В первую очередь стоит рассматривать повторяющиеся операции с текстами, документами, изображениями и накопленными данными, если результат можно проверить, а ошибки — обнаружить и исправить. Приоритет определяется объемом работы, стоимостью ручной обработки и готовностью процесса. Для однозначных правил может быть достаточно обычной автоматизации.
Ответ подготовлен за секунды. Проверка заняла десять минут. Если сотруднику пришлось заново искать сведения, исправлять выводы и переносить результат в учетную систему, ускорение генерации еще не означает ускорения работы.
Мы в Mad Brains предлагаем начинать с конкретной операции и измеримой проблемы. Например, сократить время разбора входящих документов, уменьшить повторный поиск инструкций или быстрее выявлять отклонения на изображениях. Статья адресована руководителям подразделений и ИТ-командам.
Система может определять тип документа, извлекать реквизиты и направлять материал в нужный процесс. Например, из заявки поставщика выделяются наименование позиции, количество и срок, после чего сотрудник проверяет спорные поля. Это позволяет автоматизировать часть подготовки, сохраняя контроль над значимыми данными.
Итоговую сумму, заполнение обязательных полей и соблюдение ограничений полезно проверять программными правилами. Модель распознает содержание, а проверка выявляет конкретное несоответствие. Плохо читаемый скан или отсутствующее приложение должны приводить к запросу уточнения, а не к заполнению пробела правдоподобным предположением.
По каким признакам выбирать процесс
Хороший кандидат сочетает повторяемость задачи с разнообразием входных данных. Компания ежедневно получает обращения одной тематики, но клиенты формулируют их по-разному. Или обрабатывает одинаковые реквизиты в документах разных поставщиков. Здесь требуется распознавание содержания, которое трудно описать небольшим набором жестких правил.
До выбора технологии мы рекомендуем проверить пять условий:
- Есть достаточный объем работы. Повторяющиеся операции создают измеримую нагрузку. Их автоматизация может оправдать разработку и поддержку.
- Понятен правильный результат. Можно показать примеры, сформулировать критерии и согласовать спорные случаи со специалистами.
- Доступны необходимые данные. Документы, изображения или история операций имеют приемлемое качество и могут использоваться в проекте.
- Предусмотрена обработка ошибок. Известно, какие случаи передаются человеку, кто их проверяет и как исправляется результат.
- Есть владелец процесса. Он отвечает за правила, внедрение в работу и оценку эффекта, а не только за получение технической демонстрации.
Какие направления стоит рассмотреть в первую очередь
Когда лучше обычная автоматизация
Не всякая повторяющаяся работа требует ИИ. Перенос структурированных данных, расчет по фиксированной формуле или проверка однозначного условия часто решаются интеграцией систем и программными правилами. Такие варианты стоит включать в сравнение до разработки.
В одном процессе технологии могут сочетаться. Например, модель извлекает сведения из письма, правила проверяют заполнение, интеграция создает карточку в CRM, а специалист разбирает исключения. Эффект зависит от согласованной работы этих этапов.
Где следует ограничить самостоятельность системы
Обработка документов и входящих сообщений
Для поддержки подходят классификация обращений, определение темы, поиск инструкции и подготовка проекта ответа. Автоматический ответ целесообразно рассматривать для согласованных сценариев, где система располагает необходимыми сведениями и может передать вопрос специалисту.
В обзоре NBER 2023 года по исследованию Generative AI at Work сообщалось о росте производительности сотрудников поддержки примерно на 14 % при использовании ИИ-помощника. Измерялось количество решенных вопросов в час. Это результат определенного внедрения с участием людей, а не гарантия аналогичного улучшения для любой службы.
Клиентская поддержка и внутренний сервис
Ассистент может помогать сотрудникам находить инструкции, требования к оформлению и сведения о продуктах. Польза возникает, когда поиск действительно занимает заметное время, а документы имеют владельцев и актуальные версии.
Мы рекомендуем показывать подтверждающий фрагмент и ссылку на исходный материал. Если источники противоречат друг другу или ответа в базе нет, это должно быть явно обозначено. Генеративная модель способна формулировать недостоверные сведения уверенным тоном, поэтому гладкий текст не заменяет подтверждение.
Поиск по корпоративной базе знаний
Компьютерное зрение можно применять для проверки комплектности, маркировки, видимых дефектов и состояния выкладки. Условие пригодности — наличие признака, который различим на изображении при выбранных камере, ракурсе и освещении.
В пилоте нужно учитывать реальные условия съемки: загрязнение, блики, перекрытия и различия между изделиями. Проверка на нескольких удачных фотографиях не показывает устойчивость решения. Отдельно измеряют пропуски и необоснованные предупреждения: оба вида ошибок способны создавать затраты.
Визуальный контроль на производстве и в ритейле
По истории операций можно оценивать будущий спрос, длительность работ или вероятность задержки. Но прогноз становится полезным, когда компания понимает, какое действие следует за ним: изменить заказ, проверить оборудование или пересмотреть график.
Точный сигнал не устранит проблему, если нет ответственного, ресурсов или времени для реакции. Поэтому такой пилот должен проверять не только модель, но и порядок принятия решения. Прогноз сравнивают с действующим методом на последующих данных, которые не использовались при настройке.
Прогнозирование и выявление отклонений
Первым проектом не всегда стоит выбирать решение, которое сразу выполняет действия с существенными последствиями. Изменение условий договора, проведение платежа или остановка линии требуют отдельно определенных полномочий и проверок. ИИ может начать с подготовки сведений и рекомендаций.
Полезно различать три режима: проект результата для сотрудника, выполнение после подтверждения и самостоятельная обработка в установленных пределах. Переход между ними должен опираться на испытания. Успешная подготовка черновиков не доказывает готовность к автономному исполнению.
Как рассчитать пользу и выбрать первый проект
Рассмотрим условный пример, не связанный с результатами проектов Mad Brains. Компания получает 6 000 документов в месяц. Сейчас на один документ уходит шесть минут, после внедрения — две минуты с учетом проверки и исправлений. При сопоставимом качестве высвобождается 400 часов в месяц: 6 000 × 4 ÷ 60.
Это оценка рабочего времени, а не готовая сумма экономии. Нужно определить, сократятся ли сверхурочные расходы, отпадет ли необходимость в дополнительном найме или команда сможет обработать больший объем. Если бюджет оплаты труда не меняется, все 400 часов нельзя автоматически записать в уменьшение денежных затрат.
Из регулярного финансового эффекта вычитают эксплуатационные расходы. Разработку и запуск учитывают отдельно при оценке окупаемости. Необходимо также проверить, не возникла ли новая очередь на следующем этапе: ускоренное извлечение данных может не сократить срок согласования документа.
Что должен подтвердить пилот
До старта стоит зафиксировать задачу, границы автоматизации и критерии приемки. Нужны примеры правильных результатов и отдельная выборка для проверки, включая сложные случаи. Материалы, использованные для настройки, не должны быть единственным основанием оценки качества.
Пилот должен дать ответы на три вопроса: выполняет ли система операцию достаточно надежно, сокращает ли общие трудозатраты и может ли команда поддерживать новый порядок работы. В замеры включают исправления, передачу исключений и технические сбои.
Масштабирование имеет смысл после согласования правил обновления, контроля качества и работы при недоступности системы. Если меняются документы, продукты или условия съемки, результат следует проверять повторно. Успешный запуск не отменяет последующего сопровождения.
Извлечение данных, классификация, поиск расхождений
Ошибки в полях, доля ручных исправлений, время обработки
Распределение обращений и подготовка ответов
Решенные вопросы, повторные обращения, качество ответа
Поиск сведений и подготовка ответа по источникам
Подтвержденность ответа, актуальность, время поиска
Обнаружение согласованных признаков на изображении
Пропуски, ложные срабатывания, затраты на проверку
Оценка спроса, сроков или риска отклонения
Ошибка прогноза и последствия принятого решения