ИИ-агент может правильно разобрать 95% документов и всё равно оказаться убыточным, потому что оставшиеся 5% будут требовать долгой ручной проверки, а одна ошибочная операция способна перекрыть экономию от сотен успешных.
На тестах документы могут обрабатываться идеально. Но в реальной работе ИИ приходится сталкиваться с неполными и противоречивыми данными, нестандартными запросами и сбоями корпоративных систем. Такие ситуации — это дополнительное вмешательство сотрудников, увеличение стоимости обработки и вероятность свести на нет ожидаемую экономию от автоматизации.
Поэтому AI-автоматизацию бизнеса стоит оценивать по полному пути заявки: от входящего документа до подтверждённого действия в CRM, ERP или 1С. Разберём, какие процессы выбирать, как учитывать исключения и какие показатели нужны для решения о масштабировании.
Какие процессы стоит автоматизировать с помощью ИИ
Лучший кандидат — массовая операция с неструктурированными данными и проверяемым результатом.
Документы и справочники. Поставщик присылает прайс-лист, сотрудник ищет артикулы в 1С, сверяет условия договора и обновляет заказ. ИИ извлекает позиции и предлагает соответствия. Программная логика проверяет цены, единицы измерения и ограничения.
Обращения и сервисные заявки. Поддержка получает письма разной сложности. ИИ определяет тему, получает сведения из CRM и базы знаний, предлагает ответ или маршрут эскалации. Итогом становится закрытое обращение с правильным статусом, а не текст в отдельном чате.
Решения на основе нескольких источников. Менеджеру нужно сопоставить переписку, договор, историю отгрузок и регламент. AI-ассистент собирает факты с указанием источников, готовит заключение и направляет его на согласование.
Для переноса данных и расчётов по правилам достаточно API-интеграций. LLM полезна при разборе писем и документов в свободной форме.
Но даже если задача хорошо подходит для ИИ, автоматизация может оказаться дорогой или сложной. Поэтому перед внедрением стоит оценить процесс по нескольким критериям, которые помогут определить потенциальную пользу, ограничения и риски.
Пять критериев выбора процесса для AI-автоматизации
Объём. Сколько операций проходит за месяц и сколько времени занимает каждая? Частый процесс способен окупить интеграции даже при небольшой экономии на заявке. У редкой и нестандартной задачи экономика может оказаться слабой.
Доступность данных. Получит ли система актуальную версию договора, статус заказа, справочник товаров и права пользователя? На пилоте файлы можно собрать вручную. В эксплуатации этот путь должен работать автоматически.
Доля исключений. Как часто встречаются спорные артикулы, повреждённые вложения, противоречивые условия? Оценивать нужно реальный поток, включая сложные случаи. Именно они определяют нагрузку на сотрудников после запуска.
Цена ошибки. Неверная маршрутизация письма и изменение закупочной цены имеют разные последствия. Чем выше возможный ущерб, тем строже условия для автономных действий и согласования.
Завершимость операции. Может ли система записать результат через API, изменить статус и сохранить историю? Если сотрудник по-прежнему переносит выводы ИИ вручную, значительная часть экономии теряется.
Для сравнения кандидатов фиксируется исходная стоимость операции, предполагаемая доля автоматического завершения и допустимые ошибки.
Как выглядит AI-автоматизация одного процесса
Реальная задача производителя: поставщики регулярно присылают уведомления об изменении цен и сроков. Вложения приходят в PDF, Excel и в виде сканов. Менеджер сопоставляет товары с номенклатурой, проверяет условия договора и передаёт корректировки в ERP.
Уровень 1 — подготовка. ИИ извлекает позиции, даты и суммы, отмечает расхождения. Менеджер проверяет каждую заявку. Экономия появляется за счёт сокращения ручного поиска и ввода.
Уровень 2 — выборочная автономность. Заявки с установленным поставщиком, однозначным артикулом, совпадающими единицами измерения и допустимым изменением цены проходят автоматически. Спорные случаи попадают человеку с указанием причины.
Уровень 3 — сквозное выполнение. Согласованные изменения записываются в ERP, статусы обновляются, связанные операции запускаются автоматически. Нужны журнал действий, проверка полномочий и защита от повторов.
По мере накопления успешных результатов системе можно доверять больше операций. При этом для каждого действия нужно учитывать последствия ошибки: одно дело — неверно распознать артикул, другое — автоматически согласовать изменение цены и передать ошибочные данные в ERP.
Риски вполне реальные. По данным исследования BSI за октябрь 2026 года, 75% опрошенных компаний за последний год сталкивались со сбоями ИИ, а 27% сообщили о финансовых потерях.
Поэтому система может самостоятельно обрабатывать заявки, которые проходят проверку по заранее заданным правилам: артикул найден, условия договора соблюдены, изменение цены укладывается в допустимый диапазон. Все заявки с расхождениями или превышением установленных лимитов передаются сотруднику на согласование.
Экономика исключений: считаем стоимость автоматизации
Предположим, пресейл-отдел обрабатывает 3000 заявок в месяц. Одна заявка занимает 12 минут — всего 600 часов. Полная стоимость рабочего часа составляет 900 рублей.
После внедрения ИИ выстроилась следующая структура потока:
-
50% заявок закрываются автоматически, без ручной работы;
-
35% требуют пяти минут проверки и завершения;
-
15% попадают в исключения, на разбор каждой уходит 18 минут.
В итоге сотрудники тратят 222,5 часа: 87,5 часа на проверки и 135 часов на исключения. Высвобождается 377,5 часа в месяц, или 339 750 рублей в расчётной стоимости рабочего времени.
Допустим, эксплуатация ИИ обходится в 100 тысяч рублей ежемесячно, разработка и интеграции — в 1,5 млн рублей. При полном использовании высвободившегося времени чистый эффект составит 239 750 рублей в месяц. Простая окупаемость — около 6,3 месяца, пока без учёта ущерба от ошибок.
Но зарплаты после запуска обычно продолжают выплачиваться. Если компания может превратить в экономический результат лишь половину высвободившегося времени — например, отказаться от дополнительного найма, — эффект после эксплуатационных расходов сократится до 69 875 рублей в месяц. Окупаемость увеличится примерно до 21,5 месяца.
Пусть это иллюстративный расчёт, но он показывает, почему стоимость токенов и точность LLM не способны показать выгоду. Нужна стоимость правильно завершенной операции с учётом исключений, повторов, работы человека, сопровождения и последствий ошибок.
Что нужно предусмотреть в архитектуре
В корпоративной AI-автоматизации результат работы модели может запускать реальные действия: изменение цены, обновление данных в ERP или отправку документа. Ошибка на любом этапе нарушит бизнес-процессы. Поэтому в архитектуре необходимо предусмотреть четыре механизма защиты: проверку исходных данных, разграничение полномочий агента, безопасное выполнение операций и возможность восстановить историю каждого решения.
Источники и версии. Начнём с проверки исходных данных. Система должна сохранять документы, их редакции и использованные справочники, чтобы можно было установить, на основании какой информации ИИ принял решение. При обнаружении противоречий применяются заранее установленные правила или заявка передается ответственному сотруднику.
Разграничение полномочий. Агент получает разрешенные инструменты и минимально необходимые права. Каждый вызов API проверяется сервером. Инструкции, найденные внутри письма или документа, не должны менять эти правила.
Безопасные повторы. ERP могла выполнить действие, но вернуть тайм-аут. Повторный запрос не должен создавать дубли. Нужны идентификаторы операций, проверка статуса и идемпотентность.
Контроль и аудит. Журнал фиксирует результат модели, сработавшие правила, согласование и ответ корпоративной системы. Так можно разбирать ошибки и измерять качество после выпуска.
Все четыре механизма работают совместно: система проверяет данные и полномочия агента до выполнения операции, защищает её от дублирования и сохраняет историю действий. Это позволяет контролировать последствия ошибок, разбирать инциденты и безопасно расширять автоматизацию на новые бизнес-процессы.
Пять метрик готовности AI-пилота к масштабированию
1. Доля сквозного завершения. Сколько заявок дошло до подтверждённого результата без участия сотрудника? Ответ LLM или подготовленный черновик ещё не означают закрытую операцию. Хороший ориентир — от 70% автоматически завершённых заявок для массового типового процесса. В сложных сценариях экономический эффект возможен и при меньшей доле.
2. Доля и стоимость исключений. Сколько заявок передано человеку, сколько времени занимает их разбор и по каким причинам возникает очередь? Ориентир — не более 20–25% заявок требуют нестандартного ручного разбора, а затраты на исключения не превышают четверти потенциальной экономии от автоматизации.
3. Ошибки с последствиями. Сколько решений пришлось отменять, какие затронули деньги, данные или обязательства? Для некритичных операций можно установить допустимую долю ошибок до 1%, для критичных — нулевую терпимость к ошибочным автономным действиям. Последние должны блокироваться проверками или передаваться на согласование. Отсутствие ошибок во время пилота ещё не гарантирует их отсутствия в эксплуатации.
4. Полная стоимость успешной операции. Здесь учитываются модели, инфраструктура, повторы, человеческая проверка и поддержка. Хорошая целевая экономия — от 25–30% относительно исходной стоимости операции. При этом необходимо учитывать реальные возможности компании использовать высвободившееся время сотрудников.
5. Устойчивость к отказам. Что происходит при недоступности API, повторной отправке письма, устаревшем документе и изменении формата вложения? Практический ориентир — не менее 99,5% заявок получают корректный конечный статус, включая обработку сбоев и повторов. Потеря заявок и дублирование финансово значимых действий недопустимы.
Все пять показателей проверяют на реальных данных и после каждого существенного изменения модели, правил или интеграций. Целевые значения фиксируют до пилота с учётом сложности процесса, экономической модели и допустимого риска.
Принятие решения о внедрении
Начинать стоит с одного процесса, для которого уже известны объём операций, трудозатраты и стоимость ошибок. На реальных данных проверяют весь сценарий: от поступления заявки до выполнения действия в корпоративной системе. При этом в тестовую выборку обязательно включают нестандартные случаи — именно они чаще всего создают проблемы после запуска.
Следующий этап — параллельная работа ИИ и сотрудников. Система обрабатывает реальные заявки, но её решения проверяются человеком. Это позволяет измерить точность, выявить ошибки, оценить затраты на исключения и рассчитать фактическую экономию.
После этого ИИ постепенно передают типовые операции с минимальным риском ошибок, сохраняя контроль над спорными случаями. А расширять автоматизацию имеет смысл, когда подтверждена экономическая выгода и система стабильно выполняет операции без постоянного вмешательства сотрудников.
В SVK.Digital мы разрабатываем корпоративные ИИ-решения и интегрируем их с бизнес-системами. Если вы планируете AI-автоматизацию или хотите масштабировать существующий пилот, мы поможем оценить технические ограничения, рассчитать экономику и определить оптимальный сценарий внедрения.
