AI и автоматизация процессов
Внедрение ИИ, автоматическая обработка заявок и документов, чат-боты, окупаемость и риски.
59 ответов
Чем AI-агент отличается от обычного чат-бота простыми словами?#
Чат-бот идёт по заранее прописанному сценарию, а AI-агент сам решает, что делать, и выполняет действия в системах. Бот на кнопках теряется, когда вопрос не попал в сценарий. Агент читает базу знаний, уточняет детали, лезет в CRM за статусом заказа, создаёт заявку, передаёт диалог человеку. По отраслевым замерам сценарный бот закрывает 20–40% обращений, интегрированный агент — 50–80%, остальное всё равно уходит оператору.
Правда ли, что 95% проектов с ИИ проваливаются?#
Нет, эта цифра переврана. В отчёте MIT NANDA «The GenAI Divide» 5% — это не доля провалов, а конец воронки по одной узкой категории: кастомные ИИ-инструменты, которые оценивали 60% компаний, до пилота дошли 20%, до продакшена — 5%. Среди тех, кто реально пилотировал, успешным оказался примерно каждый четвёртый. Заодно там же: 80% опрошенных компаний вообще ни разу не пилотировали свой ИИ-инструмент.
С каких процессов лучше начать автоматизацию с ИИ?#
Начинайте с процесса, который повторяется десятки раз в день, отнимает часы и имеет понятную цену ошибки. Обычно это первая линия поддержки, разбор входящих заявок с почты и мессенджеров, ввод первички и поиск по внутренним документам. Один процесс, один ответственный, срок 2–4 недели. Не берите в первый заход то, где решение стоит денег клиенту — скидки, гарантии, юридические ответы: там сначала нужен человек-контролёр.
Может ли нейросеть сама разбирать заявки с почты и из мессенджеров?#
Да, и это один из самых окупаемых сценариев. Модель читает письмо или сообщение, определяет тип обращения, вытаскивает контакты, номер договора, товар и объём, заводит сделку в CRM и ставит задачу нужному отделу. Точность классификации на живом потоке обычно 85–95% после двух-трёх недель настройки на ваших примерах. Спорные 5–15% лучше отправлять в отдельную очередь на человека, а не заставлять модель угадывать.
Что ИИ реально умеет в бизнесе, а что пока нет?#
Хорошо работает там, где много текста и повторов: классификация обращений, ответы по базе знаний, разбор документов, черновики писем и коммерческих, расшифровка звонков, поиск по архиву. Плохо — там, где нужна точная арифметика, юридическая ответственность, редкие исключения и данные, которых нет в системах. ИИ не наведёт порядок в процессах за вас: если заявки теряются потому, что их ведут в трёх чатах, модель это не починит.
Сколько российских компаний реально используют ИИ, а не просто говорят о нём?#
По исследованию К2 и «Лаборатории Касперского» (август 2026, опрошено более 200 крупных российских компаний), 45% используют ИИ или планируют, а 42% уже применяют или пилотируют его. Но критически важным ИИ называют лишь 11%, а 54% говорят, что заметной роли он пока не играет. Чаще всего применяют для генерации контента (41%), аналитики данных и разработки ПО (по 37%), HR (27%) и клиентских сервисов (22%).
Зачем нам ИИ, если у нас уже есть CRM и всё автоматизировано?#
Если у вас настроены воронки, интеграции и отчёты, вы уже сняли самый дешёвый эффект, и ИИ добавит немного. Он берёт другое: то, что живёт в неструктурированном тексте. Письма, сканы, переписки, звонки, ТЗ, претензии — там, где раньше человек читал и переносил руками. Проверьте простое: сколько часов в неделю сотрудники тратят на чтение и перепечатывание. Меньше 20 часов на отдел — начинать с ИИ рано.
Насколько точно ИИ распознаёт документы и можно ли доверить ему первичку?#
Заявленная точность Entera — до 98%, но это на хороших сканах; «1С:Распознавание первичных документов» процент не публикует и прямо оговаривает зависимость от качества изображения. На фото с телефона, печатях поверх текста и нестандартных формах реальная цифра ниже, и это нормально. Рабочая схема: модель заполняет документ, бухгалтер подтверждает одним кликом, спорные поля подсвечены. Ввод ускоряется в разы, ответственность остаётся на человеке. Полностью безлюдный ввод первички делать не стоит.
Что такое RAG и зачем он нужен, если можно просто спросить ChatGPT?#
RAG — это когда модель перед ответом ищет нужные куски в ваших документах и отвечает по ним, а не по памяти. Обычная модель не знает ваш прайс, регламенты и историю клиента, поэтому уверенно выдумывает. С RAG ответ строится по найденным фрагментам, и к нему можно приложить ссылку на исходный документ — это главное, что снимает споры. Базовый помощник по базе знаний обычно укладывается в 150–200 тыс. ₽ и 3–8 недель.
Почему нейросеть выдумывает факты и можно ли это вылечить?#
Модель предсказывает правдоподобный текст, а не проверяет истину, поэтому при нехватке данных достраивает ответ. Лечится не «более умной моделью», а обвязкой: отвечать только по найденным документам, показывать источник, запрещать ответ при низкой релевантности, отдавать спорное человеку. На закрытой базе знаний доля выдумок заметно падает, но не до нуля. Поэтому в темах про деньги, сроки и гарантии оставляют подтверждение оператором.
Правда ли, что ИИ заменит менеджеров и операторов поддержки?#
Массовых увольнений после внедрения почти не бывает — меняется структура работы. ИИ забирает типовую первую линию (обычно 40–70% обращений), люди уходят на сложные случаи, продажи и удержание. Компании, которые пытались просто сократить штат и посадить бота на всё, чаще откатывались назад: росло время решения сложных заявок и падала повторная покупка. Честнее считать эффект не в уволенных, а в том, что тот же штат тянет вдвое больший поток.
Надо ли обучать нейросеть на наших данных, чтобы она знала про нашу компанию?#
В большинстве случаев не надо — достаточно RAG, то есть поиска по вашим документам перед ответом. Дообучение имеет смысл, когда важен стиль, формат вывода или узкая терминология, и требует размеченного датасета плюс повторных циклов при каждом изменении. Если каталог, прайс или регламенты обновляются чаще раза в квартал, дообучение будет дороже и быстрее устареет. Обновить документ в RAG стоит ноль, переобучить модель — десятки тысяч рублей и дни работы.
Нужна ли среднему бизнесу мультиагентная система?#
Почти наверняка нет, во всяком случае не на старте. Мультиагентные схемы — это несколько моделей, передающих задачу друг другу; они дают больше точек отказа, хуже отлаживаются и дороже в эксплуатации. Для большинства задач среднего бизнеса хватает одного агента с чёткой инструкцией, доступом к базе знаний и двумя-тремя инструментами: поиск, запись в CRM, эскалация на человека. Усложнять стоит, только когда простая схема упёрлась в измеримый потолок.
Можно ли легально пользоваться ChatGPT в российской компании?#
Для черновиков и обезличенного текста — можно, отправлять туда персональные данные — рискованно. По ч. 5 ст. 18 152-ФЗ первичный сбор и хранение данных граждан РФ должны идти в базах на территории России; трансграничная передача не запрещена, но регулируется ст. 12 и требует уведомления Роскомнадзора, который может её ограничить. Плюс прямой доступ к OpenAI из РФ нестабилен и идёт через посредников, а это отдельный риск для коммерческой тайны. Рабочая схема — российская модель для данных, внешняя для безличных задач.
ИИ переоценён? Где хайп, а где реальные деньги?#
Переоценены срок и лёгкость, а не сама технология. Хайп — это «внедрим ИИ и всё изменится», презентации без метрик и попытка накрыть нейросетью бардак в данных. Деньги — там, где есть поток однотипного текста, измеримая стоимость операции и человек, отвечающий за результат. Практический фильтр: если вы не можете назвать, сколько минут и рублей стоит одна операция сейчас, проект будет провальным независимо от выбранной модели.
Какие данные нужны компании, чтобы ИИ вообще заработал?#
Нужны три вещи: описанный процесс, доступ к системе, где лежат факты, и 200–500 реальных примеров того, как задача решается сейчас. Примеры важнее объёма: 300 разобранных заявок с правильными ответами дают больше, чем гигабайт неструктурированного архива. Если регламенты живут в головах, а не в документах, первый месяц уйдёт не на модель, а на их сборку — это нормально, и это надо заранее закладывать в план и бюджет.
Кто отвечает, если бот дал клиенту неверную информацию?#
Компания. Показательный случай — Air Canada: в феврале 2024 года гражданский трибунал Британской Колумбии обязал авиакомпанию возместить пассажиру 812 канадских долларов, потому что чат-бот на сайте сообщил неверные правила тарифа. Довод «это ответил бот, а не мы» трибунал не принял. Практический вывод: ответы про цены, скидки, сроки и гарантии либо жёстко ограничивают шаблонами, либо подтверждает оператор. И храните логи всех диалогов: без них вы не докажете, что бот сказал на самом деле.
Может ли ИИ работать с 1С?#
Да, и это самый частый запрос в России. Технически ИИ не живёт внутри 1С, а обменивается с ней через HTTP-сервисы, OData или очередь: модель разбирает документ или обращение, а запись в базу делает штатный механизм 1С со своими проверками. Так безопаснее — модель не пишет напрямую в учёт. В проектах ARIS запись в 1С всегда идёт через штатные механизмы конфигурации. Типовой срок такой интеграции — 2–4 недели.
Что такое ИИ-ассистент для сотрудников и кому он реально помогает?#
Это поиск и подсказки по внутренним документам: регламенты, инструкции, прайсы, условия договоров, история проектов. Реально помогает там, где новичок первые месяцы дёргает коллег — сервис, монтаж, снабжение, бухгалтерия, техподдержка. Эффект считается просто: сколько минут в день человек ищет информацию и скольких при этом отвлекает. Если в компании меньше 30 человек и все всё знают на память, такой ассистент почти бесполезен и денег не вернёт.
Как понять, что процесс подходит для автоматизации с ИИ?#
Четыре признака: повторяется от 30 раз в день, идёт в тексте или документах, имеет проверяемый результат и стоит заметных денег в час. Если хотя бы один пункт не выполняется, эффект будет на уровне погрешности. Пятый, неочевидный: у процесса должен быть хозяин, согласный, что его метрики поменяются. Проекты чаще умирают не от технологии, а от того, что никто не отвечает за результат внедрения и некому принимать решения.
ИИ-агент и роботизация RPA — это одно и то же?#
Нет. RPA — это скрипт, повторяющий действия человека в интерфейсе: кликает, копирует, вставляет. Он точен и дёшев, но ломается при смене интерфейса и не понимает исключений. ИИ-агент работает со смыслом: читает нестандартное письмо, понимает, что клиент просит перенести отгрузку, и вызывает нужный метод. На практике их часто ставят вместе: агент принимает решение, а RPA или обычная API-интеграция его выполняет.
Сколько стоит один запрос к нейросети — это дорого?#
Копейки на запрос, но счёт делает объём. Порядок цен российских моделей в синхронном режиме: YandexGPT Lite — 0,2 ₽ за 1000 токенов (2 ₽ за 10 000), GigaChat-2-Pro — 0,5 ₽, YandexGPT Pro 5.1 — 0,8 ₽. Один диалог поддержки с историей и найденными документами обычно занимает 3–10 тысяч токенов, то есть 1–8 ₽. При 1000 обращений в месяц это 1–8 тысяч рублей — как правило, не главная статья расходов.
Что выбрать: готовый сервис с ИИ или разработку под себя?#
Готовый сервис — если ваш процесс типовой: FAQ, запись, квалификация лида, обзвон. Он обычно стоит 5–15 тыс. ₽ в месяц и запускается за неделю. Разработка нужна, когда решение должно ходить в вашу 1С или самописную систему, а логика не сводится к типовой воронке: ориентир — 300 тыс. – 1,5 млн ₽ и 1–3 месяца. Ошибка — начинать с разработки, не проверив гипотезу на готовом сервисе за месяц.
Локальная модель на своём сервере или облако — что выбрать?#
Облако по умолчанию, локально — когда данные не имеют права уходить. Локальная модель уровня 8–32B требует GPU от 300–700 тыс. ₽, администрирования и даёт качество заметно ниже топовых облачных. Смысл появляется при персональных данных, медицине, гостайне или очень большом потоке запросов, где облако дороже железа. Промежуточный вариант, который чаще всего и выбирают, — российское облако с договором поручения на обработку данных.
GigaChat, YandexGPT или зарубежные модели — что брать бизнесу в России?#
Для данных под 152-ФЗ берите GigaChat или YandexGPT: они работают в российском контуре и без обходных путей. YandexGPT удобнее, если вы уже в Yandex Cloud и работаете с длинными документами; GigaChat дешевле на лёгких задачах и хорошо пишет русские деловые тексты. Зарубежные модели пока сильнее в сложных рассуждениях и коде, но требуют посредника и обезличивания. Держать две модели под разные задачи — нормальная практика.
Дообучать модель или сделать RAG по базе знаний — что дешевле?#
RAG, если знания меняются чаще раза в квартал. Обновить документ в RAG стоит ноль, а цикл дообучения — это подготовка датасета, обучение и повторная проверка: десятки тысяч рублей и дни работы, и так при каждом изменении прайса. Дообучение выигрывает в другом: стабильный формат ответа, свой стиль, узкие термины. Частая рабочая схема — RAG за факты плюс небольшой fine-tune за тон, но начинать всегда стоит с RAG.
Кнопочный чат-бот или ИИ-агент — что эффективнее для поддержки?#
Если у вас 10–15 типовых вопросов и они почти не меняются, кнопочный бот дешевле и предсказуемее — не усложняйте. ИИ-агент нужен, когда вопросов сотни, они формулируются свободно и ответ зависит от данных клиента. Ориентир: сценарный бот закрывает 20–40% обращений и раздражает остальных, агент по базе знаний — 50–80%. Обратная сторона: агента надо контролировать — логи, оценка ответов, стоп-темы, куда он не лезет.
Голосовой робот или текстовый бот — с чего начать?#
Начинайте с текста: он дешевле, ошибки видны, и клиент не бросает трубку. Голосовой робот оправдан на исходящих типовых сценариях — подтверждение заказа, напоминание, реактивация базы. Порядок цен 2026 года: сценарный обзвон — примерно 3–8 ₽ за минуту, диалоговый ИИ-робот — 10–25 ₽. Перед запуском проверьте распознавание русской речи на своей записи: ориентир — не ниже 90% точности, иначе сценарий развалится. На входящей поддержке голос пока чаще раздражает.
Что выбрать для распознавания первички: сервис 1С, Entera или своё решение?#
Для стандартной первички берите готовый сервис: «1С:Распознавание первичных документов» или Entera подключаются быстро и продаются пакетами страниц. У 1С цена страницы падает с объёмом: 6 ₽ в пакете на 100 страниц, 4,5 ₽ на 1000, 3 ₽ в самых крупных пакетах. Своё решение имеет смысл при двух условиях: нетиповые документы (спецификации, акты подрядчиков, отраслевые формы) и объём от нескольких тысяч страниц в месяц. При цене готового сервиса 3–6 ₽ за страницу своя разработка почти никогда не окупается.
Стоит ли покупать коробочное решение или собрать бота самим на n8n?#
Собрать самим реально, если в команде есть человек, который будет это вести дальше, — иначе через полгода получите нерабочий сценарий, в котором никто не разбирается. Конструкторы вроде n8n хороши для прототипа: за 1–2 недели проверяете гипотезу почти без бюджета. Коробка выигрывает в поддержке, обновлениях и SLA. Плохой сценарий — собрать на конструкторе критичный процесс без логов и ответственного и узнать о поломке от клиента.
Open-source модель или платный API — что выгоднее по деньгам?#
Платный API дешевле, пока запросов меньше нескольких миллионов токенов в день. Open-source (Qwen, DeepSeek, Llama) убирает плату за токены, но добавляет GPU, администратора и ответственность за обновления — реальная стоимость владения обычно 80–200 тыс. ₽ в месяц. Точка перехода считается просто: сравните месячный счёт за API с арендой GPU и зарплатой того, кто это держит. До неё open-source берут ради данных, а не ради экономии.
Что дешевле в поддержке: ИИ-агент или ещё пара менеджеров?#
Считайте по стоимости обработки одного обращения. Менеджер обычно обходится в 250–450 ₽ за обращение с учётом налогов и простоев, агент после запуска — 5–30 ₽. Но у агента есть входной платёж 150–800 тыс. ₽ и поддержка 30–50% от стоимости в год. Порог, за которым он выигрывает, — ориентировочно 30–50 однотипных обращений в день. Ниже этого объёма нанять человека честнее и быстрее.
Что автоматизировать сначала — продажи или бэк-офис?#
Бэк-офис даёт более предсказуемый результат, продажи — более крупный, но рискованный. В бэк-офисе (документы, заявки, поиск по регламентам) эффект измеряется часами и почти не зависит от рынка. В продажах ИИ влияет на конверсию, а её ломает десяток факторов, и вклад модели сложно доказать. Нужен быстрый аргумент для бюджета — начинайте с бэк-офиса; горит выручка и заявки реально теряются — с обработки входящих.
Нужен ли отдельный ИИ, если в Битрикс24 и amoCRM уже есть встроенный?#
Для черновиков писем, резюме звонков и подсказок менеджеру встроенных функций хватает — не платите за одно и то же дважды. Отдельное решение нужно, когда ИИ должен видеть данные за пределами CRM: остатки и цены в 1С, документы на файловом сервере, историю в почте. Второй повод — контроль над тем, куда уходят данные. Практично начать со встроенных инструментов на месяц и по факту понять, где упёрлись.
Пилот на одном процессе или сразу внедрять по всей компании?#
Только пилот и только на одном процессе. Внедрения «сразу везде» проваливаются потому, что при десяти параллельных сценариях невозможно понять, что именно не сработало: данные, инструкция, интеграция или сам процесс. Рабочий формат — 2–4 недели, один сценарий, ограниченный сегмент пользователей, заранее записанные метрики и порог, ниже которого проект закрывают. Масштабируют только после месяца работы пилота на живом потоке.
Что выбрать: ИИ, который сам отвечает клиенту, или подсказчик для оператора?#
Подсказчик — безопасный старт, автоответ — экономия. Режим суфлёра (модель готовит ответ, оператор правит и отправляет) обычно сокращает время обработки на 30–50% и не даёт публичных провалов, потому что весь текст проходит через человека. Автоответ добавляет экономии, но требует стоп-тем, логов и разбора жалоб. Разумно так: первый месяц только подсказки, собираете статистику, затем переводите в автоответ категории, где точность стабильно выше 95%.
Векторная база или обычный поиск по документам — есть разница на практике?#
Обычный полнотекстовый поиск часто работает не хуже и стоит дешевле, особенно если люди ищут по артикулам, номерам договоров и точным названиям. Векторный нужен, когда спрашивают смыслом: «что делать, если клиент не забрал заказ». Лучший практический ответ — гибрид: сначала точное совпадение, потом смысловая близость. Если вам продают векторную базу как самоценность, а не как часть поиска, спросите про качество ответов на ваших запросах.
Давать ли ИИ доступ на запись в CRM или пусть только читает?#
Начинайте с доступа только на чтение — этого хватает на 80% пользы. Запись подключайте по одному действию за раз и с ограничениями: создать лид можно, менять сумму сделки и удалять — нет. Все действия агента должны писаться в отдельный лог с возможностью отката, а критичные — подтверждаться человеком. Массовые операции модели не отдают вообще: одна ошибка в инструкции, и вы правите тысячу записей руками.
Небольшая модель на своём железе или большая в облаке — где качество достаточное?#
Для классификации, извлечения полей и ответов по базе знаний хватает моделей 7–14B: они уверенно решают эти задачи на своём железе. Для рассуждений, сложных писем, разбора противоречивых документов и длинного контекста разница с большими облачными моделями заметна сразу. Практичный способ проверить — собрать 50 реальных примеров ваших задач и прогнать через обе. Это стоит день работы и снимает большинство споров о выборе модели.
Стоит ли брать франшизу по ИИ-ботам вместо своей разработки?#
Осторожно: чаще всего вы покупаете обёртку над теми же API и типовыми сценариями, которые собираются за месяц. Проверяйте три вещи — кому принадлежат база знаний и промпты, можно ли выгрузить всё при уходе, что именно входит в поддержку. Если ответ на любой из вопросов размытый, вы платите за зависимость. Франшиза оправдана, когда вы сами хотите продавать внедрения, а не когда нужно закрыть свой процесс.
На что смотреть при выборе подрядчика — на цену или на кейсы?#
Ни на то, ни на другое в первую очередь — смотрите, задают ли вам вопросы про метрики до коммерческого предложения. Подрядчик, который называет цену, не спросив объём обращений, стоимость операции и состояние данных, продаёт демо. Просите: один похожий проект с цифрами до и после, доступ к работающему решению, план пилота с порогом отказа. Разброс цен на рынке 5–10 раз за одинаковую формулировку — сравнивайте состав работ.
Сколько стоит внедрить ИИ в небольшую компанию?#
Реальная вилка на 2026 год: 50–100 тыс. ₽ за простого бота на готовой платформе, 150–300 тыс. ₽ за помощника по базе знаний с одной интеграцией, 300 тыс. – 1,5 млн ₽ за агента, который работает в вашей CRM или 1С. Плюс эксплуатация: 40–100 тыс. ₽ в месяц на поддержку и токены для небольшого внедрения. Всё, что дешевле 50 тыс. ₽, — это настройка конструктора, а не внедрение.
Сколько времени занимает внедрение ИИ-агента?#
Первый рабочий результат — 2–4 недели, полноценный агент с интеграциями — 2–3 месяца. Типичная разбивка: неделя на аудит процесса и сбор примеров, 1–2 недели на пилот на живом потоке, месяц на интеграции и обкатку, дальше доводка по статистике. Сроки чаще срывает не разработка, а сторона заказчика: доступы к системам, отсутствие описанных регламентов и человек, который должен проверять ответы, но занят своей работой.
Как посчитать, окупится ли ИИ именно у нас?#
Возьмите одну операцию и посчитайте её сейчас: сколько минут, по какой стоимости часа, сколько раз в месяц. Умножьте — получите базу. Вычтите то, что реально заберёт модель (обычно 40–70%, не 100%), и сравните с суммой внедрения плюс 30–50% в год на поддержку. Считайте окупаемость диапазоном: на первой линии поддержки это 2–6 месяцев, на внутренних процессах 6–12. Больше 18 месяцев — проект не нужен.
При каком объёме обращений ИИ-бот вообще имеет смысл?#
Ориентир — от 30–50 однотипных обращений в день при стоимости обработки одного обращения от 200 ₽. Ниже этого порога экономия не покрывает внедрение и поддержку, и дешевле нанять человека или упростить процесс. Есть исключения: круглосуточная поддержка, сезонные пики и обращения на иностранных языках — там бот окупается и на меньших объёмах, потому что альтернатива ночная смена. Считайте не общий поток, а долю повторяющихся вопросов.
Что обязательно прописать в договоре на внедрение ИИ?#
Пять пунктов, которых обычно нет: измеримый критерий приёмки (например, точность классификации не ниже 90% на 200 отложенных примерах), кому принадлежат промпты и база знаний, где хранятся и обрабатываются данные, что происходит с решением после окончания поддержки, и порядок выхода из пилота без штрафа. Без критерия приёмки спор «работает или нет» решается разговором, а не документом. Отдельно фиксируйте передачу исходников и доступов.
Как проверить подрядчика по ИИ, чтобы не получить красивую презентацию?#
Попросите показать работающее решение вживую на ваших данных, а не видео. Дайте 20–30 своих реальных обращений или документов и посмотрите, что получится прямо на встрече. Спросите про провалившийся проект: вменяемый подрядчик расскажет, где не взлетело и почему, а ответ «у нас все проекты успешные» означает, что проектов было мало. И проверьте, кто ведёт проект после подписания — часто показывает один, а делает другая команда.
Сколько стоит поддержка ИИ-решения после запуска?#
Закладывайте 30–50% от стоимости внедрения в год. Для небольшого решения это 40–100 тыс. ₽ в месяц, и туда входит не только «чтобы работало»: обновление базы знаний, разбор жалоб на ответы, донастройка после изменений в прайсе и процессах, плата за токены. Решение без поддержки деградирует за 2–3 месяца — не потому что ломается код, а потому что меняется бизнес, а инструкции модели остаются прежними.
Что просить в пилоте, чтобы понять — работает или нет?#
Три вещи: живой поток вместо демо-примеров, отложенная выборка, которую подрядчик не видел, и заранее записанный порог успеха. Формат, который трудно оспорить: 200 реальных обращений за прошлый месяц, модель обрабатывает их вслепую, вы сравниваете с тем, что сделали люди. Срок 2–4 недели, бюджет 60–150 тыс. ₽. И зафиксируйте, что делаете, если порог не взят: пилот с единственным исходом «внедряем» — это не пилот.
Какие метрики ставить ИИ-агенту в поддержке?#
Четыре: доля обращений, закрытых без человека (реалистично 40–70%), точность ответов на выборочной проверке (порог обычно 95%), время первого ответа и доля вовремя переданных эскалаций. Пятая, про которую забывают, — доля клиентов, отказавшихся продолжать диалог с ботом. Не берите метрикой «количество диалогов»: она растёт сама и ничего не значит. И проверяйте руками 50–100 диалогов в неделю первые два месяца.
Как защитить персональные данные при внедрении ИИ по 152-ФЗ?#
Первичный сбор и хранение персональных данных граждан РФ должны идти в базах на территории России — это ч. 5 ст. 18 152-ФЗ. Трансграничная передача не запрещена, но идёт по ст. 12: нужно уведомление Роскомнадзора, и он может её ограничить. Практичный минимум: обезличивайте данные перед отправкой в модель, храните логи диалогов в РФ, ограничьте срок хранения, опишите ИИ-обработку в политике. Полноценные практики MLSecOps есть лишь у 7% опрошенных крупных компаний.
Можно ли внедрить ИИ, не переделывая текущие системы?#
Да, и в большинстве проектов так и делают. Модель подключается сбоку: читает почту, забирает данные через API или выгрузку, возвращает результат в существующие поля. Переписывать CRM или конфигурацию 1С обычно не нужно. Условие одно: там, куда пишет ИИ, должны быть проверки на стороне вашей системы, иначе ошибочная инструкция размажется по базе. Если систем нет вообще и всё в чатах и таблицах — сначала базовый учёт, потом ИИ.
Что делать, если сотрудники саботируют работу с ИИ?#
Сначала признать, что сопротивление обосновано: люди боятся, что по ним посчитают норму и сократят. Работающая практика — сразу сказать, что метрика меняется, а состав отдела нет, и первые три месяца оставить право отклонить ответ модели одним кликом. Второй рычаг — дать инструмент, который экономит время именно им: поиск по документам, черновики писем. И собирайте их правки, это лучший источник данных для настройки.
Кому в компании поручить проект по внедрению ИИ?#
Владельцу процесса, а не ИТ-отделу. ИТ обеспечивает доступы и безопасность, но решение о том, что считается правильным ответом, принимает тот, кто отвечает за поддержку, продажи или бухгалтерию. Нужен один человек с правом остановить проект и 3–5 часов его времени в неделю — это реальная нагрузка, её согласовывают заранее. Проекты, где ответственный «по совместительству и когда будет время», срываются по срокам заметно чаще.
Как не переплатить за токены — что реально влияет на счёт?#
Основной счёт делает не число запросов, а длина контекста: если в каждый запрос кладут всю базу знаний, стоимость растёт в десятки раз. Помогает: подавать 3–5 найденных фрагментов вместо целого документа, обрезать историю диалога, кэшировать типовые ответы, ставить лёгкую модель на классификацию и дорогую только на финальный ответ. И поставьте лимит расходов в первый же день. При таком подходе 1000 диалогов в месяц укладываются в 1–8 тыс. ₽.
В каком случае честно сказать, что ИИ вам не нужен?#
Когда однотипных операций меньше 30 в день, данные живут в головах и переписках, а процесс меняется каждую неделю. Ещё — когда цена ошибки высокая, а проверять ответы некому. В таких случаях больше даёт наведение порядка: единая точка приёма заявок, шаблоны, регламент, нормальный справочник. Это дешевле внедрения и часто снимает большую часть боли. В ARIS такому клиенту мы обычно и предлагаем начать с процессов, а не с модели.
Что у нас останется, если проект с ИИ так и не заработает?#
Зависит от того, что вы записали в договоре. Заберите три вещи: собранную и вычищенную базу знаний, размеченные примеры (те самые сотни разобранных обращений) и описание процесса, появившееся в ходе аудита. Это самая ценная часть работы, и она не зависит от модели — с ней можно стартовать с другим подрядчиком через год. Промпты и интеграционный код тоже стоит закрепить за собой, хотя они устаревают быстрее.
Нужно ли ставить человека на проверку ответов бота и как надолго?#
Да, первые 4–8 недель обязательно, дальше выборочно. Схема: первый месяц человек смотрит все ответы в новых категориях, затем 50–100 диалогов в неделю плюс все, где клиент выразил недовольство. Полностью снимать проверку не стоит никогда: при обновлении модели или изменении прайса качество проседает незаметно. Это 2–4 часа в неделю одного сотрудника — заложите их в расчёт окупаемости, иначе цифры получатся приукрашенными.
Не окажемся ли мы в заложниках у подрядчика после внедрения ИИ?#
Риск реальный и снимается тремя пунктами в договоре: база знаний и промпты принадлежат вам, исходники и схема интеграции передаются при завершении работ, ключи от моделей и облака оформлены на вашу компанию, а не на подрядчика. Отдельно проверьте, можно ли выгрузить историю диалогов и структурированные данные в обычном формате. Если решение построено на закрытой платформе подрядчика, вы платите ещё и за право уйти.
Опишите задачу — ответим по существу, без презентаций и созвонов «на познакомиться». Или прикиньте бюджет сами в калькуляторе.
Задать вопросКалькулятор стоимостиЧитайте в блоге
Планируете свой маркетплейс? Рассчитайте стоимость разработки за 2 минуты — бесплатно и без регистрации.
Рассчитать стоимость маркетплейса →