У любой компании в какой-то момент появляется человек, который знает слишком много. Не в смысле «гений команды», а в самом бытовом: он знает, где лежит нужный файл, какая версия прайса сейчас действует, что ответить клиенту в спорной ситуации и кому написать, если бухгалтерия опять что-то не провела. Новый сотрудник пару недель ходит за ним хвостиком: «А это где посмотреть?», «А мы так уже делали?», «А что ему обычно отвечаем?». Потом привыкает. И через пару лет уже сам становится таким человеком.
Проблема в том, что вместе с этим знанием растёт странная зависимость от конкретных людей. Один ушёл в отпуск — и внезапно все начали вспоминать, где же тот самый регламент. Второй заболел — и заказ на две недели завис, потому что только он помнил, как устроен этот обмен. Формально документы в компании есть. База знаний есть. Инструкции есть. Только найти в них ответ иногда сложнее, чем спросить у человека.
Вот здесь ИИ перестаёт быть игрушкой и начинает иметь практический смысл.
Одна задача вместо «умной компании»
Не обязательно строить «умную компанию» целиком. Можно взять один вполне скучный процесс и посмотреть, что получится. Например, внутреннюю поддержку: сотрудник задаёт вопрос обычным языком, ассистент ищет ответ среди ваших документов, показывает нужный фрагмент и даёт ссылку на источник. Если ничего подходящего не нашлось, он не обязан изображать всезнайку — можно передать вопрос человеку.
То же самое касается клиентской поддержки. Менеджер получает обращение, ассистент разбирает его, находит информацию в базе, готовит черновик ответа. На простых вопросах это экономит минуты, на сотнях обращений в день — уже часы. А если случай сложный, сотрудник получает его вместе с контекстом, а не открывает диалог, в котором написано только «добрый день, у меня проблема».
Документы
Ещё интереснее история с документами. Есть компании, где люди до сих пор вручную читают договоры, заявки и анкеты, выписывают несколько полей и потом заносят их в CRM. Работа не сложная, но внимательность нужна железная. Человек вполне может сделать всё правильно девяносто девять раз, а сотый окажется пятницей в 18:40. Машине такие задачи подходят гораздо лучше.
С чего начинаем
Но мы бы не начинали разговор с «какую модель будем использовать». Это вообще не первый вопрос. Сначала нужно понять, где у вас сегодня действительно пропадает время. Что сотрудник делает каждый день? Где он ищет информацию? Что копирует? Что перепроверяет? Что зависит от одного конкретного человека? И только когда это становится понятно, можно решать, нужен здесь ИИ, обычная автоматизация или вообще ничего не нужно менять.
С данными история такая же. Для одного проекта нормально использовать внешнюю модель через API. Для другого информация настолько чувствительная, что разумнее держать обработку внутри собственного контура. Где-то достаточно ограничить доступ к отдельным источникам. Где-то нужна локальная модель. Универсального ответа здесь нет, и как раз поэтому не стоит начинать с технологии.
Пилот
Обычно мы предлагаем пилот на одной задаче. Две-шесть недель — не потому, что ИИ обязательно внедряется за такой срок, а потому, что этого достаточно, чтобы перестать спорить на уровне теории и посмотреть на реальную работу. Если получилось — расширяем. Если нет, меняем подход. А если выяснилось, что нейросеть здесь вообще не нужна, ну и хорошо. Гораздо дешевле узнать это за месяц, чем узнать через полгода после большого проекта.
Как это выглядит в итоге
Хороший AI-проект в итоге почти не выглядит как «AI-проект». Просто человек перестаёт двадцать минут искать нужный документ. Менеджер получает нормальный черновик вместо пустого окна. Новый сотрудник может сам найти ответ и не дёргать старшего. Вроде ничего грандиозного. Но именно из таких мелочей потом и складывается ощущение, что компания работает легче.