Бизнес

Что AI действительно даёт бизнесу — функция за функцией

Большинство разговоров об AI внутри компании начинается с технологии, а потом ищет, куда её приложить. Более полезная отправная точка — организационная структура. Каждая функция производит поток повторяющихся решений, и именно в нём AI либо возвращает больше, чем стоит, либо тихо не возвращает.

Дальше — карта по функциям, а не по технологиям: что сегодня действительно автоматизируется, какой измеримый эффект искать и при каких условиях вложения не возвращаются. Приведённые цифры — порядок величины, обычно наблюдаемый на практике, а не результат исследования. Единственное число, которое имеет значение в конкретной компании, — то, что измерено в ней до начала работ.

Продажи и работа с клиентами

Три задачи поглощают непропорционально много времени коммерческой службы. Коммерческие предложения собираются из того, что уже есть: записи в CRM, сопоставимых предложений на похожий объём, действующего прайса, стандартных условий — продавец правит текст, а не пишет его. Входящие обращения, приходящие по нескольким каналам, классифицируются по критериям квалификации, маршрутизируются, получают первый ответ и помечаются, если не подходят вовсе. Подготовка к встрече сводится к одной странице, собранной из всей истории клиента: прошлые заказы, открытые обращения, платёжное поведение, неурегулированные претензии, что было обещано в прошлый раз.

Измерять нужно затраченное время, а не количество действий: часы от обращения до отправленного предложения, время первой реакции, доля обращений без человеческого контакта спустя сутки. Подготовка стандартного предложения обычно смещается с часов на десятки минут. Важнее эффект второго порядка — сильные продавцы перестают тратить утро на запросы, которые всё равно не закрылись бы.

Где не окупается: десяток крупных индивидуальных сделок в год, каждая с месяцами переговоров, не содержит ничего достаточно повторяемого, чтобы это автоматизировать. Как и любая компания, где история клиента живёт в личных почтовых ящиках, а не в CRM. Это проблема дисциплины данных, и AI поверх неё выдаёт уверенные сводки по неполным фактам.

Финансы и учёт

У финансов самая ясная арифметика, потому что ручной труд здесь уже считается в часах. Сверка документов — счетов с заказами, накладными и банковскими строками — идёт по сумме, контрагенту, дате и договору, а на человека уходят только исключения. Входящие документы в виде PDF десятков разных форматов разбираются в структурированные поля, что снимает и ручной ввод, и опечатки, которые через недели всплывают платёжным спором. Дебиторская задолженность подчиняется закономерностям: модель, видевшая историю контрагента, отмечает счета, уходящие в просрочку, до того как долг превратится во взыскание.

В управленческой отчётности сбор цифр — задача ERP и BI. AI добавляет комментарий: почему сдвинулась маржа, какие клиенты или линейки её сдвинули — подготовленный по тем же данным и проверенный финансовым руководителем. Измеряйте долю строк, сведённых без участия человека, срок закрытия периода, оборачиваемость дебиторской задолженности и долю долга старше шестидесяти дней. Трудозатраты на сверку обычно падают вдвое и больше; остаток — настоящие расхождения, которые всегда требовали человека.

Где не окупается: несколько десятков документов в месяц разработку не вернут. Как и строго регламентированная отчётность с фиксированным форматом, где программа на правилах дешевле и предсказуемее. Разделение труда устойчиво — детерминированные правила на строгие участки, AI на неупорядоченные.

Операции и логистика

Прогноз спроса и загрузки — самое старое проверенное применение, появившееся задолго до LLM, но ценность оно создаёт только там, где прогноз меняет решение: заказ поставщику, график смен, маршрут, обязательство по мощности. Распределение назначает входящие работы на бригады, маршруты или станки по квалификации, локации, текущей загрузке и обещанному сроку. Контроль сроков следит за заказами, у которых поехали промежуточные вехи, и поднимает их, пока ещё есть время среагировать, — с вероятной причиной, а не голым уведомлением. Анализ отклонений читает свободные текстовые записи об исключениях, сделанные теми, кто был ближе всего к проблеме, и группирует причины по поставщику, смене, продукту или региону — превращая «мы опоздали сорок раз за квартал» в «шестьдесят процентов этого дают два поставщика».

Измеряйте ошибку прогноза на том горизонте, на котором решения действительно принимаются, а затем то, на что она влияет: дефицит на складе, переработки, простой мощностей, срочные отгрузки, соблюдение сроков, разброс загрузки по команде.

Где не окупается: рваный спрос без пригодной истории — новая продуктовая линейка, бизнес младше двух лет — не даёт прогнозу материала для обучения. Как и ситуация с фиксированной мощностью, где решение не изменится, что бы прогноз ни показал. Лучшая информация, которая не может изменить действие, — дорогой комфорт.

Документы и юридическая рутина

Именно здесь поисковые системы на базе RAG делают работу, которую больше ничто не делает хорошо. Поиск и ответы по корпоративным документам — политикам, регламентам, договорам, технической документации, записям прошлых проектов — со ссылкой на конкретный пункт, и это здесь не обсуждается: ответ без источника непригоден в юридическом и комплаенс-контексте. Сравнение договоров отвечает на вопрос, недоступный сравнению версий в редакторе: что изменилось против нашего стандартного шаблона и какие изменения несут последствия — ответственность, возмещение, расторжение, условия оплаты, юрисдикция. Извлечение условий строит реестр обязательств по всему портфелю: даты продления и уведомления, индексация, штрафы, эксклюзивность, объёмные обязательства.

Измеряйте объём вопросов, уходящих на тех двух-трёх человек, которые знают всё, время выхода нового сотрудника на самостоятельную работу и время проверки договора с правками контрагента. Для многих компаний извлечение — первый случай, когда собственные обязательства видны в одном месте, и типичная находка — договор, продлившийся автоматически, потому что никто не следил за сроком уведомления.

Где не окупается: набор документов, который под силу прочитать одному человеку, в поиске не нуждается. Архив неразобранных сканов без текстового слоя превращает проект в работу по OCR и каталогизации — это и есть настоящая стоимость, и оценивать её нужно именно так. Всё, что выходит из компании как юридическая позиция, остаётся ассистируемым, но не автономным.

Персонал и найм

Отклики отбираются по требованиям, которые действительно важны, и дают ранжированный короткий список с письменным обоснованием, с которым нанимающий руководитель может спорить. Описания ролей строятся из того, что команда реально делает, и из профилей людей, уже успешных в этой роли, а не из шаблона, дающего ту же обезличенную вакансию, что у конкурентов. Внутренние вопросы — отпуск, расходы, оборудование, доступы, инструменты — работают на том же поисковом механизме, направленном на внутреннюю документацию. Измеряйте время от отклика до первого контакта, долю кандидатов, рассмотренных за сутки, и объём обращений, доходящих до HR и IT.

Где не окупается: пять наймов в год — не объём. И модель никогда не должна сама принимать решение об отказе: в EU это прямой риск по правилам об автоматизированном принятии решений, а аналитически это оптимизация не того показателя. Система ранжирует и объясняет, решает человек.

Руководство: панель, на которой собственник видит бизнес

За большинством управленческих дашбордов стоит запрос не на новые графики. Нужны две вещи: короткий набор цифр, которые действительно двигают этот бизнес — денежная позиция, портфель заказов, маржа по линейкам, соблюдение сроков, покрытие воронки, — и слой объяснения, который обычным языком говорит, почему цифра сдвинулась, с проваливанием до исходных записей.

Вторая часть до недавнего времени была трудной. Собрать метрики умеет обычный BI. Объяснить отклонение — что падение маржи сосредоточено в одном регионе и его тянут два клиента на скидочных условиях после повышения цен поставщиком — стоило недели работы аналитика, и запрос возникал, только когда отклонение уже становилось крупным. Автоматизация меняет темп управления, поэтому разумная метрика — число дней между событием и действием по нему.

Где не окупается: когда исходные системы противоречат друг другу и выручка имеет две версии в зависимости от того, где её смотреть. Тогда проект — это сведение данных, а название «AI» лишь откладывает настоящую работу. Не сработает и там, где собственник уже видит цифры и не действует по ним, — покупка инструмента прикрывает проблему управления.

Как отличить, где AI окупается, а где это декорация

Различие определяют четыре вопроса, и выполняться должны все четыре.

• Повторяемость. Есть ли у задачи узнаваемая форма — похожие входы, похожие выходы, описуемое представление о хорошем ответе? Полезная проверка: смогли бы вы объяснить её письменно толковому новичку? Если ваша собственная команда не может сформулировать, как принимается решение, система этого не выведет.
• Цена ошибки. Что происходит, когда результат неверен, и насколько легко это откатить? Неверную фразу в черновике правят; неверный платёж, юридическую позицию или сообщение клиенту — нет. Высокая цена не снимает задачу — она смещает решение от автоматизации к ассистированию, а обоснование — от численности штата к скорости и качеству того, кто остаётся в контуре.
• Объём. Разработка — фиксированная стоимость, экономия набегает на каждом событии. Грубая проверка занимает десять минут: часы на задачу в месяц, умноженные на полную стоимость часа и на двенадцать, против стоимости разработки плюс год эксплуатации. Если годовая экономия не покрывает разработку примерно за год, задача попадает в другой список — не потому что подвела технология, а потому что не сошлась арифметика.
• Данные. Существуют ли входные данные уже в машиночитаемом виде, в одном месте и с ответственным владельцем? Именно здесь застревает большинство проектов, и честный ответ на вопрос «почему это так долго» обычно тут. Ограничением никогда не была модель.

Все четыре — это проект. Три из четырёх — сначала закрыть недостающее условие, и почти всегда это данные. Два и меньше — задачу пока оставить, как бы ни выглядело демо.

Что из этого следует для первого проекта

Работающий шаблон узкий: одна функция, один процесс, базовый уровень измерен до того, как что-либо построено. Компании, сообщающие о разочаровании в AI, редко сталкивались со слабой моделью. Они сталкивались с тем, что заранее не зафиксировали стоимость процесса и потому не смогли показать улучшение. Возврат от расхода отделяет число, записанное до начала работ, и готовность заранее назвать условие, при котором проект будет признан несработавшим.

AKVANT Technologies — компания AI-консалтинга и разработки. Мы находим, где AI окупается, — и строим только там.