ИИ-агенты для бизнеса обычно начинают внедрять с самого большого куска. Пусть отвечает клиентам, следит за продажами, ведёт CRM и заодно готовит отчёты. Получается электронный сотрудник, которого просто нанимаешь и не думаешь.
Я бы с этого не начинал.
Можно убить три месяца на сложную автоматизацию, которая сэкономит бизнесу пятьдесят тысяч рублей. А рядом лежит процесс, который собирается за два вечера с той же экономией. Начинать стоит со второго — и не потому, что он проще, а потому что на нём вы поймёте, как эта штука вообще работает.
Поэтому «автоматизировать продажи» — не задача. А вот разобрать звонок, заполнить карточку клиента или собрать недельный отчёт — три понятных процесса, о которых уже можно разговаривать.
Разберу, как найти такой процесс у себя, как посчитать, сходится ли экономика, и как провести пилот, который не развалится на первой же нестандартной ситуации.
С чего начинают чаще всего — и почему это не работает
Типичный сценарий выглядит так. Компания решает, что пора внедрять ИИ-агентов, выделяет бюджет и ставит цель уровня «автоматизировать работу с клиентами». Дальше три месяца уходят на выбор платформы, ещё месяц на интеграции, а на выходе получается система, которой никто не пользуется.
Причин обычно три, и все три предсказуемые.
Задача была сформулирована как направление, а не как работа. «Работа с клиентами» состоит из двадцати разных действий с разными данными. Автоматизировать направление нельзя — можно только конкретное действие внутри него.
Никто не описал, что считается хорошим результатом. Пока этого нет, ИИ-агент работает по собственному представлению об успехе, а вы обнаруживаете расхождение через месяц.
Не считали экономику. Внедрение стоило дороже, чем экономит, но узнали об этом уже после запуска — потому что считали стоимость модели, а не стоимость всего процесса вместе с проверками.
Обратный подход занимает меньше времени и даёт результат: одна маленькая работа, доведённая до конца, потом следующая. Через полгода таких работ набирается десяток, и они складываются в ту самую автоматизацию, которую пытались построить сразу.
Сначала вытащите процессы из головы
Не пытайтесь перечислить все процессы компании — утонете. Возьмите последнюю обычную неделю и вспомните, чем занимались продажи, поддержка, бухгалтерия и вы сами.
Дальше — важный момент. Если открыть чат и спросить «какие процессы автоматизировать в моём бизнесе», вы получите стандартный набор: лидогенерация, аналитика, контент, поддержка. Такой список подходит любой компании и не помогает решить, что делать завтра утром.
Нужен другой результат — не совет, а интервью о том, как устроена ваша работа. Промт для этого:
«Я владелец компании, которая занимается [чем]. В команде есть [роли].
Помоги найти повторяющиеся работы, которые имеет смысл проверить на автоматизацию.
Сначала проведи со мной интервью. Задавай по одному вопросу и жди ответа. Выясни: что сотрудники делают каждый день и каждую неделю; с чего начинается каждая работа; какие данные и программы в ней используются; что человек делает по шагам; где бывают исключения; как выглядит готовый результат; сколько времени уходит; что произойдёт при ошибке.
Не предлагай сервисы, пока мы не разберём хотя бы пять повторяющихся работ.
В конце выбери три процесса, которые стоит разобрать подробнее».
Ключевое здесь — «по одному вопросу и жди ответа». Без этого вы получите список из двадцати вопросов, на который никто не станет отвечать.
Трёх-четырёх вопросов обычно хватает, чтобы вместо расплывчатого «собирает отчёт» появились источники данных, исключения и точка, где человек останавливается и думает. Это и нужно вытаскивать.
Если на какой-то вопрос ответа нет, не спешите объявлять процесс сломанным. Сначала проверьте, влияет ли ответ на результат. Возможно, правило действительно нигде не записано — и это отдельная находка, полезная сама по себе.
И заметьте: на этом этапе никакие ИИ-агенты вам не нужны. Доступов к CRM и почте тоже. Вы пока не строите систему, а разбираетесь в собственной работе — для этого хватает обычного чата.
«Автоматизировать продажи» — не задача
В продажах есть поиск клиентов, звонки, коммерческие предложения, заполнение CRM, контроль оплат и ещё десяток разных работ. У каждой свои данные, свои исключения и своя цена ошибки. Один ИИ-агент на всё это не собирается.
Возьмём кусок поменьше: заполнить CRM после звонка.
Менеджер заканчивает созвон и записывает, что обсудили, о чём договорились, какой следующий шаг и когда связаться. Один клиент обещал прислать документ. Другой попросил вернуться через месяц. Третий передумал.
На входе запись звонка. На выходе — конкретные поля карточки. Менеджер за минуту проверит, правильно ли система поняла договорённости. Вот это уже задача.
Разбирать её можно тем же способом — продолжите разговор в том же чате:
«Теперь разберём одну работу: [название].
Задавай по одному вопросу, пока не выяснишь: что запускает работу и что приходит на вход; откуда берутся дополнительные данные; какие действия повторяются всегда; где сотрудник решает по ситуации; что считается готовым результатом и кто его проверяет; какие случаи ломают обычный порядок.
После интервью опиши процесс обычным русским языком. Отдельно выпиши всё, что осталось непонятным. Ничего не додумывай за сотрудников».
Готовое описание обязательно покажите тому, кто делает эту работу сейчас. Он добавит то, что владелец пропускает: «перед заполнением мы ещё проверяем долг», «этот файл приходит только по пятницам», «сумму без НДС мы записываем в другое поле».
Я свою автоматизацию наращивал ровно так, кусками. Сначала отдал агенту проверку кода плагина на соответствие стандарту. Потом — сверку строк перевода, которые я регулярно забывал обновлять. Потом проверку совместимости с новыми версиями WordPress. Каждый кусок отдельно, каждый со своим понятным результатом.
Как понять, что процесс выбран правильно
Есть простой признак. Опишите выбранную работу одним предложением по схеме «получаем такое-то, делаем такое-то, на выходе такое-то». Если предложение получилось — процесс подходящий. Если пришлось писать абзац с оговорками — он ещё слишком большой, режьте дальше.
Второй признак: вы можете назвать человека, который проверит результат за минуту. Не «отдел проверит», а конкретный сотрудник и конкретное действие. Если такого человека нет, ИИ-агент будет работать в пустоту, и его ошибки никто не заметит.
Третий: вы знаете, что произойдёт при ошибке. Не в общих словах, а конкретно — кто пострадает, сколько это стоит и как исправить. Процессы, где ответа нет, откладывайте: не потому что они плохие, а потому что не первые.
Иногда лучший результат — бот без нейросети
Представим: клиенты пишут вам в мессенджер, менеджер каждый раз задаёт одни и те же вопросы — какая нужна услуга, какой бюджет, когда начинать, кто принимает решение. Потом переносит ответы в таблицу.
Соблазн — сразу строить агента: подключить базу знаний, научить рассказывать об услугах, самому отделять подходящие заявки. Для первого запуска это лишнее.
Начните с обычного бота, который задаёт вопросы по списку и складывает ответы в таблицу. Никакой нейросети внутри. Порядок вопросов не меняется, действия всегда одинаковые — значит, и думать тут не над чем.
Когда в таблице накопятся реальные ответы, можно добавить один вызов недорогой модели: пусть помечает заявки, подходящие под ваши условия. Но сам сбор данных пусть по-прежнему делает обычная программа.
Собрать такой бот поможет кодинг-агент — напишет код, подключит таблицу, запустит тесты. Но после запуска работать будет обычная программа по фиксированным правилам, и это её главное достоинство: она не выдумывает.
Задание для сборки должно быть конкретным. «Сделай бота для сбора брифа» не объясняет ничего: какой бриф, какие вопросы обязательны, куда сохранять, что делать, если клиент передумал на середине.
«Нужен телеграм-бот для сбора данных у нового клиента.
Бот по очереди задаёт десять вопросов из списка ниже. Вопросы 1, 2, 4 и 7 обязательные: если ответа нет, бот не идёт дальше и просит ответить ещё раз. После последнего вопроса показывает клиенту все ответы и просит подтвердить. Подтверждённые ответы дописывает новой строкой в таблицу.
Нейросеть внутри не нужна: порядок вопросов и действия всегда одинаковые.
Сначала покажи план, непонятные места и возможные ошибки. Код пиши только после моего подтверждения».
Как ставить такие задачи и не ломать то, что уже работает, я разбирал в статье про вайбкодинг.
Где нужна нейросеть, а где именно агент
Нейросеть нужна там, где фиксированных правил не хватает. Бухгалтер переносит в реестр счета от десятков поставщиков: один присылает PDF, другой фотографию, третий скан. Модель разберёт разные форматы, а проверит арифметику обычная программа.
ИИ-агент нужен там, где по ходу работы меняется следующий шаг. При сборке отчёта он сначала проверяет выгрузки. Не хватает файла с возвратами — запрашивает его. Цифры расходятся — останавливается и зовёт человека.
Разницу между агентом и обычным чат-ботом я подробно разбирал в отдельной статье, а Anthropic в своём разборе формулирует то же правило: агент оправдан, когда шаги нельзя расписать заранее.
Давать системе больше свободы, чем требует задача, смысла нет. Чем меньше у неё вариантов действий, тем дешевле запуск и проще проверка.
Почему свободы стоит давать меньше
Может показаться, что чем больше ИИ-агент умеет, тем он полезнее. На практике наоборот: каждая дополнительная возможность — это и лишний способ ошибиться, и лишняя строка в счёте.
Простой пример. Агент, который умеет только читать данные и складывать их в таблицу, не может испортить ничего. Тот же агент с правом менять записи в CRM уже может перезаписать чужую карточку, и вам понадобится способ это заметить.
Поэтому права выдают по одному, по мере необходимости, а не сразу пакетом. Первый месяц — только чтение и запись в отдельную таблицу. Дальше, когда доверие появилось, можно расширять.
Восемь процессов, которые стоит отдать ИИ-агенту первыми
Нужный масштаб — одна работа с понятным результатом, который сотрудник может быстро проверить. Не «автоматизировать поддержку», а отсортировать новые обращения.
После разговоров
1. Заполнение CRM после созвона. Система переносит из расшифровки договорённости, следующий шаг и дату контакта. Менеджер проверяет карточку вместо того, чтобы заполнять её с нуля.
2. Итоги внутренней встречи. Кто-то обычно пишет резюме и раздаёт задачи. Система достанет из записи задачи, назначит ответственных и соберёт сроки, а участники поправят формулировки.
3. Проверка звонков отдела продаж. Не абстрактная оценка «семь из десяти», а конкретные места: не выяснил бюджет, пропустил обязательный вопрос, не назначил следующий шаг. Руководитель слушает не все звонки подряд, а отмеченные.
Три процесса выше объединяет одно: на входе запись разговора, на выходе структурированный текст. Это самый благодарный класс задач для ИИ-агента — исходные данные всегда одного вида, а результат легко сверить с записью.
Во входящем потоке
4. Сортировка обращений в поддержку. Простой вопрос о режиме работы отделяется от спора по возврату. Сотрудники начинают день с того, что действительно требует человека.
5. Перенос данных из документов в реестр. Нейросеть извлекает реквизиты из счетов и актов разного вида, обычная программа проверяет арифметику, бухгалтер подтверждает.
6. Сводка отзывов с площадок. Скрипт собирает новые публикации, модель объединяет похожие жалобы, маркетолог смотрит готовую сводку вместо десяти вкладок.
Здесь ИИ-агенту достаётся не решение, а сортировка. Он не отвечает клиенту и не проводит платёж — он раскладывает поток так, чтобы человек занимался только тем, что требует человека. Такое разделение и даёт основную экономию: объём большой, а цена отдельной ошибки маленькая.
Во внутренней кухне
7. Еженедельный отчёт. Собирается из CRM, рекламных кабинетов и таблиц, ИИ-агент проверяет периоды и находит расхождения. Но причину падения продаж объясняет руководитель: система не знает про сломавшийся станок и уехавшего в отпуск менеджера.
8. Подготовка резюме к просмотру. Система показывает, где кандидат подтвердил обязательный опыт и какой информации не хватает. Решение о собеседовании остаётся человеку.
Какой бы процесс вы ни выбрали, его всё равно придётся разложить на входные данные, готовый результат, исключения и последствия ошибки. Одного названия для решения недостаточно.
Готовый сервис или свой ИИ-агент
Развилка возникает почти сразу, и однозначного ответа у неё нет.
Готовый сервис выигрывает там, где задача распространённая. Проверка звонков по скрипту, разбор счетов, сортировка обращений — под каждую есть продукты, и собирать своего ИИ-агента с нуля ради этого странно. Искать такой сервис стоит по названию работы, а не по словам «ИИ-агент для бизнеса»: во втором случае вы получите платформы, а не решения.
Свой ИИ-агент выигрывает там, где задача ваша. Внутренний процесс, свои правила, свои данные, которые никуда не хочется отдавать. Плюс полный контроль над тем, что система умеет, а чего не умеет принципиально.
Практически большинство компаний приходит к смеси: типовые куски закрывают сервисами, специфические собирают сами. И это нормально — важно не строить свой ИИ-агент там, где готовое решение работает лучше просто потому, что его дольше делали.
Что данные должны уметь, чтобы ИИ-агент заработал
Большинство неудачных внедрений упирается не в модель, а в данные. Про это редко пишут, потому что звучит скучно, но проверить стоит до того, как что-то настраивать.
Данные должны быть доступны программе, а не только человеку. Если отчёт по продажам существует в виде скриншота в переписке, ИИ-агент с ним ничего не сделает. Нужен файл, выгрузка или доступ к системе.
Формат должен быть предсказуемым. Не обязательно одинаковым — модель как раз хорошо справляется с разнообразием, — но предсказуемым. Пять типов счетов от пяти поставщиков это нормально. Ситуация, когда каждый месяц появляется новый формат, ломает любую автоматизацию.
Правила должны существовать хотя бы в голове. Если на вопрос «как вы решаете, куда отнести эту заявку» сотрудник отвечает «по ощущению», ИИ-агенту эту работу передать нельзя. Сначала правило надо сформулировать — и часто это само по себе полезнее автоматизации.
Должна быть история. Хотя бы несколько десятков примеров того, как работа делалась раньше. На них вы проверите, что система понимает задачу так же, как вы.
Если хоть один пункт не выполняется, начинать стоит не с ИИ-агента, а с наведения порядка в данных. Это скучнее, но без этого всё остальное бессмысленно.
Кто в компании отвечает за ИИ-агента
Вопрос звучит бюрократически, но без ответа на него автоматизация разваливается предсказуемо: система работает, ошибается, никто этого не замечает, доверие падает, ей перестают пользоваться.
Ролей нужно три, и это не обязательно три человека.
Владелец процесса. Тот, кто делал эту работу руками и знает исключения. Он принимает результат и говорит, что считается правильным. Без него ИИ-агент настраивается по представлениям руководителя о работе, а не по самой работе.
Тот, кто чинит. Система ломается — от изменений в исходных данных, обновлений сервисов, новых случаев. Если чинить некому, через месяц она просто выключится. Это не обязательно программист: часто хватает того же владельца процесса, умеющего поставить задачу агенту.
Тот, кто смотрит на цифры. Сколько результатов выдано, сколько пришлось переделать, сколько времени ушло на проверку. Без этих цифр разговор о пользе превращается в обмен впечатлениями.
В маленькой компании все три роли — это вы. Ничего страшного, важно только не потерять третью: именно она отвечает на вопрос, продолжать или выключать.
Чем эти восемь похожи между собой
Если присмотреться, у всех восьми процессов один и тот же набор свойств, и именно он делает их удачными первыми кандидатами.
Результат виден сразу. Заполненная карточка, отсортированное обращение, строка в реестре — всё это можно посмотреть и за минуту понять, правильно или нет. ИИ-агент, результат которого нельзя быстро проверить, не годится для первого запуска, каким бы полезным ни казался.
Ошибка обратима. Неверно заполненную карточку исправляют за полминуты. Это принципиально отличается от задач вроде отправки писем клиентам, где ошибку уже не отменить.
Объём достаточный. Работа повторяется десятки раз в месяц, а не дважды в квартал. Иначе, как мы увидим дальше, настройка не окупится никогда.
Человек остаётся в конце. Во всех восьми случаях последнее слово за сотрудником: ИИ-агент готовит, человек принимает. Убирать его из цепочки можно потом, когда накопится статистика, — а можно и не убирать, экономия и так есть.
Посчитайте, сколько стоит один готовый результат
Это тот расчёт, который обычно не делают, — и зря, потому что он часто закрывает вопрос ещё до начала работы.
Допустим, руководитель каждую неделю собирает отчёт по продажам: выгружает сделки из CRM, расходы из рекламных кабинетов, возвраты из таблицы бухгалтера. Полтора часа на отчёт.
Вы хотите отдать это агенту. Запуск модели стоит недорого, но это одна строка расходов из нескольких.
Настройка. Допустим, ушло три рабочих дня — 24 часа. Час вашего времени стоит бизнесу 1250 рублей. Значит, настройка обошлась в 30 000, даже если подрядчику никто не платил.
Дальше каждый отчёт тоже стоит денег:
- модель и сервер — 150 рублей;
- двадцать минут руководителя на проверку — 400 рублей;
- каждый пятый отчёт приходится править ещё час; в среднем это 240 рублей на отчёт.
Без учёта настройки один автоматический отчёт стоит 790 рублей против 1875 рублей ручного. Выглядит отлично.
Теперь распределим настройку. Если четыре подразделения за три месяца подготовят 50 отчётов, на каждый придётся ещё 600 рублей. Итого 1390 — всё ещё дешевле ручного.
А если за те же три месяца отчётов нужно всего десять, на каждый ляжет 3000 рублей настройки. С моделью и проверками выйдет 3790 — вдвое дороже ручной работы.
Вывод из этого арифметического упражнения простой: ИИ-агенты для бизнеса окупаются объёмом, а не фактом внедрения. Один и тот же процесс при разной частоте даёт противоположный ответ.
Когда ИИ-агент дороже, чем кажется
В расчёте выше есть строка, которую обычно недооценивают вдвое, — время на проверку. Кажется, что взглянуть на готовый отчёт это пять минут. На практике двадцать, потому что смотреть надо не на итог, а на то, откуда взялись цифры.
Вторая недооценённая строка — переделки. Пока ИИ-агент новый, доля результатов, требующих вмешательства, держится высокой: первый месяц это может быть каждый третий результат, а не каждый пятый. Считать экономику по идеальному сценарию — верный способ разочароваться.
И третья, о которой вспоминают в последнюю очередь, — поддержка. Изменился формат выгрузки, обновился сервис, добавилось новое поле в CRM. Раз в месяц кто-то тратит час на починку, и этот час тоже надо разложить на результаты.
Практический вывод: закладывайте вдвое больше, чем получилось по первому расчёту. Если при таком запасе автоматизация всё равно выигрывает — процесс выбран правильно.
Пять вопросов перед запуском ИИ-агента
Про выбранную работу нужно честно ответить на пять вопросов.
- Она часто повторяется, и хороший результат отличается от плохого?
- Порядок действий меняется — или хватит обычного бота?
- Экономика сходится с учётом настройки, проверок и переделок?
- Нужные данные можно получить, а доступ системы — ограничить?
- Ошибку получится заметить и исправить до того, как она навредит?
Дальше по ответам. Порядок всегда одинаковый — делайте обычную автоматизацию и берите следующий процесс. Не хватает данных или правил — поставьте задачу ответственному, а пока вернитесь к списку. Дороже ручной работы или слишком опасно — вычёркивайте.
Четвёртый вопрос стоит отдельного внимания. Доступ, который вы выдаёте системе, ограничивает не только риск ошибки, но и последствия чужого вмешательства — про этот класс проблем я писал в статье о том, чем опасен агент с полным доступом.
Так вы не решаете вопрос «нужна ли бизнесу автоматизация вообще». Вы проверяете один конкретный процесс: не подошёл — упростили, отложили или вычеркнули, взяли следующий.
Ещё одно соображение к пятому вопросу. Заметность ошибки важнее её вероятности. ИИ-агент, который ошибается в одном случае из десяти, но ошибка сразу видна, безопаснее того, который ошибается раз в сто — зато незаметно и накапливает последствия месяцами.
И последнее по вопросам: отвечайте на них до того, как выбрали инструмент. Обратный порядок — сначала платформа, потом поиск задачи под неё — встречается чаще, чем хотелось бы, и почти всегда заканчивается одинаково.
Три ошибки, из-за которых внедрение срывается
Они повторяются достаточно часто, чтобы стоило перечислить их отдельно.
Ошибка первая: доверять отчёту вместо результата. ИИ-агент сообщает, что задача выполнена, и это сообщение принимают за факт. Через две недели выясняется, что треть карточек в CRM заполнена неверно, но никто не проверял, потому что «система же написала, что готово». Проверка результата должна быть встроена в процесс, а не оставлена на добрую волю.
Ошибка вторая: расширять задачу до того, как заработала первая. Агент неплохо справляется с сортировкой обращений — и ему тут же добавляют ответы клиентам, потом заведение задач, потом отчётность. Каждое расширение снижает предсказуемость, и в какой-то момент система начинает ошибаться там, где раньше работала. Расширяйте только после того, как текущий кусок отработал месяц без сюрпризов.
Ошибка третья: убирать человека слишком рано. Экономия появляется, когда сотрудник перестаёт делать работу руками, и соблазн выключить ручной процесс возникает на второй неделе. Но именно ручной процесс — ваша страховка на случай, когда ИИ-агент встанет: кончился лимит, изменился формат выгрузки, обновился сервис. Держите его хотя бы месяц.
Общее у всех трёх — попытка получить результат раньше, чем система его заслужила. Автоматизация окупается на дистанции, и торопливость здесь стоит дороже, чем медленный старт.
Есть и четвёртая, менее заметная: считать, что ИИ-агент заменяет сотрудника целиком. Он забирает часть работы — обычно самую механическую, — а остальное остаётся человеку. Компании, которые планировали сокращение и не получили его, обычно объявляют внедрение провалом, хотя система работает как задумано. Считать надо освободившиеся часы, а не освободившиеся ставки.
Пилот должен пережить обычную неделю
Красивая демонстрация ничего не доказывает. Дайте системе обычные задачи, неприятные исключения и случаи, где правильный ответ — остановиться и позвать человека.
До запуска запишите на одной странице: что ИИ-агент получает на вход, что должен вернуть, что ему разрешено делать, когда обязан остановиться и сколько эта работа занимает сейчас. Последняя цифра нужна, чтобы потом было с чем сравнивать.
План теста можно подготовить в том же чате:
«Ниже описание процесса, примеры входных данных и правила хорошего результата.
Составь план небольшого пилота. Включи: обычные рабочие случаи; неполные и противоречивые данные; редкие исключения; попытку выполнить запрещённое действие; случай, где система обязана остановиться и позвать человека.
Для каждой проверки укажи вход, ожидаемый результат, ошибку и проверяющего. Не придумывай новые правила бизнеса. Если чего-то не хватает — задай вопрос».
Готовый план обязательно покажите сотруднику, который делает эту работу. Чат составит аккуратный набор тестов и не будет знать, что фотография счёта в мессенджере встречается чаще идеального PDF, а половина клиентов пишет сумму прописью.
На время пилота сохраните ручной процесс. Ограничьте срок, бюджет и права системы. И записывайте не только удачные результаты, но и ошибки, остановки, время проверки и переделки — без этих цифр решение принимать не на чем.
В конце — само решение. Результат стабилен и экономика сходится: продолжайте. Ошибки повторяются в одном месте: сузьте задачу или подготовьте данные. Проверка съедает всю экономию или риск слишком высок: выключайте и берите следующий процесс.
И ещё одно наблюдение про пилоты. Самое ценное, что они дают, — не ответ «работает или нет», а список исключений, о которых вы не подозревали. Даже если ИИ-агент в итоге не пригодится, этот список останется полезным: он описывает вашу работу точнее, чем любая инструкция.
Отдельно проверьте на пилоте случай, когда ИИ-агент получает заведомо мусорные данные: пустой файл, обрезанную выгрузку, документ не того формата. Правильное поведение здесь — остановиться и сообщить, а не выдать правдоподобный результат из ничего. Именно на этой проверке чаще всего и выясняется, что система устроена не так, как вы думали.
Что делать, когда пилот прошёл
Успешный пилот — не финал, а начало нормальной эксплуатации, и на этом переходе теряется больше проектов, чем на самой сборке.
Первое: запишите правила. Всё, что вы выяснили за пилот — какие бывают исключения, где ИИ-агент обязан остановиться, что считается готовым результатом, — должно лежать в отдельном документе, а не в голове. Через три месяца вы это забудете, а новый сотрудник не узнает вовсе.
Второе: договоритесь, как часто смотрите на цифры. Раз в неделю первый месяц, дальше раз в месяц. Смотреть надо на долю результатов, которые пришлось переделывать: если она растёт, что-то поменялось во входных данных.
Третье: определите, что считается поводом выключить. Заранее, пока не жалко вложенного времени. Например: доля переделок выше трети две недели подряд — останавливаем и разбираемся. Без такого правила систему обычно тянут до последнего, потому что в неё уже вложились.
И четвёртое: только после этого берите следующий процесс. Два одновременно настраиваемых ИИ-агента дают не удвоенную пользу, а удвоенное количество мест, где что-то может пойти не так.
И держите в голове, что ИИ-агент — не разовая покупка, а процесс, который живёт вместе с бизнесом. Меняется работа — меняются правила, а значит, кто-то должен их обновлять. Компании, у которых это заложено с самого начала, доходят до пользы. Те, кто считал внедрение проектом с датой окончания, обычно нет.
Коротко
- Ищите не должность, а одну повторяющуюся работу. «Автоматизировать продажи» слишком широко, «после звонка заполнить пять полей в CRM» — уже задача.
- Сначала опишите работу как она есть: откуда данные, что делает человек, где исключения, кто принимает результат.
- Не тащите нейросеть туда, где порядок действий не меняется. Обычный бот дешевле и не выдумывает.
- Считайте стоимость одного готового результата с учётом настройки. При малом объёме автоматизация проигрывает ручной работе.
- Пилот проводите на обычной неделе, с исключениями и попытками сделать запрещённое.
- Сохраняйте ручной процесс, пока не убедились в новом.
Главная ошибка при внедрении — начинать с масштаба, а не с процесса. ИИ-агенты для бизнеса дают результат ровно там, где вы смогли объяснить, что считается хорошо сделанной работой. Не смогли объяснить человеку — не объясните и системе. Техническую часть, от описания процесса до сборки, я разобрал в пошаговом гайде.
