ИИ-автоматизация бизнес-процессов редко означает, что процесс целиком отдают нейросети. В работающих системах модель делает один-два шага из десяти, остальное — обычный код и люди. Проекты, где модели поручили все подряд, получаются дорогими, медленными и непредсказуемыми. Проекты, где границы проведены аккуратно, окупаются.
Разберем, как разложить процесс на шаги и решить, какой из них отдать модели, какой коду, а какой оставить человеку.
Три исполнителя с разными сильными сторонами
В любом процессе с ИИ работают три исполнителя. У каждого своя цена ошибки и свой характер.
Код
Делает одно и то же одинаково тысячу раз подряд. Считает по формуле, проверяет поля, сверяет со справочником, маршрутизирует по правилам. Дешев в работе, быстр и объясним. Не умеет понимать текст, написанный как попало.
Модель
Понимает свободный текст, извлекает из него смысл, пишет черновики, находит похожее. Ошибается уверенно и не всегда одинаково. Каждый вызов стоит денег и занимает секунды. Хороша там, где вход неструктурированный.
Человек
Принимает решения с последствиями, разбирает редкие и спорные случаи, отвечает за результат перед клиентом. Самый дорогой исполнитель, поэтому его время стоит тратить только там, где без него нельзя.
Правило «если задачу можно описать как если А, то Б — это код» мы разбирали в статье о том, с чего начинать автоматизацию. Здесь пойдем дальше. Один и тот же процесс почти всегда содержит шаги всех трех типов, и главное искусство — провести границы между ними.
Как ИИ-автоматизация выглядит на реальном процессе
Возьмем типичный сценарий. Клиент присылает заказ письмом в свободной форме — где-то таблицей, где-то списком, где-то «как в прошлый раз, только больше».
Посмотрите, где здесь модель. Она нужна ровно в одном месте — превратить письмо в структурированный список «позиция, количество, срок». Дальше этот список проверяется кодом по каталогу, ценам и остаткам, как проверялся бы заказ, введенный менеджером вручную.
Если бы модели поручили заодно посчитать сумму и проверить остатки, она делала бы это медленнее, дороже и иногда неправильно. Причем ошибки было бы трудно поймать, потому что модель не сообщает, что не уверена.
Как разложить процесс по исполнителям
- Разбить процесс на шаги. По реальным случаям, а не по регламенту. Шаг — это одно действие с понятным входом и выходом — прочитать письмо, найти клиента, посчитать сумму, отправить счет.
- Для каждого шага спросить, записывается ли правило. Если логику можно изложить на странице условий, это код. Если шаг звучит как «пойми, что имелось в виду», кандидат в модель.
- Оценить цену ошибки. Ошибка в черновике ловится при чтении. Ошибка в сумме счета уходит клиенту. Чем дороже ошибка, тем жестче проверка после модели и тем вероятнее, что финальное слово за человеком.
- Оценить обратимость. Все необратимое — отправка клиенту, списание денег, удаление данных — проходит через подтверждение человеком. Это не временная мера на период обкатки, а постоянная часть процесса.
- Поставить проверку на каждый выход модели. Модель вернула позиции — код проверяет, что такие позиции есть в каталоге. Модель определила клиента — код проверяет, что он существует. Непрошедшее проверку уходит человеку с пометкой, что не так.
Что отдать модели
- Разбор свободного текста. Письма, сообщения в мессенджерах, комментарии в заявках. Извлечь адрес, объем, срок, контакт, тему обращения.
- Документы без единого формата. Счета, спецификации, акты от разных контрагентов, где одна и та же колонка называется по-разному.
- Черновики. Ответ клиенту, коммерческое предложение, резюме переписки. Человек правит, а не пишет с нуля.
- Поиск по смыслу. Найти похожий прошлый заказ, подходящий пункт регламента, ответ в базе знаний. Как это устроено и почему модель иногда при этом выдумывает, разобрали в статье про ИИ-ассистента по базе знаний.
- Классификация по неявным признакам. Жалоба это или вопрос, срочно или нет, к какому отделу — когда ключевых слов для правила не хватает.
Что оставить коду
- Любые расчеты. Сумма, скидка, себестоимость, сроки. Модель умеет считать, но не гарантирует одинаковый результат на одинаковых данных.
- Сверку со справочниками. Есть ли такой товар, такой клиент, такой договор. Код отвечает точно, модель — правдоподобно.
- Маршрутизацию по правилам. Кому передать заявку, какой статус поставить, когда напомнить.
- Запись в системы. Модель готовит данные, а создает заказ и меняет статус код через API с проверками и журналом. Модели не дают прямого доступа к базе.
- Проверку результата модели. Формат, обязательные поля, допустимые значения. Все, что можно проверить машинно, должно проверяться машинно.
Что оставить людям
- Спорные случаи. То, что не прошло проверку кода или где модель сама вернула низкую уверенность. Человек видит не весь поток, а только исключения, и это главный источник экономии.
- Необратимые действия. Отправка клиенту от лица компании, оплата, отказ, удаление.
- Решения с репутационным риском. Ответ на жалобу, нестандартная скидка, конфликт с контрагентом.
- Определение правильного ответа. Кто-то в компании должен решать, что считается верным результатом, и пополнять тестовый набор новыми случаями.
Если после разбора процесса выясняется, что на модель приходится ноль шагов, это хороший результат. Значит, нужна обычная автоматизация процессов без ИИ, и она будет дешевле, быстрее и надежнее.
Граница сдвигается со временем
В начале модель только предлагает, а человек подтверждает каждый результат. Это режим подсказки, с которого стоит начинать любой пилот.
По мере работы накапливается статистика — какие типы писем модель разбирает без правок, а на каких ошибается. Те типы, где доля принятых без правок стабильно высокая несколько месяцев, можно перевести в автоматический режим с выборочной проверкой. Остальные остаются на подтверждении.
Так граница между моделью и человеком двигается по цифрам, а не по ощущениям. Как посчитать, сколько это дает в деньгах, — в статье как посчитать эффект от ИИ. Если модели со временем нужно не только готовить данные, но и самой вызывать инструменты и проверять результат, это уже агент — разбор в статье про ИИ-агентов для бизнеса.
Ошибки при распределении шагов
- Модель на все шаги. «Пусть нейросеть сама разберет письмо, посчитает и создаст заказ». Медленно, дорого, и ошибки в расчетах не видны до жалобы клиента.
- Нет проверки после модели. Результат модели сразу пишется в систему. Через месяц в справочнике появляются клиенты с опечатками и товары, которых не существует.
- Человек смотрит весь поток. Если сотрудник проверяет каждый результат модели целиком, экономии почти нет. Он должен видеть только помеченное.
- Модели дают прямой доступ к базе. Удобно на демо и опасно в работе. Доступ идет через функции с ограниченными правами и журналом.
Частые вопросы
Как понять, что шаг стоит отдать модели
Три признака. Вход в свободной форме, правило не записывается на странице условий, и ошибку можно поймать проверкой или человеком до того, как она дойдет до клиента. Если хотя бы одного признака нет, шаг лучше оставить коду или человеку.
Можно ли обойтись без программиста, на конструкторах с ИИ
Для простых цепочек — да. Конструкторы автоматизации с блоком нейросети закрывают сценарии вроде «письмо — разбор — строка в таблице». Упираются они в проверки после модели, сложную сверку со справочниками и журнал действий. Когда обходных путей в конструкторе становится больше, чем прямых, пора выходить в свою разработку.
Что делать, если модель ошибается на части случаев
Это нормально и заранее закладывается в процесс. Ошибки ловятся проверкой кода и уходят человеку. Важна не нулевая доля ошибок, а то, чтобы ни одна не прошла незамеченной.
Разложим ваш процесс по шагам и исполнителям
Опишите поток, который хочется автоматизировать. В ответ — схема процесса, где отмечено, какие шаги берет код, какие модель и какие остаются людям, с оценкой объема и порядком работ.
Если модель в этом процессе не нужна, так и скажем, и предложим обычную автоматизацию.