Обычно внедрение ИИ начинают с вопроса, какую нейросеть выбрать: GigaChat или YandexGPT, облако или свой сервер. Модель выбрана, доступ оплачен, сотрудники получили окно чата, а через пару месяцев никто не может сказать, что изменилось. На этом месте встают три вопроса. На каком процессе ИИ вообще окупится? Как понять, что он работает, а не просто бойко отвечает? И что делать с данными, которые нельзя выносить из компании? Разберём по порядку.
С чего начать внедрение ИИ в компании
Начните с одного процесса и замера. Выберите работу, которую сотрудники делают сотни раз в месяц по похожему образцу, и запишите, как она идёт сейчас: сколько штук в месяц, сколько минут уходит на каждую и во что обходится одна пропущенная ошибка. Эти числа понадобятся трижды. По ним вы выберете процесс, зададите точность, которую должен показать ИИ, и через месяц сравните результат. А модель выбирают последней, когда уже понятно, какую задачу она решает и какие данные в неё попадут.
Какой процесс отдать ИИ первым
Посчитаем на условной компании, у которой три кандидата: входящие счета поставщиков, обращения клиентов и договоры, которые проходят согласование у юриста. Числа условные, подставьте свои.
| Счета поставщиков | Обращения клиентов | Договоры | |
|---|---|---|---|
| Штук в месяц | 1 200 | 3 000 | 60 |
| Минут на штуку сейчас | 5 | 4 | 90 |
| Стоимость часа сотрудника | 900 ₽ | 700 ₽ | 2 000 ₽ |
| Во что процесс обходится в месяц | 90 000 ₽ | 140 000 ₽ | 180 000 ₽ |
| Цена одной пропущенной ошибки | 5 000 ₽ | 300 ₽ | может стоить сделки |
| Какую точность требуем от ИИ | 99 % полей | 85 % ответов без правки | юрист читает всё |
| Минут на штуку с ИИ | 1 | 1,5 | 60 |
| Экономия в месяц | 72 000 ₽ | 87 500 ₽ | 60 000 ₽ |
| Работа модели в месяц | 2 400 ₽ | 3 000 ₽ | 1 200 ₽ |
Самое спорное допущение в расчёте — строка «Минут на штуку с ИИ». Для счетов это проверка уже заполненных полей, для обращений — чтение и правка готового черновика. Для договоров это то же чтение юристом, только с подсвеченными отличиями от шаблона. Проверьте эту строку на своих людях: дайте сотруднику десяток готовых черновиков и засеките, сколько уходит на каждый.
Больше всего денег сейчас уходит на договоры, и кажется, что начинать надо с них. Расчёт показывает обратное: экономия там самая маленькая. Ошибка в договоре может стоить сделки, поэтому юрист всё равно читает каждый документ целиком, и ИИ, который подсвечивает отличия от шаблона, сокращает полтора часа работы только до часа.
Первым кандидатом здесь выходят обращения клиентов. Их много, одна ошибка стоит недорого, а черновик ответа сотрудник проверяет быстрее, чем пишет с нуля. Счета почти не уступают по экономии, но требуют точности 99 % по каждому полю, и её ещё придётся доказать на пилоте.
И ещё одна строка, на которую обычно не смотрят. Работа модели во всех трёх случаях оказалась самой маленькой статьёй расходов, потому что облачный сервис считает оплату по длине запроса и ответа, а тексты в нашем примере короткие. Экономию определяет другое: сколько работы остаётся человеку после модели.
Сначала разберём процесс и посчитаем, где ИИ окупится, а потом запустим его на части потока.
Как понять, что ИИ работает
Пилот запускают на части потока, например на одном отделе или одном типе документов. Перед стартом записывают порог точности из таблицы и способ его проверить. Для счетов это доля полей, которые совпали с исходным документом, для обращений — доля черновиков, которые сотрудник отправил без правок.
Через месяц минуты на штуку, число ошибок и долю случаев, которые ИИ передал человеку, сравнивают с тем, что записали до старта. Пока порог не достигнут, пилот не расширяют и ищут, откуда берутся ошибки: из данных, из инструкции модели или из самого процесса. Например, модель начнёт путать клиентов, если один и тот же справочник ведётся в двух системах по-разному.
Когда ИИ не нужен
ИИ лишний, если задачу надёжнее решает что-то проще. Вот признаки:
- данные перекладываются из одной программы в другую без изменений: здесь нужна интеграция, а модели нечего понимать;
- решение принимается по правилу, например счёт больше лимита уходит финансовому директору, и правило в учётной системе сработает одинаково каждый раз;
- процесс редкий, и десяток документов в месяц сотрудник обработает быстрее, чем вы настроите и проверите модель;
- ошибка стоит дорого, а проверить результат некому;
- ответ уже лежит в одном месте, и его находит обычный поиск.
Простая проверка перед любым ИИ-проектом — спросить, можно ли описать работу правилом «если…, то…», и если можно, начать с правила.
Что делать с данными, которые нельзя выносить
Если в процесс попадают персональные данные или коммерческая тайна, модель можно развернуть внутри компании, на своём сервере. Другой путь — убрать из текста персональные данные до того, как он уйдёт во внешний сервис. Оба варианта разобраны отдельно, в статьях о локальной нейросети для компании и об обезличивании данных.
Вопросы о первом ИИ-проекте
Сколько стоит внедрение ИИ в бизнес?
Разброс большой, и считать удобнее по частям. Это разработка и подключение к вашим системам, работа модели, сервер, если модель стоит у вас, и поддержка, в которую входит разбор случаев, переданных людям. Смету разумно просить после замера процесса, когда понятен объём.
Кто в компании должен отвечать за внедрение?
Человек, который отвечает за сам процесс и его показатель, например руководитель поддержки или главный бухгалтер. ИТ-отдел подключает системы, но решать, достаточно ли точен ИИ для работы, должен тот, кто отвечает за результат.
Можно ли начать с ChatGPT или GigaChat в браузере?
Для личных задач сотрудников можно, если в чат не уходят данные клиентов и внутренние документы. Для процесса этого мало. Результат из чата приходится переносить руками, а эффект трудно замерить, потому что работа идёт мимо рабочих систем.
- Yandex AI Studio, документация, раздел «Тарифы» — оплата моделей за входящие и исходящие токены.
Обновлено 28 сентября 2026 · Редакция Rule 90