Внедрение ИИ в бизнес: какие процессы автоматизировать, а какие нет

Коротко

ИИ окупается там, где есть повторяющаяся работа с текстом, документами и данными, понятный результат и человек, который проверяет спорные случаи. Он не окупается там, где процесс не описан, ошибка стоит дорого, а проверить ответ модели некому.

Ниже — как отличить одно от другого, почему большая часть ИИ-пилотов в мире так и не доходит до результата и как мы строим автоматизацию в своих проектах.

Почему большинство внедрений не дают эффекта

Попробовать ИИ сейчас пробуют почти все. По глобальному опросу McKinsey «The State of AI» 2025 года, 88% организаций используют ИИ хотя бы в одной функции. Но влияние на прибыль до вычета процентов и налогов (EBIT) хоть в какой-то мере связывают с ИИ только 39% респондентов, и у большинства из них это меньше 5% EBIT.

Ещё жёстче выводы отчёта MIT NANDA «The GenAI Divide: State of AI in Business 2025»: 95% организаций из выборки не получили измеримой отдачи от проектов с генеративным ИИ. Главные причины, по версии авторов, — хрупкие рабочие процессы, слабая адаптация к контексту и плохая стыковка с повседневной работой. Сами модели работают, но внедряют их в процессы неправильно.

Из этого следует практический вывод: начинать нужно не с выбора модели, а с выбора процесса.

Какие процессы стоит автоматизировать

Хороший кандидат для ИИ обычно отвечает четырём признакам.

1. Много однотипной работы с неструктурированными данными. Письма, заявки, файлы в разных форматах, фотографии документов, сообщения из мессенджеров. Классический код с такими входными данными справляется плохо, а языковая модель хорошо.

2. Понятно, как выглядит правильный результат. Заполненный шаблон, карточка в CRM, таблица, ответ по базе знаний. Если результат можно проверить, можно и измерить качество.

3. Ошибку можно поймать до того, как она навредит. Человек подтверждает черновик, спорные случаи уходят на ручную проверку, автоматические проверки сверяют результат с правилами.

4. Процесс уже работает вручную. Автоматизировать хаос бесполезно: ИИ ускорит его, но не наведёт порядок.

Типичные задачи, где это выполняется:

разбор входящих заявок, писем и документов с переносом в CRM или корпоративный шаблон;
ответы клиентам и сотрудникам по базе знаний с передачей сложных вопросов человеку;
подготовка контента: черновики текстов, описания товаров и фотографий в едином стиле;
первичная обработка обращений: классификация, маршрутизация, извлечение ключевых полей.

Где ИИ лучше не использовать

Решения с высокой ценой ошибки без проверки человеком: юридические заключения, финальные финансовые расчёты, медицинские выводы. Модель может ошибиться уверенным тоном.
Задачи, которые решаются обычными правилами. Если данные всегда приходят в одном формате, обычный парсер надёжнее, быстрее и дешевле модели.
Процессы без владельца. Если никто не отвечает за результат и не смотрит на качество, автоматизация тихо деградирует.
Места, где нельзя отправлять данные наружу, если нет возможности развернуть модель у себя. Это решаемо, но требует отдельной инфраструктуры.

Как мы строим автоматизацию: пример PurchaseAI

Хорошо видно на нашем проекте PurchaseAI. Закупочные заявки от поставщиков приходили в разных форматах: Excel, CSV, текст в мессенджере, фотографии шильдиков оборудования. Их вручную переносили в корпоративный Excel-шаблон, и из-за этого появлялись ошибки в артикулах.

Главный принцип решения: ИИ — не единственный исполнитель, а часть системы с проверками.

Для предсказуемых входных данных работает обычный детерминированный парсер. Модель там не нужна.
ИИ подключается для сложной структуры и как независимый аудитор распознанных строк.
Если результат неуверенный или проверки расходятся, позиция остаётся на ручную проверку.
Пользователь видит редактируемый черновик и подтверждает каждую позицию до выгрузки.
Поведение закреплено 121 автотестом.

Результат по данным проекта — ускорение обработки заявок в 4 раза при сохранении контроля человека над каждой позицией.

Тот же подход — ИИ плюс проверки плюс человек в спорных местах — мы используем и в других проектах. В SMM-платформе для сети отелей модель генерирует тексты с учётом голоса бренда и стоп-слов каждого отеля и описания фотографий, а маркетолог управляет всем из единого календаря. В n8n-контент-заводе цепочка сама генерирует и публикует ролики, а ручная работа сократилась до 30 минут в неделю.

С чего начать внедрение

Выберите один процесс по четырём признакам выше. Не «внедрить ИИ в компании», а «разбирать входящие заявки на закупку».
Опишите, как процесс работает сейчас: сколько времени занимает, где ошибаются, как выглядит правильный результат.
Соберите набор реальных примеров — обычные и сложные случаи. На них вы будете проверять качество до запуска и после каждого изменения.
Решите, где будет человек: что проверяется вручную всегда, что — только в спорных случаях.
Выберите модель под ограничения. Облачные модели проще подключить. Если данные нельзя передавать наружу, модель разворачивают на своих серверах — как в нашем проекте с локальной Llama 3.3.
Запустите на части потока и сравните с ручной работой по времени и ошибкам. Масштабируйте только то, что показало результат.

Технические детали выбора локальной модели мы разбирали в статьях о лучших локальных LLM и запуске моделей через Ollama.

Итог

Почти все компании пробуют ИИ, но измеримую отдачу получает меньшинство. Мешает не модель, а то, как её встраивают в процесс.
Автоматизируйте повторяющуюся работу с понятным результатом, где ошибку можно поймать до вреда.
Там, где хватает обычных правил, ИИ не нужен.
Стройте систему с проверками: детерминированная логика там, где она работает, ИИ там, где нужна гибкость, человек в спорных случаях, тесты на реальных данных.

Если хотите разобрать, какой процесс в вашей компании даст эффект от ИИ, — посмотрите, как мы внедряем ИИ и чат-ботов, и напишите нам. Работу начинаем с аудита.

Вопросы и ответы

Какие процессы стоит автоматизировать с помощью ИИ? Те, где много однотипной работы с неструктурированными данными, понятно, как выглядит правильный результат, ошибку можно поймать до вреда и процесс уже работает вручную: разбор заявок и документов, ответы по базе знаний, первичная обработка обращений.

Почему большинство внедрений ИИ не дают эффекта? По McKinsey «The State of AI» 2025, 88% организаций используют ИИ хотя бы в одной функции, а по отчёту MIT NANDA 95% организаций из выборки не получили измеримой отдачи от генеративного ИИ. Мешает не модель, а то, как её встраивают в процесс.

Где ИИ лучше не использовать? В решениях с высокой ценой ошибки без проверки человеком, в задачах, которые решаются обычными правилами, в процессах без владельца и там, где нельзя отправлять данные наружу, а своей инфраструктуры для модели нет.

С чего начать внедрение ИИ в компании? Выбрать один процесс, описать, как он работает сейчас, собрать набор реальных примеров для проверки, решить, где участвует человек, выбрать модель под ограничения и запустить на части потока со сравнением с ручной работой.