За последние два года мы поучаствовали в десятке AI-внедрений и посмотрели ещё на пару десятков чужих. Паттерн один и тот же: половина проектов окупается за месяцы, вторая половина умирает после красивой презентации. Разница — не в моделях и не в бюджетах. Разница в том, с какой задачи начали.
Эта статья — попытка сэкономить вам первый неудачный заход.
Правило, с которого всё начинается
Нейросеть окупается там, где люди делают много однотипной текстовой работы. Всё. Больше никакой магии.
Читают однотипные письма и отвечают на них. Ищут ответы в регламентах. Переносят данные из документов в систему. Пишут описания товаров по одному шаблону. Вот эти места и есть деньги. А «сделаем AI-стратегию присутствия в метавселенной» — это не задача, это слайд.
Три задачи с доказанной окупаемостью
Поддержка, отвечающая по вашей базе знаний. Технология называется RAG: ассистент ищет ответ в ваших документах и отвечает со ссылкой на источник, а не фантазирует. Наш кейс: финтех-сервис, 2400 статей в базе знаний, которой никто не пользовался, потому что поиск не работал. После внедрения ассистент закрывает 68% обращений без оператора, время первого ответа упало с 40 минут до 15 секунд. Проект окупился за пять месяцев — на одной только разнице в штате поддержки, который не пришлось расширять при росте.
Важная деталь: 68%, а не 100. Ассистент, который пытается отвечать на всё, начинает врать. Правильная архитектура — уверен → отвечает, не уверен → зовёт человека и передаёт ему резюме диалога.
Обработка входящего потока. Заявки, анкеты, документы, письма. LLM извлекает из неструктурированного текста структурированные данные: категорию, срочность, реквизиты, суть. Скучно? Очень. Зато меряется в часах, которые перестали тратиться. У дистрибьютора из нашей практики три человека размечали входящие заказы с почты — теперь этим занимается пайплайн, а люди проверяют спорные случаи.
Черновики контента по гайдлайнам. Не «нейросеть пишет наши тексты», а «нейросеть делает первый драфт, который редактор доводит». Экономия на вычитке и рерайте — 50–60% времени редакции. Мы строили такой редактор для контент-агентства: ассистент знает редполитику каждого из сорока брендов и проверяет тексты на запрещённые формулировки до сдачи клиенту.
Почему проекты умирают
Собрали топ-3 причин по нашим наблюдениям.
Первая: начали с хайповой задачи вместо болезненной. «AI-аватар генерального для соцсетей» технически работает, но никому не нужен уже через месяц.
Вторая: нет данных. RAG-ассистент хорош настолько, насколько хороша база знаний. Если регламенты противоречат друг другу и последний раз обновлялись при другом директоре — сначала наводится порядок в данных, потом внедряется AI. Да, это скучная часть проекта. Она же главная.
Третья: не определили метрику до старта. «Стало удобнее» — не результат. «Доля обращений без оператора выросла с 0 до 68%» — результат. Мы теперь просто не берём AI-проекты без согласованной метрики: обеим сторонам потом нечем мериться.
Про безопасность данных, коротко
Вопрос, который задают все: «А наши данные утекут в нейросеть?» Ответ: зависит от архитектуры, и это проектируется. Варианты по нарастанию паранойи: облачные API с обезличиванием персональных данных до отправки; российские модели, если данные не должны пересекать границу; опенсорс-модель в вашем контуре, если не должны покидать даже его. Мы работали со всеми тремя схемами. Дороже всего третья, и нужна она реже, чем кажется службе безопасности.
Чек-лист готовности: проверьте себя
Перед пилотом стоит честно ответить на пять вопросов.
- Есть ли задача с большим объёмом однотипной текстовой работы? (правило номер один)
- Есть ли данные: база знаний, история переписки, примеры документов — хотя бы в полуприличном виде?
- Готовы ли вы назвать метрику успеха цифрой до старта?
- Есть ли человек, который будет владельцем ассистента после запуска — дообучать базу, разбирать ошибки?
- Переживёт ли процесс ошибку модели? Если цена ошибки — недовольный клиент, это нормально, human-in-the-loop решает. Если цена ошибки — судебный иск, начинать надо не с этого процесса.
Четыре-пять «да» — можно стартовать. Два-три — начните с наведения порядка в данных, это дешевле и всё равно понадобится. Одно «да» — вам пока не нужен AI, и это тоже нормальный результат чек-листа: через полгода задача может дозреть.
С чего начать практически
Возьмите одну задачу по правилу из начала статьи. Посчитайте, сколько часов в месяц она съедает. Умножьте на стоимость часа. Если получилось больше 100 тысяч ₽ в месяц — у вас есть кандидат с внятной экономикой, и пилот на 4–6 недель это проверит.
Типовой пилот у нас стоит от 250 тысяч ₽ — детали на странице услуги. Можно короче: опишите задачу AI-ассистенту (да, тому самому, про которого эта статья) — получите черновик ТЗ и нашу оценку. Ассистент, кстати, сам собран по принципам выше: узкая задача, своя база знаний, человек в цикле. Едим то, что готовим.
