[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"blog-post-ai-business-process-implementation-guide":3,"expertises:{\"sort\":\"order\",\"perPage\":100,\"is_main\":1}":17,"blog:{\"perPage\":4}":57},{"id":4,"order":5,"title":6,"slug":7,"publishedAt":8,"shortDescription":9,"previewImageUrl":10,"tags":11,"fullDescription":12,"ogImageUrl":10,"metaTitle":13,"metaDescription":14,"createdAt":15,"updatedAt":16},255,1,"Руководство по внедрению ИИ в бизнес-процессы: как и зачем","ai-business-process-implementation-guide","2026-03-18","\u003Cp>Полное руководство по внедрению ИИ в бизнес-процессы: выбор задач, оценка эффекта, работа с данными, риски, этапы внедрения, роли участников и ошибки, которые влияют на результат\u003C\u002Fp>","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fblogs\u002F255\u002Fpreview\u002F0577b9895f890e23fd8feb3a8af91aed059c59e3.jpg",[],"\u003Cp dir=\"ltr\">Внедрение ИИ в бизнес-процессы — это подключение искусственного интеллекта к реальным задачам компании: обработке заявок, поддержке клиентов, документообороту, продажам, HR, аналитике, производству, внутренним сервисам и управлению данными.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Смысл внедрения ИИ — передать алгоритмам те операции, где человек тратит время на повторяющиеся действия: читает однотипные документы, ищет информацию в базах знаний, классифицирует обращения, готовит черновики ответов, сверяет данные, собирает отчеты, проверяет ошибки или помогает принимать решения.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Ключевой момент: ИИ не должен жить отдельно от бизнес-процесса. Если сотрудники вручную копируют данные в нейросеть, потом вручную переносят ответ обратно в систему, компания получает новый ручной этап вместо автоматизации. Рабочее внедрение начинается там, где ИИ встроен в процесс, имеет понятные права доступа, использует проверенные данные, логирует действия и оставляет человеку контроль в важных точках.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для бизнеса внедрение ИИ — это способ сократить ручной труд, ускорить операции, снизить количество ошибок и разгрузить сотрудников от задач, где человеческая экспертиза используется плохо. Для IT-директора или CTO это инженерная задача: выбрать архитектуру, источники данных, модель, интеграции, правила безопасности, сценарии контроля качества и поддержку после запуска.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cspan style=\"font-size: 12pt;\">\u003Cstrong>\u003Cem>Мы — SVK.Digital, команда цифровых инженеров. Реализуем различные ИИ-проекты и выполняем заказную ИИ-разработку для средних и крупных компаний. Узнайте больше о наших возможностях и экспертизе на странице — \u003Cspan style=\"color: #e67e23;\">\u003Ca style=\"color: #e67e23;\" href=\"https:\u002F\u002Fwww.internet-design.ru\u002Fservices\u002Fai\u002F\" target=\"_blank\" rel=\"noopener\">Внедрение ИИ в бизнес \u003C\u002Fa>\u003C\u002Fspan>\u003Cspan style=\"color: #e67e23;\">\u003Ca style=\"color: #e67e23;\" href=\"https:\u002F\u002Fwww.internet-design.ru\u002Fservices\u002Fai\u002F\" target=\"_blank\" rel=\"noopener\">🡥\u003C\u002Fa>\u003C\u002Fspan>\u003C\u002Fem>\u003C\u002Fstrong>\u003C\u002Fspan>\u003C\u002Fp>\r\n\u003Ch2 dir=\"ltr\">Какие задачи можно передать ИИ\u003C\u002Fh2>\r\n\u003Cp dir=\"ltr\">ИИ лучше всего подходит для задач, где есть повторяемость, данные и понятный критерий результата. Если процесс каждый раз выглядит по-разному, зависит от личных договоренностей и держится в голове у одного сотрудника, сначала нужна нормализация процесса. ИИ не исправляет бардак, а рискует ускорить его.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">В бизнесе ИИ чаще всего передают задачи из пяти групп:\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>1. Обработка обращений клиентов\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">ИИ может классифицировать входящие обращения, определять тему и срочность, искать ответ в базе знаний, готовить черновик ответа для оператора и подсказывать следующий шаг.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Это подходит для поддержки, клиентского сервиса, сервис-деска, отделов продаж и внутренних заявок сотрудников. Особенно там, где много типовых вопросов: статус заказа, условия договора, доступы, документы, инструкции, гарантия, возврат, технические проблемы.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Пример: клиент пишет в поддержку. ИИ определяет тему обращения, проверяет данные в CRM, находит инструкцию в базе знаний и готовит ответ. Оператор проверяет его и отправляет клиенту.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>2. Работа с документами\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">ИИ можно использовать для чтения, классификации и первичной обработки документов. Он помогает извлекать данные из договоров, актов, счетов, резюме, заявок, технических заданий, медицинских или кадровых документов.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Такие сценарии особенно полезны там, где сотрудники вручную переносят данные из файлов в учетные системы. Это дорогая и скучная работа, где легко ошибиться.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">ИИ может:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\">- распознавать документ;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- определять его тип;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- извлекать нужные поля;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- проверять полноту данных;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- находить расхождения;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- формировать краткое содержание;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- передавать данные в CRM, ERP, HRM или другую систему.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>3. Поиск информации внутри компании\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Один из сильных сценариев — корпоративный ИИ-ассистент на базе RAG. Он отвечает на вопросы сотрудников по внутренним документам, регламентам, инструкциям, базе знаний, проектной документации, договорам и переписке.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Это полезно для компаний, где знания разбросаны по папкам, чатам, Wiki, Jira, Confluence, Google Drive, Битрикс24 или локальным файловым хранилищам.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Пример вопроса: «Какие документы нужны для запуска нового клиента?»\u003Cbr>ИИ ищет ответ в актуальных регламентах и дает ссылку на источник. Это важно: сотрудник должен видеть, откуда взят ответ.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>4. Подготовка черновиков\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">ИИ хорошо работает как помощник для подготовки первого варианта. Он может собирать черновики коммерческих предложений, писем, отчетов, протоколов встреч, технических описаний, инструкций, вакансий, ответов клиентам и внутренних документов.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Здесь ИИ экономит время на старте. Человек проверяет смысл, факты, тон, цифры и ответственность.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Передавать ИИ финальное решение без проверки рискованно. Особенно в продажах, юриспруденции, HR, медицине, финансах и клиентской коммуникации. Ошибка в таком тексте может стоить денег, репутации или нарушения закона.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>5. Аналитика и контроль процессов\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">ИИ можно подключать к данным компании и использовать для поиска аномалий, отклонений и узких мест.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Например, ИИ может:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\">- находить просроченные задачи;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- выделять проблемные обращения клиентов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- искать ошибки в данных;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- анализировать причины отказов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- сравнивать план и факт;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- готовить управленческие сводки;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- объяснять изменения в показателях;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- подсказывать, какие процессы требуют внимания.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Это особенно полезно для руководителей, которым нужна картина происходящего без ручной сборки отчетов из разных систем.\u003C\u002Fp>\r\n\u003Cp>\u003Cstrong> \u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>\u003Cspan style=\"font-size: 18pt;\">Какие задачи стоит выбирать первыми\u003C\u002Fspan>\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Начинать нужно с процессов, где есть три признака:\u003C\u002Fp>\r\n\u003Cp>\u003Cstrong>1. Большой объем.\u003C\u002Fstrong> Задача повторяется каждый день или каждую неделю.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>2. Понятные данные.\u003C\u002Fstrong> Есть документы, заявки, обращения, карточки клиентов, задачи, базы знаний или отчеты.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>3. Измеримый результат.\u003C\u002Fstrong> Можно посчитать экономию времени, снижение ошибок, скорость обработки, нагрузку на сотрудников или стоимость операции.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Хорошие первые кандидаты для внедрения ИИ:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\">- клиентская поддержка;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- внутренний service desk;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- обработка документов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- поиск по базе знаний;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- подготовка КП;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- разбор резюме;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- протоколы встреч;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- проверка заявок;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- первичная аналитика;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- контроль задач и сроков.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Слабые кандидаты — процессы без владельца, регламентов, данных и понятного результата. В таких процессах внедрение ИИ быстро сжигает бюджет без видимого профита. Сначала нужно описать процесс, определить метрики и убрать лишние ручные действия. Потом подключать модель.\u003C\u002Fp>\r\n\u003Ch2 dir=\"ltr\">Где внедрение ИИ сопряжено с рисками\u003C\u002Fh2>\r\n\u003Cp dir=\"ltr\">ИИ рискованно внедрять там, где ошибка модели напрямую влияет на деньги, безопасность, юридические обязательства, репутацию или права человека. Чем выше цена ошибки, тем жестче должны быть контроль, логирование, права доступа и участие живого специалисты.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>1. Решения с юридическими последствиями\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">ИИ может помогать юристу, бухгалтеру или специалисту по закупкам, но опасно отдавать ему финальное решение по договорам, претензиям, штрафам, налогам и обязательствам перед контрагентами.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Модель может пропустить важное условие, неверно трактовать пункт договора или уверенно сослаться на несуществующую норму. В таких задачах ИИ допустим как инструмент первичного анализа: найти спорные пункты, подсветить риски, подготовить черновик. Ответственность остается за специалистом.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>2. Работа с персональными и коммерческими данными\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Риск резко растет, когда сотрудники загружают во внешние ИИ-сервисы договоры, клиентские базы, медицинские документы, резюме, финансовые отчеты, коммерческие предложения и внутренние переписки.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Здесь проблема не в самом ИИ, а в потере контроля над данными. Компания должна понимать, куда уходят данные, кто получает доступ, где они хранятся, попадают ли в обучение модели, как работает удаление и как фиксируются действия пользователей.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для таких сценариев нужны корпоративные контуры: деперсонализация, разграничение прав, локальные модели или защищенные облачные решения, аудит запросов и запрет на загрузку чувствительных данных в личные аккаунты сотрудников.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>3. HR и оценка людей\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">ИИ в HR может ускорить разбор резюме, сопоставить опыт кандидата с требованиями вакансии и подготовить краткую выжимку для рекрутера. Риск начинается там, где модель сама отсекает людей или выставляет им “оценку пригодности”.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Если исторические данные компании содержат перекосы, ИИ начнет их воспроизводить. Например, будет чаще рекомендовать кандидатов, похожих на тех, кого раньше уже брали. Это может выглядеть как объективный скоринг, хотя внутри работает старая управленческая привычка, только в автоматическом режиме.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">В HR нужен человек в контуре принятия решения, проверка критериев, аудит отказов и прозрачная логика использования ИИ. Процент соответствия кандидата — подсказка, а не приговор.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>4. Медицина, безопасность и критические процессы\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">ИИ опасно использовать как самостоятельный источник решений в медицине, промышленной безопасности, охране труда, транспорте, энергетике и других критичных средах.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Модель может быть полезна для поиска по регламентам, подготовки черновиков, анализа документов, подсказок оператору или врача. Финальные решения должны проходить через специалиста. Цена ошибки здесь слишком высокая: здоровье, жизнь, аварии, судебные претензии, остановка производства.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>5. Финансовые решения и скоринг\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">ИИ может анализировать платежи, искать аномалии, группировать заявки, помогать с прогнозами и готовить отчеты. Риск появляется, когда модель напрямую влияет на кредитные решения, блокировки, лимиты, скидки, страховые условия или приоритеты обслуживания.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Финансовые модели должны быть объяснимыми, проверяемыми и устойчивыми к ошибкам в данных. Черный ящик, который “так решил”, для таких процессов слабое основание. Особенно если клиент или регулятор спросит, почему решение было именно таким.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>6. Автоматические ответы клиентам без проверки\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">ИИ может разгрузить поддержку, но полностью автоматические ответы опасны в спорных, дорогих и эмоциональных ситуациях. Модель может пообещать лишнее, неверно интерпретировать условия договора, дать ошибочную инструкцию или усугубить конфликт.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Нормальный сценарий — ИИ готовит черновик, оператор проверяет и отправляет. Полная автоматизация подходит только для узких типовых вопросов, где есть проверенная база знаний и жесткие ограничения ответа.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>7. Процессы без данных, владельца и метрик\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Самый частый риск — внедрять ИИ в плохо описанный процесс. Нет владельца, нет регламента, нет нормальной базы знаний, нет метрик, данные лежат в разных местах, сотрудники работают “как привыкли”.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">В такой среде ИИ не ускоряет бизнес. Он ускоряет беспорядок. Компания получает красивые демо, хаотичные ответы, недоверие сотрудников и очередной “пилот”, который никто не использует.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Перед внедрением нужно определить процесс, владельца, источники данных, критерии качества, точки контроля и экономику проекта. Без этого ИИ превращается в дорогой эксперимент без управляемого результата.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Главный принцип\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Чем выше цена ошибки, тем меньше автономии у ИИ — в безопасных сценариях ИИ может сам классифицировать, искать, суммировать и готовить черновики. В критичных сценариях он должен работать как помощник специалиста: показывать источники, объяснять логику, фиксировать действия и передавать финальное решение человеку.\u003C\u002Fp>\r\n\u003Cp>\u003Cstrong>\u003Cbr>\u003Cbr>\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Ch2 dir=\"ltr\">Какие данные нужны для внедрения ИИ\u003C\u002Fh2>\r\n\u003Cp dir=\"ltr\">Для внедрения ИИ нужны данные, с которыми система будет работать в реальном процессе: документы, заявки, обращения, карточки клиентов, инструкции, регламенты, переписка, записи встреч, отчеты, базы знаний, данные из CRM, ERP, HRM, Jira, Service Desk и других внутренних систем.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Главное требование — данные должны быть пригодны для работы. Формально они могут быть у компании, но фактически лежать в хаосе: часть в Excel, часть в почте, часть в чатах, часть в головах сотрудников. В таком виде ИИ будет давать нестабильный результат.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для нормального внедрения нужно понять четыре вещи.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>1. Где лежат данные\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Сначала нужно определить источники: CRM, ERP, HRM, 1С, база знаний, файловое хранилище, Confluence, Notion, Google Drive, SharePoint, Jira, Help Desk, сайт, личный кабинет, почта, телефония, мессенджеры.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Это важный этап. Если данные разбросаны по десяти системам, ИИ нужно подключать к ним через понятную архитектуру. Простая загрузка файлов в чат здесь быстро развалится.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>2. Какие данные можно использовать\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Не все данные можно отдавать модели без ограничений. В документах могут быть персональные данные, коммерческая тайна, финансовая информация, медицинские сведения, договоры, внутренние переписки и доступы.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Перед внедрением нужно определить:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\">- какие данные можно обрабатывать;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- какие нужно обезличить;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- какие нельзя отправлять во внешние сервисы;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- кто имеет право видеть результат;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- какие действия нужно логировать;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- где хранить историю запросов и ответов.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Это зона ответственности CTO, IT-директора, CISO, юристов и владельцев бизнес-процессов. Игнорировать её дорого. Один сотрудник с личным аккаунтом ChatGPT и клиентской базой в буфере обмена может создать больше рисков, чем весь “цифровой отдел” за год.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>3. Насколько данные качественные\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">ИИ зависит от качества входных данных. Если база знаний устарела, регламенты противоречат друг другу, карточки клиентов заполнены как попало, а статусы в CRM ведутся вручную и без правил, модель будет ошибаться.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Перед внедрением нужно проверить:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\">- актуальность документов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- полноту данных;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- дубли;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- противоречия;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- форматы файлов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- структуру справочников;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- правильность статусов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- наличие владельца у каждого источника данных.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для RAG-систем особенно важны структура документов, заголовки, версии, права доступа и ссылки на источник. Система должна отвечать по актуальным данным, а не по старому PDF, который кто-то забыл удалить из папки “Финал_точно_последний”.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>4. Какой результат должен получить пользователь\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Данные нужны не сами по себе. Они нужны под конкретный сценарий.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для поддержки нужны обращения клиентов, база знаний, история тикетов, данные из CRM и правила обработки.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для HR нужны резюме, вакансии, требования к ролям, история найма, критерии отбора и ограничения по использованию персональных данных.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для продаж нужны данные о клиентах, продуктовая матрица, шаблоны КП, история сделок, договорные условия и ограничения по скидкам.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для аналитики нужны показатели, события, статусы, история изменений, справочники и правила расчета метрик.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Плохой старт — “давайте подключим ИИ ко всем данным компании”. Хороший старт — “вот процесс, вот данные, вот пользователь, вот измеримый результат”.\u003C\u002Fp>\r\n\u003Cp>\u003Cstrong> \u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Ch2 dir=\"ltr\">Этапы внедрения\u003C\u002Fh2>\r\n\u003Cp dir=\"ltr\">Внедрение ИИ начинается не с выбора модели, а с определения желаемого результата: быстрее обрабатывать заявки, разгрузить поддержку, сократить ручную работу, ускорить подготовку документов, улучшить поиск по знаниям или снизить количество ошибок.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Правильный проект проходит несколько этапов:\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>1. Выбор процесса\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Сначала выбирают процесс, где ИИ может дать измеримый эффект. Подходят задачи с большим объемом, повторяемостью, данными и понятной ценой ошибки.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Например:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\">- обработка обращений клиентов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- подготовка черновиков ответов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- поиск по базе знаний;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- разбор документов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- подготовка коммерческих предложений;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- анализ резюме;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- контроль задач;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- сбор отчетов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- первичная аналитика.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">На этом этапе важно отсечь слабые идеи. Если процесс редкий, плохо описан, зависит от ручных договоренностей и не имеет владельца, ИИ туда внедрять рано.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>2. Описание текущего процесса\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Дальше нужно разобрать, как процесс работает сейчас. Кто получает задачу, где берет данные, какие действия делает вручную, где возникают ошибки, сколько времени уходит, какие системы участвуют, кто принимает финальное решение.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Без этого внедрение превращается в гадание. Команда может сделать красивого ассистента, который никому не нужен, потому что он не встроен в реальную работу сотрудников.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">На выходе должен появиться простой ответ: где именно ИИ встраивается в процесс и какую часть работы берет на себя.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>3. Аудит данных и ограничений\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">После выбора процесса проверяют данные. Где они лежат, в каком формате, кто ими владеет, насколько они актуальны, какие есть ограничения по безопасности и закону.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Здесь же определяют, можно ли использовать облачную модель или нужен локальный контур. Для части задач достаточно защищенного облачного решения. Для персональных, медицинских, финансовых и коммерчески чувствительных данных часто нужна более строгая архитектура: деперсонализация, локальная модель, закрытый контур, RAG, права доступа и аудит действий.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>4. Проектирование решения\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">На этом этапе определяется архитектура: какая модель используется, откуда берутся данные, как работает RAG, какие системы подключаются, где хранятся логи, как устроены роли, кто видит ответы, кто может запускать действия.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для простого сценария это может быть ИИ-ассистент внутри внутреннего портала. Для сложного — система с интеграциями в CRM, ERP, HRM, Jira, телефонию, базу знаний и сервис-деск.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Важный вопрос: где остается человек. В большинстве бизнес-процессов ИИ должен готовить результат, а сотрудник — проверять и принимать финальное решение. Особенно там, где есть деньги, клиенты, юридические последствия или репутационные риски.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>5. Прототип или пилот\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Пилот нужен, чтобы проверить гипотезу на ограниченном участке. Например, взять один тип обращений, одну группу документов, один отдел или один сценарий.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Цель пилота — доказать, что ИИ дает пользу на реальных данных, а не в презентации.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">На этом этапе проверяют:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\">- точность ответов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- скорость обработки;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- количество ошибок;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- удобство для сотрудников;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- стоимость обработки;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- нагрузку на инфраструктуру;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- качество источников данных;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- понятность результата;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- готовность пользователей работать с системой.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Если пилот не дает эффекта, лучше остановиться и пересобрать подход. Само по себе наличие ИИ в процессе не создает ценности.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>6. Интеграция в рабочие системы\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">После пилота решение встраивают в реальные инструменты компании. ИИ должен работать там, где уже работают сотрудники: в CRM, сервис-деске, личном кабинете, внутреннем портале, корпоративном мессенджере, HRM или ERP.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Это критичный этап. Если сотруднику нужно отдельно открыть нейросеть, скопировать данные, вставить запрос, получить ответ и перенести его обратно, автоматизация слабая. Такой сценарий быстро перестает использоваться.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Рабочее внедрение выглядит иначе: заявка пришла в систему, ИИ обработал её, подготовил результат, показал сотруднику, зафиксировал действия и передал данные дальше по процессу.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>7. Настройка контроля качества\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">ИИ нельзя просто запустить и забыть. Нужны правила проверки: какие ответы считаются хорошими, какие ошибки критичны, кто проверяет спорные случаи, как собирается обратная связь, как обновляется база знаний.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для этого настраивают:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\">- логирование запросов и ответов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- оценку качества;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- ручную проверку выборки;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- список запрещенных действий;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- контроль источников;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- мониторинг ошибок;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- регулярное обновление данных;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- маршрутизацию сложных случаев человеку.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Без контроля качества система постепенно деградирует. Документы устаревают, процессы меняются, сотрудники находят обходные пути, модель начинает отвечать хуже.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>8. Обучение сотрудников\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Даже хорошая ИИ-система провалится, если сотрудники не понимают, как ей пользоваться. Людям нужно объяснить, для каких задач она создана, где её границы, какие данные можно вводить, как проверять ответы и куда сообщать об ошибках.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Особенно важно снять две крайности. Одни сотрудники слепо верят ИИ. Другие саботируют систему, потому что видят в ней угрозу. Обе реакции вредят внедрению.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Нормальная позиция: ИИ — рабочий инструмент. Он забирает рутину, ускоряет подготовку результата и помогает специалисту. Ответственность за важное решение остается у человека.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>9. Масштабирование\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">После успешного пилота решение можно расширять: добавлять новые типы документов, новые отделы, новые сценарии, новые интеграции и более сложную автоматизацию.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Здесь появляется риск “зоопарка”: каждый отдел начинает внедрять свои инструменты, данные расходятся, доступы живут отдельно, контроль качества пропадает. Поэтому масштабирование должно идти через общую архитектуру и дорожную карту.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">ИИ должен становиться частью IT-ландшафта компании, а не набором разрозненных ботов, скриптов и подписок.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>10. Поддержка и развитие\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">После запуска система требует поддержки. Нужно обновлять источники данных, проверять качество ответов, дорабатывать сценарии, менять промпты, обновлять модели, следить за стоимостью запросов, анализировать ошибки и добавлять новые функции.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Нельзя оценивать внедрение ИИ как разовую установку инструмента — это развитие нового слоя автоматизации внутри компании. Чем глубже ИИ встроен в процессы, тем важнее поддержка, мониторинг и оптимизация.\u003C\u002Fp>\r\n\u003Ch2 dir=\"ltr\">Чем отличается ИИ-автоматизация от обычной автоматизации\u003C\u002Fh2>\r\n\u003Cp dir=\"ltr\">Обычная автоматизация работает по заранее заданным правилам. ИИ-автоматизация работает с более сложными входными данными: текстами, документами, изображениями, обращениями клиентов, перепиской, голосом, резюме, договорами и другими материалами, где заранее невозможно прописать все варианты.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Обычная автоматизация хорошо подходит для стабильных процессов: создать счет, отправить уведомление, перенести данные из формы в CRM, поменять статус заявки, сформировать отчет по шаблону. Система делает то, что ей явно указали.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">ИИ-автоматизация нужна там, где данные каждый раз разные. Например, клиент пишет свободным текстом, кандидат присылает резюме в разном формате, договор содержит нестандартные формулировки, сотрудник ищет ответ в большой базе знаний, а руководителю нужно быстро понять суть длинного отчета.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>Пример обычной автоматизации\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Клиент заполнил форму на сайте. Система создала сделку в CRM, поставила задачу менеджеру и отправила письмо клиенту.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Здесь все заранее понятно: поля формы, сценарий, статус, ответственный, шаблон письма.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>Пример ИИ-автоматизации\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Клиент описал проблему в свободной форме, приложил скриншот, упомянул номер заказа и попросил срочно разобраться.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">ИИ определяет тему обращения, извлекает номер заказа, оценивает срочность, ищет информацию в CRM и базе знаний, готовит черновик ответа оператору и предлагает следующий шаг.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Здесь нельзя заранее прописать все варианты текста. Поэтому нужна модель, которая умеет работать со смыслом, контекстом и разными форматами данных.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>Главное отличие\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Обычная автоматизация исполняет правила. ИИ-автоматизация помогает разбирать смысл.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Поэтому их нельзя противопоставлять. В нормальной системе они работают вместе. Обычная автоматизация отвечает за надежные действия: статусы, маршруты, интеграции, уведомления, записи в базу, передачу данных. ИИ отвечает за понимание входящей информации, классификацию, поиск, извлечение смысла, подготовку черновиков и подсказки сотруднику.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>Где лучше обычная автоматизация\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Обычная автоматизация подходит для процессов с четкой логикой:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\">- оформление заявки;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- расчет по формуле;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- перенос данных между системами;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- отправка уведомлений;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- создание задач;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- обновление статусов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- выгрузка отчетов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- согласование по фиксированному маршруту;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- проверка обязательных полей.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Здесь ИИ часто избыточен. Если задачу можно надежно решить правилами, формулами и интеграциями, модель только усложнит систему и добавит риск ошибок.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>Где нужен ИИ\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">ИИ полезен в задачах, где есть неоднозначность:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\">- классификация обращений клиентов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- поиск ответа в базе знаний;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- суммаризация встреч и документов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- извлечение данных из договоров, актов, счетов, резюме;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- подготовка черновиков писем и КП;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- анализ отзывов и жалоб;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- разбор резюме;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- поиск аномалий в данных;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- помощь оператору, рекрутеру, юристу, менеджеру, аналитику.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Здесь классическая автоматизация быстро упирается в ручной труд. Каждый новый формат документа, новая формулировка клиента или новый тип запроса требует отдельного правила. ИИ снижает эту зависимость.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>Почему это важно для бизнеса\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Ошибка многих компаний — называть внедрением ИИ любую подписку на нейросеть. Сотрудники копируют данные в чат, получают ответ, вручную переносят его обратно в рабочую систему. Формально ИИ используется, но экономика процесса почти не меняется.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Рабочая ИИ-автоматизация выглядит так: модель встроена в бизнес-процесс, подключена к нужным данным, соблюдает права доступа, пишет логи, работает внутри CRM, ERP, HRM, Service Desk, Jira, базы знаний или внутреннего портала. Человек видит результат там, где он уже работает.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Лучший результат дает связка: правила управляют процессом, ИИ помогает разбирать сложные входные данные, сотрудник контролирует важные решения.\u003C\u002Fp>\r\n\u003Ch2 dir=\"ltr\">Облачная модель, локальная модель и RAG\u003C\u002Fh2>\r\n\u003Cp dir=\"ltr\">При внедрении ИИ в бизнес-процессы важно выбрать архитектуру: использовать облачную модель, разворачивать локальную модель или строить RAG-систему вокруг корпоративных данных. Это не техническая мелочь. От выбора зависит безопасность, стоимость, скорость запуска, качество ответов и возможность встроить ИИ в реальные процессы компании.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>Облачная модель\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Облачная модель — это ИИ, который работает на инфраструктуре внешнего поставщика. Компания отправляет запрос через API или интерфейс сервиса и получает ответ от модели.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Такой вариант подходит для быстрого старта, прототипов, обработки открытых данных, генерации черновиков, анализа обезличенных текстов, внутренних помощников без доступа к чувствительной информации.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Плюсы облачной модели:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\">- быстрый запуск;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- сильные модели без собственной инфраструктуры;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- регулярные обновления;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- хорошее качество ответов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- низкий порог входа для пилота.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Главный риск — данные. Внешний сервис получает текст запроса, вложения, контекст и иногда метаданные. Для компании это критично, если в запросах есть персональные данные, коммерческая тайна, договоры, финансовая информация, медицинские документы, внутренние переписки или клиентские базы.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Облачная модель уместна, когда данные можно обезличить, поставщик проходит требования безопасности, а сценарий имеет понятные ограничения.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>Локальная модель\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Локальная модель работает внутри инфраструктуры компании: на собственных серверах, в закрытом контуре или в частном облаке. Данные остаются под контролем компании.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Такой вариант нужен для процессов с высокими требованиями к безопасности: медицина, финансы, промышленность, HR, юридические документы, коммерческие данные, внутренние базы знаний, критичные корпоративные процессы.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Плюсы локальной модели:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\">- контроль над данными;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- закрытый контур обработки;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- гибкая настройка доступа;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- меньше зависимости от внешнего провайдера;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- возможность соблюдать внутренние требования безопасности.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Есть и серьезные минусы — локальная модель требует инфраструктуры, администрирования, настройки, мониторинга, обновлений и экспертизы. Качество ответов может уступать сильным облачным моделям. Стоимость запуска выше. Время внедрения дольше.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Локальная модель нужна там, где цена утечки данных выше цены инфраструктуры.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>RAG-система\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">RAG — это архитектура, при которой ИИ отвечает на основе корпоративных источников: документов, регламентов, базы знаний, CRM, ERP, HRM, Jira, Service Desk, файлового хранилища или внутреннего портала.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Модель не “знает” документы компании сама по себе. RAG находит релевантные фрагменты в подключенных источниках, передает их модели как контекст и просит сформировать ответ с учетом этих данных.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Это решает главную проблему корпоративного ИИ: модель должна отвечать не общими словами, а по актуальным внутренним данным компании.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Пример: сотрудник спрашивает, как оформить нестандартную заявку клиента. RAG-система ищет нужный регламент, находит похожие обращения, поднимает данные из CRM и формирует ответ со ссылками на источники.\u003C\u002Fp>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>Чем RAG отличается от простой загрузки документов в нейросеть\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Простая загрузка документов подходит для разовой задачи. Например, быстро прочитать один договор или сделать краткое содержание отчета.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">RAG нужен для постоянной работы с корпоративными знаниями. Он учитывает актуальные версии документов, права доступа, структуру источников, ссылки на оригиналы, обновление данных и логику поиска.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">В нормальной RAG-системе сотрудник получает ответ и видит, откуда он взят. Это принципиально. Без ссылки на источник ИИ превращается в рассказчика, которому приходится верить на слово.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>Как выбрать подход\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Для быстрых пилотов и задач без чувствительных данных подойдет облачная модель.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для процессов с персональными, финансовыми, медицинскими, юридическими и коммерчески значимыми данными чаще нужен закрытый контур или строгая схема обезличивания.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для поиска по корпоративным знаниям, поддержки сотрудников, внутренних ассистентов и ответов по документам нужен RAG.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">В реальных проектах эти подходы часто комбинируются. Например, RAG работает поверх базы знаний, модель находится в облаке, а чувствительные данные перед отправкой обезличиваются. Или RAG разворачивают полностью в закрытом контуре вместе с локальной моделью.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>Что важно учесть IT-отделу\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">IT выбирает не “самую умную модель”, а архитектуру ответственности.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Нужно определить:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\">- какие данные можно отправлять во внешний контур;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- какие данные должны оставаться внутри компании;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- какие источники подключать к RAG;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- как обновляются документы;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- как работают права доступа;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- где хранятся логи;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- кто проверяет качество ответов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- что делает система при нехватке данных;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- где решение передается человеку.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Именно поэтому внедрение ИИ — инженерная задача, а не покупка подписки.\u003C\u002Fp>\r\n\u003Ch2 dir=\"ltr\">Ошибки внедрения ИИ: факты, цифры и примеры\u003C\u002Fh2>\r\n\u003Cp dir=\"ltr\">Российский бизнес активно внедряет ИИ, но основная проблема рынка в том, что компании запускают пилоты, дают сотрудникам доступ к инструментам, показывают первые результаты, а затем упираются в интеграции, безопасность, сопротивление команды и отсутствие понятной экономики.\u003Cbr>\u003Cbr>Рассмотрим типовыые ошибки внедрения ИИ в процессы компаний:\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>1. Внедрение ИИ без интеграции с существующими системами\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Самая дорогая ошибка — запускать ИИ как отдельный инструмент, который живет рядом с CRM, ERP, HRM, Jira, Service Desk, 1С и базой знаний.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">По \u003Cspan style=\"color: #e67e23;\">\u003Ca style=\"color: #e67e23;\" href=\"https:\u002F\u002Fwww.cnews.ru\u002Fnews\u002Fline\u002F2025-06-02_tret_rossijskih_kompanij\">данным CNews\u003C\u002Fa>\u003C\u002Fspan> в исследовании Ассоциации менеджеров выявили, что 57% крупных российских компаний называют трудности интеграции ИИ-решений с существующими IT-системами одним из главных барьеров внедрения. Это самый частый барьер из перечисленных в исследовании.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Пример: компания запускает ИИ-бота для поддержки. Оператор копирует текст обращения из Service Desk, вставляет его в бот, получает ответ, вручную проверяет данные в CRM, затем переносит ответ обратно в тикет. Формально ИИ используется, фактически появился ещё один ручной этап.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Метрика для проверки: сколько действий сотрудник делает руками после внедрения. Если число вкладок, копирований и ручных переносов выросло, проект слабо влияет на процесс.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>2. Игнорирование безопасности данных\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">ИИ-проекты часто стартуют снизу: сотрудники сами начинают использовать публичные нейросети для писем, договоров, резюме, таблиц, коммерческих предложений и клиентских обращений. Руководство узнает об этом позже, когда данные уже уходят во внешний контур.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">В \u003Cspan style=\"color: #e67e23;\">\u003Ca style=\"color: #e67e23;\" href=\"https:\u002F\u002Fnafi.ru\u002Fpolls\u002Ftekhnologii-doveriya-predstavila-rezultaty-obshcherossiyskogo-issledovaniya-doveryay-no-proveryay\u002F\">исследовании НАФИ\u003C\u002Fa>\u003C\u002Fspan> и «Технологий Доверия» риски информационной безопасности названы среди ключевых препятствий для практического внедрения ИИ.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Пример: HR-отдел загружает резюме кандидатов во внешний сервис, чтобы быстро делать краткие выжимки. В резюме есть персональные данные, телефоны, почта, опыт работы, иногда сведения о здоровье или семейном статусе. Без правил обработки компания получает юридический и репутационный риск.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Метрика для проверки: доля ИИ-запросов с персональными, коммерческими или финансовыми данными. Если компания это не измеряет, она не контролирует риск.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>3. Запуск ИИ без компетентных пользователей\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">ИИ не компенсирует слабую экспертизу сотрудников. Он ускоряет работу тех, кто понимает задачу, умеет проверять результат и видит ошибки модели.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">На российском рынке 45% компаний жалуются на нехватку квалифицированного персонала для работы с ИИ, 44% — на сложности с пониманием и использованием технологий среди сотрудников.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Пример: рекрутер получает от ИИ “оценку соответствия кандидата 82%” и воспринимает ее как объективный вывод. На деле модель могла сравнить резюме с плохо описанной вакансией, устаревшими критериями или историческими данными с перекосами.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Метрика для проверки: процент решений, где сотрудник просто принял ответ ИИ без правки и проверки. Для критичных процессов высокий показатель опасен.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>4. Недооценивать сопротивление сотрудников\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">ИИ меняет обязанности, роли и привычный статус людей внутри компании. Поэтому сопротивление — нормальная часть внедрения, а не “проблема с мотивацией”.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">По данным Ассоциации менеджеров, 33% российских компаний сталкиваются с сопротивлением сотрудников при внедрении ИИ. При этом 55% респондентов уже отметили изменение обязанностей действующих сотрудников, 13% — появление новых кросс-функциональных команд, 11% — создание новых должностей, 21% — сокращение неактуальных штатных позиций.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Пример: отдел поддержки видит, что ИИ начинает готовить ответы клиентам эффективнее. Сотрудники воспринимают систему как угрозу, перестают давать обратную связь, не исправляют базу знаний и саботируют пилот. В итоге модель отвечает хуже, руководство делает вывод, что ИИ “не работает”.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Метрика для проверки: доля сотрудников, которые реально используют инструмент каждую неделю. Сравнение эффективности между сотрудниками с ИИ и без.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>5. Запуск пилота без экономики\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">ИИ-проект должен отвечать на простой вопрос: что изменилось в деньгах, времени, качестве или рисках.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">По \u003Cspan style=\"color: #e67e23;\">\u003Ca style=\"color: #e67e23;\" href=\"https:\u002F\u002Fyandex.ru\u002Fcompany\u002Fnews\u002F08-12-2025-01\">оценке «Яндекса»\u003C\u002Fa>\u003C\u002Fspan> и «Яков и Партнёры», системное применение ИИ в отдельных отраслях может давать экономический эффект до 8% EBITDA компании; 78% компаний уже отмечают экономический эффект от ИИ, а почти каждая десятая фиксирует эффект на уровне 5% EBITDA.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Однако, если компания не считала базовые показатели до запуска, она не сможет доказать эффект впоследствии.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Пример: внедрили ассистента для подготовки коммерческих предложений. Все говорят о возросшей скорости рабочих процессов, но до проекта никто не измерял среднее время подготовки КП, число итераций, конверсию КП в сделку, нагрузку пресейла и стоимость часа специалистов. В результате эффект есть только по ощущениям.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Метрики для проверки:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- время обработки одной заявки до и после внедрения;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- стоимость одной операции;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- доля ручных действий;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- количество ошибок;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- скорость ответа клиенту;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- конверсия в следующий этап;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- нагрузка на сотрудников;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- процент обращений, закрытых с участием ИИ;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- доля ответов, которые человек отправил без существенной правки.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>6. Автоматизация плохого процесса\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">ИИ плохо работает там, где нет владельца процесса, актуальных данных, регламентов и понятного результата.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Российский рынок уже активно использует ИИ для автоматизации рутины: по данным «Сбер Pro», которые \u003Cspan style=\"color: #e67e23;\">\u003Ca style=\"color: #e67e23;\" href=\"https:\u002F\u002Fcipr.ru\u002Fizdanie-2025\u002Fiskusstvennyj-intellekt-zavoevyvaet-biznes\u002F\">приводит ЦИПР\u003C\u002Fa>\u003C\u002Fspan>, 67% российских компаний используют ИИ для автоматизации рутинных операций, 60% — в маркетинге, 40% — для анализа и прогнозирования показателей. Эти сценарии дают эффект только при нормальных данных и понятной логике процесса.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Пример: компания хочет внедрить ИИ для поиска по внутренним регламентам. Документы лежат в разных папках, часть устарела, версии конфликтуют, владельцев нет. RAG-система будет находить фрагменты и формировать ответы, но сотрудник всё равно не сможет понять, какой регламент актуален.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Метрика для проверки: доля документов с владельцем, датой обновления, версией и понятным статусом актуальности. Если этого нет, начинать нужно с наведения порядка в знаниях.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>7. Оценка использования ИИ как полноценное внедрение\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Есть большая разница между “сотрудники пользуются нейросетями” и “ИИ встроен в бизнес-процесс”.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">По исследованию НАФИ и «Технологий Доверия», ИИ-решения применяют 86% российских компаний. Чаще всего ИИ используют в клиентском сервисе — 46% респондентов. При этом только 28% компаний готовы направлять на ИИ-инициативы от 1% до 3% инвестиционного бюджета.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Это показывает разрыв: использование массовое, но зрелое финансирование ограниченное. Бизнес часто берет быстрые инструменты, но не закладывает бюджет на архитектуру, интеграции, безопасность, обучение и поддержку.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Пример: компания покупает подписки на нейросети для сотрудников и называет это ИИ-трансформацией. Через полгода у каждого отдела свой набор инструментов, свои промпты, свои базы файлов и свои правила. Нет единой архитектуры, контроля качества и повторяемого результата.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Метрика для проверки: сколько ИИ-сценариев встроено в рабочие системы компании. Личные аккаунты сотрудников и разрозненные боты в этот показатель лучше не включать.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>8. Передача ИИ большей автономии\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">ИИ можно использовать для классификации, поиска, черновиков, подсказок, суммаризации и первичного анализа. В задачах с высокой ценой ошибки финальное решение должно оставаться за человеком.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Этот риск прямо виден в исследовании НАФИ и «Технологий Доверия»: эксперты отдельно подчеркивают опасность “уверенных ошибок” ИИ и необходимость сохранять управление за человеком.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Пример: ИИ сам отвечает клиенту по спорной претензии, неверно трактует условия договора и обещает компенсацию. Один такой ответ может стоить дороже месячной экономии на операторах.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Метрика для проверки: доля сценариев, где ИИ принимает решение без человека. Чем выше юридический, финансовый или репутационный риск, тем ниже должна быть автономия.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>Короткий вывод\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Российский рынок уже прошел стадию интереса к ИИ. Крупные компании внедряют генеративный ИИ, бизнес видит экономический эффект, бюджеты растут. Но основные провалы происходят в инженерной и управленческой части: интеграции, безопасность данных, качество процессов, компетенции пользователей, сопротивление сотрудников и отсутствие метрик.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Поэтому внедрение ИИ стоит начинать с процесса, экономики и данных. Модель выбирают позже. Иначе компания получает демонстрацию технологии вместо рабочего инструмента.\u003C\u002Fp>\r\n\u003Ch2 dir=\"ltr\">Как оценить результат внедрения ИИ\u003C\u002Fh2>\r\n\u003Cp dir=\"ltr\">Результат внедрения ИИ оценивают по изменению процесса: стало быстрее, дешевле, точнее, стабильнее или безопаснее. Сам факт, что сотрудники начали пользоваться нейросетью, результатом считать нельзя.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Оценку нужно делать до запуска пилота и после него. Иначе компании будет невозможно доказать экономический эффект.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>1. Скорость работы\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Первая метрика — время выполнения операции.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Например:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- среднее время ответа клиенту;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- время обработки одного обращения;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- время подготовки коммерческого предложения;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- время разбора одного резюме;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- время поиска ответа в базе знаний;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- время подготовки протокола встречи;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- время проверки документа.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Если оператор раньше тратил 15 минут на тикет, а после внедрения ИИ — 7 минут, эффект понятен. Дальше это можно перевести в часы, нагрузку команды и деньги.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>2. Стоимость операции\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">ИИ должен снижать стоимость повторяемых действий. Для этого считают, сколько стоит одна операция до и после внедрения.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Пример: специалист тратит 20 минут на обработку документа. Его час стоит 1 500 ₽. Значит, одна обработка стоит 500 ₽. После внедрения ИИ специалист тратит 7 минут на проверку результата. Стоимость операции падает примерно до 175 ₽ плюс стоимость работы модели и инфраструктуры.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">В расчет нужно включать:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- стоимость часов сотрудников;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- стоимость модели или API;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- стоимость инфраструктуры;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- поддержку системы;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- доработки;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- контроль качества;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- обучение пользователей.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Если считать только подписку на ИИ, экономика будет обманчивой.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>3. Качество результата\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Скорость без качества бесполезна. ИИ может ускорить процесс и одновременно увеличить число ошибок. Поэтому нужно заранее определить, какой результат считается правильным.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для поддержки это могут быть:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- доля корректных ответов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- число эскалаций на вторую линию;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- количество повторных обращений;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- оценка клиента после ответа;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- доля ответов, которые оператор отправил без серьезной правки.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для документов:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- точность извлечения полей;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- число пропущенных данных;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- количество ошибок в реквизитах;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- доля документов, которые прошли проверку с первого раза.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для HR:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- время первичного разбора резюме;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- доля релевантных кандидатов в подборке;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- число ошибочно отсеянных кандидатов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- качество комментариев рекрутера после ИИ-выжимки.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>4. Нагрузка на сотрудников\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Хороший ИИ-проект снимает рутину с людей. Поэтому нужно смотреть, сколько ручной работы ушло из процесса.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Метрики:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- число ручных действий;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- количество переключений между системами;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- объем копирования данных;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- число однотипных задач на сотрудника;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- время, которое команда тратит на повторяемые операции;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- переработки;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- нагрузка на вторую линию поддержки или senior-специалистов.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Если после внедрения сотрудник просто начал обслуживать еще один интерфейс, результата нет. Это частая ловушка: компания добавила ИИ-инструмент, но процесс стал тяжелее.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>5. Доля автоматизированных сценариев\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Нужно считать, какую часть процесса реально забрал ИИ.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Например:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- 40% обращений получили черновик ответа от ИИ;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- 25% заявок были автоматически классифицированы;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- 60% документов прошли первичное извлечение данных;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- 70% встреч получили автоматический протокол;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- 30% коммерческих предложений собраны с участием ИИ.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Эта метрика показывает масштаб пользы. Пилот, который помогает двум сотрудникам раз в неделю, может быть полезным, но его нельзя выдавать за трансформацию процесса.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>6. Принятие пользователями\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">ИИ-система должна войти в рабочую привычку. Поэтому важно измерять использование.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Метрики:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- сколько сотрудников пользуются системой каждую неделю;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- сколько задач проходит через ИИ;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- сколько результатов принимают, редактируют или отклоняют;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- какие ошибки чаще всего отправляют в обратную связь;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- какие отделы используют систему активнее;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- какие сценарии не прижились.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Если сотрудники обходят ИИ стороной, причина почти всегда одна из трех: система плохо встроена в процесс, дает слабые ответы или создает лишнюю работу.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>7. Ошибки и риски\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">У ИИ должна быть отдельная оценка риска. Особенно в процессах с клиентами, деньгами, персональными данными, юридическими последствиями и репутацией.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Нужно отслеживать:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- критические ошибки;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- ответы без источника;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- обращения к устаревшим документам;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- нарушения прав доступа;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- попытки загрузить запрещенные данные;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- долю ответов, отправленных без проверки;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- случаи, когда ИИ передал задачу человеку.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для критичных процессов целевая метрика — управляемость. Система должна ошибаться безопасно: признавать нехватку данных, передавать вопрос человеку, показывать источник и фиксировать действия.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>8. Экономический эффект\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">В итоге все сводится к экономике.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Эффект можно считать через:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- сэкономленные часы сотрудников;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- снижение стоимости операции;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- рост пропускной способности команды;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- сокращение ошибок;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- снижение нагрузки на дорогих специалистов;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- ускорение продаж;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- снижение потерь от просрочек;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- рост конверсии;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" role=\"presentation\">- уменьшение времени реакции на клиента.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Простая формула:\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cem>Экономический эффект = выгода от изменений − стоимость внедрения и поддержки.\u003C\u002Fem>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Выгода должна считаться за период: месяц, квартал, год. Стоимость тоже. В нее входят разработка, интеграции, лицензии, инфраструктура, безопасность, сопровождение и время сотрудников.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>Какие метрики выбрать для разных сценариев\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Для клиентской поддержки: среднее время ответа, доля типовых обращений, доля черновиков от ИИ, число повторных обращений, CSAT, нагрузка на операторов.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для документооборота: время обработки документа, точность извлечения данных, число ошибок, доля документов без ручного ввода, стоимость обработки одного документа.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для продаж: время подготовки КП, скорость реакции на заявку, конверсия КП в следующий этап, доля КП с участием ИИ, нагрузка пресейла.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для HR: время разбора резюме, скорость формирования шорт-листа, качество релевантных кандидатов, доля ручных проверок, ошибки автоотбора.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для внутренней базы знаний: время поиска ответа, доля вопросов с найденным источником, число обращений к экспертам, оценка полезности ответа, актуальность документов.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>Главный вывод\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Оценивать нужно не “качество ИИ”, а изменение бизнес-процесса.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Если после внедрения сотрудники быстрее обрабатывают задачи, меньше ошибаются, реже дергают senior-специалистов, лучше обслуживают клиентов и делают больше тем же составом — проект дал результат.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Если есть только доступ к модели, чат-бот в отдельном окне и несколько удачных демо — результата пока нет и это пилот без доказанной ценности.\u003C\u002Fp>\r\n\u003Ch2 dir=\"ltr\">Когда компании нужен подрядчик для внедрения ИИ\u003C\u002Fh2>\r\n\u003Cp dir=\"ltr\">Подрядчик нужен, когда внедрение ИИ выходит за пределы экспериментов с нейросетью и становится инженерной задачей: нужно встроить модель в бизнес-процесс, подключить корпоративные данные, настроить права доступа, обеспечить безопасность и получить измеримый результат.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Если сотрудник пишет промпты в ChatGPT для личной продуктивности, подрядчик не требуется. Достаточно правил безопасности, обучения и внутреннего контроля. Подрядчик нужен там, где ИИ должен работать внутри системы компании: CRM, ERP, HRM, Jira, Service Desk, базы знаний, личного кабинета, документооборота или внутреннего портала.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>1. Нет готового решения под процесс\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Готовые ИИ-инструменты закрывают типовые задачи: написать текст, сделать краткое содержание, перевести документ, помочь с идеями, разобрать таблицу. Но бизнес-процессы редко выглядят типовыми.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Например, компании нужно не просто “отвечать клиентам с помощью ИИ”. Ей нужно, чтобы система понимала тип обращения, проверяла данные в CRM, учитывала условия договора, искала ответ в базе знаний, соблюдала тон коммуникации, показывала оператору источник и фиксировала действия в тикете.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Такой сценарий требует архитектуры, интеграций и контроля. Здесь подписка на готовый сервис не закроет проблему.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>2. Нужно подключить ИИ к корпоративным системам\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Большая часть пользы появляется после интеграции. ИИ должен брать данные там, где они уже живут: в CRM, ERP, HRM, Service Desk, 1С, Jira, Confluence, базе знаний, файловом хранилище или внутреннем портале.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Если сотрудник вручную копирует данные в чат и вручную переносит ответ обратно, компания получает дополнительный ручной этап.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Подрядчик нужен, когда ИИ должен стать частью рабочего контура: получать событие из системы, обрабатывать данные, возвращать результат, запускать следующий шаг и оставлять лог.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>3. Есть требования к безопасности данных\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">ИИ-проект быстро становится рискованным, если в работу попадают персональные данные, коммерческая тайна, договоры, финансовые документы, медицинские сведения, клиентские базы или внутренняя переписка.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">В таких задачах нужно решить:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\">- какие данные можно отправлять во внешний контур;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- что нужно обезличивать;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- какие сценарии требуют локальной модели;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- как реализовать RAG-систему;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- кто имеет доступ к ответам;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- где хранить логи;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- как ограничить действия сотрудников;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- что делать при ошибке модели.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Это зона, где самодеятельность дорого обходится. Один удобный бот без прав доступа может открыть сотруднику документы, которые он не должен видеть.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>4. Нужен RAG по внутренним знаниям\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">RAG нужен, когда ИИ должен отвечать по документам компании: регламентам, инструкциям, базе знаний, проектной документации, договорам, карточкам клиентов и внутренним правилам.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Простая загрузка документов в нейросеть подходит для разовой задачи. Корпоративная RAG-система требует другой логики: индексации источников, обновления данных, версий документов, прав доступа, ссылок на источники, логирования и проверки качества ответов.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>5. Внутренней команде не хватает экспертизы или времени\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">У внутренней IT-команды обычно уже есть очередь задач: поддержка текущих систем, релизы, интеграции, безопасность, инфраструктура, запросы бизнеса. ИИ-проект добавляет новый слой сложности: модели, промпты, RAG, векторные базы, оценка качества, работа с данными, права, логи, стоимость запросов, мониторинг.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Подрядчик нужен, если внутренняя команда понимает бизнес-контекст, но не хочет с нуля проходить путь проб и ошибок. Важно для компаний, где CTO или IT-директору нужна нормальная инженерная реализация.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>6. Нужно быстро проверить гипотезу\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Подрядчик полезен, когда нужно провести пилот на ограниченном участке и понять экономику: сколько времени экономит ИИ, как меняется качество, сколько стоит обработка одной операции, какие ошибки возникают, готовы ли сотрудники пользоваться системой.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Хороший пилот отвечает на конкретный вопрос. Например, можно ли:\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\">- сократить время обработки тикета с 15 минут до 7;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- готовить черновик КП за 5 минут вместо часа;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- снизить нагрузку на вторую линию поддержки;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- ускорить поиск по базе знаний;\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\">- автоматизировать первичный разбор документов.\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Пилот без метрик — демо, для бизнеса он бесполезен.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>7. Проект затрагивает несколько отделов\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">ИИ редко остается в одном отделе. Поддержка хочет ответы клиентам. Продажи хотят КП. HR хочет разбор резюме. Юристы хотят анализ договоров. Руководители хотят отчеты. IT хочет контроль, безопасность и единый контур.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Без архитектуры компания быстро получает разрозненные процессы: разные сервисы, разные подписки, разные промпты, разные базы документов, разные правила безопасности. Это сложно поддерживать и почти невозможно нормально масштабировать.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Подрядчик нужен, когда ИИ должен развиваться как часть IT-ландшафта компании, а не как набор разрозненных экспериментов.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>Когда подрядчик не нужен\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Подрядчик преждевременен, если компания не понимает, какой процесс хочет улучшить, не знает владельца процесса, не может назвать метрики и не готова дать доступ к данным для анализа.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">В такой ситуации лучше начать с внутренней подготовки: описать процессы, выбрать 2–3 кандидата для пилота, рассчитать текущие показатели, определить ограничения по данным и назначить ответственного. Без этого подрядчик будет вытаскивать из компании базовую управленческую работу за деньги самой компании.\u003C\u002Fp>\r\n\u003Ch3 dir=\"ltr\">\u003Cstrong>Короткий вывод\u003C\u002Fstrong>\u003C\u002Fh3>\r\n\u003Cp dir=\"ltr\">Подрядчик нужен, когда ИИ должен стать рабочим инструментом внутри бизнеса: с интеграциями, данными, безопасностью, RAG, ролями, логами, метриками и поддержкой.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Если задача сводится к личному использованию нейросети, компании хватит обучения и правил. Если задача затрагивает процессы, данные и корпоративные системы, нужен инженерный проект.\u003C\u002Fp>\r\n\u003Ch2 dir=\"ltr\">Заключение\u003C\u002Fh2>\r\n\u003Cp dir=\"ltr\">\u003Ca href=\"https:\u002F\u002Fwww.internet-design.ru\u002Fblog\u002Fsmb-enterprise-ai-implementation\u002F\" target=\"_blank\" rel=\"noopener\">\u003Cspan style=\"color: #e67e23;\">Внедрение ИИ в бизнес-процессы в крупные компании или МСП\u003C\u002Fspan>\u003C\u002Fa> дает результат только когда его оценивают, как инженерный проект.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">ИИ может ускорить поддержку, документооборот, продажи, HR, аналитику и внутренние сервисы. Он хорошо справляется с повторяющимися задачами, текстами, документами, обращениями клиентов, поиском по базе знаний и подготовкой черновиков. Но сам по себе ИИ не исправляет плохие процессы, слабые данные и управленческий хаос.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Рабочее внедрение начинается с конкретного процесса. Нужно понять, где сотрудники теряют время, какие данные используются, кто принимает решение, сколько стоит операция и какой результат должен измениться после запуска. После этого выбирают архитектуру: облачную модель, локальную модель, RAG, интеграции.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Сильный результат появляется, когда ИИ встроен в рабочий контур, использует актуальные данные, соблюдает права доступа, показывает источники, логирует действия, передает сложные случаи человеку и оценивается по метрикам — скорости, стоимости операции, качеству, нагрузке на сотрудников и экономическому эффекту.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Компании, которые выстраивают такой подход, получают преимущество. Но не потому, что “внедрили ИИ”, а потому что быстрее конкурентов научились превращать его в эффективный рабочий инструмент.\u003C\u002Fp>\r\n\u003Cp> \u003C\u002Fp>","Руководство по внедрению ИИ в бизнес процессы: этапы и итоги","Полное руководство по внедрению ИИ в бизнес-процессы, какие задачи можно передать ИИ, где есть эффект, риски, шаги, роли исполнителей и ошибки, результаты","2026-06-27 04:46:04","2026-06-27 05:19:25",{"currentPage":5,"lastPage":5,"perPage":18,"from":5,"to":19,"total":19,"nextPageUrl":20,"previousPageUrl":20,"items":21},20,5,null,[22,29,36,43,50],{"id":23,"title":24,"shortDescription":25,"imageUrl":26,"url":27,"slug":28},43,"Заказная разработка","\u003Cdiv class=\"service-content\">\r\n\u003Cul>\r\n\u003Cli style=\"font-size: 12pt;\">\u003Cspan style=\"font-size: 12pt;\">• Разработка веб-приложений\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli style=\"font-size: 12pt;\">\u003Cspan style=\"font-size: 12pt;\">• Разработка мобильных приложений\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli style=\"font-size: 12pt;\">\u003Cspan style=\"font-size: 12pt;\">• Разработка продуктов и стартапов (MVP)\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003C\u002Fdiv>","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fexpertises\u002F43\u002Fmain\u002F9b536e910e22b0c053432f4058d5594ca6f79874.jpg","\u002Fservices\u002Fcustom-development\u002F","custom-development",{"id":30,"title":31,"shortDescription":32,"imageUrl":33,"url":34,"slug":35},52,"ИИ-разработка","\u003Cp dir=\"ltr\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">Внедрение ИИ в работу компаний и предприятий\u003C\u002Fspan>\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Автоматизация рутинных процессов\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• LLM и RAG-системы (корпоративный GPT, чат-боты)\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• ML (обучаемые модели)\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Компьютерное зрение\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Генеративные интерфейсы\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fexpertises\u002F52\u002Fmain\u002Fb245231d8506ae3ea4c77015c36c3b25499952f1.png","\u002Fservices\u002Fai\u002F","ai",{"id":37,"title":38,"shortDescription":39,"imageUrl":40,"url":41,"slug":42},41,"Интеграция и автоматизация","\u003Cdiv class=\"service-content\">\r\n\u003Cp>\u003Cspan style=\"font-size: 12pt;\">Кастомная разработка\u003C\u002Fspan>\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Автоматизированных систем управления\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Личных кабинетов\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Учетных систем\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• CRM\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• ERP\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp>\u003Cspan style=\"font-size: 12pt;\">Внедрение PIM-систем\u003C\u002Fspan>\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli>\u003Cspan style=\"font-size: 12pt;\">• На базе PIMcore\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp dir=\"ltr\" role=\"presentation\"> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">Автоматизация бизнеса\u003C\u002Fspan>\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• На базе заказной разработки\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Заказная разработка + точечное внедрение ИИ\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003C\u002Fdiv>","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fexpertises\u002F41\u002Fmain\u002F7f0f8a036ec2c365f2099d796f774c2a0053a63d.png","\u002Fservices\u002Fintegration-automation\u002F","integration-automation",{"id":44,"title":45,"shortDescription":46,"imageUrl":47,"url":48,"slug":49},53,"Аренда выделенных команд","\u003Cul>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Поддержка и развитие веб-сервисов\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Создание веб-сервисов “с нуля”\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fexpertises\u002F53\u002Fmain\u002F3c00e6bbc3263141bc54ea51b816e383fcc49506.png","\u002Fservices\u002Fit-outsourcing\u002F","it-outsourcing",{"id":51,"title":52,"shortDescription":53,"imageUrl":54,"url":55,"slug":56},44,"ИТ-консалтинг","\u003Cul>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Аудит и оптимизация инхаус-команд\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Продуктовый консалтинг\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• HR в сфере диджитал\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fexpertises\u002F44\u002Fmain\u002F53c7eb07fb9f9d3b8f2184b6026cd9fcae15a875.png","\u002Fservices\u002Fit-consulting\u002F","it-consulting",{"currentPage":5,"lastPage":58,"perPage":59,"from":5,"to":59,"total":60,"nextPageUrl":61,"previousPageUrl":20,"items":62},32,4,126,"https:\u002F\u002Fapi.internet-design.ru\u002Fapi\u002Fblog?perPage=4&page=2",[63,71,79,87],{"id":64,"order":5,"title":65,"slug":66,"publishedAt":67,"shortDescription":68,"previewImageUrl":69,"tags":70},250,"ИИ в рекрутинге: почему HR'ы остаются риском для системы","hr-ai-recruiter-risks","2026-06-11","\u003Cp>Где HR-команды чаще всего ошибаются при работе с корпоративным ИИ, почему из-за этого даже сильное решение начинает работать против компании и как выстроить процесс так, чтобы ИИ усиливал рекрутера\u003C\u002Fp>","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fblogs\u002F250\u002Fpreview\u002F6d0df821c17246e568682f625a2bf0bec711e543.jpg",[],{"id":72,"order":5,"title":73,"slug":74,"publishedAt":75,"shortDescription":76,"previewImageUrl":77,"tags":78},247,"Штрафы за авторизацию через Google и Apple ID: кому грозят и что делать","google-apple-auth-fines","2026-06-10","\u003Ch2> \u003C\u002Fh2>","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fblogs\u002F247\u002Fpreview\u002Feb4d7ec37a740ed468a633cbdcd24c4cc27e2ad7.png",[],{"id":80,"order":5,"title":81,"slug":82,"publishedAt":83,"shortDescription":84,"previewImageUrl":85,"tags":86},249,"Как вернуть под контроль теневой ИИ в клинике","shadow-ai-medicine","2026-06-04","","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fblogs\u002F249\u002Fpreview\u002F2e43161fed61bca56c185e893c694c63987808b1.jpg",[],{"id":88,"order":5,"title":89,"slug":90,"publishedAt":91,"shortDescription":84,"previewImageUrl":92,"tags":93},244,"Избегаем дорогих архитектурных ошибок в разработке сложных веб-приложений","expensive-architectural-mistakes","2026-04-30","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fnews\u002F244\u002Fpreview\u002Ffda0d684985e23ed3c225c3a0a1446356fd52473.jpg",[94],{"id":95,"name":96,"slug":97},30,"Школа заказчика","customers"]