Как внедрить ИИ в компании: с какого процесса начать

Первый ИИ-проект задаёт отношение компании к теме на годы вперёд. Удачный запуск даёт бюджет и доверие для следующих, провал – многолетний скепсис правления. Поэтому главный вопрос не «какую технологию взять», а «какой процесс выбрать, чтобы через 3–4 месяца показать измеримый результат». Ниже – критерии выбора, типовые сценарии и план на первые недели, собранные по реальным внедрениям в России.

В открытой базе кейсов ИИ на platforms.su собрано более 1300 описаний внедрений. Если отбросить исследовательские проекты и анонсы без результатов, удачные первые шаги повторяются из отрасли в отрасль.

Поиск ответов во внутренних документах

Задача: сотрудники тратят минуты и часы на поиск в регламентах, инструкциях по охране труда, базе знаний, а опытные коллеги отвлекаются на типовые вопросы. ИИ-ассистент на основе LLM и поиска по корпоративным документам (RAG) отвечает со ссылкой на конкретный пункт документа. Типичный результат – ответ за секунды вместо минут ручного поиска и заметная разгрузка наставников. Порог входа низкий: нужны актуальные документы и владелец базы знаний, который отвечает за их обновление. Без него ассистент через полгода начинает цитировать устаревшие версии регламентов.

Контроль качества и соблюдения регламентов по видео

Задача: визуальный контроль брака, шва, геометрии, выбросов, нарушений техники безопасности делается выборочно и с опозданием. Компьютерное зрение проверяет каждый объект или каждый кадр в реальном времени. В кейсах из промышленности и пищевого производства типичны кратное снижение числа нарушений или времени реакции и прямой эффект от сокращения брака. На отдельных линиях проекты окупаются меньше чем за год при инвестициях в сотни тысяч – единицы миллионов рублей.

Планирование и маршрутизация

Задача: логист или диспетчер вручную распределяет заявки, машины, смены. Оптимизационные алгоритмы с элементами машинного обучения строят план за минуты. В кейсах полный цикл планирования сокращается с часов до минут, логистические затраты в отдельных кейсах снижаются примерно на 15%. Данные для старта обычно уже есть в учётных системах.

Разбор обращений, заявок и документов

Задача: поток писем, претензий, первичных документов растёт быстрее штата. ИИ классифицирует, извлекает поля, маршрутизирует, часть обращений закрывает сам. Типовой результат – автоматическое закрытие 20–40% типовых обращений и обработка роста потока без найма.

Выявление аномалий и мошенничества

Задача: ручная проверка претензий, транзакций, счетов не успевает за объёмом. ML-модель оценивает каждую операцию за секунды и отправляет человеку только подозрительные. В страховании и банках эффект измеряется предотвращёнными потерями и считается прямо в деньгах, что упрощает защиту проекта перед финансовой службой. Условие – накопленная история размеченных случаев за год-два.

Удачные первые проекты почти всегда удовлетворяют пяти условиям.

• Массовость. Операция повторяется сотни и тысячи раз в месяц. Экономия минут на одной операции превращается в часы и ставки.
• Понятная базовая линия. Известно, сколько операция занимает сейчас, сколько стоит ошибка, сколько людей задействовано. Без этого эффект не доказать.
• Данные уже существуют. Документы, записи звонков, видеопотоки, история заявок есть в цифровом виде. Проект, который начинается с установки датчиков и сбора данных, редко даёт быстрый результат.
• Цена ошибки ИИ терпима. На старте ИИ подсказывает человеку, а не принимает необратимые решения. Сценарии, где ошибка модели ведёт к аварии или иску, лучше оставить на второй этап.
• Есть владелец процесса. Руководитель функции заинтересован в результате, готов выделить людей на разметку и проверку и отвечает за показатель.

Показательно, чего в списке нет: «стратегическая значимость» и «модная технология». Крупные трансформационные проекты, вроде замены всей учётной системы или построения платформы ИИ-агентов, в кейсах занимают от полугода до нескольких лет. Для первого шага это слишком долго.

• Начинать с самой большой боли. Самая болезненная проблема обычно самая сложная: плохие данные, много участников, политика. Первым лучше взять процесс с эффектом поменьше, но с высокой вероятностью успеха.
• Выбирать по технологии. «Нам нужен генеративный ИИ» – не постановка задачи. В базе кейсов предиктивная аналитика и компьютерное зрение дают измеримый эффект не реже, чем LLM.
• Не фиксировать исходные показатели. Через три месяца никто не помнит, сколько занимала операция до внедрения, и результат превращается в мнение.
• Запускать проект без пользователей. Решение строит ИТ, а сотрудники узнают о нём на запуске. Итог – параллельная работа «по-старому» и нулевой эффект.
• Ставить цель «полной автоматизации». Реалистичная цель первого проекта – ускорить или удешевить операцию в разы, оставив человеку контроль.
• Распыляться. Пять параллельных пилотов в разных функциях без общего владельца почти гарантированно не дойдут до эксплуатации.

1. Неделя 1. Длинный список. Руководители функций называют по 2–3 массовые операции, где люди тратят время на поиск, проверку, сверку, перенос данных. Обычно набирается 15–30 кандидатов.
2. Неделя 2. Оценка по критериям. Для каждого кандидата фиксируются объём операций в месяц, текущие затраты времени, наличие данных, цена ошибки, владелец. Простая шкала 1–5 по каждому критерию отсекает большую часть списка.
3. Неделя 3. Проверка данных. По 3–5 лидерам выгружается реальный образец: сотню документов, неделю записей, архив заявок. Здесь отсеивается ещё половина.
4. Неделя 4. Базовая линия и цель. Для 1–2 финалистов замеряются текущие показатели. Цель формулируется в цифрах, вместе с порогом, при котором проект останавливается.
5. Неделя 5. Выбор подхода. Готовое решение, доработка платформы или своя разработка. У 2–3 поставщиков запрашивается пилот на собственных данных компании, а не демонстрация на чужих.
6. Неделя 6. Решение правления. Бюджет пилота, сроки (обычно 2–4 месяца), команда, показатели успеха и условия перехода в эксплуатацию.

• Сколько раз в месяц выполняется эта операция и сколько времени она занимает сейчас, по замерам, а не по ощущениям?
• Где лежат данные, в каком формате и кто даст к ним доступ на этой неделе?
• Что произойдёт, если ИИ ошибётся, и кто увидит ошибку раньше клиента?
• Кто из руководителей отвечает за показатель и готов выделить людей на проверку результатов?
• Какой результат пилота мы будем считать успехом, а какой – поводом остановиться?
• Что нужно для перехода из пилота в эксплуатацию: интеграции, инфраструктура, обучение людей, и сколько это стоит?
• Есть ли похожие внедрения в нашей отрасли и какие результаты там получили?

Первый ИИ-проект выбирают не по масштабу амбиций, а по вероятности быстро показать измеримый эффект: массовая операция, готовые данные, терпимая цена ошибки, заинтересованный владелец. Такой выбор занимает 4–6 недель и экономит месяцы на неудачных пилотах. Центр компетенций ИИ проводит экспресс-диагностику процессов и помогает отобрать кандидатов для первого проекта.