Внедрение нейросетей в рабочие процессы организации: этапы, инструменты и примеры

Пилот запустили, демонстрацию посмотрели, а результата не дождались — история знакомая. Очевидно, ждать от нейросети, что она всё сделает сама, нельзя. При этом внедрять нейросети все же нужно — рынок диктует условия, и если сегодня вы не успели за трендом, то завтра придется догонять конкурентов.

В статье разбираемся, как пройти путь от выбора оптимального процесса для внедрения до измеримого эффекта.

Внедрение нейросетей в организации не сводится к установке чат-бота и покупке подписок. Реальное внедрение — это когда меняется сам подход к выполнению работы: часть операций забирает модель, а сотруднику достаются новые роли и точки контроля. Именно от этого зависит итоговая эффективность внедрения. И именно поэтому один и тот же инструмент в одной компании экономит часы, а в другой пылится без дела.

Разрыв между подходами подтверждают и опросы. По данным McKinsey, ИИ используют 88% организаций хотя бы в одной функции, но около двух третей все еще остаются в состоянии пилотного проекта. А эффект на прибыль организации видят и вовсе лишь 39% респондентов. В России картина похожая: по опросу Forbes, ИИ-инструменты применяют 70% компаний, а по оценке «Яков и Партнёры» две трети крупных запускали генеративные модели хотя бы в одной функции.

Зрелость внедрения можно классифицировать так: а) ИИ-помощник, б) автоматизация отдельного участка в) новая модель работы.

Большинство компаний застревает между первым и вторым. Помощник не меняет порядок действий, лишь ускоряет их. Да и то не всегда (об этом ниже). В то же время автоматизация требует данных, дорогих интеграций и назначения ответственных за результат.

Чтобы получить реальный эффект от внедрения нейросетей в бизнес нужна связка из трех элементов: повторяемые процессы, реальная метрика для оценки результатов и хорошие очищенные данные. Если хотя бы одного не хватает, модель будет выдавать убедительные ответы, а бизнес при этом не получит никаких результатов.

Хороший кандидат на автоматизацию выглядит довольно скучно: много повторяемых операций, понятные правила, накопленные данные и результат, который можно оценить численно. Вот несколько примеров процессов в разных сферах деятельности компании.

Модели берут на себя контент, персонализацию, первичную обработку лидов, разбор звонков и первую линию поддержки. Голосовая аналитика может следить за соблюдением скриптов, генеративные модели пишут черновики, чат-бот снимает типовые вопросы.

Для оценки эффективности можно использовать простые метрики: время ответа, стоимость обращения, конверсия, удовлетворенность клиента. Творческие задачи (например, работу с «теплыми» клиентами) лучше оставить человеку.

В HR нейросети ускоряют скрининг резюме, переписку с кандидатами, онбординг, составление учебных материалов и проверку знаний. HR-бот отвечает на типовые вопросы и складывает данные в CRM, модель делает суммаризацию встречи и подсказывает темы для разговора.

Эффективность внедрения здесь можно считать так: измерять скорость закрытия вакансии и скорость онбординга. А для того, чтобы качество подбора персонала не падало, вводить также долгосрочные метрики, например, время трудоустройства нанятого сотрудника. Результаты внедрения ИИ в кадровые процессы уже есть. По данным MTS AI, поиск по базе знаний автоматизировал онбординг в компании на 100%, а обращения в HR упали на 30%.

Документы и внутренняя рутина — это отличный бизнес-процесс, с которого можно начать внедрение нейросетей в организации. Распознавание сканов, извлечение полей из договоров, проверка комплектности, суммаризация совещаний, поиск по базе знаний и отчетность съедают часы, которые обычно никто не считает, хотя времени там тратится ого-го!

Эффект обычно виден быстрее, чем в маркетинге. Минус — данные: разные форматы, несинхронизированные справочники, почта вместо базы. Придется навести порядок. Именно автоматизация документооборота с помощью ИИ позволяет получить первые реальные результаты в компании.

Какое направление все же брать первым? Выберите повторяемую работу, у которой есть явный ответственный, явная же метрика качества и сравнительно невысокая цена ошибки. Худший вариант — браться за сквозную переделку всех процессов, не имея подготовленных данных. Ищите место, где за четыре–восемь недель будет виден измеримый сдвиг, а аналитику можно подтянуть попутно.

Универсального сценария нет, но последовательность действий повторяется. Внедрение сводится к этим пяти этапам.

Сначала нужно, так сказать, картографировать процесс: кто в нем участвует, сколько времени уходит на каждый этап, где чаще появляются ошибки и какие данные нужны. Затем зафиксируйте базу (baseline) — время, стоимость, объем и качество. Именно по этим параметрам в дальнейшем сможем понять, какова реальная эффективность внедрения.

Задайте себе вопрос: какую часть этого процесса я хочу делегировать ИИ? Иногда весь процесс сразу переложить на нейросеть не получается. Это нормально. Просто декомпозируйте задачу на более мелкие и начните с них.

Ключевой выбор — взять готовый сервис или разработать свое под конкретную задачу.

Готовое быстрее и дешевле, но не всегда подходит для нестандартной задачи. Кастомную разработку берут там, где процесс уникален, нужен закрытый контур или глубокая интеграция. Учитывайте также стоимость владения: лицензии, интеграцию, обучение, мониторинг. Выясните, где хранятся данные, по каким каналам их можно собрать, кому доступны логи.

Самый долгий этап. По оценкам аналитиков, подготовка данных занимает 60–80% всего срока внедрения. Если CRM кишит дублирующимися данными, а справочники не синхронизированы, ИИ-модель честно воспроизведет беспорядок. Скорость работы увеличится, а вот качество — нет.

Нужна карта источников, владельцев и персональных данных; для генеративных сценариев — слой поиска по базе знаний. Также продумайте, с какими корпоративными системами понадобится интеграция. База — это интеграции с CRM, ERP, 1С. Однако часто сложность заключается в интегрировании нейросетей в специализированные решения, уже действующие в организации.

У пилотного проекта обязательно есть срок, бюджет, владелец и контрольная группа. Сотрудников, которые будут работать с пилотом, стоит подготовить еще до старта, иначе первые недели уйдут на освоение. Дайте инструменту четыре–восемь недель работы с реальными данными и процессами, затем сравните с зафиксированной базой и соберите обратную связь от сотрудников. Если метрики не изменились (и тем более, если они стали хуже), не масштабируйте: ищите проблемы в данных, порядке действий, обучении или модели. Именно для этого нужен пилот.

Обучение — часть внедрения. Разберитесь, какие задачи меняются и кто отвечает за качество. Назначьте внутренних чемпионов — сотрудников, которые сами проявляют инициативу и готовы первыми изучать ИИ-инструменты. Подготовьте инструкции и набор рабочих промптов.

Масштабируйте по одному участку за раз: один владелец, одна метрика. Следующий участок внедряйте, только когда первый стабильно дает результат и метрика держится две–три недели без ручных подпорок. В итоге остается работающий участок и план следующего. Если порядок действий меняется, обновляйте инструкции и модель.

План на первые 30 дней

• Выбрать участок и владельца результата.
• Посчитать baseline: время, стоимость, объем, качество.
• Описать данные и проверить, хватает ли их.
• Собрать инструменты и оценить безопасность.
• Сформулировать критерии успеха и бюджет пилота.
• Назначить дату завершения пилота и принятия решения о масштабировании.

Важно: все эти действия следует выполнять еще до покупки конкретного ИИ-решения.

Рынок доступных инструментов удобнее разложить на четыре слоя.

Давайте теперь я покажу, каких результатов можно добиться правильным внедрением нейросетей в рабочие процессы компании. Я возьму западные примеры, просто потому, что их больше. В России массовые внедрения нейросетей еще впереди. Однако Сбер, Яндекс и МТС публикуют результаты пилотных внедрений и они весьма впечатляющие.

Klarna. По данным компании, ИИ-ассистент поддержки закрывает около 80% чатов. Экономия — около $59 млн, по объему это работа около 850 операторов; стоимость обращения ниже на 40%, выручка на сотрудника выше на 152%. Позже компания вернула людей в сложные сценарии: массовые запросы ИИ закрывает хорошо, исключения остаются человеку.

MTS AI. Поиск по базе знаний автоматизировал онбординг на 100%, обращения в HR упали на 30%. В речевой аналитике для онлайн-ритейла разбор диалогов повысил соблюдение скриптов на 15%, эффективность операторов — на 20%, исходящие продажи — на 30%. Держится это на базе и интеграции, а не на самой модели.

JPMorgan Chase. LLM Suite развернута для 200 тысяч сотрудников, в работе находится более 450 сценариев. Эффект измеряют через контрольные группы и KPI; у инженеров рост эффективности составил 10–20%.

Сбер. Контакт-центр получает около 21 млн обращений в месяц; GigaChat помогает операторам быстрее находить ответы. ИИ здесь именно усиливает человека, а не заменяет.

Ошибки при внедрении, как правило, связаны с недостаточной подготовкой на одном из описанных выше этапов. Вот какие ошибки допускают компании при внедрении нейросетей.

Начинают с технологии, а не с задачи. Сначала выбирают модель, а применение для нее ищут потом. Порядок стоит перевернуть: сначала выбор процесса, а уже потом инструмент.

Не фиксируют базовые цифры. Без цифр, измеренных до пилота, не с чем сравнивать результат. Время, стоимость и качество фиксируют до старта.

Недооценивают важность данных. На подготовку уходит 60–80% срока, а дубли и разнобой в форматах испортят выдачу даже хорошей модели. Вообще, выдача нейросети хороша ровно настолько, насколько хороши данные, внесенные в ее контекст.

Игнорируют интеграцию. ИИ в отрыве от CRM — это просто чат в отдельном окне. Поначалу прикольно, но спустя месяц туда уже никто не заходит. Интеграция является залогом успешного внедрения нейросетей.

Забывают про обучение. Инструмент, который непонятен или пугает, в работе не приживается. Два–три рабочих промпта и час практики помогут снять большую часть сопротивления. Для более сложных сценариев имеет смысл поискать корпоративные курсы для бизнеса — как для сотрудников, так и для руководителей.

Оставляют безопасность на потом. По данным некоторых аналитиков, 83% предприятий используют ИИ, но лишь 13% контролируют, как именно он используется. По сути, это теневой ИИ: когда сотрудник использует личный чат, собственные или корпоративные подписки, но при этом никто не контролирует ни доступы к сервисам, ни то, какие данные куда сливаются.

Масштабируют слишком рано. Пилот, который держался на одном энтузиасте, при масштабировании коллапсирует. Ваша задача — выстроить системный процесс. Дайте метрике настояться две-три недели. Убедитесь, что работа не держится на голом энтузиазме одного сотрудника, и что ее можно масштабировать без риска его выгорания.

При внедрении ИИ риски влияют и на архитектуру: чувствительные данные должны оставаться в закрытом контуре компании, а чувствительные решения проверяет человек.

Единой цифры не существует: стоимость зависит от задачи, качества данных, безопасности и объема операций. Бюджет раскладывается на шесть частей.

Дороже всего обходятся данные и интеграция. Ориентир по России: по данным FinExpertiza, в 2024 году крупные и средние компании потратили на ИИ 90,3 млрд рублей, в среднем около 6 млн рублей на компанию. Конечно, это не точный прайс, многое зависит от конкретных систем, в которые нужно вписать нейросеть.

Сэкономить можно на порядке действий: один отдел, один бизнес-процесс, готовые сервисы вместо кастомной разработки, подготовленные данные.

Считать эффект внедрения нейросети сложно. Не всегда очевидны затраты, не всегда очевиден эффект. Однако, если вы заранее зафиксировали метрики и их исходное состояние, и тщательно подошли к измерению показателей во время пилота, то оценить эффективность вполне возможно.

Для пилота хватает пяти групп метрик: скорость, стоимость, качество, бизнес-эффект и т.н. adoption — доля сотрудников, которые реально пользуются инструментом. Из стандартных пригодятся DAU/MAU и CSAT.

Разберем условный пример.

Пусть поддержка в компании обрабатывает 10 тысяч обращений по 200 рублей. Автоматизировали 30% типовых обращений — экономия 600 тысяч рублей. Лицензии и поддержка стоят 150 тысяч, чистый эффект — 450 тысяч в месяц. Если запуск обошелся в 1,35 млн рублей, окупаемость — около трех месяцев.

Сравнивайте пилот с контрольной группой или периодом до запуска, учитывайте сезонность и не приписывайте весь рост эффекту от ИИ. Без чистых данных ROI останется оценкой, а не фактом. Масштабировать стоит, когда качество стабильно, расходы окупаются, а поддержка не требует героизма.

С каких рабочих процессов лучше начать внедрение нейросетей?

С участков, где ошибка стоит дешево, есть конкретный ответственный за результат и понятный объем операций. Обычно это поддержка, документы или внутренний поиск. Стратегические решения и юридически чувствительные задачи лучше отложить: там цена ошибки другая. Первый пилот должен дать результат за четыре–восемь недель.

Можно ли внедрить нейросети без программистов?

Для готовых сценариев — да. Сервисы и no-code позволяют собрать бота без единой строки кода. Но без ИТ-специалистов не обойтись: доступы, интеграция с CRM, защита данных и поддержка остаются на них.

Как обеспечить безопасность корпоративных данных при использовании ИИ?

Классифицируйте данные, зафиксируйте политику и роли доступа, запретите теневые сервисы, включите логирование. Чувствительные данные держите в закрытом контуре. И обучите людей: утечка чаще всего начинается с рабочего документа, отправленного в удобный личный чат.

Вывод простой: нейросети дают эффект не там, где выбрана самая сильная модель, а там, где есть понятный процесс для автоматизации, чистые данные, конкретная метрика эффективности и ответственный сотрудник. Начните с одного пилотного проекта, проанализируйте результат, прежде чем масштабировать его. И не превращайте внедрение ИИ в самоцель. Тогда технология останется инструментом, а не очередным проектом без результата.

Ну, а если к самостоятельному внедрению вы пока не готовы, вы можете обратиться в «Анарта». Мы поможем внедрить ИИ в работу с документами и повысить эффективность компании за счет нейросетей.