Искусственный интеллект в бизнесе
Нейросети, приносящие деньги, а не хайп
Что это за работа
Внедрение языковых моделей в реальные процессы: умные ассистенты поддержки, обработка обращений, распознавание документов, поиск по базе знаний компании.
Что входит
- Ассистент поддержки, обученный на ваших материалах
- Автоматическая обработка входящих обращений
- Распознавание и разбор документов
- Оценка стоимости и окупаемости до старта
Без хайпа: где нейросети реально приносят деньги
За последние пару лет искусственный интеллект стал модным словом, которое вставляют в презентации, не задумываясь о смысле. Я к этому отношусь прикладно: языковая модель — это инструмент, хорошо решающий узкий класс задач. Там, где она подходит, эффект заметный. Там, где нет, обычный код дешевле, быстрее и предсказуемее.
Работает хорошо: разбор и классификация входящих обращений, ответы на типовые вопросы по вашим материалам, извлечение данных из документов и писем, краткие пересказы длинных текстов и переписок, поиск по накопленной базе знаний компании, черновики ответов для сотрудника.
Работает плохо: точные расчёты, юридически значимые решения, всё, где недопустима ошибка без проверки человеком, и задачи с жёсткими правилами, которые прекрасно описываются обычным алгоритмом. Модель может уверенно ошибиться, и это её встроенное свойство, а не дефект настройки.
Правильный вопрос — не «как нам внедрить ИИ», а «какая наша задача плохо решается сейчас». Иногда ответ оказывается нейросетью, иногда таблицей и тремя правилами. Второе я предлагаю не реже первого.
Что чаще всего делаю
Ассистент поддержки, обученный на ваших материалах. Он отвечает на вопросы клиентов по вашей документации, прайсам и регламентам, а не общими фразами из интернета. Типичный результат — снятие половины-двух третей однотипных обращений, остальное передаётся человеку вместе с историей разговора.
Разбор входящего потока: письма и заявки автоматически распределяются по темам, срочности и ответственным, из текста вытаскиваются контакты, суммы и сроки. Экономит утро менеджера, которое раньше уходило на сортировку.
Работа с документами: распознавание сканов, извлечение реквизитов из счетов и договоров, сверка данных с учётной системой, проверка комплектности пакета. Одна из самых окупаемых задач, потому что раньше это делали глазами.
Поиск по базе знаний компании. Регламенты, инструкции, переписка, накопленные за годы, наконец становятся доступны: сотрудник спрашивает своими словами и получает ответ со ссылкой на исходный документ.
И черновики: коммерческие предложения, ответы, описания товаров. Человек правит и отправляет, а не пишет с нуля.
Ответы по вашим данным, а не по общим знаниям
Ключевая техническая часть таких проектов — заставить модель отвечать строго по вашим материалам. Само по себе это не работает: модель обучена на интернете и на вопрос о ваших условиях доставки уверенно придумает правдоподобный ответ.
Решается это так: ваши документы разбиваются на фрагменты и укладываются в поисковый индекс. При вопросе система сначала находит подходящие куски, а потом просит модель ответить, опираясь только на них, и приложить ссылку на источник. Если подходящего фрагмента нет, правильный ответ — «не знаю, передаю человеку», и это поведение задаётся явно.
Дообучать модель на своих данных обычно не требуется — это дорого, долго и нужно заметно реже, чем принято думать. Поиск по документам даёт лучший результат, стоит дешевле и позволяет обновлять базу знаний в любой момент, просто положив туда новый файл.
Перед запуском обязательно прогоняю набор реальных вопросов и проверяю ответы вручную, вместе с вашими сотрудниками. Без этой сверки внедрять нельзя.
Данные, стоимость и здравый смысл
Вопрос, который задают первым: куда уйдут наши данные. Вариантов два. Через внешний сервис — быстрее, качество выше, платите за объём, но текст запросов уходит к провайдеру. Или локальная модель на вашем сервере — данные не покидают контур, платите один раз за железо, качество ниже, но для большинства прикладных задач достаточное.
Выбор зависит от чувствительности данных. Для персональных данных клиентов, медицинской или коммерчески значимой информации обычно рекомендую локальный вариант или гибридный: чувствительное обрабатывается на месте, остальное снаружи.
Расходы на внешние модели считаются заранее и оказываются меньше, чем ожидают: типичный ассистент поддержки с сотней обращений в день обходится в несколько тысяч рублей в месяц. Локальная модель требует сервера с видеокартой — от 150 тысяч единовременно или аренда.
От 300 000 ₽ за внедрение и от двух недель. В стоимость входят разбор задачи, подготовка данных, сборка, проверка на реальных примерах, интеграция в ваши каналы и обучение сотрудников. Оценка окупаемости — до начала работ и бесплатно.
Как мы будем работать
Сначала разговор: вы описываете задачу своими словами, я задаю уточняющие вопросы. Потом смотрю на месте или удалённо и называю точную цену и срок — до этого момента вы ничего не платите. Дальше работа, сдача с проверкой при вас и год гарантии. Подробнее о том, как я работаю.
Частые вопросы
Такой риск есть, и именно с ним ведётся основная работа. Система строится так, чтобы отвечать только на основе найденных в ваших документах фрагментов и прикладывать ссылку на источник, а при отсутствии подходящего материала — честно передавать вопрос человеку. Перед запуском прогоняются реальные вопросы с ручной проверкой. Для критичных тем — цены, сроки, юридические условия — можно вообще запретить свободный ответ и отдавать только заранее утверждённый текст.
Тогда делаем локальный вариант: модель работает на вашем сервере, данные не покидают периметр компании. Качество будет скромнее, чем у лучших внешних моделей, но для поиска по документам, классификации обращений и извлечения данных этого хватает. Нужен сервер с видеокартой — от 150 тысяч рублей или аренда помесячно. Часто оптимален гибрид: чувствительное обрабатывается локально, обезличенное — снаружи.
Обычно нет, и я не продаю проекты под таким обещанием. Реальный эффект — снятие рутины: сортировка входящего, ответы на однотипные вопросы, подготовка черновиков, поиск в документах. Люди начинают заниматься тем, что требует решения. Сокращение штата случается редко, а вот способность прежней командой обрабатывать вдвое больший поток — вполне обычный результат.
При использовании внешней модели платите за объём обработанного текста. Ассистент поддержки со ста обращениями в день — обычно несколько тысяч рублей в месяц. Разбор документов дороже, потому что объём текста больше. Точную сумму считаю на этапе оценки по вашему реальному потоку, и в системе ставится ограничение расходов, чтобы неожиданный всплеск не привёл к неприятному счёту. Локальная модель работает без платы за объём, только электричество и амортизация.
С одной узкой задачи, которую можно измерить. Например, ассистент, отвечающий только на вопросы о доставке и оплате, — самая частая тема обращений почти в любой компании. Такой проект делается за пару недель, стоит заметно меньше полноценного внедрения и через месяц даёт понятные цифры: сколько обращений он снял и насколько люди довольны ответами. Дальше расширять на этом фундаменте просто и не страшно.
Обсудим вашу задачу?
Диагностика и смета бесплатны: я разбираюсь, что нужно, называю цену и срок, и только после этого мы решаем, работаем или нет. Выезд по Москве и ближнему Подмосковью, остальное — удалённо.
Тема обращения — «Искусственный интеллект в бизнесе» — подставится в форму сама.