Когда искусственный интеллект вам не нужен

Мы консалтинговая компания, а не продавцы технологий. Если по итогам аудита окажется, что искусственный интеллект в вашем случае не окупится, мы так и скажем — и предложим более простое решение задачи. Вот шесть ситуаций, в которых мы обычно отговариваем от внедрения.

Операций слишком мало

Если процесс запускается пару раз в неделю, модель и её поддержка обойдутся дороже сотрудника, который делает это руками.

Типичная ситуация: компания на 20 человек хочет автоматизировать распознавание первичных документов. Считаем: 40 счетов и 15 актов в месяц — это около четырёх часов работы бухгалтера. Разработка, интеграция с учётной системой и поддержка окупятся за срок, который делает проект бессмысленным.

Что предлагаем вместо: настроить процесс, шаблоны и регламент.

Данных нет или они грязные

Автоматизировать нечего: искусственный интеллект не восстановит то, что никто не записывал, и не исправит противоречивые справочники.

Типичная ситуация: запрос на прогноз спроса, а история продаж живёт в трёх таблицах, где один и тот же товар назван тремя разными способами. Прогноз на таких данных будет уверенно ошибаться — и этой уверенности поверят.

Что предлагаем вместо: сначала навести порядок в учёте и данных.

Процесс ещё не устоялся

Если он меняется каждый месяц, автоматизация зафиксирует текущий хаос и сделает его дороже в изменении.

Типичная ситуация: отдел продаж третий раз за полгода перестраивает воронку и статусы сделок. Любая автоматизация здесь устареет раньше, чем окупится, а менять её будет труднее, чем менять регламент.

Что предлагаем вместо: стабилизировать процесс, автоматизировать после.

Задача решается регламентом или простым инструментом

Часто «нам нужен AI» означает «у нас нет инструкции». Инструкция, шаблон или обычная автоматизация работают надёжнее и стоят в разы меньше.

Типичная ситуация: менеджеры по-разному оформляют коммерческие предложения, и руководитель хочет генератор на нейросети. Обычно достаточно утверждённого шаблона и правил заполнения — это делается за неделю и не требует поддержки.

Что предлагаем вместо: регламент, шаблоны, простую автоматизацию без моделей.

Цена ошибки высока, а проверять результат некому

Есть процессы, где ошибка стоит слишком дорого, чтобы отдавать их модели без человека в контуре.

Публичный пример: в феврале 2024 года трибунал Британской Колумбии обязал Air Canada исполнить условия скидки, которых у авиакомпании не было, — их выдумал её собственный чат-бот. Довод «бот отвечает сам за себя» суд отклонил.

Публичный пример: Klarna автоматизировала поддержку в объёме работы 700 операторов, а через год начала возвращать людей. Формулировка гендиректора: слишком сильный фокус на эффективности и стоимости дал падение качества.

Что предлагаем вместо: схему с обязательной проверкой человеком — или честный отказ от этого участка.

Есть регуляторные ограничения

Персональные данные, врачебная и банковская тайна иногда допускают только локальные модели на своём оборудовании, а это заметно меняет экономику проекта.

Типичная ситуация: компания хочет обрабатывать обращения клиентов через облачный сервис, но в обращениях есть персональные данные. Вариант остаётся один — своя инфраструктура, и это другой бюджет.

Что предлагаем вместо: посчитать честно и сказать, если экономика не сходится.

А когда искусственный интеллект действительно работает

Те же правила работают и в обратную сторону: если условия сходятся, мы внедряем. На примере некоторых из наших проектов.

Сначала пробуем решение попроще

Задача: поддержка Studybay тонула в повторяющихся вопросах, а бюджет был ограничен.

Что сделали: не стали строить дорогой контур на большой языковой модели — сделали поиск по базе готовых ответов.

Результат: нагрузка на поддержку снизилась на 40%, ответ клиенту — с 25 до 16 минут.

Где ошибка дорого стоит, последнее слово за человеком

Задача: врачи тратили 30–40% рабочего времени на заполнение карт.

Что сделали: ассистент распознаёт приём и готовит черновик протокола, чистовую запись подтверждает врач.

Результат: запись с 5–7 минут до 30–40 секунд, вечерние дописания сократились на 70%.

Модель работает по шаблону, а не сочиняет

Задача: сотрудники банка из топ-10 тратили до двух часов в день на типовые письма и договоры.

Что сделали: генератор собирает документы строго по утверждённым шаблонам и справочнику реквизитов.

Результат: подготовка документа с 15–25 минут до 1–2, ошибки в реквизитах — на 85% меньше.

Сначала данные, потом модель

Задача: менеджеры фриланс-биржи постоянно отвлекали аналитиков типовыми запросами к базе.

Что сделали: бот превращает вопрос на обычном языке в SQL-запрос. Это стало возможным потому, что база была документирована. Модель развернули локально, данные не покидают компанию.

Результат: аналитики освободились от типовых запросов, данные остались внутри контура.

Все кейсы

Как понять, ваш это случай или нет

Это и есть работа бесплатного аудита. Мы смотрим процессы и данные и говорим прямо: здесь искусственный интеллект окупится, здесь нет, а вот это решается без него. Решение о следующем шаге остаётся за вами.

Посмотреть цены на традиционные услуги →