5 бизнес-процессов, которые уже сегодня можно автоматизировать с помощью AI

Компании уже не спорят, нужен ли искусственный интеллект. Вопрос в другом: почему у одних ИИ экономит деньги, а у других проект закрывают через три месяца после презентации.

Модель здесь ни при чём. GPT, Claude, YandexGPT или GigaChat — вторично. Окупается не наличие нейросети, а изменение конкретного бизнес-процесса.

Почему появилось мнение, что проекты по автоматизации с AI не окупаются?

Чаще всего нет измеримой цели. «Автоматизировать рутину» на совещании звучит убедительно, но считать по этой фразе нечего. Цель выглядит иначе: готовить коммерческое предложение за 40 минут вместо трёх часов или принимать входящие договоры без ручного ввода реквизитов. Пока цифры нет, пилот нельзя ни оценить, ни масштабировать.

Вторая типичная ошибка — поставить модель на уже сломанный процесс. Если заявки теряются между почтой и CRM, а договоры ходят пятью версиями по почте, чат-бот это не соберёт. Получится тот же хаос, только быстрее.

Мы в 2ДИТ внедряем LLM-решения для среднего и крупного бизнеса и поэтому не начинаем с выбора модели. Сначала разбираем процессы, считаем экономику трёх-пяти сценариев, выбираем один и фиксируем, что считать успехом. Пилот на реальных данных занимает 4–6 недель.

Автоматизация подготовки коммерческих предложений

На одно первичное КП у отдела продаж уходят часы: переписать бриф, прикинуть трудозатраты, собрать смету, согласовать сроки. Когда лидов десятки в неделю, подготовка предложений занимает не вечер, а фактически весь рабочий день команды.

С AI черновик собирается по брифу: структура, часы по этапам, смета, сроки. Менеджер не начинает с пустого файла. Он правит расценки, убирает лишнее и добавляет то, чего в брифе не было, но клиент это ждёт. На практике первичное предложение готовится за 20 минут вместо трёх часов.

Пять менеджеров, каждый делает два-три КП в день. Даже без оптимизма это сотни человеко-часов в месяц. Теми же людьми закрывается больше сделок — или на сезонный рост заявок не приходится нанимать дополнительного сотрудника.

Автоматизация входящего документооборота и договоров

Договоры, счета, акты и заявки приходят пачками. Сотрудник вручную вычитывает каждую бумагу: извлекает реквизиты, сверяет условия с типовой формой, регистрирует документ в учёте, отправляет на согласование. При сотнях документов в день лишняя минута на бумагу превращается в часы простоя. Ошибка в расчётном счёте всплывает уже после оплаты и становится либо задержкой сделки, либо юридическим риском.

Нейросеть читает документ, извлекает поля, сверяет их с правилами компании и передаёт данные в 1С или ERP. По договорам отдельно отмечает отклонения от шаблона, помечает риски и маршрутизирует документ нужному сотруднику.

Точность извлечения реквизитов обычно выше 95%. Человек остаётся в исключениях и спорных формулировках, а не на ручном вводе. Обработка бумаги занимает секунды контроля вместо минуты набора, и документы не зависают в канцелярии на несколько дней.

Умный поиск по внутренней документации и регламентам (RAG)

Регламенты, ГОСТы, технические инструкции, Confluence, базы 1С — знания компании размазаны по десяткам источников. Как проходит приёмка оборудования, часто знает один специалист. Новому сотруднику нужны недели, чтобы научиться искать нужный документ. Если опытный человек уходит, вместе с ним пропадает и маршрут «это лежит не в той папке».

Обычный корпоративный чат-бот здесь скорее навредит: отвечает по общим знаниям и может выдать неточный ответ. RAG работает по документам компании. Модель находит фрагмент в базе и даёт ответ со ссылкой на источник — его можно открыть и сверить с пунктом регламента. Права доступа сохраняются: сотрудник видит только те материалы, к которым у него есть допуск.

Поиск по нормативке занимает секунды, а не десятки минут. Для производства и компаний с плотной внутренней документацией важнее другое: знание остаётся в системе, даже если конкретный специалист уже не работает.

Автоматизация первой линии поддержки и квалификация заявок

Входящие заявки часто разбирают вручную: целевой клиент это или запрос цены, после которого тишина. Менеджер начинает день с переписки, половина которой ничем не заканчивается. Первая линия поддержки в это время отвечает на одни и те же вопросы. Сложные обращения дожидаются вечера.

AI-ассистент берёт на себя типовые вопросы по базе знаний компании, готовит документы, суммирует переписку и передаёт сложные случаи специалисту. Параллельно оценивает каждую входящую заявку: насколько обращение соответствует портрету клиента, какой у него приоритет и какой следующий шаг.

В настроенном процессе квалификация проходит до разговора с клиентом. У менеджера на экране уже есть приоритет и контекст. Первая линия отвечает сразу, сложные обращения не теряются в потоке, отдел продаж тратит время на тех, кто готов покупать.

Прогнозирование спроса, оттока и рисков

Закупки часто планируют «как в прошлом году». Отток клиента замечают, когда он уже ушёл. Сделку двигают по ощущению менеджера. При этом в CRM копится история, которой почти не пользуются.

На этих же данных модели прогнозируют спрос и загрузку, риск срыва сроков, вероятность закрытия сделки, уход клиента. Прогнозы выгружаются в привычные дашборды — Yandex DataLens или Power BI — и по ним можно действовать, а не только смотреть назад.

Скоринг лидов показывает, какие сделки с большей вероятностью закроются. Прогноз оттока срабатывает до того, как клиент принял решение уйти. Прогноз спроса помогает не закупить лишнего и не остаться без нужного. Проверка простая: модель прогоняют по прошлому периоду. Если она видит то, что уже произошло, ей можно доверять взгляд вперёд. Если нет — данных мало или сам процесс ещё не собран.

Контролируемое AI-решение вместо облачного чата

Для промышленности, девелопмента, финансов и B2B-ритейла недостаточно, чтобы модель «просто отвечала». Данные не должны покидать периметр, а само решение должно встроиться в уже существующие системы.

Для банков, производственных компаний и работы с персональными данными это ещё и требование 152-ФЗ. Открытые модели — LLaMA, Qwen, Mistral — разворачиваются on-premise: на серверах компании или в частном облаке. Внешним провайдерам ничего не передаётся. При необходимости модель дообучается на терминах отрасли.

Корпоративный ассистент и разбор документов встраиваются в 1С, SAP, CRM, СЭД и портал. Сотрудники работают там же, где работали раньше, без отдельного окна «с нейросетью». После запуска качество ответов нужно контролировать: появляются новые прайсы, типы договоров, редакции регламентов. Без сопровождения и дообучения через несколько месяцев модель отвечает так, будто компания остановилась в день запуска.

Стоимость внедрения AI в бизнес-процессы

Решение о масштабировании лучше принимать по цифрам пилота, а не по презентации.

AI-аудит занимает 1–2 недели и стоит от 150 000 ₽: разбираем процессы, считаем экономику нескольких сценариев, выбираем один, фиксируем критерии успеха. Пилот на документах заказчика — 4–6 недель, от 450 000 ₽. Смотрим точность, скорость и сколько часов экономится на самом деле.

Если цифры сходятся, переходим к внедрению: интеграции с 1С и CRM, права доступа, обучение, регламенты. Обычно это 2–5 месяцев. Сопровождение — мониторинг качества, дообучение, развитие — от 75 000 ₽ в месяц.

КП-генератор и лид-анализатор в 2025 году мы сначала обкатали на собственных процессах и только потом вывели на рынок. С проектами заказчиков поступаем так же: сначала считаем экономику, потом масштабируем.

Если нужно понять, какой из пяти сценариев даст эффект в ваших процессах, достаточно 30 минут с техническим директором 2ДИТ.