Как интегрировать искусственный интеллект в бизнес: от порядка в данных до реальной экономии времени команды

Фото: Ingram Publishing / Фотобанк Лори

Собственник бизнеса открывает чат с нейросетью, вставляет туда десяток договоров и просит собрать из них шаблон. Ответ выглядит гладко, звучит убедительно, читается как готовый документ. Через месяц юрист находит внутри пункт, которого модель попросту выдумала — потому что вводные данные свалили в одну кучу без разметки, а сама модель отвечала наугад. 

Я управляю компанией "Зинин, Штурбин и партнёры" и вижу эту схему в разных декорациях: контент, воронка продаж, документы, поддержка клиентов, работа с маркетплейсами. Причина внутри одна и та же: инструмент подключили раньше, чем разобрали данные, на которых он должен работать.

Порядок в данных — фундамент, без которого любой инструмент выдает мусор

Нейросеть работает статистическим угадывателем: она ищет продолжение текста, похожее на миллиарды примеров из обучения, и переносит эту похожесть на данные конкретной компании. Когда на входе связный, размеченный массив, модель находит закономерности и возвращает точный, проверяемый ответ. Когда на входе свалка из разных версий одного документа, противоречащих друг другу таблиц и обрывков переписки — модель домысливает недостающее с той же уверенностью, с какой выдает правду. Она физически лишена способности отличить свежий прайс-лист от прошлогоднего, если оба лежат в одной папке под похожими именами.

Навести порядок на практике — это четыре конкретных действия, которые я прохожу с командой клиента перед тем, как подключать любой инструмент.

Первое. Свести источники информации в одно место. У большинства компаний одна и та же цена товара живет в прайс-листе, в таблице у менеджера по продажам, в карточке на маркетплейсе и в голове бухгалтера — и все четыре версии разные. Такие расхождения команда клиента находит на первой же встрече, и дальше для каждого типа данных — остатки, цены, статусы клиентов, договорные условия — мы назначаем единственный актуальный источник.

Второе. Разметить документы по типу и структуре. Счет, договор, коммерческое предложение и переписка с клиентом требуют разного набора полей. Прежде чем подключать систему распознавания документов, вместе с командой описываю: какие поля обязательны для каждого типа, где они физически расположены на странице, какой формат у даты и суммы.

Третье. Почистить дубли и устаревшие записи. Клиентская база с тремя карточками одного человека под разными написаниями имени превращает любую воронку продаж в источник дублей и раздраженных звонков "вам уже писали".

Четвертое. Связать данные между собой ключами. Заказ ссылается на клиента, клиент — на менеджера, документ — на сделку. Без этих связей нейросеть видит набор разрозненных фактов и склеивает их наугад. С ними — работает как настоящая база данных, где каждый ответ проверяем.   

Эти четыре шага стоят ровно времени сотрудников, которые их выполняют — и больше ничего. Экономия начинается именно здесь, а инструмент дальше только ускоряет то, что уже приведено в порядок.

Прогнозирование продаж с использованием искусственного интеллекта: опыт селлера с примером кода

Четыре типа задач, где искусственный интеллект реально экономит время команде

После наведения порядка в данных я подключаю инструменты в четырех направлениях, которые в моей практике дают самую быструю и предсказуемую отдачу.

Работа с контентом

Работа с контентом у меня начинается с корпуса текстов заказчика — постов, писем, карточек товаров, которые уже писала команда. Из этого корпуса собирается словарь бренда: какие слова использует компания, какой длины предложения, где уместен юмор, а где держится сухой деловой тон. Дальше словарь превращается в инструкцию для модели: конкретные примеры фраз бренда рядом с примерами чужого, наносного тона, который сразу выдает подмену.

Дальше выстраивается конвейер. Модель получает бриф на конкретный формат — пост, письмо рассылки, карточка товара — и выдает три-четыре черновика с разными заходами. Редактор в команде выбирает удачный вариант, докручивает факты и цифры, проверяет тон. Черновик проходит через модель, черновик проходит через человека — и только после этого уходит в публикацию.

Экономия времени строится на простой логике: редактор тратит силы на выбор и правку готового черновика, мучительный поиск заголовка с чистого листа отпадает из процесса. Узким местом остается редакторская проверка — и это правильное распределение сил, потому что решение о публикации и ответственность за факты остаются за человеком.

Воронка продаж

Воронка продаж — участок, где искусственный интеллект берет на себя первый контакт и часть квалификации, оставляя менеджеру теплых клиентов, готовых к разговору.

Механика такая. Заявка приходит из мессенджера, с сайта или из рекламы. Чат-бот задает серию вопросов, которые менеджер выясняет в первом звонке: бюджет, сроки, кто принимает решение, какая задача в действительности стоит за формальным запросом. Ответы уходят в CRM и превращаются в карточку с готовой квалификацией.

Дальше карточка проходит через скоринг — набор правил и обученную на истории сделок модель, которая расставляет приоритет: этот клиент похож на тех, кто раньше покупал быстро и по полной цене, а этот — на тех, кто уходит после первого звонка. Горячие карточки летят менеджеру с пометкой "звонить сейчас". Теплые попадают в цепочку писем и сообщений, которая греет клиента фактами о продукте, пока он дозревает. Холодные откладываются в архив с пометкой, почему они холодные — это экономит время следующему менеджеру, который откроет карточку месяцы спустя.

Менеджер в этой связке освобождается от рутинного "спросить бюджет и сроки" и тратит время на разговор про суть сделки, где нужны переговорные навыки и живое понимание контекста клиента.

База знаний по документам, или RAG     

База знаний с ответами по документам — направление, которое чаще называют аббревиатурой RAG, поиск с дополнением по найденным фрагментам. Устроено это так.

Беру все документы компании — регламенты, договоры, инструкции, переписку с ответами на частые вопросы — и разбиваю их на смысловые фрагменты по несколько абзацев каждый. Каждый фрагмент превращается в числовой вектор, который описывает его смысл, и попадает в отдельную базу — векторное хранилище.

Когда сотрудник задает вопрос в чате, вопрос тоже превращается в вектор, и система ищет в хранилище фрагменты, максимально близкие по смыслу. Найденные фрагменты — три-пять кусков из разных документов — передаются модели вместе с инструкцией: ответить строго на основе этих фрагментов и указать, из какого документа взят каждый факт.

Ключевая деталь, которая отличает рабочую базу знаний от игрушки, — жесткий запрет модели придумывать ответ, когда подходящих фрагментов среди найденных нет. Тогда система честно возвращает: "информация в базе отсутствует, уточните у ответственного сотрудника" — вместо гладкого, но выдуманного текста.

Такая база берет на себя типовые вопросы новых сотрудников, клиентской поддержки, отдела продаж — какие условия рассрочки, что входит в тариф, как оформить возврат — и отвечает мгновенно, ссылаясь на конкретный пункт регламента. Живой сотрудник подключается там, где вопрос выходит за пределы документов или требует толкования, а это ровно та часть работы, где человеку и положено принимать решение.

Распознавание и обработка документов

Распознавание и обработка документов закрывает работу, которая в среднем бизнесе годами лежит на плечах бухгалтера или менеджера, вручную перепечатывающего цифры из счета в таблицу.

Работа устроена в три слоя:

• Первый слой — распознавание: скан или фото документа проходит через модель, которая читает текст независимо от качества скана, наклона страницы, печати поверх текста.
• Второй слой — классификация: система определяет тип документа (счет, накладная, УПД, договор) и достает из него структурированные поля — сумма, дата, контрагент, номер, позиции таблицы.
• Третий слой — проверка: система сверяет извлеченные данные с тем, что уже есть в учете, и находит расхождения — сумма в счете отличается от суммы в заказе, реквизиты контрагента изменились, дата больше похожа на будущую, чем на прошедшую.

Документы, где модель уверена в результате, уходят в учетную систему сразу. Документы с низкой уверенностью или найденным расхождением падают в отдельную очередь для человека — с подсвеченным полем, которое вызвало сомнение. Бухгалтер видит это поле и проверяет только его, экономя время на пересмотре всего документа целиком.    

Эта связка особенно заметна там, где документов физически много и они однотипны: работа с поставщиками, логистика, маркетплейсы, где на каждую карточку товара и каждую поставку приходит пакет сопроводительных бумаг. Человек в этой схеме остается последней инстанцией по спорным случаям, рутинную перепечатку забирает система.

Где искусственный интеллект слабее человека

У всех четырех сценариев выше есть общий момент: человек остается внутри цикла осознанно, зрело, без иллюзии, что модели через год-два эту роль отберут.

Первое — проверка вывода. Модель считает вероятности. Проверка фактов в привычном смысле ей попросту недоступна. Она способна с одинаковой уверенностью выдать точную цифру и выдуманную — разница в тоне ответа отсутствует. Любой вывод, который уходит наружу — клиенту, в отчетность, в договор, — проходит через человека, который держит в голове реальный контекст и умеет заметить нестыковку.

Второе — ответственность. За решение отвечает конкретный человек с именем, должностью и подписью. Ответственность перед клиентом, налоговой или судом на модель возложить невозможно — юридически такая конструкция лишена смысла. Финальная подпись, финальное "да" на сделку, финальное решение по спорному документу остаются за сотрудником компании — инструмент лишь готовит материал для этого решения.

Третье — само решение в нестандартной ситуации. Модель хорошо работает там, где ситуация похожа на тысячи похожих случаев из обучения. Она путается, когда клиент просит нестандартные условия, когда в переговорах всплывает личный мотив, который знают только участники разговора, когда сделка ломает привычный шаблон. Здесь опыт и интуиция человека решают больше, чем любая статистика.

Четвертое — контекст конкретной сделки. Менеджер помнит, что этот клиент три месяца назад срывал сроки оплаты, что у него сложные отношения с прежним поставщиком, что сегодня он звонит в скверном настроении. Этот пласт контекста существует только в голове менеджера — ни в одной карточке CRM его нет. Модель видит карточку клиента: набор полей и статусов. Живого человека на другом конце звонка видит только сотрудник компании.

Практический вывод простой: искусственный интеллект хорошо снимает объем — черновики, поиск по документам, первичную квалификацию, распознавание. Финальное решение, ответственность за него и живой контакт с человеком на другой стороне сделки остаются за сотрудником.

С чего начать уже завтра

Пять шагов, которые я советую сделать в первую неделю — до подключения любого инструмента. 

1. Собрать в одну таблицу все места, где хранится клиентская база, прайс и договорная база, и отметить, какая версия актуальна на сегодня.
2. Выбрать один процесс с понятным объемом рутины — обработку счетов, ответы на типовые вопросы клиентов, черновики постов — и описать его шаг за шагом, как он устроен у сотрудника прямо сейчас.
3. Собрать корпус реальных документов или текстов этого процесса — достаточно небольшой, но живой выборки того, чем реально пользуется команда каждый день.
4. Назначить внутри команды человека, который будет проверять первые результаты модели и держать связь между инструментом и остальной командой.
5. Запустить инструмент на этом одном процессе, измерить, сколько времени он реально экономит, и только потом расширять на соседние задачи.

Из всех проектов, которые я запускал, самые провальные начинались с покупки инструмента. Самые удачные — с наведения порядка в собственных данных: это работа своими руками команды клиента, без дополнительных затрат сверх ее обычной зарплаты.     17:2