Обновлено 3 сентября 2026 года.
ИИ может ускорять отдельные операции: разбирать документы, искать информацию, готовить ответы и помогать с кодом. Но из этого не следует, что компаниям нужно заменять CRM и ERP автономными агентами или что собственная AI-разработка всегда дешевле готового сервиса.
Практический вопрос — какой процесс удастся улучшить при приемлемом качестве и полной стоимости. Для ответа нужны конкретная задача, проверочная выборка и сравнение с нынешним способом работы. Ниже — сценарии, которые можно проверить, и пример расчёта без обещаний гарантированной окупаемости.
Что подтверждено исследованиями, а что остаётся гипотезой
В исследовании Generative AI at Work, опубликованном в The Quarterly Journal of Economics в 2025 году, изучалось внедрение AI-помощника у 5172 сотрудников поддержки. Среднее число решённых обращений в час выросло на 15%, но эффект сильно различался: менее опытные сотрудники получили больше пользы, а у самых опытных наблюдались небольшие изменения скорости и некоторое снижение качества. Статья Brynjolfsson, Li и Raymond.
Это результат определённой системы в определённом процессе поддержки. Его нельзя превращать в прогноз «прибыль любого бизнеса вырастет на 15%» или доказательство замены всех сотрудников. Для своей компании нужно отдельно измерить скорость, качество, повторные обращения и стоимость эксплуатации.
Сценарии для проверки
| Процесс | Роль ИИ | Что измерять |
|---|---|---|
| Входящие документы | Предложить поля, классифицировать документ, отметить неопределённость | Точность каждого критичного поля, время проверки, долю ручной обработки |
| Поддержка клиентов | Найти инструкцию и подготовить черновик ответа | Решение обращения, фактические ошибки, повторные обращения, время специалиста |
| Внутренняя база знаний | Найти ответ в доступных сотруднику материалах | Правильность ответа и источника, актуальность, соблюдение прав |
| Аналитика | Помочь составить запрос и объяснить проверенный результат | Верность расчёта, фильтров и трактовки показателей |
| Разработка | Подготовить код, тест или изменение документации | Время до принятого изменения, дефекты, объём доработки |
Эти сценарии — варианты пилота, а не заявленные результаты клиентов BI Data. Для каждого понадобится собственная проверка на реальных форматах и исключениях: плохом скане, устаревшем регламенте, неоднозначном вопросе или неполных данных.
Поиск по документам не равен обучению модели
Корпоративный помощник может использовать RAG: сначала найти подходящие фрагменты документов, затем сформировать ответ с учётом найденного контекста. Добавление файла в поисковый индекс не означает переобучения весов языковой модели. Обновление документов, настройка поиска и дообучение — разные операции. Описание RAG у Microsoft.
Проверяйте не только красивый текст, но и его основание. Ссылка должна вести на документ, который действительно подтверждает ответ, а пользователь должен иметь право его читать. Если подходящего основания нет, полезнее сообщить о нехватке данных или передать вопрос специалисту, чем заполнить пробел правдоподобным вымыслом.
Агент и обычный рабочий процесс
В фиксированном процессе заранее определено, какие шаги выполнять: получить документ, извлечь поля, проверить формат и передать на согласование. Агенту разрешают самому выбирать очередной шаг и инструменты в пределах задачи. Такое различие полезно для проектирования и описано, например, в инженерном материале Anthropic. Workflows и agents.
Чем больше свободы действий, тем важнее контролировать результат каждого шага. Задайте допустимые инструменты, предел стоимости и времени, правила повторных попыток и остановки. Для изменения рекламного бюджета, отправки предложения или проведения платежа нужны конкретные ограничения операции и предусмотренное процессом подтверждение.
Не каждый сценарий требует автономного агента. Если правила известны и стабильны, обычный программный процесс с одним вызовом модели может быть проще в сопровождении. Микросервисы — способ организации программной системы, а не обязательный признак AI-решения.
Почему ИИ не заменяет надёжный учёт и BI-модель
Языковая модель может помочь написать SQL, но не определяет сама, что компания считает выручкой. Сначала нужны согласованные источники, детализация, правила валют, налогов, возвратов и дат. Итоговые суммы должен вычислять проверяемый запрос или расчётная модель.
Для прогнозирования спроса сравнивайте результат с простым базовым прогнозом на будущих относительно обучения периодах. Текстовое объяснение прогноза не подтверждает его точность. Для анализа отзывов проверяйте качество по языкам, категориям и неоднозначным формулировкам: сарказм и отрицания могут менять смысл.
Уверенный ответ может содержать вымышленные сведения. NIST описывает такую особенность генеративных систем как confabulation и включает её в профиль управления рисками. В бизнес-процессе это означает необходимость проверки фактов и расчётов на подходящих контрольных данных. NIST AI 600-1.
Готовый продукт или собственная разработка
Сравнивайте решения с одинаковым объёмом функций. У готовой CRM есть не только форма ввода: нужны роли, история изменений, обновления, интеграции, восстановление и поддержка. Небольшой AI-прототип, который выполняет одну демонстрацию, не равноценен этой системе.
- У готового продукта проверьте, насколько сценарий закрывается штатными функциями и настройками.
- У собственной разработки учтите интеграцию, тестирование, поддержку моделей и зависимостей, мониторинг и ответственность за сбои.
- У обоих вариантов проверьте права на данные, экспорт результатов, доступность поставщика и полную стоимость эксплуатации.
Практичным промежуточным вариантом может быть помощник поверх существующей системы: CRM продолжает хранить записи и права, а ИИ готовит предложения или выполняет ограниченные операции через API. Решение о замене системы принимают после проверки процесса и затрат, а не по факту появления новой модели.
Пример расчёта эффекта пилота
Ниже условный расчёт для обработки обращений, а не статистика рынка или результат внедрения.
| Параметр | Значение |
|---|---|
| Обращения в месяц | 1000 |
| Время специалиста до внедрения | 6 минут на обращение |
| Доля обращений, где помощник применим | 60%, или 600 обращений |
| Время специалиста после внедрения для этих 600 обращений, включая проверку | 3 минуты |
| Остальные 400 обращений | По-прежнему 6 минут |
Было: 1000 × 6 / 60 = 100 часов. Стало: (600 × 3 + 400 × 6) / 60 = 70 часов. Высвобождено 30 часов в месяц.
При условной ценности часа 1500 рублей это 45 000 рублей эквивалента рабочего времени. Если лицензии, вычисления и сопровождение вместе стоят 55 000 рублей в месяц, разница составляет −10 000 рублей ещё до учёта первоначального внедрения. Быстрее выполнять задачи можно и в проекте, который пока не окупается.
Высвобождённое время не всегда превращается в снижение денежных расходов: сотрудники могут использовать его для других задач при той же зарплате. Дополнительные продажи, снижение очереди или улучшение сервиса оценивайте отдельно, чтобы не посчитать одну пользу дважды.
Как провести проверку в своей компании
- Выберите один процесс с понятным входом, выходом и владельцем.
- Соберите исходные показатели: время, ошибки, повторные действия и стоимость.
- Подготовьте контрольную выборку, включая редкие и сложные случаи; определите критерии до настройки системы.
- Проверьте качество на примерах, которые не использовались для подбора подсказок и правил.
- Сравните работу с помощником и без него на сопоставимых задачах. Учтите время исправлений и контроля.
- Ограничьте пилотный запуск и наблюдайте реальные сбои, задержки и повторные обращения.
- Масштабируйте только после проверки качества, стоимости и понятного порядка восстановления.
Полезный результат пилота может состоять и в отказе от неудачного сценария. Задача внедрения — улучшить конкретную работу компании, сохранив достоверность данных и управляемость процесса.