Уже сейчас ИИ надёжно решает задачи, где есть повторяющаяся операция, образцы правильного результата и человек, который проверяет итог: ответы по документам со ссылкой на источник, разбор входящих обращений, чтение документов, контроль по снимкам при стабильной съёмке, прогноз по длинной истории. Пока не решаются самостоятельные решения с деньгами и правами без контроля, точные расчёты без обычного кода, факты «из головы» и прогноз редких событий без истории.
Граница проходит не по сложности технологии, а по трём вопросам: есть ли эталон правильного ответа, кто проверяет и сколько стоит ошибка. Карта семейств решений со ссылками на подробные страницы собрана на странице «ИИ для бизнеса», здесь только то, что уже работает, что работает с оговорками и чего ждать не стоит.
Как делим задачи: три вопроса вместо спора о технологиях
Споры вроде «умеет ли нейросеть читать договоры» ни к чему не приводят, потому что ответ зависит от договоров, от того, что значит «читать», и от того, кто потом отвечает за результат. Поэтому мы задаём три вопроса к каждой задаче.
- Есть ли эталон. Набор реальных примеров с ответами, которые подтвердил ваш специалист. Без него нельзя сказать, работает решение или нет.
- Кто проверяет. Человек или код, который замечает ошибку до того, как она дойдёт до клиента, денег или оборудования.
- Сколько стоит ошибка. Неверный черновик письма исправляется за минуту, неверный платёж или неверно отпущенный груз нет.
По ответам задачи раскладываются на три группы.
| Группа | Признак | Как работает решение | Что нужно записать до начала |
|---|---|---|---|
| Решается надёжно | Эталон есть, ошибку ловит код или проверка по ссылке, цена ошибки низкая или умеренная | Модель выдаёт результат сама, спорные случаи уходят в очередь оператору | Порог качества на отложенной выборке и правила для очереди |
| Решается с человеком в контуре | Эталон есть, но ошибка дорога: деньги, права доступа, юридические последствия | Модель готовит черновик или предлагает действие, человек подтверждает | Перечень действий, которые требуют подтверждения, и журнал |
| Пока не решается | Нет эталона, нет проверяющего или ошибку нельзя обнаружить до последствий | Автоматизировать нечего: модель выдаст правдоподобный, но непроверяемый результат | Что нужно собрать или изменить, чтобы задача попала во вторую группу |
Решается надёжно: пять классов задач
Это задачи, где мы начинаем с пилота без предварительных оговорок. Условия в каждой свои, и если они не выполнены, задача переезжает во вторую группу.
Ответы по вашим документам со ссылкой на источник
Регламенты, инструкции, техническая документация, договоры. Модель находит фрагменты и пишет ответ, человек нажимает на ссылку и сверяет. Работает, если документы в действующих редакциях, права доступа учтены в поиске, а ответ без найденного источника не выдаётся. Подробнее: ИИ-ассистент по документам.
Разбор входящего потока
Заявки, письма и обращения раскладываются по типам, срочности и ответственным. Эталон даёт прошлая работа сотрудников, ошибку заметит тот, кому заявка пришла. Работает, если типов конечное число, а «прочее» уходит человеку.
Чтение документов
Счета, накладные, акты, заявления: поля попадают в учётную систему, сумма сверяется с итогом, номенклатура со справочником. Работает, если есть архив для замера и очередь оператора для сомнительных документов. Подробнее: обработка документов.
Контроль по изображению
Дефект на линии, комплектность, посторонний предмет в зоне. Работает, если съёмка повторяется (свет, ракурс, камера), а снимки годного и брака размечены. Если брака мало, качество проверяют отдельно по каждому типу дефекта. Подробнее: компьютерное зрение для контроля качества.
Прогноз по длинной истории
Спрос, загрузка, отказы оборудования. Работает, если история охватывает хотя бы несколько циклов процесса, а проверка идёт на периоде, который модель не видела. Сложная модель должна обходить простой метод; если не обходит, её не берут. Подробнее: прогнозирование спроса.
Решается с человеком в контуре: когда ошибка дорога
Здесь модель не исполнитель, а помощник. Это не слабость решения: большинство полезных агентов работает именно так, особенно на первом этапе. Режим расширяют только тогда, когда журнал показывает, что подтверждения человек даёт без правок на всём потоке.
| Задача | Режим | Что видит человек | Что остаётся в журнале |
|---|---|---|---|
| Агент с действиями в CRM и 1С | действие после подтверждения | Предлагаемое изменение карточки или статуса с исходным письмом рядом | Кто подтвердил, что было до и после, какое письмо стало причиной |
| Проверка договора | подсказка | Отклонения от списка ваших требований с ссылкой на пункт | Версия договора, найденные пункты, решение юриста |
| Ответ клиенту | черновик | Черновик и источники, на которых он построен | Исходное обращение, черновик, итоговый текст |
| Анализ звонков | отчёт | Темы и нарушения скрипта с привязкой к месту в разговоре | Правило разметки, версия модели, выборка для выборочной проверки |
| Рекомендация по заказу или закупке | подсказка | Предложенное число и интервал, внутри которого оно может оказаться | Входные данные и фактическое решение сотрудника |
Общее правило: права агента не шире прав сотрудника, чью работу он помогает делать, письма из внешнего мира считаются данными, а не указаниями, а аварийный выключатель есть у ответственного за процесс. Как это строится, описано на страницах ИИ-агента для бизнеса и интеграции ИИ в бизнес-процессы.
Пока не решается: шесть задач, которые лучше не покупать
Это не вечный приговор: у каждой есть условие, при котором она переходит во вторую группу. Но продаваться как готовая она не должна.
- Точные расчёты. Налоги, зарплата, остатки до копейки. Языковая модель может ошибиться в арифметике, а считать надо обычным кодом, где результат повторяется. Модель годится, чтобы подготовить данные для расчёта, но не чтобы его выполнить.
- Самостоятельные платежи и юридически значимые действия. Нет проверяющего до последствий. Допустим вариант с подтверждением.
- Факты «из головы». Вопросы без документа-источника: модель ответит правдоподобно, но проверить ответ нечем.
- Прогноз редких событий без истории. Если аварий не было или они не записаны, обучать не на чем, и сначала нужно наладить учёт.
- Оценка людей. Решения о найме, увольнении и премиях требуют объяснимости и ответственного человека. Модель может подготовить сводку по резюме, но не решать.
- «ИИ-директор» или «ИИ вместо отдела». Размытая цель без эталона и без владельца процесса. Задачу разбирают на операции, и каждая проходит три вопроса отдельно.
Если вам предлагают что-то из этого списка в готовом виде, это повод запросить протокол испытаний на вашей выборке. Что должно быть в таком протоколе, написано в статье «Почему ИИ-пилоты не доходят до продуктива».
Как звучит запрос и что за ним стоит
Заказчики формулируют задачи привычными словами. Переводим их на язык операций, и тогда видно, к какой группе задача относится.
| Как звучит запрос | Что на самом деле нужно | Группа | Что делаем первым |
|---|---|---|---|
| «Хотим ИИ, который знает всё о компании» | Поиск по ограниченному набору документов с проверкой прав | Надёжно при условиях | Берём один раздел базы знаний и двадцать реальных вопросов |
| «Нужен ИИ-менеджер продаж» | Разбор заявок, карточки в CRM, черновики предложений | С человеком в контуре | Начинаем с режима подсказки в одном канале |
| «Пусть ИИ сам закупает» | Сбор потребности, сравнение предложений, подготовка заказа | Подготовка надёжно, заказ с подтверждением | Автоматизируем подготовку, подтверждение остаётся у снабженца |
| «Прогнозируйте всё» | Один показатель с понятным горизонтом и ценой ошибки | Зависит от истории | Проверяем длину и качество истории, сравниваем с простым методом |
| «Заменим операторов бота» | Ответы на типовые вопросы, передача сложных человеку | С человеком в контуре | Измеряем долю вопросов, на которые есть ответ в базе знаний |
Проверка любой идеи за один вечер
Проверка не требует разработчика и бюджета. Нужны ваш специалист и несколько часов.
- Выпишите тридцать-пятьдесят реальных примеров операции за последние месяцы: входящие документы, вопросы, заявки. Берите подряд, а не удачные.
- Попросите сотрудника записать правильный результат по каждому. Там, где он сам сомневается, помечайте: это граница задачи.
- Определите цену ошибки по типам. Какие ошибки исправляются за минуту, какие доходят до клиента или до денег.
- Определите, кто и как заметит ошибку. Если ответ «никто», задача относится к третьей группе, как бы хорошо ни работала модель.
- Решите, где работает модель. Если среди примеров есть данные ограниченного доступа, облачная модель чаще не подходит по требованиям заказчика, и в бюджет закладывается контур.
Не оценивайте решение по среднему результату. Важнее типы ошибок: пять ошибок в мелких полях и одна в сумме платежа несравнимы. Полученный набор пригодится на пилоте как стартовая эталонная выборка, поэтому храните его у себя. Порядок отбора первой задачи подробнее в статье «Как выбрать первый ИИ-проект», список операций для очереди в статье «Что автоматизировать с помощью ИИ в первую очередь».
Как задачи переезжают из группы в группу
Границы подвижны. Модели улучшаются, ваши данные копятся, и задача из второй группы может перейти в первую. Но делать это надо по фактам, а не по ощущению.
- Расширять права агента стоит, когда журнал подтверждений за заранее оговорённый период показывает, что человек почти не вносил правок. Критерий записывается до запуска.
- При смене модели эталонная выборка прогоняется заново. Новая версия не обязана быть лучше на ваших данных, и сравнивать надо на них.
- При изменении процесса (новый формат документа, новый поставщик, другой свет в цеху) качество падает незаметно. Для этого нужен мониторинг и выборочная проверка человеком, а не вера в метрики пилота.
- Для закрытых данных решение остаётся на вашем оборудовании, и размер модели ограничен им. Качество проверяется на вашей выборке до закупки железа. Подробнее: языковая модель без интернета и оценка качества LLM-систем.
Что считать, кроме стоимости разработки
Разработка составляет часть расходов. Остальное: подготовка данных, эталонная выборка, серверы или оплата внешнего интерфейса, мониторинг, время сотрудников на проверку и обращения. Эти статьи видны на обследовании, и называть сумму без него нельзя: любая цифра до разбора данных будет выдумана. Как выглядит расчёт окупаемости на понятном примере, написано в статье «Как посчитать ROI от внедрения ИИ».
Масштаб затрат задан ступенями: обследование, пилот, вывод в эксплуатацию, сопровождение. Каждая ступень заканчивается приёмкой и правом остановиться. Если пилот не прошёл порог качества, вы потратили сумму пилота, а не бюджет всей системы, и у вас остался документ с причинами.
Что делаем мы и с чего начать
Мы небольшая инженерная команда и берём один участок или один контур, а не внедрение целиком. Обследование отбирает задачи по четырём критериям (частота, цена ошибки, данные, проверяемость), раскладывает их по трём группам из этой статьи и оставляет одну-две для пилота. Стоит оно 200 000 ₽ за один-два процесса, 350 000 ₽ за несколько систем и 500 000 ₽ за производство или контур. Сумма вычитается из первого этапа, если продолжаете с нами, а документ остаётся у вас, и по нему можно идти к другому подрядчику. Цены по всем ступеням собраны на странице «Тарифы».
Мы не обещаем точность до того, как увидели ваши данные, не берём работы дешевле 150 000 ₽ и не дежурим круглосуточно. Чем занимаемся и как выбрать семейство решений, описано на странице «ИИ для бизнеса»; если вопрос в самой идее проекта, начните с консалтинга по ИИ.
Частые вопросы
Какие задачи ИИ решает для бизнеса уже сейчас?
Ответы по документам со ссылкой на источник, разбор входящих заявок и писем, извлечение полей из документов, контроль по снимкам при стабильной съёмке и прогноз по длинной истории. Во всех этих задачах есть эталон правильного результата и человек или код, который замечает ошибку.
Какие задачи ИИ пока не решает?
Точные расчёты без обычного кода, самостоятельные платежи и юридически значимые действия, ответы без документа-источника, прогноз редких событий без записанной истории, решения об оценке людей и размытые цели вроде «ИИ вместо отдела». У каждой есть условие, при котором она становится решаемой, чаще всего с подтверждением человека.
Можно ли доверять результату нейросети?
Доверять стоит измеренному качеству, а не самой модели. Для этого нужны эталонная выборка, порог качества, очередь спорных случаев для человека и журнал. Решение без таких механизмов остаётся демонстрацией.
Сколько стоит проверить идею?
Первичную проверку из статьи вы делаете сами за вечер. Если идея прошла, следующий шаг — обследование от 200 000 ₽ (350 000 ₽ для нескольких систем, 500 000 ₽ для производства или контура) и лёгкий пилот от 150 000 ₽. Итоговая сумма называется после обследования.
Подойдёт ли облачная модель, если данные конфиденциальны?
Для данных ограниченного доступа внешний программный интерфейс облачной модели чаще не подходит по требованиям заказчика. Тогда модель работает на ваших серверах или в изолированной сети. Для открытых материалов и обезличенных данных внешний интерфейс может быть разумным вариантом.
Что делать, если эталона нет?
Собрать его. Выпишите реальные примеры за последние месяцы и попросите специалиста записать правильные ответы. Если ответов нет и собирать их не планируется, первым проектом станет учёт, а не ИИ.
Когда можно разрешить агенту действовать самостоятельно?
Когда журнал подтверждений за оговорённый заранее срок показывает, что человек почти не вносил правок, цена ошибки низкая, а у ответственного за процесс есть аварийный выключатель. Права расширяют по одному типу действий, а не все сразу.
Как отличить рабочее предложение подрядчика от демонстрации?
Попросите показать результат на ваших примерах, а не на чужих, и запросите письменный критерий приёмки с эталонной выборкой. Если подрядчик называет точность до замера на ваших данных, это повод для вопросов. Сравнить предложения поможет документ обследования, он остаётся у вас.