Коротко

ИИ имеет смысл ставить туда, где есть три признака: процесс повторяется, накоплены примеры, а качество можно проверить. Заявки поддержки, follow-up в продажах, коммуникация с кандидатами, поиск по документам, операционные сводки и управленческая отчётность часто подходят. Редкие управленческие решения, юридические выводы, финальное решение о найме, большие скидки, медицинские рекомендации и дисциплинарные меры — нет.

Полезная единица автоматизации — не отдел, а конкретный workflow. “Автоматизировать поддержку” слишком широко. “Классифицировать входящие WhatsApp-заявки, отвечать на вопросы по базе знаний и передавать спорные возвраты оператору” — уже рабочая постановка.

Generative AI особенно силён в задачах, где много языка. В исследовании McKinsey 2023 года о потенциале generative AI самые крупные зоны ценности связаны с customer operations, marketing and sales, software engineering и R&D: там много чтения, письма, поиска, суммирования и подготовки ответов. Это не значит, что исчезает вся работа. Это значит, что ручную сборку информации можно сильно сократить.

Граница важнее инструмента. Хорошая AI-система может готовить черновики, рекомендовать, классифицировать, искать, извлекать поля и собирать материалы. Но перед деньгами, юридическим риском, наймом, доступами, обещаниями клиенту и необратимыми действиями она должна остановиться и попросить подтверждение.

Для первого проекта выбирайте процесс с владельцем, 30-100 живыми примерами, понятной ценой ошибки и человеком, который может сказать, что считается нормальным результатом. Потом — узкая версия, evals и расширение только после того, как качество видно в логах.

Тест на автоматизацию

Перед выбором модели или конструктора проверьте процесс простыми вопросами:

  1. Задача повторяется достаточно часто?
  2. Есть реальные примеры хорошего и плохого результата?
  3. Входные данные — это в основном текст, документы, сообщения, звонки, формы или записи?
  4. Правила можно объяснить, а не придумывать прямо на встрече?
  5. Есть безопасный fallback, если ответ неуверенный?
  6. Качество можно проверять на примерах, review или evals?
Схема повторяющихся бизнес-процессов, которые подходят для AI-автоматизации
Хороший кандидат находится на пересечении повторяемости, данных и проверяемого стандарта качества.

Если большинство ответов “да”, AI может помочь. Если процесс мутный, политический или нигде не описан, начинать надо не с автоматизации. Сначала нужно договориться о самом процессе.

Поэтому первая AI-автоматизация часто выглядит скромнее, чем ожидает руководство. Один поток заявок. Одна команда. Один тип документов. Один этап CRM. Это не недостаток амбиций, а способ найти реальные правила до того, как система получит больше полномочий.

Поддержка и сервис

Поддержка часто становится лучшей первой зоной, потому что там уже есть материал: тикеты, чаты, звонки, категории жалоб, ответы операторов, причины эскалации и статьи базы знаний.

ИИ помогает:

  • отвечать на типовые вопросы по утверждённым источникам;
  • классифицировать заявки по теме, срочности, языку, продукту или сегменту клиента;
  • собирать недостающие детали до передачи оператору;
  • делать краткое резюме длинного диалога;
  • находить повторяющиеся проблемы и неясные регламенты;
  • готовить черновики ответов в тоне компании;
  • подсказывать, когда нужна эскалация.
Схема поддержки: запрос клиента, первая линия AI и передача человеку
Самый безопасный паттерн в поддержке — первая линия помощи и понятная передача человеку.

Опасный вариант — агент, который сам пытается закрыть конфликт. Возвраты, компенсации, блокировки аккаунта, подозрение на мошенничество, злой VIP-клиент и публичная жалоба требуют правил и эскалации. AI может собрать материалы, показать историю и предложить черновик. Позицию компании он не должен импровизировать.

В серьёзном проекте главным становится качество источников. Если база знаний противоречит сама себе, агент вынесет это противоречие наружу. По механике это похоже на внутренний ChatGPT для компании, только риск выше: ответ видит клиент.

Продажи и CRM

В продажах AI лучше всего работает как усиление менеджера, а не как замена коммерческого решения.

Хорошие кандидаты:

  • квалификация лидов из форм, чатов, звонков и писем;
  • резюме звонков с next steps;
  • черновики follow-up;
  • заполнение и чистка полей CRM;
  • заметки о рисках сделки для руководителя;
  • напоминания о зависших лидах;
  • извлечение бюджета, срока, возражений и участников решения;
  • черновики предложений на основе утверждённых правил продукта и цены.
Цикл автоматизации продаж: лид, CRM, follow-up и review менеджера
AI в продажах должен убирать ручную администрацию, но не забирать контроль над ценой и обещаниями.

Граница простая: AI может готовить и рекомендовать, человек отвечает за коммерческое обязательство. Скидки, нестандартные условия, сроки поставки, штрафы и сложные закупочные формулировки должны проходить через менеджера или формальное согласование.

Здесь уже полезны agents. Обычный chatbot отвечает на вопрос. Sales agent может прочитать лид, посмотреть историю в CRM, подготовить follow-up, создать задачу и попросить подтверждение у руководителя. Разница подробно разобрана в статье AI-агент, chatbot или workflow: в чём разница. Чем больше tools трогает агент, тем важнее логи и evals.

HR и найм

В HR много повторяющейся текстовой работы: ответы кандидатам, расписание интервью, FAQ по вакансии, onboarding, вопросы по внутренним политикам, напоминания о training и резюме для руководителей. Это хорошие цели для автоматизации, потому что они экономят время, но не решают судьбу человека.

AI может:

  • отвечать кандидатам о процессе отбора;
  • собирать недостающие данные в заявке;
  • кратко резюмировать интервью для hiring team;
  • готовить черновик scorecard по заметкам интервьюера;
  • напоминать руководителям о feedback;
  • отвечать сотрудникам по политикам;
  • помогать с onboarding через чеклисты и поиск документов.
Граница HR-автоматизации: административная помощь отдельно от решения о найме
В HR сначала автоматизируют коммуникацию и рутину. Решения о найме должны оставаться объяснимыми.

Опасный сценарий — автоматический screening, который превращается в непрозрачную машину отказов. EEOC не раз подчёркивала, что AI и algorithmic tools в employment decisions всё равно подпадают под антидискриминационные нормы, в том числе когда система влияет на решение, а не принимает его полностью. Даже если компания работает не в США, практический урок понятен: нужны прозрачность, accommodations, возможность пересмотра и audit logs.

Используйте AI, чтобы рекрутеры работали аккуратнее и последовательнее. Не прячьте причину отказа за model score.

Документы и договоры

Документные процессы хорошо подходят для AI, потому что компании тонут в PDF, договорах, политиках, счетах, шаблонах, актах, сертификатах и сканах.

Полезные сценарии:

  • поиск по хранилищам документов;
  • сравнение версий договора;
  • извлечение дат, сторон, сумм, штрафов, сроков продления и обязательств;
  • краткое резюме для специалиста;
  • поиск отсутствующих подписей или полей;
  • черновики стандартных писем по утверждённым шаблонам;
  • ответы по внутренним инструкциям со ссылками на источники;
  • маршрутизация документа к нужному владельцу.
Рабочее место document AI: файлы, извлечённые поля и линия review
Document AI сильнее всего там, где он извлекает, сравнивает и показывает источники, а не изображает юриста.

Ловушка — попросить модель “дать юридическое заключение” и принять гладкий текст за проверку. Для договоров безопаснее строить evidence-first сценарий: показать пункт, объяснить риск, извлечь поля и оставить решение юристу или ответственному специалисту.

Если ответ зависит от точных ID, дат, таблиц или версий, важна архитектура поиска. Один vector search может промахнуться по точным словам. Для серьёзных ассистентов по документам стоит отдельно посмотреть как работает RAG и почему векторных embedding’ов недостаточно: hybrid search, metadata, reranking, цитаты и правила отказа часто решают судьбу продукта.

Операционные процессы и back office

Операционные команды тратят много времени на сбор информации, которая уже где-то есть. AI помогает, когда задача повторяется, но данные размазаны по сообщениям, таблицам, внутренним системам и документам.

Хорошие кандидаты:

  • классификация запросов и маршрутизация в нужную команду;
  • резюме смен, инцидентов и handover;
  • поиск повторяющихся операционных проблем;
  • ежедневные и еженедельные сводки;
  • проверка полноты обязательных полей;
  • превращение грязных заметок в структурированные задачи;
  • мониторинг SLA и исключений;
  • объяснение внутренних правил сотрудникам.

Например, логистическая команда может получать сводку задержанных доставок по причинам. Ритейл-команда — классификацию заявок магазинов и повторяющиеся проблемы с остатками. Проектная команда — задачи и риски из встреч.

Граница проходит по действию. Подготовить dispatch summary безопасно. Самостоятельно перенести товар, отменить заказ поставщику или изменить обещание клиенту — уже рискованнее. Начинайте с видимости и рекомендаций, а не с автономности.

Финансы и отчётность

Финансовые процессы требуют осторожности, но игнорировать их не стоит. Там много повторяющейся работы, review и структурированных документов.

AI может помогать с:

  • извлечением полей из счетов;
  • сопоставлением документов с purchase orders;
  • объяснением отклонений в управленческих отчётах;
  • черновиками комментариев к dashboard;
  • краткими пояснениями по cash flow;
  • ответами на вопросы по expense policy;
  • первичной triage аномалий;
  • черновиками board pack и weekly report.
Схема операционного и финансового dashboard с сигналами и проверкой исключений
В финансах AI должен готовить доказательства и объяснения, а не самостоятельно одобрять движение денег.

Граница здесь строже, чем в поддержке. AI не должен сам одобрять платежи, менять банковские реквизиты, выпускать payroll, фиксировать налоговую позицию или формировать финальную отчётность без ответственного review. Зато он может собрать evidence, подсветить аномалии, подготовить комментарии и сделать закрытие месяца менее мучительным.

В отчётности практическая польза часто в скорости. Руководитель не ждёт два дня, пока кто-то соберёт текст из BI-скриншотов, чатов и таблиц. Система готовит черновик объяснения, привязывает его к исходным цифрам и просит аналитика подтвердить интерпретацию.

Где автоматизация опасна

Некоторые процессы не стоит отдавать AI целиком, даже если демо выглядит убедительно.

Осторожно с:

  • финальным решением о найме, увольнении, повышении или компенсации;
  • кредитом, страхованием и eligibility;
  • юридическими заключениями и утверждением договоров;
  • медицинскими, психологическими и safety-critical рекомендациями;
  • блокировкой аккаунта, обвинением в мошенничестве и дисциплинарными мерами;
  • большими скидками и нестандартными коммерческими обещаниями;
  • выдачей доступов к чувствительным системам;
  • одобрением платежей и изменением банковских реквизитов;
  • публичной кризисной коммуникацией;
  • решениями, где у человека нет понятного пути обжалования.
Граница риска: черновик AI, review человека и запрет на автономные решения
Чем выше цена ошибки, тем сильнее система должна смещаться от действия к подготовке материалов.

Здесь полезен NIST AI Risk Management Framework: он предлагает не “верить AI”, а управлять рисками, описывать их, измерять и снижать. В языке компании это звучит проще: что система может делать, чего не может никогда, где нужен человек и как разбираются ошибки.

Не хватит фразы “у нас human in the loop”. Нужно назвать человека, момент проверки, данные на экране и путь override.

Как выбрать первый процесс

Первый проект по AI-автоматизации должен быть достаточно скучным, чтобы выжить в production, и достаточно полезным, чтобы за него кто-то болел.

На scoping лучше принести:

  1. Один workflow, а не весь отдел.
  2. 30-100 реальных примеров: тикеты, звонки, формы, документы, CRM-записи, отчёты.
  3. Текущий baseline: часы, задержки, упущенные продажи, ошибки, нагрузка поддержки.
  4. Цену неправильного ответа.
  5. Системы: CRM, мессенджеры, BI, ERP, хранилища документов, HR tools.
  6. Границу полномочий: черновик, рекомендация, создание задачи, запись в систему, действие после подтверждения или самостоятельное действие.
  7. Владельца review.
  8. Первый eval-набор.

Это та же логика, что в статье Сколько стоит внедрение ИИ в Казахстане: стоимость растёт вместе с ответственностью. Support classifier и агент, который пишет в CRM и клиенту, — разные проекты.

Первая полезная версия часто состоит из четырёх частей: intake, retrieval, черновик или рекомендация, handoff. Этого уже хватает, чтобы убрать ручную сборку информации и оставить решение видимым.

Вывод

AI-автоматизация — не гонка за тем, чтобы убрать людей из процесса. Лучшие первые проекты убирают ожидание, копирование, поиск, переписывание и маршрутизацию. Люди остаются там, где нужны контекст, ответственность, эмпатия и риск-суждение.

Начинайте с поддержки, продаж, HR, документов, операций или отчётности, если workflow повторяется и есть примеры. Не отдавайте полную автономность найму, юридическим выводам, финансовым approvals, медицине, safety-critical задачам и решениям с высокой ценой для клиента.

Практичная последовательность спокойная: выбрать один workflow, собрать живые примеры, поставить границы, собрать узкого агента или workflow, добавить evals, запустить на небольшой группе и расширять только тогда, когда качество видно в логах, а не просто звучит убедительно на встрече.