давайте внедрим ChatGPT» — это не задача. Задача — конкретная операционная боль с измеримым результатом.

Автоматизировать процесс, который никто не описал. Если ваши сотрудники делают одну и ту же работу по-разному — ИИ просто закрепит этот разнобой. Сначала стандарт, потом автоматизация.

Недооценить работу с данными. Компании планируют месяц на внедрение ИИ и полгода потом разбираются с данными. Реальность обратная: данные — это большая часть проекта.

Ожидать результат без итераций. ИИ-ассистент после первого запуска работает плохо. Это нормально. Нужен процесс донастройки на основе реальных запросов — и время на это.

Игнорировать людей. ИИ меняет чью-то работу. Если команда не понимает, зачем это внедряется и что изменится в их ежедневных задачах — получите сопротивление. Знакомая история.

Вывод

Спешить с ИИ не стоит — не потому что технология сырая, а потому что большинство компаний ещё не готовы её принять. Не хватает описанных процессов, структурированных данных и понимания, где именно автоматизация даёт реальный эффект.

Правильная последовательность выглядит так: аудит процессов → оптимизация без ИИ там, где возможно → определение зон, где ИИ нужен → инвентаризация и структурирование данных → пилот на одном участке → масштабирование.

Это не быстро. Зато работает.