Внедрение AI в бизнес

Языковые модели хорошо справляются с текстом: читают документы, отвечают на вопросы по ним, классифицируют обращения, составляют черновики писем и выжимки из длинных переписок. Если в вашей компании много однотипной работы с текстом, скорее всего, её можно частично передать модели.

• Подходит: ответы на типовые вопросы клиентов и сотрудников, разбор входящих писем и заявок, поиск по внутренним регламентам, подготовка черновиков договоров и отчётов, извлечение данных из сканов и PDF.
• Подходит с оговорками: рекомендации менеджерам продаж, анализ звонков, генерация описаний товаров — работает, если результат проверяет человек.
• Не подходит: задачи, где нужна стопроцентная точность без проверки, — расчёты денег, юридически значимые решения, медицинские выводы. Здесь модель может быть только помощником.

Чаще всего кандидаты на пилот находятся в поддержке клиентов, продажах, закупках, кадровой службе и юридическом отделе — там, где сотрудники каждый день ищут информацию в документах и пишут похожие ответы. Хороший признак — когда новичок неделями учится отвечать на одни и те же вопросы, а опытные сотрудники тратят время на их пересказ.

Бывает, что задачу проще решить обычной автоматизацией: правилом в CRM, интеграцией двух систем или формой вместо переписки. Если на разборе окажется именно так, мы скажем об этом прямо — внедрение AI ради самого AI не нужно ни вам, ни нам.

Большие AI-проекты чаще всего буксуют не из-за технологий, а из-за размытой цели: «внедрить нейросети» нельзя ни принять, ни оценить. Поэтому первый шаг — один процесс, один сценарий и одна группа пользователей.

До старта договариваемся о критериях: какую долю вопросов ассистент должен закрывать без участия человека, какое качество ответов считаем приемлемым, как измеряем время, которое тратили сотрудники раньше. Эти критерии попадают в договор — пилот принимается по ним, а не по впечатлению от демонстрации.

Пилот работает на реальных данных и в реальных системах. Если он не дотягивает до критериев, вы узнаёте об этом на небольшом бюджете и получаете отчёт: что мешает — данные, сценарий или сама задача. Если дотягивает — у вас есть обоснование, чтобы масштабировать решение на отдел или всю компанию.

Обычная языковая модель ничего не знает о вашей компании: о тарифах, регламентах, остатках на складе и условиях договоров. Чтобы ассистент отвечал по делу, его подключают к вашим данным. Для этого используют RAG — поиск с генерацией: система сначала находит подходящие фрагменты документов, а затем модель формулирует ответ только на их основе.

• Источники данных: база знаний, регламенты, инструкции, договоры, карточки товаров, история обращений, записи в CRM.
• Ссылки на источник: к каждому ответу ассистент прикладывает документ и фрагмент, откуда взята информация, — сотрудник может проверить.
• Права доступа: ассистент видит только те документы, которые разрешены конкретному пользователю или отделу.
• Где работает: в корпоративном мессенджере, на внутреннем портале, в CRM или в виджете на сайте для клиентов.
• Обновление: новые и изменённые документы подтягиваются автоматически, без ручной перезагрузки базы.

Если ответа в документах нет, хорошо настроенная RAG-система так и говорит и передаёт вопрос сотруднику, а не придумывает правдоподобный ответ.

n8n — платформа для автоматизации процессов, которую можно развернуть на собственном сервере. На ней собираем сценарии, где модель — один из шагов цепочки: пришло письмо — модель определила тему и срочность — заявка создана в CRM с нужным ответственным — клиенту ушло подтверждение. Сценарии видны визуально, и ваша команда может менять простые шаги без программиста.

Интеграция LLM в продукт — когда AI-функция становится частью вашего приложения или сервиса: умный поиск по каталогу, подсказки пользователю при заполнении формы, автоматические выжимки в личном кабинете, разбор загруженных документов. Здесь важны скорость ответа, стоимость каждого запроса к модели и поведение при сбое внешнего сервиса — продукт должен продолжать работать, даже если модель недоступна.

AI-агенты выполняют многошаговые задачи: собрать данные из нескольких систем, подготовить документ, отправить его на согласование. Действия, которые нельзя отменить, — отправку клиенту, оплату, изменение данных — агент выполняет только после подтверждения человеком.

Первый вопрос на любом проекте — какие данные можно передавать во внешние сервисы, а какие нет. Ответ определяет архитектуру решения.

• Персональные данные клиентов и сотрудников обрабатываем по 152-ФЗ: храним на серверах в России, а во внешние модели не передаём или передаём только обезличенными.
• Выбор модели зависит от требований: облачные API, российские модели — например, YandexGPT и GigaChat — или открытые модели, развёрнутые на ваших серверах, когда данные не должны покидать контур компании.
• Журнал запросов: фиксируем, кто и что спрашивал и что ответила система, — для разбора ошибок и контроля доступа.
• Тестовый набор: до запуска собираем реальные вопросы с эталонными ответами и прогоняем систему на нём после каждого изменения.
• Контроль выдуманных ответов: ограничиваем модель вашими документами, требуем ссылку на источник и настраиваем отказ отвечать, если данных недостаточно.

Качество AI-решения со временем меняется: документы обновляются, появляются новые вопросы, поставщики моделей выпускают новые версии. Поэтому после запуска следим за метриками качества и регулярно повторяем проверку на тестовом наборе.

В сопровождение входит понятный канал для обратной связи: сотрудник отмечает неверный ответ прямо в интерфейсе, а мы разбираем, в чём причина — в устаревшем документе, неудачной формулировке запроса или ограничениях модели. По итогам дополняем базу знаний, правим сценарии и расширяем тестовый набор, чтобы та же ошибка не повторилась. Переход на новую версию модели делаем только после повторной проверки.