Автоматизация бизнес-процессов с ИИ: карта по отделам

ИИ снимает в отделах повторяющуюся работу, за которой не стоит финальное решение: черновики контента, разбор входящих заявок, первую линию поддержки, сведение выгрузок, скрининг резюме, оформление документов по шаблону. Стратегия, вкус и ответственность остаются на человеке.

Открой любой отдел и посмотри, из чего складывается его день. Маркетолог третий час крутит заголовок к одному посту, менеджер перед звонком перечитывает переписку, чтобы вспомнить, о чём договаривались, у оператора поддержки идёт двадцатый за день вопрос про смену тарифа. Финансист руками сводит три выгрузки в одну таблицу, а у рекрутера на столе лежит стопка резюме, отложенная на вечер. Картина узнаваемая почти для любой компании.

Я сам заходил в это через поддержку. Утро у меня начиналось с одних и тех же вопросов: как сменить тариф, куда пришёл счёт, почему не пришло письмо. Я выгрузил старые переписки, собрал из них базу «вопрос - ответ» и посадил модель отвечать строго по ней. Первые дни перечитывал каждый её ответ, потом стал смотреть только туда, где она честно писала «в базе этого нет». Утро освободилось по простой причине: вопросы повторялись, и повторялись они годами.

Дальше идёт карта по отделам: какой процесс, как ставить задачу модели, где всё ломается и чем проверять результат. Если ты ещё не решил, с каких задач вообще начинать автоматизацию, эта карта поможет расставить приоритеты.

Как читать эту карту?

Готовность процесса к автоматизации проверяется тремя вопросами. Прогони через них любую задачу, прежде чем что-то отдавать модели.

• Повторяется ли он? Разовая задача не стоит настройки: пока ты опишешь правила, успеешь сделать её руками дважды. Ищи то, что возвращается каждый день или хотя бы каждую неделю.
• Есть ли понятный вход и выход? «Напиши хороший пост» звучит расплывчато, и результат будет таким же. «Собери 5 вариантов заголовка из этого текста по нашему тону» уже даёт модели опору.
• Сколько стоит ошибка? При промахе, который бьёт по деньгам или репутации, модель работает черновиком под проверкой человека.

Три удобных ответа означают, что перед тобой первый кандидат. Остальные подключай позже, когда набьёшь руку на безопасном материале.

Разберу на живом примере, как это работает в обе стороны. Ежемесячная сверка актов с подрядчиками повторяется, вход и выход у неё описываются в одном абзаце, а ошибка ловится сверкой итоговой суммы. Кандидат хороший. Согласование условий с новым крупным клиентом тоже повторяется, но выход у него каждый раз разный, а цена промаха измеряется контрактом. Такой процесс модель может подготовить, финальный текст пишет человек.

Есть и четвёртый вопрос, который редко задают вслух: существуют ли у процесса правила вообще. Часто выясняется, что три сотрудника делают одну задачу тремя способами и каждый считает свой единственно верным. Модель тут работает как рентген: она требует однозначного описания и подсвечивает места, где договорённости никогда не проговаривались.

Ещё один признак хорошего кандидата - процесс, который тормозит соседние. Пока менеджер не оформил заявку, склад не начал сборку; пока финансист не свёл выгрузку, руководитель не принял решение по закупке. Ускорение такого звена чувствуется всей цепочкой, поэтому при равных условиях бери его вперёд остальных.

Что в маркетинге можно отдать модели?

Позиционирование, выбор оффера и решение, о чём вообще говорить с аудиторией, остаются твоей зоной. Производство материалов по уже принятой стратегии отдаётся модели хорошо.

Рутина, которая уходит первой:

• Черновики постов, писем и описаний из одного исходника.
• Нарезка длинного текста на форматы: статья, посты, сценарии коротких видео.
• Варианты заголовков и хуков пачками, чтобы было из чего выбирать.
• Первичный разбор конкурентов и сбор идей по теме.
• Адаптация одного материала под разные площадки с их ограничениями по длине.

Как ставить задачу: дай исходник, тон и формат одним пакетом. Расплывчатая формулировка вроде «напиши пост про автоматизацию» возвращает набор общих мест. Рабочий вариант выглядит так: «вот черновик мысли и наш тон - спокойный практик, обращение на ты, без хайпа и превосходных степеней; собери 3 варианта поста до 800 знаков, в каждом один практический шаг, который читатель сделает сегодня». Как выжимать из модели предсказуемый текст, подробнее разбираю в материале про ИИ-ассистента для малого бизнеса.

Слабое место: без конкретики и стоп-слов модель уходит в хвалебный тон и общие формулировки. Проверка простая - читай вслух. Текст звучит как реклама и не содержит ни одного конкретного действия? Отправляй на переделку с пометкой, чего именно не хватило.

Отдельно про тон. Один раз собери файл со стилевыми правилами: как вы обращаетесь к читателю, какие слова запрещены, какие обороты выдают чужой голос, какой длины абзацы. Этот файл подкладывается к каждому запросу и экономит половину правок. У меня он совсем короткий, и большую часть строк в нём занимает перечень слов, которые модель любит, а я нет.

Как ИИ помогает в продажах до звонка и после?

Сам разговор ведёт человек. Всё, что происходит до и после него, готовит модель.

Процесс	Отдать модели	Оставить человеку
Входящая заявка	Разобрать, вытащить суть, предложить уточняющие вопросы	Решение, брать ли в работу
Подготовка к звонку	Собрать досье по клиенту из переписки и заявки	Сам разговор, чтение собеседника
Ответ на возражение	Достать 2-3 варианта из базы возражений	Выбор формулировки под клиента
После звонка	Черновик резюме и следующего письма	Обещания, цифры, финальный тон
Реанимация базы	Список тех, кто завис без ответа, с поводом написать	Само письмо и решение, кому писать

Формулировка для подготовки к звонку: «Вот переписка с клиентом. Определи его запрос, бюджетную вилку, если она звучала, и три вопроса, которые стоит задать на звонке». На выходе получается шпаргалка вместо десяти минут перечитывания чата.

Что идёт не так: модель дописывает то, чего в переписке не было. Мне она однажды бодро вписала в сводку бюджет, которого клиент вообще не называл, и я чуть не пошёл с этой цифрой на звонок. С тех пор правило одно: каждый факт из сводки должен находиться в исходнике. Не находится - вычёркиваешь.

Приём, который снимает половину таких случаев: попроси модель после каждого пункта ставить цитату из переписки, на которой пункт основан. Придуманные факты цитатой не подкрепляются, и они сразу видны глазом. Метод тратит лишние десять секунд на чтение сводки и экономит неловкий разговор с клиентом.

Здесь же полезно завести базу возражений: реальные фразы клиентов и ответы, которые у вас сработали. Модель достаёт из неё варианты под конкретную ситуацию, менеджер выбирает формулировку. Как собирать такую базу и в каком виде отдавать её модели, разбираю в материале про базу знаний для нейросети.

Разложить эту карту на своём бизнесе проще, когда рядом есть разборы и живые примеры. Я собрал их в бесплатном обучении по ИИ-автоматизации: там пошагово показываю, как описывать регламент и запускать первый процесс.

Почему поддержка автоматизируется первой?

Поддержка отзывается на автоматизацию быстрее всех отделов. Большая часть обращений повторяется, и ответы на них у тебя уже написаны в голове или лежат в старых переписках. Поэтому первую линию так часто закрывают чат-ботом для бизнеса, опирающимся на собственную базу знаний.

Что можно отдать:

• Ответы на частые вопросы по готовой базе.
• Сортировку обращений: что срочно, что типовое, что эскалировать.
• Черновик ответа, который оператор проверяет и отправляет.
• Разметку обращений по темам, чтобы к концу месяца видеть, на что жалуются чаще всего.

Формулировка тут важнее, чем в любом другом отделе: «Отвечай только на основе этой базы. Если ответа в ней нет, скажи об этом прямо и передай человеку». Фраза про «нет в базе» гасит фантазию модели и превращает её ошибку в обычную эскалацию.

Риск: без жёсткой опоры на базу модель уверенно выдумывает несуществующие условия, тарифы и сроки. Проверять надо прогоном - возьми полсотни реальных прошлых обращений и сверь ответы модели с тем, что вы отвечали на самом деле. У меня такой прогон подсветил в первую очередь дыры в самой базе: расхождения сидели там, где правильного ответа не было нигде, кроме головы старшего оператора.

Второй по важности элемент - маршрут эскалации. Опиши заранее, что происходит после фразы «передаю человеку»: куда падает обращение, кто его видит, за какое время реагирует. Без этого маршрута автоматизация первой линии превращается в вежливую стену, за которой клиент никого не находит.

Дальше поддержка обычно перерастает в отдельную роль с памятью и доступом к данным клиента. Как устроены такие роли и чем они отличаются от простого чата с промптом, разбираю в статье про ИИ-агентов для бизнеса.

Что в финансах считать самому?

В финансах модель хороша на сборе и слаба там, где ошибка стоит дорого. Граница проходит жёстко: сведение и черновой разбор уходят модели, финальные цифры для отчётности и решений остаются под проверкой человека всегда.

Рутина, которая уходит:

• Сведение данных из нескольких выгрузок в единую таблицу.
• Первичные комментарии к цифрам: что выросло, что упало, где аномалия.
• Черновик регулярного отчёта по готовому шаблону.
• Расшифровка непонятных строк в банковской выписке по описанию платежа.

Формулировка: «Вот выгрузка за месяц. Сведи в таблицу по неделям, посчитай динамику к прошлому месяцу и отметь три самых заметных изменения». Перед тобой оказывается готовый черновик вместо сырой выгрузки, и остаётся решить, что из этого важно. Какие вопросы вообще имеет смысл задавать модели по цифрам, разбираю отдельно в материале про ИИ для бизнес-аналитики.

Слабое место: арифметика. Модель ошибается в подсчётах и подаёт результат ровным уверенным тоном, из-за чего ошибку легко проглядеть. Спасают контрольные суммы и ручная сверка нескольких строк. Для чисел, которые идут в отчётность или в оплату, финальный расчёт держи в формуле таблицы, а модель пускай только к формулировкам выводов.

Полезное разделение труда: модель пишет формулу или скрипт, считает таблица. Так ты получаешь и скорость, и проверяемость - формулу видно, её можно перечитать. Сравнение старого подхода через макросы с работой модели я разбирал в статье про макросы VBA против ИИ, и вывод там такой же: считает всё равно таблица.

Где ИИ помогает в найме, а где мешает?

Финальный выбор кандидата всегда за человеком. Воронка вокруг этого выбора забита рутиной, которую спокойно отдаёшь модели.

Что уходит:

• Первичный скрининг резюме по формальным критериям.
• Черновики вакансий и писем кандидатам.
• Сбор вопросов для собеседования под конкретную роль.
• Структурирование заметок после интервью в единый формат.

Формулировка: «Вот вакансия и пачка резюме. Отметь, кто подходит по трём обязательным критериям, кто под вопросом и почему». На выходе короткий список вместо стопки на весь вечер.

Где ломается: на оценках уровня «хороший - плохой». Модель нормально сортирует по формальным признакам вроде опыта работы с нужным инструментом, а суждение о человеке и тон отказа остаются твоими. Проверять надо с той стороны, где обычно не смотрят: выборочно перечитай тех, кого модель отсеяла. Сильный кандидат с нестандартным резюме отлетает первым, потому что его опыт описан не теми словами.

Второй момент касается формулировки критериев. «Опытный менеджер» модель понимает как хочет, «опыт работы с CRM от двух лет и опыт продаж по входящим заявкам» она проверяет буквально. Чем формальнее критерий, тем меньше у неё пространства для самодеятельности.

Отдельно предупрежу про отказы. Письмо кандидату модель напишет за секунду, но шаблонный отказ читается как шаблонный, и люди это запоминают. Черновик бери у модели, финальную фразу дописывай сам.

Какая рутина уходит в операционке и документах?

Отдел, про который вспоминают последним, при этом рутины у него больше всех: договоры по шаблону, счета, акты, регламенты, инструкции, протоколы встреч.

Что можно отдать:

• Заполнение типовых документов по шаблону из карточки сделки.
• Краткое резюме встречи с задачами и ответственными из расшифровки записи.
• Первое чтение входящего договора со списком мест, на которые стоит посмотреть юристу.
• Превращение устного объяснения сотрудника в письменную инструкцию.

Последний пункт недооценивают. Попроси человека надиктовать, как он делает свою работу, отдай расшифровку модели с задачей собрать пошаговый регламент - и у тебя появляется документ, который в компании не писали годами. Заодно этот регламент станет опорой для автоматизации самого процесса.

Что идёт не так: модель охотно приводит документ к «красивому» виду и по дороге меняет юридические формулировки. Для договоров работает только режим черновика с обязательной проверкой человека, который отвечает за текст.

Когда типовых документов много и они лежат в разных сервисах, ручное копирование между ними начинает съедать больше времени, чем само заполнение. Тут процесс перерастает в сценарий: данные забираются из одной системы, обрабатываются моделью и складываются в другую. Собрать такую цепочку без кода помогают визуальные конструкторы - про один из них у меня есть пошаговый разбор n8n с нуля. Там, где конструктора мало, в дело идут короткие скрипты: что реально автоматизируется таким способом, я показывал в материале про автоматизацию рутины на Python.

Почему отделам нужен один источник правды?

У отделов общий контекст: один продукт, одни цифры, одна аудитория, один тон. Разнеси их по десяти отдельным чатам, и каждый начнёт врать по-своему. Маркетинговый черновик напишется чужим голосом, поддержка назовёт старую цену, продажи пообещают срок, которого нет в регламенте.

Я поймал это как раз на прайсе: помощник поддержки спокойно назвал клиенту цену, которую мы поменяли месяцем раньше. Причина скучная - база, на которую он опирался, осталась с прошлого прайса. С тех пор у меня одно правило: цифры и условия живут в одном файле, а роли ссылаются на него.

Общий источник правды состоит из нескольких кусков:

• Продукт: что продаём, из чего состоит, чего в нём нет.
• Цифры: цены, сроки, лимиты, условия возврата.
• Аудитория: кто покупает, какими словами говорит, чего боится.
• Тон: как обращаемся к человеку, какие слова под запретом.
• Регламенты: как проходит типовой процесс в каждом отделе.

Каждый отдел получает своего цифрового сотрудника с собственной задачей, но смотрят они в одну базу. Новая роль подключается к готовой машине и сразу забирает нужный контекст. Как собрать первую такую роль по шагам, разбираю в отдельной инструкции про сборку ИИ-сотрудника с нуля.

Заводить всю базу целиком на старте не нужно. Начни с того куска, который требуется первому процессу: для поддержки это тарифы и частые вопросы, для продаж - прайс и база возражений. База дописывается по мере того, как ты подключаешь отделы.

У такой базы должен быть хозяин. Файл, за который никто не отвечает, устаревает через месяц, и дальше вся конструкция начинает уверенно транслировать вчерашние условия. Договорись сразу, кто вносит правки при смене цен и кто раз в квартал перечитывает документ целиком.

Про то, как устроен такой общий мозг и как я раскладываю роли по отделам, рассказываю в закрытом канале ИИмперии.

Как описать регламент процесса словами?

Настройка любого процесса из карты начинается с текста, который ты пишешь один раз. Формат у меня всегда одинаковый, пять блоков.

Вход. Что модель получает: текст переписки, выгрузка, резюме, расшифровка звонка. Опиши источник и его формат, чтобы модель не гадала.

Выход. Что должно получиться и в каком виде: таблица с такими-то колонками, три варианта текста, список из пяти пунктов. Задавай структуру явно, иначе получишь свободное сочинение.

Правила. Тон, длина, обращение к читателю, запрещённые слова, обязательные элементы. Сюда же идёт главное ограничение: работать только с тем, что есть во входных данных.

Чего нельзя. Отдельный блок из личного опыта. Здесь живут фразы вроде «не придумывай цифры», «не обещай сроки», «не меняй формулировки договора». Каждая строка появляется после конкретного промаха.

Проверка. Как ты поймёшь, что результат годный: контрольная сумма, сверка фактов с исходником, чтение вслух, прогон на старых данных.

Покажу это на живом процессе, разборе входящей заявки. Вход - текст заявки с сайта плюс переписка из почты, если она была. Выход - карточка из четырёх строк: запрос клиента, что уже известно про его ситуацию, чего не хватает для оценки, три уточняющих вопроса. Правила: опираться только на факты из заявки и переписки, обращение нейтральное, объём до полутора тысяч знаков. Запреты: домысливать бюджет, сроки и размер компании, если клиент их не называл. Проверка: под каждой строкой карточки стоит цитата из исходника.

Такое описание помещается на половину страницы, и качество результата определяется им, а формулировка промпта здесь вторична. Модель обновится, сервис поменяется, а регламент останется рабочим. Выбор между тем, чтобы собирать это самому или брать готовое решение, я разбирал в материале про ИИ-агентов под ключ или сборку самому.

Как выглядит запуск первого процесса по дням?

Срок зависит от того, описаны ли у процесса правила. Когда они лежат в голове одного человека и их надо просто записать, всё укладывается в несколько вечеров.

Стартуешь со сбора материала: выгрузи два-три десятка реальных примеров того, как задача решалась раньше. Для поддержки это старые переписки, для продаж - сводки по закрытым сделкам, для документов - пачка заполненных договоров. Материал важнее промпта, потому что именно по нему ты потом увидишь, где модель расходится с принятым у вас порядком.

Дальше пишется регламент по пяти блокам, и здесь обычно вылезает главная задержка. Пока формулируешь правила, выясняется, что половина из них никогда не проговаривалась вслух: кто-то в отделе делает шаг, о котором остальные не знают, а кто-то пропускает его сознательно. Согласование этих расхождений между людьми занимает больше времени, чем вся техническая часть.

Прогон на старых данных ставит точку. Берёшь примеры, собранные в начале, пропускаешь их через модель и сравниваешь с тем, что реально было сделано. Расхождения раскладываются на две кучки: промахи модели чинятся правкой регламента, дыры в исходных данных чинятся дописыванием базы.

После этого процесс уходит в работу в режиме черновика, где человек смотрит каждый результат. Через пару недель становится видно, какие типы задач модель закрывает чисто, и сплошная проверка сжимается до выборочной по рискованным случаям.

Что делать, если ИИ ошибётся в рабочем процессе?

Исходи из того, что он ошибётся, и заранее знай, куда смотреть. Чаще всего запуск тормозят несколько сомнений, разберу каждое по-честному.

«Модель наврёт, и я даже не замечу». Заметишь, если для каждого процесса заранее прописан способ проверки. Именно поэтому у каждого отдела в карте есть строка про слабое место: ты держишь в голове конкретную точку, куда смотреть. На финансах это контрольная сумма, в продажах сверка фактов с перепиской, в поддержке прогон старых обращений. Проверка готового черновика в любом случае занимает меньше времени, чем написание с нуля.

«У нас нет программиста, мы не потянем». Большинство процессов из этой карты текстовые, и для них хватает грамотного промпта и шаблона. Программист понадобится позже, когда захочешь связать сервисы в цепочку без ручных шагов. Стартуй на том, что уже открыто в браузере.

«Это отнимет больше времени, чем сэкономит». Отнимет, если хвататься за всё сразу и без регламента. Поэтому первый процесс бери узкий и повторяющийся: регламент пишется один раз, а задача возвращается каждый день. Сколько именно она вернёт, ты увидишь на своём процессе, обещать тебе конкретный срок я не стану. Разовая работа автоматизируется невыгодно, и она честно отсеивается ещё на этапе трёх вопросов.

«Нельзя выгружать наши данные наружу». Возражение справедливое, и разбираться с ним нужно до запуска. Разложи процесс на части и посмотри, что в нём действительно чувствительно: чаще всего модели нужен текст обращения, а не паспортные данные и номер карты. Персональные поля заменяются метками вроде «клиент А», реквизиты вырезаются, шаблон подставляет их уже на стороне вашей системы. Там, где этого мало, вопрос решается выбором площадки размещения и договорённостями по обработке данных, и это разговор с юристом, а не с промптом.

«Сотрудники решат, что их увольняют». Разговор об этом лучше провести до запуска. Формулировка простая: рутина уходит модели, а освободившееся время идёт на работу, до которой руки не доходили. Скрытая автоматизация даёт обратный эффект, люди начинают саботировать процесс и прятать реальные шаги работы.

Как понять, что автоматизация окупилась?

Ощущения тут подводят: первые дни всё кажется медленным, потому что ты перепроверяешь каждый ответ. Замеряй три вещи, они видны без специальных инструментов.

Время на один прогон процесса засеки до автоматизации на трёх реальных задачах и повтори замер через две недели. Сравнивать имеет смысл полный цикл вместе с проверкой, иначе картинка получится красивой и неправдивой.

Дальше считай долю результатов, которые ушли в работу без переделки. Восемь черновиков из десяти с косметической правкой означают, что регламент рабочий. При обратной пропорции проблема сидит в описании процесса, и чинить надо его.

Третий замер самый неудобный: посмотри, куда ушло освободившееся время. Автоматизация, после которой человек просто берёт больше той же рутины, окупается плохо. Смысл появляется, когда высвобожденные часы идут на задачи, которые раньше откладывались.

Отдельно смотри на список эскалаций из поддержки и на вычеркнутые факты из сводок продаж. Эти два списка показывают, где база знаний не дотягивает, и подсказывают следующий кусок для доработки. Через месяц у тебя набирается понятный план развития, собранный из реальных промахов. Какие ещё задачи имеет смысл закрыть следующими, я разбирал в материале про ИИ-ассистента для бизнеса.

С чего начать сборку?

Инструмент выбирается в последнюю очередь. На старте нужен один узкий процесс и описанный регламент.

1. Возьми один отдел и выпиши, что в нём повторяется каждый день.
2. Выбери процесс с понятным входом-выходом и дешёвой ошибкой.
3. Опиши регламент по пяти блокам: вход, выход, правила, запреты, проверка.
4. Отдай модели этот регламент и прогони на реальных примерах из прошлого.
5. Сверь результат по слабому месту, указанному для этого отдела.
6. Работает - фиксируй как шаблон и переходи к следующему процессу.

Карта собирается по кусочку, и каждый следующий отдел подключается легче предыдущего, потому что опирается на уже отлаженную базу. Начни с одного процесса. С какого именно начнёшь ты - поддержка или контент?

Источники

• Anthropic: Prompt engineering overview - как формулировать задачу модели, чтобы получать предсказуемый результат.
• OpenAI: Prompt engineering guide - практические приёмы описания входа и выхода для текстовых процессов.