Внедряем ИИ в реальные процессы - там, где правил недостаточно. Классификация обращений, поиск по базе знаний, разбор документов, черновики ответов, сводки звонков. Без хайпа: ИИ работает совместно с правилами и человеком, а не вместо них.
RAG-агент отвечает на вопросы сотрудников или клиентов по вашим документам, регламентам, базе знаний. С цитатами и ссылками на источники.
Извлечение полей из счетов, договоров, актов, сканов паспортов. ИИ + правила + проверка человеком на спорных случаях.
Входящие письма и обращения разбираются по теме, срочности, языку. Направляются в нужный отдел или попадают в нужную очередь CRM.
Черновики ответов клиентам, КП, кратких сводок встреч. Сотрудник проверяет и отправляет - на проверку уходит в разы меньше времени, чем на написание с нуля.
Много однотипных вопросов от клиентов, регламенты есть, но люди ищут их по чатам и Google Docs. ИИ-агент по базе знаний возвращает ответ с цитатой за секунды.
Поток счетов, актов, накладных в почте и PDF. Поля переносятся в 1С / CRM вручную, ошибки в реквизитах - норма. Подходит разбор документов с проверкой человеком на спорных.
Входящие письма и заявки руками сортируются по теме и менеджеру. ИИ-классификатор маршрутизирует автоматически, помечает срочность и язык, ускоряет первое касание.
Длинные звонки, переписки, исследования - нужны сводки и тегирование. ИИ собирает структурированные итоги, выделяет задачи, обновляет CRM или таск-трекер.
Когда классификация или маршрутизация требует 50+ условий и каждый месяц добавляются новые - это сигнал, что задача для LLM, а не для регулярок.
Ответы клиентам, КП, краткие сводки встреч - повторяющаяся работа, где у человека уходит больше времени на формулирование, чем на проверку готового текста.
Регламенты, инструкции, статьи лежат в Confluence/Notion/Google Drive, но команда всё равно дёргает экспертов. RAG-агент по этим документам снимает 60–80% повторных вопросов.
Счета, акты, договоры приходят в почте, кто-то вручную переносит данные в систему. Извлечение полей через ИИ + проверка человеком на спорных закрывает задачу.
Берём конкретную задачу, оцениваем - даст ли ИИ эффект и какой будет уровень качества. Если правил/скриптов достаточно - честно говорим и не предлагаем LLM.
На выборке ваших писем/документов/обращений собираем мини-агент. Прогоняем 50–200 примеров, считаем точность. Решаем, идём дальше или меняем подход.
Подключаем к CRM, почте, мессенджерам, документам. Добавляю логирование каждого вызова, fallback на человека, метрики качества, алерты на просадку точности.
Запускаем в работу, неделю-две смотрим выборку, правлю промпты и правила. Дальше - сопровождение и расширение по новым сценариям.
GPT-4o / GPT-4.1 / o-series для рассуждений и сложных задач, GPT-4o-mini - для массовых дешёвых вызовов. Структурный вывод (JSON schema), tool use для интеграций.
Llama 3.x, Qwen 2.5, GigaChat, YandexGPT - когда данные нельзя выпускать наружу. Развёртывание через vLLM / Ollama / TGI на сервере с GPU, контроль приватности полный.
Поиск по документам через embedding-модели (OpenAI text-embedding-3, BGE, multilingual-e5), векторные БД - Qdrant / pgvector / Weaviate. Re-ranker и фильтры по метаданным.
n8n для триггеров и интеграций (CRM, почта, мессенджеры), Python (LangChain / LlamaIndex / собственный код) для логики агента, промптов и проверок качества.
Если задача решается правилами, поиском или одной формой - не нужно тащить LLM. Это дороже, медленнее и менее предсказуемо. На скоупинге честно скажем.
Утверждение оплат, подписание договоров, медицинские/юридические рекомендации без человека - не наш профиль. ИИ может готовить, человек принимает решение.
RAG-агент хорош ровно настолько, насколько хороша ваша база. Если документы устарели, противоречат друг другу или их нет - сначала наводим порядок, потом подключаем ИИ.
На объёмах в десятки тысяч вызовов в день внешний API может выйти дорого. Заранее считаем смету и при необходимости переводим часть на локальную модель или дешёвую мини-модель.
Опишите процесс или приложите 10–20 примеров обращений / документов - пришлю короткий план, оценку качества и фикс-цену прототипа. Без обязательств.
Классификация, разбор документов, черновики ответов - задачи, на которые уходило 30–60% рабочего времени, начинают занимать минуты на проверку.
Первый ответ клиенту - за секунды, маршрутизация в нужный отдел - мгновенно. Конверсия первого касания растёт без расширения штата.
RAG-агент по базе знаний снимает зависимость от пары «носителей» - новые сотрудники быстрее выходят на самостоятельность.
Каждый вызов LLM логируется, точность измеряется, есть алерты на просадку. Решения проверяемы - это критично для отчёта руководству и аудита.
Хорошо работают: классификация писем и обращений, извлечение данных из документов и счетов, поиск по базе знаний с цитатами, генерация черновиков ответов и коммерческих предложений, краткие сводки больших переписок и звонков, маршрутизация обращений по теме и срочности. Хуже - задачи с жёсткой ценой ошибки без перепроверки человеком.
Подбираем под задачу. Для большинства бизнес-сценариев - OpenAI API или его аналоги. Для чувствительных данных и автономности - локальные LLM (Llama, Qwen, GigaChat) на вашем сервере. Embedding-модели для поиска - отдельный выбор по языку и качеству. Везде, где возможно, ИИ работает совместно с правилами, а не вместо них.
Если данные нельзя отправлять во внешние API - ставим локальную модель на вашем сервере. Все обращения логируются и аудируются. Для смешанных задач часть полей маскируется перед отправкой во внешний API, чувствительные поля обрабатываются локально. Подход определяем на этапе аудита, в зависимости от типа данных и требований безопасности.
Внедрение - это работа по проектированию, разработке и интеграции. Эксплуатация - стоимость API-запросов или серверных мощностей. На простых сценариях OpenAI обычно стоит копейки за обращение, на больших объёмах с RAG может выходить заметная сумма - считаем заранее, чтобы не было сюрпризов. Локальные модели - без оплаты за обращение, но нужен сервер с GPU.
Закладываю это в архитектуру. На критичных задачах ИИ работает в режиме «подскажи человеку»: готовит черновик, классифицирует, подсвечивает риски - но финальное действие за сотрудником. На массовых задачах с низкой ценой ошибки (например, тегирование) - автономно, но с регулярной выборочной проверкой и метриками качества.
Прототип на реальных данных и метрика качества - 1–2 недели. Полноценное внедрение с интеграцией в CRM/почту/мессенджер, логированием и fallback - обычно 3–6 недель в зависимости от количества источников и требований к точности. Сроки фиксируем после скоупинга.
В 90% бизнес-задач - нет. Хватает грамотных промптов, контекста из вашей базы знаний (RAG) и few-shot примеров. Fine-tuning берём только когда метрики качества доказали недостаток базового подхода - это редкие случаи, и заранее их обещать не буду.
Несколько слоёв защиты: ответы только из вашей базы знаний (RAG с цитатами), структурный вывод по JSON-схеме, валидация значений правилами, fallback на человека при низкой уверенности модели. Каждый вызов логируется - галлюцинации видны и измеримы, а не «гуляют» молча в проде.
Опишем, где ИИ реально даст эффект в вашем процессе, и сколько займёт внедрение. Без обязательств.
