Желание «внедрить ИИ» часто опережает понимание, какой именно процесс стоит автоматизировать. В результате компании тратят бюджет на пилоты, которые красиво выглядят на демо, но не решают реальных задач. Чтобы этого избежать, нужно оценивать процессы по конкретным критериям, а не по степени хайпа вокруг технологии.

Ниже — практический подход: как отобрать кандидатов, проверить их на пригодность и не утонуть в пилотах.

Начните с боли, а не с технологии

Первый шаг — составить список процессов, которые регулярно создают проблемы: задерживают работу, требуют ручной рутины или приводят к ошибкам. Опросите сотрудников, которые выполняют эти задачи ежедневно. Формулируйте боль конкретно: не «долго обрабатываем заявки», а «менеджер тратит 40 минут в день на сортировку входящих писем и перенос данных в CRM».

На этом этапе полезно фиксировать метрики: сколько времени уходит, как часто возникают ошибки, сколько людей вовлечено. Без цифр вы не сможете потом сравнить результат.

Критерии выбора процесса для ИИ

Не каждый процесс стоит делегировать модели. Проверьте кандидата по пяти критериям:

  • Повторяемость. Задача выполняется регулярно и по схожему сценарию. Разовые или сильно вариативные процессы автоматизировать сложнее и дороже.
  • Наличие данных. Есть примеры входных данных и эталонных результатов. Если данных мало или они неструктурированы, сначала придётся навести порядок.
  • Терпимость к ошибкам. Оцените цену ошибки. Черновик ответа клиенту можно проверить, а автоматическое списание денег — нет. Для процессов с высокой ценой ошибки нужен человеческий контроль.
  • Измеримость результата. Понятно, как оценить качество: точность, скорость, доля исправлений. Без метрики пилот превращается в бесконечный эксперимент.
  • Готовность владельца процесса. Человек, который отвечает за процесс, должен быть заинтересован в изменениях и участвовать в тестировании.

Если процесс не проходит хотя бы по двум критериям, отложите его. Лучше начать с задачи, где риск управляем.

Пошаговый алгоритм отбора

Чтобы не увязнуть в обсуждениях, используйте короткий цикл:

  • Соберите список из 5–10 процессов-кандидатов от разных команд.
  • Оцените каждый по критериям выше в баллах, например от 1 до 3. Это не строгая наука, но помогает отсеять заведомо слабые варианты.
  • Выберите 1–2 процесса для пилота. Не пытайтесь автоматизировать всё сразу.
  • Сформулируйте гипотезу: «Если внедрить ИИ на этом участке, время обработки сократится с X до Y, а доля ошибок не вырастет».
  • Определите, как будете проверять гипотезу: соберите тестовую выборку, договоритесь о критериях успеха заранее.
  • Запустите пилот с участием человека: модель предлагает вариант, сотрудник проверяет и исправляет.
  • Сравните результат с исходными метриками и решите, масштабировать или остановить.

Типичные ошибки

Одна из самых частых — автоматизировать процесс, который сам по себе плохо описан. Если в компании нет чёткого регламента, ИИ не исправит хаос, а лишь ускорит его. Сначала опишите процесс, потом автоматизируйте.

Вторая ошибка — выбирать задачу по принципу «это модно». Например, внедрять генерацию текстов там, где достаточно шаблона, или подключать сложную модель для простой сортировки. Иногда обычные правила и скрипты работают дешевле и надёжнее.

Третья ошибка — отсутствие владельца процесса. Если после пилота никто не отвечает за результат, проект тихо умирает. Назначьте ответственного, который будет принимать решения и следить за метриками.

Четвёртая — игнорировать стоимость поддержки. Модель нужно обновлять, проверять, следить за качеством данных. Если процесс небольшой, затраты на поддержку могут перекрыть выгоду.

Примеры из практики

Хороший кандидат — обработка входящих обращений: классификация по темам, подготовка черновиков ответов, извлечение данных из писем. Здесь есть повторяемость, понятные метрики и возможность проверки человеком.

Другой пример — подготовка регулярных отчётов: сбор данных из нескольких источников и формирование сводки. Если формат стабилен, ИИ может сократить рутину, а сотрудник проверит итог.

Плохой кандидат — задачи с высокой ценой ошибки и низкой предсказуемостью, например принятие решений о кредитовании без дополнительных проверок. Здесь ИИ может помогать, но полностью делегировать процесс рискованно.

Ещё один слабый вариант — автоматизация творческих задач, где нет чётких критериев качества. Если вы не можете объяснить, что считается хорошим результатом, модель тоже не сможет.

Главный принцип: делегируйте ИИ то, что можно измерить, проверить и улучшить итеративно. Начните с малого, зафиксируйте метрики и не бойтесь остановить пилот, если он не приносит пользы.