В прошлом году к нам пришел клиент из B2B-дистрибуции с запросом на «AI-менеджера». К 9:40 утра у них уже скапливались письма, заявки с сайта и сообщения из мессенджеров, а два менеджера вручную переносили все это в amoCRM. После короткого аудита стало понятно: проблема не в «умном AI», а в процессе из 6 ручных шагов, где лид терялся между почтой, таблицей и CRM.
Мы не стали брать весь отдел продаж. Сфокусировались на одном узком сценарии: разобрать письмо, вытащить реквизиты, создать сделку, назначить ответственного и собрать черновик ответа. Через 4 недели первичная обработка сократилась с 27 минут до 6 минут. Цифры здесь вполне однозначные: когда ручной путь сокращается почти вчетверо, пилот уже выглядит не как модный эксперимент, а как инвестиция с понятной отдачей.
Граница проходит там, где система начинает делать работу
Чат-бот отвечает по сценарию. Ассистент помогает сотруднику: ищет по базе знаний, суммирует переписку, пишет черновик. Агент полезен в другой точке: он получает контекст, идет в систему и выполняет действие через API.
Для бизнеса здесь важны четыре вещи: что агент читает, что решает, что может сделать и в какой момент обязан передать задачу человеку. Я обычно смотрю на архитектуру очень приземленно: есть ли доступ к CRM, почте, helpdesk, базе знаний и журналу действий.
| Формат | Что умеет | Где есть экономика |
|---|---|---|
| Бот по FAQ | отвечает по шаблону | типовые вопросы с низкой ценой ошибки |
| RAG-ассистент | ищет в документах, пишет черновик | поддержка, внутренний поиск |
| AI-агент | читает, решает, меняет данные | операции между системами |
CTO логистической платформы хорошо сформулировал это на созвоне: «Модель сама по себе нам денег не приносит. Деньги появляются, когда она перестает быть окном для чата и становится частью процесса».
Первый ROI почти всегда сидит в скучном месте
Самые выгодные сценарии я вижу там, где есть повтор, свободный текст и переходы между несколькими системами. Почта, первичный разбор лидов, извлечение данных из документов, статусы заказов, внутренняя база знаний. Выглядит буднично, но именно в этих точках бизнес каждый день платит за ручной труд.
У нас был проект в логистике: клиент хотел сразу закрыть всю поддержку - WhatsApp, почту, личный кабинет и старую базу знаний на WordPress. Мы сузили задачу до входящих писем по статусам отгрузки. Агент на Node.js 20 + NestJS, PostgreSQL 16 и OpenAI API искал номер заказа, запрашивал статус в ERP и готовил ответ. Через 5 недель ручная сортировка потока сократилась на 68%.
Хороший первый кандидат обычно выглядит так:
- операция повторяется 50-100 раз в неделю и больше
- текст приходит в свободной форме
- ошибка стоит умеренно дорого
- результат можно посчитать по неделям, а не в горизонте «когда-нибудь потом»
Давайте посчитаем: если сотрудник тратит 12 минут на типовой запрос, таких запросов 80 в день, а час стоит бизнесу 1 200 ₽, ручная обработка обходится примерно в 380 тыс. ₽ в месяц. Даже частичная автоматизация на 35% уже дает заметную экономию.
Где деньги появляются быстро, а где проект уходит в презентации
Рабочих сценариев не так много, и это скорее плюс: их проще считать по ROI, TCO и сроку окупаемости.
| Сценарий | Что делает агент | Типичный эффект |
|---|---|---|
| Поддержка | ищет ответ, создает тикет, готовит сообщение | до 40% кейсов без оператора |
| Продажи | разбирает лид, заполняет CRM, ставит задачу | реакция быстрее в 3-5 раз |
| Почта и документы | вытаскивает реквизиты, классифицирует, маршрутизирует | минус 60-80% ручной сортировки |
| Внутренние знания | ищет по Notion, CRM, Google Drive | ответ за 1-2 минуты вместо 10-15 |
Сколько стоит первый запуск?
Если процесс узкий, обычно хватает 2-6 недель, 1-2 интеграций и подтверждения человека на критичных шагах. Это в разы дешевле, чем пилот «на полкомпании», который чаще всего не выдерживает собственного масштаба.
Ломается не модель - ломаются данные, права и ожидания
Мы сами на этом ошибались. Несколько лет назад пробовали быстро посадить ассистента на внутреннюю базу знаний клиента из финтеха. На демо все выглядело убедительно, но в реальной работе выяснилось, что часть инструкций устарела на 9 месяцев, доступы были настроены неровно, а половина регламентов лежала в папках без структуры. Ассистент отвечал уверенно, но неверно, и запуск пришлось откатить.
Где обычно ошибка?
Обычно не в том, что «модель слабая». Чаще нет тестового набора кейсов, у агента слишком широкие права, а качество данных никто не проверил до старта.
Мы предпочитаем запускать первый сценарий с тремя ограничителями: роли по действиям, журнал операций и ручное подтверждение для критичных шагов. На старте это немного снижает уровень автоматизации, зато заметно уменьшает цену ошибки. В деньгах разница простая: потерять 2 недели на аккуратный запуск дешевле, чем потом месяц исправлять последствия в продажах или поддержке.
Как запускать без дорогого пилота
Рабочая схема у нас короткая: взять один процесс, собрать реальные кейсы за последние 2-4 недели, подключить минимум систем и считать экономику раз в неделю. Смотрим не на «точность модели вообще», а на время операции, долю автоматизации, число эскалаций и стоимость обработки одного кейса.
Когда у вас есть цена одного ручного шага, разговор про AI резко меняется. Пилот перестает быть игрушкой для инновационного бюджета и становится обычной управленческой задачей. Вопрос уже не в том, сколько стоит агент, а в том, какой ручной процесс вы готовы оплачивать еще 12 месяцев.
