Автоматизация бизнеса с помощью ИИ: что можно отдать нейросети и как начать

Коротко

Автоматизация бизнеса с помощью ИИ окупается там, где сотрудник тратит время на чтение и понимание: сообщения в WhatsApp, голосовые, сканы счетов, договоры, письма на смеси русского и казахского. Там, где данные уже лежат аккуратно (поле в CRM, статус сделки, остаток в 1С), обычно хватает правил: роботов Битрикс24, Salesbot в amoCRM, обработок 1С, сценариев n8n. Они дешевле и ведут себя одинаково каждый раз.

Начинать удобнее всего с себя. Руководитель за вечер в ChatGPT или Claude разбирает выгрузку продаж, пишет регламент и шаблоны ответов. Следующий шаг: агент на компьютере вроде Claude Code или Codex, который сам работает с папкой файлов. Систему для всей компании строят, когда личных инструментов уже мало: нужна работа с WhatsApp и 1С в реальном времени, журнал и подтверждение сотрудником.

Рабочая схема почти всегда гибридная. Модель превращает хаос во входящих в поля. Правила проверяют эти поля по данным CRM и 1С. Сотрудник подтверждает шаги, где ошибка стоит денег или клиента.

Через всю статью проходит один пример. Это условный дистрибьютор в Алматы: заявки приходят в WhatsApp, остатки лежат в 1С, а менеджеры вручную собирают счета. Компания вымышленная, а цифры в примере нужны для иллюстрации, это не замеры у клиента. Зато путь типичный: от личного ChatGPT у руководителя до агента, который готовит счёт и отдаёт его менеджеру на подтверждение.

Чем ИИ-автоматизация отличается от роботов CRM, 1С и RPA

Привычная автоматизация работает по формуле «если X, то Y». Сделка перешла на стадию «Счёт выставлен», и робот ставит задачу бухгалтеру. Пришла оплата, и 1С меняет статус заказа. Клиент заполнил форму на сайте, и n8n создаёт лид. Каждый шаг описан заранее и каждый раз срабатывает одинаково. RPA делает то же самое с интерфейсом: программа-робот нажимает кнопки и переносит данные между окнами вместо человека.

ИИ нужен на шаге, который правилом не описать. У нашего дистрибьютора клиент пишет в WhatsApp: «салам, как в прошлый раз, только краски белой в два раза больше и чтобы в четверг на Райымбека». Робот CRM тут ничего не поймёт. Модель поймёт, что это повтор прошлого заказа с изменённым количеством одной позиции, сроком и адресом. Но модель может ошибиться, а одна и та же фраза иногда даёт немного разный результат.

Отсюда первое практическое правило: не ставьте модель туда, где справится условие. Нейросеть, которая решает, на какую стадию двигать сделку по значению поля, стоит дороже и ошибается чаще обычного робота.

Что можно автоматизировать: коротко по отделам

Здесь только короткая карта, чтобы было понятно, где ИИ вообще уместен. Подробный список с примерами, рисками и критериями выбора собран в статье какие процессы можно автоматизировать с помощью ИИ.

Продажи и заявки

Разбор входящих заявок в поля сделки, черновик ответа и коммерческого предложения, проверка звонков по скрипту, сводка по сделкам, которые давно не двигаются. У дистрибьютора отсюда идёт главная потеря времени: менеджер читает переписку, ищет позиции в 1С и собирает счёт руками.

Поддержка и мессенджеры

Ответы на типовые вопросы по базе знаний, распределение обращений по темам, передача сложных случаев человеку вместе с кратким содержанием разговора. Для WhatsApp и Telegram это самый частый первый проект.

Документы и финансы

Извлечение реквизитов, сумм и позиций из счетов, актов и накладных, сверка с заказом в 1С, поиск расхождений в договорах. Модель читает документ, а сверку делает обычный код.

HR и найм

Первичный разговор с кандидатом, ответы на вопросы о вакансии, запись на собеседование, напоминания об обучении. Здесь хорошо видно, что часть работы делает ИИ, а часть простые правила: это показано ниже на двух проектах для Magnum.

Начните с себя: ChatGPT, Claude, Claude Code и Codex в работе руководителя

Большинство статей про автоматизацию сразу ведёт к подрядчику. Мы советуем начать с личных инструментов. Это дёшево, занимает пару вечеров и даёт главное: вы сами увидите, где модель справляется, а где путается. После этого разговор о системе будет предметным.

Что сделать в чате за вечер

Руководитель нашего дистрибьютора начинает с обычного чата: ChatGPT или Claude на платном тарифе. Три задачи, которые реально закрыть за один вечер:

• Разобрать выгрузку. Выгрузите из 1С продажи за квартал в Excel и загрузите файл в чат. Попросите найти клиентов, которые перестали заказывать, позиции с падением продаж и менеджеров, у которых счёт уходит клиенту позже всего после заявки. Модель посчитает это в таблице и объяснит, как считала. Цифры всё равно проверьте выборочно по 1С.
• Написать регламент. Расскажите голосом или текстом, как сейчас проходит заявка: кто принимает, где смотрят остатки, кто выставляет счёт, что делают, если позиции нет. Попросите оформить это в регламент по шагам и отметить места, где процесс зависит от одного человека. Так появляется первая карта процесса, без которой автоматизировать нечего.
• Сделать шаблоны ответов. Вставьте 20–30 реальных переписок с клиентами без телефонов и имён. Попросите выделить типовые ситуации и написать на каждую шаблон ответа на русском и казахском. Менеджеры начнут пользоваться шаблонами уже завтра.

Пример запроса для первой задачи:

В файле продажи за июль–сентябрь из 1С. Найди клиентов, которые заказывали каждый месяц и пропали в сентябре. Дай таблицу: клиент, менеджер, сумма за июль и август, дата последнего заказа. Отдельно напиши, какие допущения ты сделал.

Чтобы не объяснять контекст каждый раз, заведите проект (в ChatGPT и в Claude есть функция «Проекты»): положите туда прайс, регламент и описание компании, а в инструкции проекта напишите, кто вы и в каком формате нужны ответы.

Одно ограничение сразу. Не загружайте в личный чат базы клиентов с телефонами, ИИН и номерами договоров. В Казахстане это регулирует Закон РК «О персональных данных и их защите» № 94-V, в России 152-ФЗ, и оба требуют хранить базы с персональными данными граждан внутри страны. Для анализа хватает обезличенной выгрузки. Российским компаниям стоит учесть, что ChatGPT и Claude официально в России не работают, поэтому там чаще используют GigaChat и YandexGPT.

Когда нужен агент на компьютере

Чат хорош для разовых задач. Когда работа повторяется каждую неделю и в ней много файлов, удобнее агент на компьютере. Claude Code от Anthropic и Codex от OpenAI устроены похоже: вы открываете папку, пишете задачу обычным языком, а агент сам читает файлы, пишет и запускает небольшие программы, создаёт новые таблицы и документы. Перед действиями, которые что-то меняют, он спрашивает разрешения. Оба работают в терминале и в настольном приложении и входят в платные тарифы Claude и ChatGPT.

Слово «терминал» пугать не должно: программировать не нужно, вы пишете задачу так же, как в чате. Разница в том, что агент не ограничен одним загруженным файлом и одним ответом. Он может открыть двадцать выгрузок, свести их, найти расхождения и сохранить отчёт в папку.

У дистрибьютора это выглядит так. Руководитель заводит папку «Еженедельный отчёт», куда менеджеры каждый понедельник кладут выгрузки из 1С и экспорт переписок. В папке лежит файл-инструкция для агента. Claude Code читает его из файла CLAUDE.md, Codex из AGENTS.md. Пример:

Ты помогаешь коммерческому директору дистрибьютора.
В папке exports лежат выгрузки 1С за неделю, в chats экспорт переписок WhatsApp.
Каждый понедельник собирай отчёт reports/неделя.xlsx: заявки, счета, отказы по менеджерам.
Отказы группируй по причинам из переписок. Ничего не удаляй и не меняй в исходных файлах.
Если данных не хватает, напиши, чего именно, а не додумывай.

После этого задача на неделю укладывается в одну фразу: «собери отчёт за прошлую неделю». Агент делает рутину, а руководитель читает выводы и проверяет спорные места.

Агенты на компьютере можно подключить к почте, таблицам и другим сервисам через специальные коннекторы, но для старта они не нужны: папки с файлами хватает.

Чего личный инструмент не умеет. Он не сидит в WhatsApp круглосуточно, не отвечает клиенту в 23:40 и не пишет в 1С по каждой заявке. Он работает, пока вы с ним работаете. Зато за пару недель руководитель точно понимает, какие шаги модель делает хорошо, и приходит к следующему этапу с готовыми примерами.

Если хотите освоить ChatGPT, Claude Code и Codex для своих задач системно, запишитесь в лист ожидания курса. Индивидуальные занятия проводим по запросу.

Где хватит правил, а где нужна модель

Когда руководитель разобрал процесс, становится видно, что половине шагов ИИ не нужен. У дистрибьютора распределение заявок по менеджерам, напоминание о неоплаченном счёте и задача кладовщику после оплаты прекрасно работают на роботах amoCRM или Битрикс24 и обработках 1С.

Хороший пример правил без ИИ есть у нас в работе: уведомления и LMS-напоминания для Magnum. Сотрудникам назначают курсы, а LMS не отдаёт события. Мы по расписанию синхронизируем данные, сравниваем статусы и по правилам отправляем напоминание в Telegram и WhatsApp: при назначении курса, повторно, пока курс открыт, и руководителю, если срок прошёл. Языковая модель здесь не нужна. Вся сложность в интеграции и в том, чтобы правила срабатывали вовремя.

Правил обычно достаточно, если:

• на входе структурированные данные: поля CRM, статусы, суммы, даты, выгрузки из 1С;
• решение записывается таблицей условий без слов «обычно» и «по ситуации»;
• исключений мало, и они тоже описываются условиями;
• ошибку видно сразу, и она не копится неделями.

Модель нужна там, где сотрудник читает и понимает:

• Входящие сообщения. WhatsApp, Telegram, письма, голосовые. Модель определяет тему, вытаскивает товар, количество, адрес, срок и номер заказа.
• Документы. Счета, акты, накладные, договоры, фотографии с телефона. Модель извлекает реквизиты и суммы, а правила сверяют их с 1С.
• Ответы по базе знаний. Клиенту или сотруднику нужен ответ из прайсов и регламентов со ссылкой на источник.
• Разговор в несколько шагов. Клиент уточняет, передумывает, спрашивает в ответ. Это уже работа агента.

В HR-агенте Magnum видно, как ИИ и правила делят работу. Модель ведёт диалог с кандидатом в WhatsApp на русском и казахском. Допуск по возрасту, подбор вакансии и выбор ближайшего магазина через собственный геокодер работают как обычный код. Допуск решает код, потому что на одинаковые данные нужен одинаковый ответ. Диалог ведёт модель, потому что кандидаты отвечают как угодно, и правила на такие ответы не рассчитаны.

Перед любой автоматизацией процесс стоит пройти руками. Если заявку сейчас согласуют три человека, из которых двое ничего не проверяют, робот и модель закрепят этот маршрут и сделают его быстрее, но не лучше. Лишние шаги проще убрать до разработки, чем потом переписывать сценарии.

Гибридная схема: правила, модель и сотрудник

Надёжная автоматизация бизнес-процессов с помощью ИИ собирается из трёх слоёв, и каждый проверяется по-своему.

Модель возвращает поля, а не решения. На входе сообщение клиента, голосовое или скан, на выходе набор полей: тип запроса, позиции, количество, адрес, срок, номер прошлого заказа и уверенность модели. Модель не двигает сделку и не проводит документ в 1С, она заполняет форму. Поэтому её качество легко измерить: сравните поля с правильными ответами на сотне реальных сообщений и получите точность по каждому полю.

Правила проверяют то, что вернула модель. Позиция есть в номенклатуре 1С? Остаток положительный? Адрес входит в зону доставки? Клиент есть в справочнике контрагентов? Уверенность выше порога? Если всё сходится, процесс идёт дальше. Если нет, задача уходит менеджеру с пометкой, что именно не совпало. Для этого слоя подходит то, что у вас уже есть: роботы CRM, обработки 1С, n8n. Как выбрать между конструктором и своим сервисом, разобрано в статье n8n, Make или кастомная разработка.

Сотрудник подтверждает дорогие шаги. Счёт клиенту, скидка, обещание срока, изменение договора: такие шаги ИИ готовит, а кнопку нажимает человек. С недорогих действий подтверждение можно снять, когда точность на реальных случаях держится стабильно.

Хорошая схема ещё и ведёт журнал: что пришло, что вернула модель, какие проверки прошли, кто и что исправил. Без журнала нельзя разобрать ошибку и нельзя доказать, что автоматизация вообще работает.

Как внедрить по шагам: от пилота к процессу

Вернёмся к дистрибьютору. Руководитель уже пользуется чатом и агентом на компьютере, роботы CRM распределяют заявки. Осталась главная потеря: менеджеры по 15 минут на заявку читают переписку, ищут позиции в 1С и собирают счёт. Цифра условная, свою замерьте секундомером на двух-трёх менеджерах.

Шаг 1. Выбрать один процесс и владельца

Не «ИИ в продажах», а «от сообщения клиента в WhatsApp до счёта в 1С». У процесса должен быть владелец, который отвечает за результат и может решать спорные случаи. У дистрибьютора это руководитель отдела продаж.

Шаг 2. Пройти процесс руками и убрать лишнее

Регламент из чата уже есть, теперь его сверяют с жизнью. Выясняется, что счёт дополнительно согласует старший менеджер, хотя ничего не проверяет. Этот шаг убирают до любой разработки.

Шаг 3. Собрать 50–100 реальных примеров

Это переписки за прошлый месяц и счета, которые по ним выставили. Каждый пример даёт правильный ответ: какие позиции, сколько, куда и когда. Из этих примеров получается набор для проверки. Без него нельзя понять, стала ли новая версия лучше прошлой.

Шаг 4. Разделить шаги между правилом, моделью и человеком

Разбор сообщения в позиции делает модель. Проверку остатков, цен и контрагента делают правила по данным 1С. Подтверждение счёта остаётся за менеджером. Если тут нужна связка с 1С, полезно заранее понять, что у вас за конфигурация и есть ли доступ через HTTP-сервисы или OData. Об этом подробно в статье ИИ для 1С.

Шаг 5. Запустить пилот в режиме подтверждения

Первая рабочая версия выглядит так:

1. Сообщение клиента приходит через WhatsApp Business API и попадает в сделку amoCRM или Битрикс24.
2. Отдельный сервис забирает текст, расшифровку голосового и историю заказов клиента.
3. Модель возвращает поля: позиции, количество, адрес, срок, уверенность.
4. Код сверяет позиции с номенклатурой и остатками 1С, цены с прайсом клиента.
5. Если всё сошлось, сервис готовит черновик счёта и показывает менеджеру карточку с кнопками «подтвердить» и «исправить». Если нет, карточка подсвечивает, что не совпало.
6. После подтверждения счёт проводится в 1С и уходит клиенту PDF в WhatsApp. Исправления менеджера попадают в набор для проверки.

Модель ничего не пишет в CRM и 1С сама. Писать в системы может только сервис, и только после проверок и подтверждения человеком. Как уложить пилот в месяц, описано в плане пилота ИИ за 30 дней.

Шаг 6. Замерить и расширить

Что смотреть после месяца пилота:

• точность по каждому полю;
• долю счетов, которые менеджер подтвердил без правок;
• долю случаев, переданных человеку, и причины;
• время от сообщения клиента до счёта, до и после;
• стоимость одной заявки вместе с оплатой модели и временем на проверку.

Если цифры не сдвинулись, ИИ в этом процессе не окупится, и лучше узнать это на пилоте. Если сдвинулись, можно снимать подтверждение с простых повторных заказов, подключать Telegram и почту, переходить к соседнему процессу, например к сверке счетов поставщиков.

Научить команду

Система работает, только если менеджеры ей доверяют и при этом не подтверждают всё не глядя. Им нужно понимать, где модель ошибается, как читать карточку с расхождениями и как правильно исправлять, чтобы исправление попало в набор для проверки. Остальной команде (бухгалтерии, закупкам, складу) полезно освоить ChatGPT и Claude для своих задач по тому же пути, что прошёл руководитель. Это мы разбираем на корпоративном обучении ИИ: на ваших процессах, с правилами работы с данными и общими шаблонами для отделов.

Как посчитать окупаемость

Окупаемость считают по одному процессу. Для «ИИ в компании» её посчитать нельзя. Нужны пять чисел:

1. Объём. Сколько случаев в месяц: заявок, счетов, обращений.
2. Время на случай. Сколько минут сотрудник тратит сейчас. Лучше замерить, чем спрашивать: люди обычно называют меньше.
3. Стоимость часа. Зарплата с налогами, делённая на рабочие часы.
4. Доля, которую реально закроет автоматизация. Не 100%. Часть случаев уйдёт человеку, часть он будет проверять.
5. Затраты. Разработка, сопровождение, оплата модели и время сотрудников на проверку.

Условный расчёт для дистрибьютора. 1 500 заявок в месяц по 15 минут дают 375 часов. Допустим, после пилота 60% счетов менеджер подтверждает за 3 минуты, а на остальные уходит 10 минут вместо 15. Тогда в месяц уходит 45 часов на первые и 100 часов на вторые, всего 145 часов вместо 375. Экономия около 230 часов. Дальше умножаете на стоимость часа менеджера и сравниваете с затратами. Все цифры здесь для примера, считать нужно на своих замерах.

Ориентиры по затратам у нас такие: одна ИИ-функция внутри CRM или 1С стоит от 700 000 ₸, ИИ-агент от 1 000 000 ₸, полный запуск с аудитом, проверкой на двух языках и интеграциями обычно 4–6 млн ₸, сопровождение 100 000–500 000 ₸ в месяц. Оплата модели и WhatsApp API идёт отдельно по тарифам поставщиков. Из чего складывается бюджет, подробно в разборе стоимости внедрения ИИ в Казахстане.

Есть выигрыш, который в часы не переводится. Клиент, получивший счёт через 5 минут, а не через час, реже уходит к конкуренту. Пропущенная ошибка в цене стоит дороже часа менеджера. Если процесс выигрывает в основном на этом, считайте отдельно: конверсию из заявки в оплату, скорость первого ответа, число найденных расхождений.

Частые ошибки и что ломается в живой работе

Почти все проблемы появляются после запуска, когда в систему приходят реальные данные.

• Автоматизировать до того, как попробовали сами. Компания заказывает систему, не проверив в чате, как модель справляется с её сообщениями. Через месяц выясняется, что половина заявок приходит голосовыми на казахском, а этого никто не заложил.
• Грязные данные в 1С и CRM. Модель правильно поняла позицию, но в номенклатуре она записана тремя разными названиями. Проверка не проходит, и всё уходит человеку. Иногда первым делом приходится чистить справочники.
• Новые типы входа. Клиенты начали присылать фото рукописных списков, поставщик сменил форму счёта. Точность падает тихо, без ошибок в журнале.
• Изменения без проверки. Кто-то поправил промпт или сменил модель на более дешёвую, и старые сценарии сломались. Это ловится только набором проверочных случаев, который прогоняют после каждой правки. Подробнее в статье что такое evals и зачем они AI-проекту.
• Сотрудники перестают проверять. Через месяц подтверждение превращается в автоматическое нажатие кнопки. Помогает выборочный контроль, когда часть счетов смотрит второй человек.
• Повторы событий. CRM и мессенджеры иногда присылают одно событие дважды. Если сервис не помнит, что уже обработал, клиент получит два счёта. Каждое событие нужно обрабатывать ровно один раз.
• Скрытые затраты. Интеграции, обучение сотрудников, время на проверку и разбор ошибок съедают заметную часть экономии. Если их нет в расчёте, окупаемость на бумаге окажется лучше, чем в жизни.
• Нет владельца. Автоматизацию запустили, а отвечать за качество некому. Через полгода никто не помнит, почему правила устроены именно так.

Когда нужна система под ключ

Личных инструментов достаточно, пока работа идёт по вашей команде: вы открыли чат или агента, получили результат, проверили. Систему стоит строить, когда выполняется хотя бы одно из условий:

• клиенты ждут ответа круглосуточно, и заявки должны обрабатываться без участия руководителя;
• ИИ должен читать и писать в 1С, amoCRM, Битрикс24 или WhatsApp по каждому событию;
• нужны журнал, права доступа и понятный ответ на вопрос «кто и почему выставил этот счёт»;
• через процесс идут персональные данные, и их нужно хранить и обрабатывать по закону;
• процесс работает на двух языках, и качество надо проверять на обоих.

У дистрибьютора из примера все пять пунктов сходятся на заявках из WhatsApp. Здесь уже нужна команда, которая соберёт интеграции, набор проверки, журнал и будет следить за качеством после запуска. Как мы ведём такие проекты, включая выбор процесса и сопровождение после запуска, описано на странице внедрение ИИ под ключ.

FAQ

Чем автоматизация с ИИ отличается от RPA?

RPA и роботы CRM повторяют заранее описанные действия: нажать, скопировать, перенести, поменять статус. Они хорошо работают со структурированными данными. ИИ читает то, что правилами не описать: свободный текст, голос, сканы. На практике их совмещают: ИИ превращает вход в поля, а роботы и сценарии делают остальное.

Можно ли автоматизировать самому без разработчика?

Частично да. Разбор выгрузок, регламенты, шаблоны ответов и еженедельные отчёты руководитель или аналитик делает сам в ChatGPT, Claude, Claude Code или Codex. Простые правила вроде распределения заявок настраиваются в роботах CRM и n8n без программиста. Разработчик нужен, когда ИИ должен работать круглосуточно, читать и писать в 1С или CRM по каждому событию и вести журнал.

Можно ли добавить ИИ в Битрикс24, amoCRM или 1С, не меняя систему?

Да, обычно так и делают. ИИ работает отдельным сервисом, получает событие из CRM или 1С через API, возвращает поля или черновик и записывает результат обратно. Сотрудники продолжают работать в привычном интерфейсе. Ограничения появляются, когда у системы нет нормального API или данные в ней сильно расходятся с реальностью.

Сколько стоит автоматизация бизнес-процессов с помощью ИИ?

Одна ИИ-функция внутри CRM или 1С стоит от 700 000 ₸, ИИ-агент от 1 000 000 ₸. Полный запуск с аудитом, проверкой на двух языках и интеграциями обычно обходится в 4–6 млн ₸. Сопровождение после запуска 100 000–500 000 ₸ в месяц, оплата модели отдельно. Точная сумма зависит от числа интеграций и того, насколько грязные данные на входе.

Сколько времени занимает запуск?

ИИ-функция внутри существующей CRM или 1С занимает 1–2 недели, ИИ-агент 2–4 недели, поиск по документам 3–5 недель. Пилот на реальных данных с замерами разумно планировать на месяц. Дольше всего обычно идут доступы к системам и сбор примеров, а не сама разработка.

Можно ли отправлять данные клиентов в ChatGPT?

Зависит от данных и страны. Закон РК № 94-V и российский 152-ФЗ требуют хранить базы персональных данных граждан внутри страны. Поэтому для таких процессов либо выбирают модели с размещением в нужной юрисдикции (в России, например, GigaChat или YandexGPT), либо убирают из запроса имена, телефоны, ИИН и номера документов до отправки в модель. Для обезличенного текста обычно подходят и зарубежные модели через бизнес-API.

Что будет, если ИИ ошибётся?

Схема строится так, чтобы ошибка ловилась до последствий. Правила сверяют ответ модели с данными в системе, при низкой уверенности задача уходит человеку, а дорогие шаги подтверждает сотрудник. Журнал показывает, где именно ошиблась модель, и такой случай добавляется в набор для проверки следующих версий.