Классическая роботизация хорошо справлялась с операциями по жёстким правилам: перенести данные из одной системы в другую, сверить реквизиты, сформировать отчёт. Всё, что требовало прочитать письмо, разобрать скан или понять смысл обращения, оставалось людям. Языковые модели и компьютерное зрение сдвинули эту границу. Управленческий вопрос теперь звучит так: какие рутинные операции стоит отдать связке «робот плюс ИИ», где оставить человека и как не превратить автоматизацию в парк неподдерживаемых скриптов.
Где интеллектуальная автоматизация уже окупается
В открытой базе platforms.su более 1300 кейсов ИИ, и заметная их часть посвящена именно рутине. Чаще всего встречаются пять сценариев.
Разбор входящих документов
Задача: письма с десятками вложений, сканы, первичные бухгалтерские документы, заявления клиентов. ИИ классифицирует файлы, распознаёт текст, в том числе плохого качества, извлекает поля и заносит их в учётную систему. Типичный результат – ввод одного пакета сокращается с десятков минут до секунд или минут, скорость обработки потока растёт в 2–3 раза. Доля документов, которые проходят без участия человека, обычно составляет 60–70%, остальное уходит на проверку.
Подготовка типовых документов
Задача: договоры, дополнительные соглашения, иски, справки, ответы на обращения. Шаблон с подстановкой данных из реестров и учётных систем плюс языковая модель для свободных частей текста. Подготовка типового документа ускоряется примерно в 3 раза, а массовые пакеты, которые раньше требовали недели, собираются за сутки. Юристы и специалисты переключаются на нестандартные случаи.
Массовая проверка фото и отчётов
Задача: фотоотчёты из точек продаж, анкеты, подтверждающие снимки. Набор моделей компьютерного зрения выполняет десятки типовых проверок, пограничные случаи направляются модератору. В кейсах этого типа обработка ускоряется в несколько раз, операционные расходы на модерацию снижаются примерно вдвое, а доля анкет, закрытых в день подачи, растёт с нуля до заметной величины.
Ответы на типовые обращения сотрудников и клиентов
Задача: вопросы о расчётных листах, отпусках, статусе заявки, городских услугах. Чат-бот на базе языковой модели с доступом к базе знаний и учётным системам отвечает сам и передаёт оператору только сложное. Типичная доля обращений без участия оператора – от половины до 70%. В кадровых процессах трудозатраты на отдельные операции снижаются на 50–70%.
Подбор персонала
Задача: сотни откликов на массовые вакансии. ИИ генерирует описание вакансии, оценивает отклики, ведёт первичный диалог, проводит видеоинтервью. В нескольких кейсах срок закрытия массовых вакансий сокращается примерно на 40%, стоимость найма снижается на 20–40%.
Отдельный пласт – помощники для разработчиков и офисных сотрудников в закрытом контуре. Там эффект измеряют приростом скорости типовых задач: 25–40% для генерации кода и тестов. Это уже не автоматизация процесса, а повышение производительности человека, и считать его нужно иначе.
Что отличает удачные проекты
- Процесс описан до автоматизации. Удачные проекты начинаются с карты процесса и замера: сколько операций, сколько минут на каждую, где ошибки. Без этого нечем подтвердить эффект.
- Человек остаётся в контуре. Модель работает с порогом уверенности: всё, что ниже порога, уходит специалисту. Это позволяет запускаться при точности ниже 100% и повышать долю автоматики постепенно.
- Объём оправдывает затраты. Эффект виден там, где операций тысячи и миллионы в месяц. Процесс на 50 документов в неделю редко окупает интеграцию.
- Есть владелец портфеля роботов. В организациях с десятками роботов создают центр компетенций: единые стандарты, мониторинг, приоритеты. Там совокупный эффект измеряется высвобождением сотен ставок и сотнями миллионов рублей.
- Данные не уходят за периметр. Многие проекты стартовали только после развёртывания моделей в закрытом контуре. Вопрос безопасности решают в начале, а не на этапе согласования с ИБ.
Типовые ошибки руководителей
- Автоматизировать хаос. Робот повторяет процесс как есть, со всеми лишними согласованиями. Сначала упрощение, затем автоматизация.
- Требовать 100% точности на старте. Проект застревает в пилоте. Правильная цель – доля автоматической обработки и качество на проверяемой выборке.
- Строить роботов на хрупких интерфейсах. Скрипты, завязанные на экранные формы, ломаются при каждом обновлении. Аналитики начинают тратить время на поддержку вместо развития.
- Считать эффект в сэкономленных часах, которые никуда не делись. Высвобожденное время нужно перераспределить на конкретные задачи или учесть в плане найма. Иначе экономия остаётся на бумаге.
- Раздать доступ к языковым моделям без обучения. Сотрудники не знают, какие задачи решать, и используют инструмент для переписки. Обучение и библиотека сценариев – обязательная часть внедрения.
- Игнорировать замену платформы. Часть компаний была вынуждена переносить десятки роботов на отечественное ПО. Зависимость от одной платформы стоит оценить заранее.
Как начать: план на 6 недель
- Неделя 1. Собрать список 10–15 процессов с большим объёмом однотипных операций. Для каждого – объём в месяц, трудозатраты, доля ошибок, владелец.
- Неделя 2. Отобрать 2–3 кандидата по трём критериям: объём, стабильность правил, доступность данных. Исключить процессы, которые планируется менять в ближайший год.
- Неделя 3. Сделать замер базовой линии на выбранном процессе: время, стоимость операции, ошибки. Согласовать с ИБ контур размещения моделей.
- Недели 4–5. Запустить прототип на реальном потоке в режиме подсказки: ИИ предлагает, человек подтверждает. Фиксировать долю согласий и тип расхождений.
- Неделя 6. Решение о промышленном запуске: какую долю отдаём автоматике, какой порог уверенности, кто отвечает за поддержку, как высвобожденное время будет использовано.
Вопросы команде или подрядчику
- Какую долю операций решение обработает без человека и как это проверено на наших данных, а не на демонстрационных?
- Что происходит с операцией, если модель не уверена или система-источник недоступна?
- Где размещаются модели и какие данные покидают наш контур?
- Сколько стоит поддержка робота в год и кто правит его при изменении интерфейсов и регламентов?
- Как будет измеряться эффект через 3 и 12 месяцев, кто подписывает базовую линию?
- Можно ли перенести сценарии на другую платформу и в каком формате они хранятся?
- Какие кейсы с похожим объёмом и типом документов уже работают в эксплуатации?
Итог
Интеллектуальная автоматизация даёт эффект там, где есть большой поток однотипных операций, измеренная базовая линия и человек на пограничных случаях. Начинать стоит с одного процесса и честного замера, а не с закупки платформы. Ориентиры по похожим проектам можно найти в базе кейсов ИИ на platforms.su. Центр компетенций ИИ проводит экспресс-диагностику процессов и независимую оценку пилотов.
Разобрать вашу задачу
За 30 минут оценим, где ИИ даст эффект в вашей компании и с чего начать.