Когда говорят про ИИ-автоматизацию, в голове рисуется одна картинка: уволили отдел, посадили нейросеть, она сама всё делает. На практике всё скромнее и при этом полезнее. Отдать процесс ИИ — значит разобрать его на шаги и передать машине тот объём, который она тянет: черновики, разбор данных, первичную обработку заявок. А человек остаётся там, где цена ошибки высокая и решение трудно откатить.
Главный вывод, с которого стоит начать: автоматизируют не функцию целиком, а конкретный процесс внутри неё. «Поддержка клиентов» — это десяток разных процессов: ответ на типовой вопрос, проверка статуса заказа, возврат, спор по списанию, жалоба на качество. Часть из них ИИ закроет уже сегодня. Часть трогать рано.
ИИ берёт объём и черновик. Человек держит контроль на необратимых шагах. Дальше разберём, какие процессы реально отдают машине, где её нельзя пускать в одиночку и с чего начать, если вы делаете это впервые.
Что такое ИИ-автоматизация процессов
ИИ-автоматизация процессов — это передача части рабочего процесса языковой модели или ИИ-системе, которая обрабатывает объём, готовит черновик или первичное решение, а человек подтверждает рискованные шаги. От обычной автоматизации она отличается тем, что работает с текстом, смыслом и неструктурированными данными, а не только по жёстким правилам.
Тут важно развести три вещи, которые часто называют одним словом «автоматизация».
- Чат-бот — разовая задача. Спросил, ответил. Сгенерировал текст, перевёл, подсказал. Память короткая, в процесс он не встроен, ответственности ноль.
- Процесс под контролем — ИИ встроен в рабочую цепочку, делает свою часть и останавливается на проверке. Разобрал входящую заявку, заполнил поля в CRM, подготовил ответ и показал менеджеру перед отправкой.
- Автономный ИИ-агент — система берёт на себя работу специалиста целиком: получает цель, сама дробит её на шаги, ходит в инструменты, проверяет себя.
Разницу между ботом и агентом подробно разбирали в отдельной статье. Если вам нужен не отдельный инструмент под одну задачу, а ИИ-агент целиком — это другой разговор, про делегирование. Большинству бизнесов в 2026-м хватает среднего варианта: ИИ готовит, человек подтверждает.
Разбираю ИИ для бизнеса по-честному
В канале показываю рабочие схемы автоматизации: что отдать машине, где оставить человека и как не сжечь бюджет на хайпе.
Перейти в каналКакие процессы бизнес уже отдаёт ИИ
Ниже — направления, где ИИ делает реальную работу, а не выступает в роли демо на конференции. Колонка «вход → выход» показывает, что машина получает и что отдаёт. Колонка справа — где всё равно нужен человек.
| Процесс | Что делает ИИ (вход → выход) | Где нужен человек |
|---|---|---|
| Поддержка клиентов (Tier-1) | Входящий вопрос → готовый ответ, проверка статуса заказа, возврат в пределах порога | Спор по списанию, жалоба, возврат выше порога, эскалация на оператора |
| Продажи | Сырой лид → обогащённая карточка, скоринг, черновик outbound-письма | Финальный текст, переговоры, скидки и условия сделки |
| Маркетинг | Бриф → черновики постов, писем, варианты заголовков | Тон бренда, проверка фактов, финальное утверждение |
| Документы (IDP) | Инвойс, договор, акт → извлечённые поля в нужном формате | Сверка сумм, юридические формулировки, спорные пункты |
| Аналитика и отчётность | Выгрузка данных → сводка, отклонения, черновик отчёта | Интерпретация, выводы, решения по цифрам |
| Операционка | Поток тикетов и заявок → маршрутизация, прогноз спроса, приоритеты | Нестандартные случаи, изменение самих процессов |
| Найм | Описание вакансии, поток резюме → текст вакансии, первичный скрининг | Финальное решение, интервью, оценка soft skills |
Заметнее всего эффект там, где много одинаковых операций. Поддержка и документы — первые кандидаты. Про автоматизацию маркетинга у нас есть отдельный разбор, тут повторяться не будем.
По оценке Fin AI (это Intercom, то есть вендор — цифры берём с поправкой на интерес продавца), ИИ-резолюция тикета обходится примерно в $0.62 против ~$7.40 у человека, разница около 12 раз. Там же: 82% организаций вложились в ИИ для поддержки в 2025-м, 87% планируют увеличить бюджет в 2026-м, но зрелое внедрение есть только у ~10%. Вкладываются почти все, доводят до ума единицы.
Где ИИ пока нельзя пускать без человека
Граница между «можно отдать» и «рано» проходит не там, где модель не уверена. Она проходит по бизнес-риску. Модель бывает уверена и при этом ошибается: звучит гладко и врёт в деталях. Поэтому ориентир другой.
Если процесс нельзя поставить на паузу, проверить и откатить — он не готов к проду.
Места, где человек обязателен (по практике KumoHQ и StackAI):
- возврат или платёж выше заранее заданного порога — уходит менеджеру;
- спор, жалоба, конфликтная переписка с клиентом;
- смена условий договора и любые юридические формулировки;
- регулируемые данные: медицина, финансы, персональные данные;
- любой случай, где модель показывает низкую уверенность;
- решения, которые потом нельзя откатить без потерь.
Извлечение данных из документов (IDP) — один из самых выгодных сценариев и при этом один из самых коварных. Модель может уверенно вытащить не ту сумму или перепутать пункт договора. В страховании, медицине и юридических документах такие галлюцинации стоят дорого, поэтому сверка человеком тут не опция, а часть процесса.
Главная ошибка — over-automation
Самая частая ошибка — автоматизировать слишком много и слишком быстро. История Klarna тут стала хрестоматийной, и рассказать её стоит целиком, вместе с финалом.
Klarna заявляла громкие цифры: ИИ-ассистент обработал 2,3 млн чатов за первый месяц, закрыл около 67% разговоров, время решения упало с 11 минут до меньше чем 2, а экономию оценивали примерно в $40 млн в год. На бумаге — образцовый кейс автоматизации поддержки.
А потом, в 2025-м, компания начала возвращать живых операторов. На сложных обращениях качество просело, и около 30% тикетов всё равно уходили на эскалацию.
Вот где зарыта проблема. Метрика deflection (сколько обращений «отбили» от живого человека) выглядит красиво, но врёт. Клиент, которого бот отфутболил, не решив вопрос, вернётся завтра. Или уйдёт совсем. Смотреть надо на resolution: сколько вопросов реально закрыто с первого раза. И у клиента всегда должен оставаться путь к человеку, иначе экономия на поддержке тихо превращается в отток.
Сколько бизнесов уже используют ИИ
С цифрами внедрения та же ловушка, что и с метриками поддержки: всё зависит от того, что считать «использованием ИИ».
По опросу U.S. Chamber of Commerce, в 2025 году генеративным ИИ пользовались 58% малых бизнесов — против 40% в 2024-м и 23% в 2023-м. Рост заметный. А по строгой оценке U.S. Census Bureau, ИИ в производстве товаров и услуг применяли только около 8,8% малых компаний (до 250 человек); по любой функции для всех бизнесов — около 17,3%.
Откуда разброс в разы? Из определения. Опрос засчитывает «попробовал ChatGPT, чтобы написать письмо» как использование. Census считает ИИ, встроенный в производство продукта или услуги. Это разные вещи, и обе цифры по-своему честные. Вот как распределяются сценарии (по данным Thryv/U.S. Chamber):
| Сценарий использования ИИ | Доля бизнесов |
|---|---|
| Анализ данных | 62% |
| Создание контента | 55% |
| Маркетинговые инструменты | 54% |
| Работа с клиентами (customer engagement) | 46% |
| Рекрутинг | 19% |
Главный барьер у малых компаний — не страх и не цена. По оценке BCG (через Capsule), около 61% называют главным тормозом качество данных и интеграцию: данные грязные, лежат в разных системах и не стыкуются между собой. Пока это не решено, любая автоматизация буксует прямо на входе.
Все эти цифры — по США и глобальному рынку. Для России картина другая, и тут нужны локальные данные, а не перенос западных процентов один в один.
Как выбрать первый процесс для автоматизации
Не надо автоматизировать то, что болит сильнее всего. Надо начать с того, что проще всего проверить. Хороший первый кандидат проходит по чеклисту:
- Высокий объём. Процесс повторяется десятки раз в день, экономия видна сразу.
- Понятный вход и выход. Ясно, что подаётся на входе и каким должен быть результат.
- Низкая цена ошибки. Если ИИ ошибётся, это не стоит вам денег, репутации или клиента.
- Есть данные. История, примеры, регламент — на что опереться.
- Можно поставить approval-gate. Человек подтверждает результат перед отправкой.
- Есть метрика. Вы заранее знаете, по какой цифре поймёте, что стало лучше.
Антипример — начинать с эмоциональных, спорных или юридических кейсов: разбор жалоб, общение с недовольным клиентом, спорные списания. Там высокая цена ошибки и нет понятного «правильного» ответа. Сначала наберите уверенность на простом.
Хочешь внедрять ИИ без хаоса?
Показываю в Telegram, как ставить задачи ИИ, держать approval на рискованных шагах и считать реальную экономию, а не deflection.
ПодписатьсяС чего начать малому бизнесу
Если убрать теорию, рабочий путь укладывается в пять шагов.
- Выберите один процесс по чеклисту выше. Не три, один.
- Опишите вход, выход и границы: что ИИ получает, что отдаёт, чего касаться нельзя.
- Запустите в режиме «ИИ готовит — человек подтверждает». Никакой автономии на старте.
- Измерьте метрику: время, стоимость, доля ошибок. Сравните с тем, что было до.
- Расширяйте автономию там, где качество держится. Где проседает — оставьте человека.
Через месяц-два у вас будет не вера в ИИ, а цифры. На них и стройте следующий шаг. Автоматизация процессов с помощью ИИ окупается тогда, когда у каждого шага есть понятная граница и человек на проверке необратимого.
