Автоматизация бизнеса с помощью ИИ: с чего начать и где пустая цифра

Вам со всех сторон говорят: автоматизируй бизнес с помощью ИИ. А вопрос у вас простой: с чего начать, какой процесс отдать машине первым и как понять, что его вообще можно отдать, а не заплатить за красивую демонстрацию. Короткий ответ такой. Автоматизация с помощью ИИ - это не «купить нейросеть», а карта: какие ваши процессы отдать машине и в каком порядке. Процесс можно отдавать, когда он повторяется. У результата должен быть эталон, то есть заранее известно, какой ответ правильный. И должна быть приёмка: человек смотрит результат до того, как он станет фактом. Начинать стоит не с комплекса, а с одного самого дорогого места, где деньги утекают каждый месяц. А там, где эталона и приёмки нет, ИИ выдаёт правдоподобный, но не проверенный результат. Это и есть пустая цифра.

Я собираю ИИ-агентов под задачи бизнеса и вижу, как под словом «автоматизация» продают очень разные вещи и очень разные по цене. Ниже разберу, что за этим стоит, дам два признака, по которым вы сами отличите процесс для машины от процесса для человека, и покажу, с чего честно начинать.

Если хотите приложить это сразу к своему делу, а не к абстрактному бизнесу, можно начать с разбора вашей задачи.

Что значит «автоматизировать бизнес с помощью ИИ»

Сначала уберём путаницу. Автоматизация бизнеса была и до нейросетей: настроенные правила в CRM, выгрузки, уведомления, шаблоны документов. ИИ добавил к этому одно - способность работать там, где нет жёсткого правила: понять текст письма, собрать черновик ответа, разобрать документ, у которого каждый раз новая форма. Но эта же способность несёт и главный риск, к которому вернёмся.

Полезно сразу разделить, что вообще скрывается за словом «автоматизация с ИИ». Это три разные по устройству вещи, и путать их дорого.

Первое - работа по заданному правилу. «Если пришла оплата, поменяй статус заказа и напиши менеджеру.» Здесь нет никакой языковой модели, это обычная настройка условий. Работает надёжно и стоит недорого.

Второе - рабочий процесс по фиксированным шагам, где языковая модель встроена в заранее заданный порядок. В инженерном разборе Anthropic это называют workflow и описывают так: «рабочие процессы - это системы, где языковые модели и инструменты идут по заранее заданным путям в коде» (перевод мой). Модель делает свой шаг, но идёт по вашей колее.

Третье - самостоятельный агент. По той же Anthropic, «агенты - это системы, где языковые модели сами ведут свою работу и сами решают, какими инструментами пользоваться» (перевод мой). Он не идёт по колее, а сам выбирает шаги к цели. Как такой агент устроен и почему он «замолкает» на второй неделе, я разбирал отдельно в статье про то, как работает ИИ-агент.

Разница не в моде, а в деньгах и рисках. И совет инженеров тут прямой: «берите самое простое из возможных решений и наращивайте сложность только по необходимости; иногда это означает не строить агентскую систему вовсе» (перевод мой). Для владельца это переводится так: не покупайте «самостоятельный ИИ» туда, где хватит настроенного правила.

Три уровня автоматизации: правило, рабочий процесс, агент

Разложу три уровня по порядку, потому что цена и надёжность у них разные.

Уровень правила. Вы задаёте условие и действие. Эталон встроен в само условие: оплата пришла либо нет, остаток ниже минимума либо нет. Тут нечему быть правдоподобным, но неверным. Это самый дешёвый и самый надёжный уровень, и очень часто «автоматизация с ИИ» на деле должна быть именно им.

Уровень рабочего процесса. Языковая модель стоит внутри заданного порядка: разобрать входящее письмо, вытащить из него поля, положить в черновик ответа по шаблону, отдать человеку на проверку. Границу Anthropic описывает так. Рабочие процессы дают предсказуемость и одинаковость на ясно очерченных задачах. А агенты лучше там, где нужны гибкость и решения самой модели в масштабе (перевод мой). Для большинства задач обычного бизнеса хватает именно рабочего процесса: он предсказуем и его легче проверять.

Уровень агента. Модель сама ведёт задачу от цели к результату, сама выбирает шаги. Это мощно, но за самостоятельность платят. Anthropic предупреждает честно: «самостоятельная природа агентов означает более высокие расходы и возможность накопления ошибок» (перевод мой). То есть агент нужен там, где заранее нельзя расписать шаги, и вы готовы доплатить за это. В обычной операционке такого меньше, чем кажется на демонстрации.

Три уровня. Чем ниже, тем дороже и тем важнее приёмка человеком.

Практический вывод один: определитесь, какой уровень нужен процессу, до разговора о цене. Часто оказывается, что за «искусственный интеллект» вам продают то, что должно быть простым правилом. И наоборот: в сложную живую переписку суют жёсткий шаблон, который ломается на втором нестандартном клиенте.

По каким признакам процесс можно отдать машине

Чтобы не разбираться в устройстве моделей, приложите к каждому своему процессу два вопроса. Они делят почти всё.

Первый: есть ли у результата эталон, то есть заранее известно, какой ответ правильный? У расчёта по правилу эталон есть. У поиска дублей клиентов по совпадению телефона есть. У фразы «напиши клиенту красиво» эталона нет: правильных вариантов много, и модель выберет правдоподобный, а не верный. Чем чётче эталон, тем спокойнее процесс отдавать. Это не моя выдумка: тот же разбор Anthropic отмечает, что приём с проверкой ответа модели «особенно хорош там, где есть ясные критерии оценки результата» (перевод мой). Нет ясного критерия - машине не на что опереться, и вам тоже.

Второй: есть ли приёмка до того, как результат станет фактом? Проще говоря, стоит ли между машиной и готовым делом человек, который смотрит результат. Черновик письма, предложенное описание товара, разнесённый документ до проведения - всё это можно принять или отклонить. Автоматически отправленное клиенту письмо или проведённый документ принять уже нельзя, они стали фактом. Приёмка до этого момента и есть та страховка, которая превращает правдоподобный ответ в проверенный.

Сложите два ответа - и получите карту процесса.

Два вопроса делят почти все процессы на три исхода.

Правило работает и в обратную сторону. Если вам обещают отдать процесс из нижней строки без человека посередине, это не экономия, а перенос проверки на потом, когда ошибка уже ушла клиенту или в учёт. Тот же разрыв между убедительной демонстрацией и вашими данными я подробно разбирал на примере ИИ-агента для отчётов: там видно, почему «запрос выполнился» - это ещё не приёмка. А закупки - пример обратный: там у части операций эталон и приёмка есть, и потому ИИ для закупок в этих местах держится.

С какого процесса начать

Здесь чаще всего и ломаются. Хочется автоматизировать всё сразу и красиво. На деле это самый дорогой и самый частый способ остаться ни с чем.

Я начинаю не с внедрения. Как написано у меня на странице услуг, «сначала я прихожу на час и задаю два десятка вопросов про то, как у вас устроен день». Через пару дней приношу карту: «где каждый месяц утекают деньги и что из этого закрывается машиной». И дальше главное правило: «берём одну дыру, самую дорогую, и закрываем её. Комплекс не продаю: он дороже, дольше и почти всегда заканчивается ничем».

Почему одна, а не всё сразу. У процесса, который хорошо ложится на машину, есть признак: его можно ясно разложить на неизменные шаги. Anthropic про это говорит прямо: один из приёмов рабочего процесса «хорошо подходит там, где задачу можно легко и чисто разложить на фиксированные подзадачи» (перевод мой). Самый дорогой процесс, у которого есть эталон и приёмка, вы закроете быстрее и увидите результат в деньгах. А комплекс - это десяток процессов сразу, где часть без эталона, часть без приёмки, и он тонет.

Порядок первого шага получается такой:

1. Выпишите процессы, которые повторяются каждую неделю и съедают время людей. Обработка заявок, ответы на типовые письма, разнесение документов, сборка отчёта - это частые примеры, но у вас может быть своё.
2. У каждого спросите два вопроса из прошлого раздела: есть эталон, есть приёмка? Оставьте те, где хотя бы приёмка возможна.
3. Из оставшихся выберите один, самый дорогой по деньгам и времени. Не самый модный, а самый дорогой.
4. Закройте его на нужном уровне: правило, рабочий процесс или агент. Чаще всего хватает первых двух.
5. Померьте до и после в ваших цифрах, а не в обещаниях. Стало ли меньше ручной работы и ошибок.

Такую карту процессов под ваше дело как раз и собирает разбор задачи. Это четыре вопроса о вашей работе, в ответ карта: где машина снимет работу, а где даст пустую цифру. Карта остаётся вам в любом случае, даже если дальше мы не работаем.

Про то, из чего складывается цена, когда вы решаете закрыть дыру внедрением, у меня есть отдельный разбор внедрения под ключ. А если начать хочется с процесса вокруг одного рабочего места, посмотрите разбор ИИ-сотрудника: там тот же принцип показан на дне одного человека.

Частые ошибки и почему демонстрация не равна повторяемости

Ошибки при автоматизации почти всегда одни и те же, и все они дорогие.

Первая - автоматизировать хаос. Если процесс не описан и каждый делает его по-своему, машине нечего повторять: у неё нет ни правила, ни эталона. Сначала процесс наводят в порядок руками, и только потом отдают. Иначе вы получите быстрый и уверенный беспорядок.

Вторая - убрать человека из приёмки ради «полной автоматизации». Как только результат уходит клиенту или в учёт без проверки, любая ошибка становится фактом. Полная автоматизация красиво звучит на демонстрации и дорого обходится на сотом документе.

Третья, самая обидная - поверить одной демонстрации. Языковая модель почти всегда покажет красивый результат на подготовленном примере. Но важна не разовая удача, а повторяемость. В исследовании τ-bench проверяли именно это, и результат отрезвляющий. Даже передовые на тот момент агенты с вызовом функций решали меньше половины задач набора. И были непостоянны: доля задач, решённых верно во всех восьми попытках подряд, в рознице падала ниже 25 % (перевод мой). Это числа про конкретный исследовательский набор и модель 2024 года, а не прогноз для вашего дела. Но вывод переносится: один удачный показ ничего не говорит о том, что модель повторит результат на сотом обращении. А в работе важен именно сотый.

Отсюда простая защита. Просите не демонстрацию на чужом примере, а прогон на ваших реальных данных, и смотрите не на лучший случай, а на разброс. Механизм, из-за которого модель уверенно выдаёт то, чего нет, я разбирал в словаре понятий - выдумка машины.

Когда ИИ в процессе не нужен вовсе

Бывает, что честный ответ - не ставить ничего умного. Если процесс уже описывается точным правилом, ему хватает настройки условий. Языковая модель тут лишняя: она добавит расходов и риск ошибки там, где всё и так идёт по правилу. Если процесс редкий и его делают пару раз в месяц, время на настройку и проверку не окупится живой экономией. А если у процесса нет ни эталона, ни возможности принять результат до факта, это работа для человека, и никакая модель этого не изменит.

Здесь я держусь того же принципа, что и инженеры Anthropic. Они советуют «брать самое простое из возможных решений и наращивать сложность только по необходимости», а это, по их словам, иногда означает «не строить агентскую систему вовсе» (перевод мой). Для владельца это переводится так: сначала точное правило, потом рабочий процесс с приёмкой, и только там, где без самостоятельного агента правда никак, - агент. За его самостоятельность, как честно предупреждает та же Anthropic, платят «более высокими расходами и возможностью накопления ошибок» (перевод мой). Платить за это стоит только тогда, когда агент снимает работу, а не создаёт новую по перепроверке.

Автоматизация с помощью ИИ - это не про то, чтобы вставить нейросеть везде. Работает она иначе: отдать машине повторяемое с эталоном и приёмкой, начать с одной самой дорогой дыры и мерить результат в своих деньгах.

Источники

Хотите не абстрактную автоматизацию, а карту по своему делу? Начните с разбора задачи. Четыре вопроса о вашей работе, в ответ карта: где машина снимет работу, а где даст пустую цифру.