Нейросеть приносит компании пользу, когда у неё есть конкретная повторяющаяся работа, понятный вход и человек, который проверяет результат. Ниже задачи собраны по тому, что компания получает на выходе: база знаний, калькулятор, панель, тренажёр или конвейер контента.
Выберите одну операцию, которая повторяется каждую неделю, заметно занимает время и проверяется за минуты. Опишите вход, образец хорошего результата и того, кто принимает решение. Остальные идеи отложите в список на следующий пилот.
Ситуация: идей десять, а пилот один
Возьмём условный пример. Коммерческий директор производственной компании собрал предложения от отделов. Техподдержка хочет бота с ответами по оборудованию. Сметчики мечтают об автоматическом расчёте. Закупщик просит сводку по остаткам. Маркетинг предлагает ролики для соцсетей. Каждая идея звучит разумно, а времени и внимания людей хватит на одну.
Директору нужно понять, какая из идей даст проверяемый результат быстрее остальных. Для этого удобно сначала разложить идеи по группам и посмотреть, что в каждой группе получает компания, какие данные нужны и кто проверяет.
Четыре группы задач и результат в каждой
Все примеры ниже взяты из моей практики: из собственных конвейеров и из прототипов, которые участники корпоративной программы показали на защите проектов. Прототип ещё не рабочая система. Ему нужна проверка на новых данных, владелец и пилот.
| Группа | Что получает компания | Что на входе | Кто проверяет |
|---|---|---|---|
| Знания и поддержка | База знаний с поиском, портал поддержки | Инструкции, история обращений, разобранные случаи | Эксперт по теме |
| Деньги и операции | Калькулятор, панель, помощник по закупкам, контроль задач | Прайсы, правила, выгрузки, таблицы | Владелец процесса |
| Продажи и обучение | Тренажёр звонков, общие скрипты | Типы клиентов, продукт, критерии разговора | Руководитель продаж или обучения |
| Контент | Конвейер видео, черновики статей, список тем | Спрос, материалы эксперта, записи | Редактор |
Знания и поддержка
Здесь нейросеть работает с текстами компании: инструкциями, историей обращений, разобранными инженерными случаями. Результат — база знаний с поиском или портал техподдержки. Среди проектов участников есть именно такой портал и мобильная база знаний для рабочего места.
Чтобы ответы были надёжными, нужны подтверждённые документы и права доступа. У каждого материала должен быть источник и владелец. Первым шагом обычно становится рабочий контекст: правила компании, термины и примеры хороших ответов, которые модель получает заранее. Тогда сотрудник не объясняет компанию заново в каждом диалоге. Ответ проверяет человек, который знает тему, например ведущий инженер или руководитель поддержки.
Деньги и операции
Это самая «измеримая» группа. Помощник по закупкам анализирует продажи и остатки, готовит предложение по заказу и объясняет логику. Калькулятор применяет прайсы, правила комплектности и допустимые замены и собирает смету. Система контроля задач собирает статусы, следит за сроками и напоминает. Панель производства показывает этапы, загрузку и расчёты на одном экране.
На входе здесь выгрузки, прайсы и таблицы, поэтому качество результата зависит от порядка в данных. Проверяет владелец процесса: закупщик, сметчик, руководитель производства. Финальное решение о заказе или цене остаётся за ним. Калькулятор удобно проверить на старых сметах: прогнать через него расчёты, которые уже сделали вручную, и сравнить итоги.
Продажи и обучение
Тренажёр звонков позволяет менеджеру отработать разговор до встречи с живым клиентом. ИИ играет клиента заданного типа, ведёт диалог и разбирает его по критериям продаж. В моей программе участники также собирали общие скрипты и программы стажировки для колл-центра.
Для тренажёра нужны описания типов клиентов, продукт и критерии хорошего разговора. Критерии проверяет руководитель отдела: только он знает, какие ошибки в вашей компании стоят денег. Разбор настоящих звонков остаётся за ним же.
Контент
Короткие видео, статьи из записей, поиск тем по спросу. В моём конвейере коротких видео этапы идут один за другим: сценарий, озвучка, визуал, монтаж, субтитры, публикация, и каждый этап оставляет файл, который можно проверить и запустить заново. Для статей из видео сначала получают расшифровку, потом тезисы и черновик, а фактчек остаётся отдельным редакторским шагом. Темы берутся из спроса в Wordstat и отраслевых источников с редакторским отбором.
Входом служат ваши материалы и данные о спросе, проверяет редактор. Как устроен весь путь одного материала, я разобрал в статье «Как создать контент-завод: путь одного материала от спроса до публикации».
Как выбрать первую задачу
Для каждой кандидатной задачи ответьте на четыре вопроса. Повторяется ли операция регулярно. Известно ли, сколько времени она занимает сейчас. Может ли сотрудник за минуты отличить хороший результат от плохого. Можно ли поймать ошибку до отправки клиенту, платежа или изменения данных.
Условный пример: калькулятор или база знаний
Вернёмся к директору. Из десяти идей на финал вышли две: калькулятор сметы и база знаний для техподдержки. Это условный пример для иллюстрации, а не реальный клиент.
Смета повторяется каждую неделю, время на неё видно по журналу заказов. Проверка простая: сметчик прогоняет через калькулятор несколько расчётов, которые уже делал вручную, и сравнивает итог. Ошибку он ловит до отправки клиенту. Для базы знаний данные лежат в чатах и личных заметках инженеров, и их сначала надо собрать. Проверять ответы может только ведущий инженер, а у него мало свободного времени.
Решение: первым идёт калькулятор. База знаний получает второе место, а материалы для неё можно собирать уже сейчас, в виде разобранных случаев с источниками. В другой компании порядок мог бы выйти обратным.
Общее правило из этого примера такое. Первую задачу выбирает проверяемость. Привлекательность идеи идёт позже. Если результат нельзя быстро сравнить с тем, как работа делалась раньше, пилот не покажет, помогла нейросеть или нет. Тогда сохраните реальные примеры входа и выхода, включая обычные, изменённые и сложные случаи, и соберите первый полезный фрагмент вместо интерфейса «на всю компанию».
Что говорит практика, и как читать эти цифры
В исследовании NBER с 5 179 сотрудниками поддержки генеративный помощник увеличил производительность в среднем на 14%, а у менее опытных сотрудников на 34%. Результат относится к конкретной работе, инструменту и компании.
Эксперимент Harvard Business School с 758 консультантами показал границу применимости. Внутри возможностей модели участники работали быстрее и качественнее, а в задаче за этой границей вероятность правильного ответа снижалась. Поэтому «ИИ помогает вообще» и «ИИ справляется с этой операцией» нужно проверять отдельно.
Результат GitHub Copilot — на 55% быстрее в контролируемой задаче программирования — получен на 95 разработчиках и одной заранее заданной задаче. Его нельзя читать как прогноз для вашей разработки. Цифры из исследований годятся как повод проверить гипотезу на своей операции.
Где без человека не обойтись
Человек принимает решение там, где необратимое действие влияет на деньги, клиента, права доступа или безопасность. Он нужен, когда в источниках есть персональные, медицинские, юридические или коммерчески чувствительные данные. И там, где нет эталонных примеров и согласованного критерия качества, потому что без них проверять нечем. Если система не умеет показать источник ответа или передать исключение сотруднику, она тоже ещё не готова.
Следующий шаг
Составьте список задач одной роли за обычную неделю и пройдите по ним четырьмя вопросами выше. Для первой задачи запишите вход, образец результата и владельца. В корпоративной AI-программе участники делают именно это на своих задачах, собирают прототип и защищают его. Если задача понятна и учить команду не нужно, систему можно заказать как внедрение под ключ. Как провести выбранную задачу через замер, проверку и пилот, показано в статье «Как внедрить ИИ в бизнес-процесс: пример с недельным отчётом».
Источники и методика
- NBER — Generative AI at Work.
- Harvard Business School — Navigating the Jagged Technological Frontier.
- GitHub — controlled Copilot productivity study.
- Собственные рабочие конвейеры и обезличенные проекты корпоративной AI-программы Дениса Ффринга. Пример с директором и выбором между калькулятором и базой знаний условный.
Вопросы и ответы
С какой задачи начинать внедрение нейросетей в компании?
С той, которая повторяется регулярно, занимает заметное время и результат которой можно проверить за минуты. Часто это расчёт, сводка или ответ по внутренним правилам.
Нужно ли покупать отдельный сервис под каждую задачу?
Не обязательно. Сначала стоит описать задачу, вход и критерий качества. Лишь потом становится понятно, хватит ли простого запроса к модели с хорошим контекстом или нужен отдельный инструмент.
Какие данные нельзя загружать в нейросеть?
В обучении и первых прототипах я не использую контакты клиентов, медицинские и кадровые сведения, пароли и внутренние выгрузки. Берутся вымышленные, тестовые или обезличенные примеры. Для постоянной работы с такими данными нужно отдельное решение, которое проверят ИТ-служба и юристы.