Какие бизнес-процессы стоит автоматизировать ИИ-агентами

В предыдущей статье мы разбирали, почему использование ChatGPT сотрудниками и внедрение ИИ-агента решают разные задачи. ChatGPT хорошо помогает человеку на отдельных этапах работы. ИИ-агент становится интереснее там, где необходимо автоматизировать уже не отдельную операцию, а последовательность действий внутри бизнес-процесса.

Но отсюда возникает следующий вопрос: какие процессы вообще стоит автоматизировать ИИ-агентами?

Технически современную LLM можно подключить практически к чему угодно: корпоративной почте, CRM, ERP, 1С, базе документов или внутреннему API. Однако сама техническая возможность еще не означает, что разработка ИИ-агента будет экономически оправдана.

На практике наибольший эффект автоматизация бизнес-процессов ИИ-агентами дает там, где одновременно присутствует несколько условий: большой поток похожих операций, неструктурированные входные данные, несколько источников информации, понятная последовательность действий и достаточно высокая стоимость ручной работы.

Разберем, как выглядят такие процессы и где корпоративные ИИ-агенты уже можно применять на практике.

В первую очередь важно разделять обычную автоматизацию и задачи, в которых действительно нужен искусственный интеллект.

Если процесс полностью формализован, его часто проще автоматизировать традиционными средствами.

Например:

если поле А равно X → записать значение Y в систему B.

Здесь не требуется LLM. Достаточно обычной бизнес-логики, интеграции или workflow-системы.

ИИ становится полезен там, где между входными данными и следующим действием появляется необходимость что-то понять, интерпретировать или сопоставить.

Например, клиент присылает письмо:

Нужны 20 комплектов аналогов модели X, но обязательно для эксплуатации при низких температурах. Срок поставки — до конца месяца. Спецификация во вложении.

Чтобы обработать такой запрос автоматически, системе недостаточно перенести значения из одного поля в другое. Нужно понять текст письма, открыть вложение, извлечь позиции и требования, найти соответствующие товары, получить дополнительные данные и только после этого сформировать следующий результат.

Именно на стыке неструктурированной информации и формализованного бизнес-процесса ИИ-агенты для бизнеса обычно дают наибольший эффект.

Хорошего кандидата на автоматизацию можно узнать по нескольким признакам:

• процесс выполняется регулярно;
• внутри него есть повторяемая последовательность действий;
• значительная часть времени уходит на поиск, чтение, перенос, сверку или классификацию информации;
• работу системы можно проверить по понятным критериям;
• сотруднику приходится переключаться между несколькими источниками и системами: почтой, документами, CRM, ERP, 1С, SharePoint или внутренними базами.

Особенно хорошо подходят процессы, где экспертное решение требуется только в части случаев, а основная работа сотрудника состоит в подготовке информации для этого решения.

В таком сценарии ИИ-агент может взять на себя промежуточные действия, а человеку оставить проверку результата и работу с исключениями.

1. Обработка заявок и автоматическое формирование коммерческих предложений

Один из наиболее понятных сценариев — обработка входящих заявок на товары и услуги.

Запрос может прийти письмом, PDF-файлом, Excel-таблицей, сканом или сразу несколькими вложениями. При этом наименования клиента часто не совпадают с внутренней номенклатурой компании, часть характеристик может отсутствовать, а перед подготовкой предложения необходимо проверить каталог, цены и другие корпоративные данные.

В результате менеджер выполняет одну и ту же цепочку:

получить запрос → разобрать позиции → найти соответствия в каталоге → проверить характеристики и аналоги → получить цены → подготовить коммерческое предложение.

Такой процесс уже сложно автоматизировать одной обычной интеграцией.

ИИ-агент может распознать входящий запрос, извлечь позиции, сопоставить их с номенклатурой, использовать данные ERP, прайс-листов или истории продаж и подготовить коммерческое предложение либо его черновик.

Именно по такой логике работает наше решение для ИИ-автоматизации коммерческих предложений. Оно обрабатывает заявки из PDF, Excel, сканов и писем с вложениями, сопоставляет позиции с каталогом и может сформировать итоговое КП в PDF, Excel или Word.

При этом необязательно полностью отдавать решение системе. Если соответствие неоднозначно, агент может предложить несколько вариантов и передать позицию менеджеру на проверку.

В результате сотрудник не собирает предложение с нуля, а проверяет уже подготовленный системой результат.

2. Обработка ВЭД-документов и сверка данных между ними

Еще один хороший кандидат на внедрение ИИ-агента — процессы, в которых сотруднику приходится работать сразу с комплектом документов.

Например, при импортной поставке это могут быть инвойсы, упаковочные листы, спецификации, контракты, транспортные и таможенные документы.

Просто распознать каждый PDF здесь недостаточно. Одни и те же сведения встречаются в нескольких источниках и должны согласовываться между собой.

Поэтому процесс выглядит уже так:

получить документы → определить их тип → извлечь данные → сопоставить сведения между документами → проверить полноту и расхождения → передать проверенные данные в корпоративную систему.

Наше решение для ИИ-обработки ВЭД-документов работает именно с такой задачей: извлекает данные из документов разных форматов, проверяет отсутствующие поля и несоответствия, сопоставляет номенклатуру и передает результат в 1С, CRM, ERP и другие системы.

Здесь хорошо видно разделение ответственности внутри ИИ-агента. LLM может использоваться для интерпретации неструктурированных документов, а формальные бизнес-правила — для проверки результата.

Если данные согласуются, процесс продолжается автоматически. Если система обнаруживает конфликт или не может надежно определить значение, случай получает специалист.

Именно это превращает простое распознавание документов в автоматизацию бизнес-процесса.

3. Перевод и обработка технической документации

На первый взгляд перевод документа кажется отдельной операцией, для которой достаточно языковой модели или онлайн-переводчика.

Но в реальных корпоративных процессах задача часто значительно шире.

Техническая документация содержит таблицы, схемы, изображения, подписи, нумерацию и специальную терминологию. После перевода сотруднику может потребоваться вручную восстановить структуру файла, заменить текст внутри изображений, проверить отраслевые термины и загрузить результат обратно в систему документооборота.

Получается уже целый workflow:

получить документ → определить его структуру → распознать текст, таблицы и изображения → перевести с учетом терминологии → восстановить структуру → проверить сложные фрагменты → сформировать итоговый файл.

В нашем решении для ИИ-перевода технической документации система работает не только с обычным текстом, но и с PDF, сканами, таблицами, схемами и изображениями. Она может сохранять структуру документа, переводить текст внутри графических элементов и собирать итоговый файл, после чего передавать его в архив, ERP, ECM или другой внутренний контур.

Для такого процесса ИИ-агент полезен именно как оркестратор: отдельные модели и алгоритмы решают свои задачи, а агент определяет последовательность действий и собирает результат.

Человек при этом может подключаться только к фрагментам, для которых требуется дополнительная проверка перевода.

4. Распознавание чертежей и подготовка данных для следующих операций

Похожая ситуация возникает с инженерными документами и чертежами.

На вход могут поступать PDF-чертежи, сканы, архитектурные планы, спецификации и технические схемы. Сотруднику необходимо не просто прочитать документ, а найти в нем определенные объекты, обозначения и параметры, перенести их в таблицу, а затем использовать эти данные для расчета, сметы или поиска по каталогу.

Для такого процесса одной LLM недостаточно.

Система может объединять компьютерное зрение, OCR, специализированные модели и обычные алгоритмы. ИИ-агент в такой архитектуре управляет последовательностью работы инструментов:

получить чертеж → определить тип документа → распознать текст и графические элементы → извлечь нужные параметры → проверить результат → сформировать структурированные данные.

Например, наше решение для распознавания чертежей с помощью ИИ может находить на архитектурных и инженерных планах объекты и символы, извлекать текст и числовые данные и преобразовывать их в данные для дальнейшей работы, в том числе электронные таблицы.

Это хороший пример того, почему разработка ИИ-агентов не сводится к подключению одной языковой модели. В промышленной системе LLM часто становится только одним из инструментов наряду с OCR, компьютерным зрением, корпоративными данными и бизнес-логикой.

5. Поиск по корпоративным знаниям — если после поиска нужно что-то сделать

Корпоративный поиск и RAG сами по себе не обязательно являются ИИ-агентами.

Если сотрудник задает вопрос по базе документов и получает ответ со ссылками на источники, перед нами прежде всего интеллектуальная поисковая система.

Агентный сценарий появляется тогда, когда найденная информация используется для следующего действия.

Например, сотрудник спрашивает:

Какие документы необходимо запросить у этого поставщика для согласования договора?

Система может найти соответствующий регламент, проверить информацию о поставщике, посмотреть, какие документы уже находятся в системе, определить недостающие, создать задачу ответственному сотруднику и подготовить письмо.

RAG здесь становится одним из инструментов агента.

Именно переход от «найти и объяснить» к «найти, проверить по правилам и выполнить действие» отличает корпоративного ИИ-агента от обычного AI-поиска.

Не каждый процесс стоит превращать в агентную систему.

Разработка ИИ-агента может быть избыточной, если задача:

• возникает редко;
• занимает несколько минут;
• полностью формализована и решается обычной автоматизацией;
• каждый раз выполняется совершенно по-разному;
• не имеет понятного критерия качества;
• почти полностью зависит от экспертного решения человека.

Если специалисту раз в неделю необходимо кратко пересказать один документ, возможно, достаточно ChatGPT или корпоративного AI-ассистента.

Если данные просто переносятся из системы А в систему Б по фиксированным правилам — вероятно, лучше использовать обычную интеграцию.

А если сотрудники ежедневно получают десятки или сотни писем, документов или заявок, ищут информацию в нескольких системах, выполняют одинаковые проверки и вручную формируют результат, процесс уже стоит рассматривать как кандидата на внедрение ИИ-агента.

Еще одна распространенная ошибка — выбрать слишком крупный процесс.

Например:

«Хотим автоматизировать отдел закупок с помощью ИИ».

Но отдел закупок — это десятки разных процессов, решений и исключений.

Разработка ИИ-агентов обычно эффективнее начинается с более узкого сценария с понятным входом и результатом.

Например:

входящий RFQ → сопоставленные позиции → цены → черновик коммерческого предложения;

или:

комплект ВЭД-документов → извлеченные и проверенные данные → список конфликтов и недостающей информации;

или:

комплект технической документации → переведенные и собранные в исходной структуре файлы → проверка сложных фрагментов;

или:

чертеж → распознанные объекты и параметры → структурированные данные для расчета.

Такой процесс проще измерить, протестировать и довести до промышленного качества.

После этого ИИ-агента можно постепенно подключать к соседним операциям.

Поэтому начинать лучше не с вопроса:

«Какого ИИ-агента нам разработать?»

Гораздо полезнее спросить:

«На какой повторяемый процесс сотрудники сейчас тратят много времени, хотя значительная часть их работы состоит из поиска, чтения, переноса и проверки информации?»

После этого процесс можно разложить на этапы и определить:

• что поступает на вход;
• откуда берутся данные;
• какие системы используются;
• где существуют формальные правила;
• где возникают исключения;
• какие действия можно выполнять автоматически;
• где обязательно должен остаться человек;
• по каким KPI можно оценить результат.

После такого анализа становится понятно, нужен ли здесь вообще ИИ, какие функции должен выполнять агент и насколько сложной должна быть система.

Внедрение ИИ-агентов для бизнеса поэтому часто разумнее начинать с одного повторяемого процесса и пилота, а не сразу с разработки большой автономной системы.

Основной критерий выбора процесса — не само количество рутины.

Важно, можно ли превратить эту работу в последовательность понятных и проверяемых этапов, где ИИ помогает интерпретировать неструктурированную информацию, а программная система контролирует дальнейшие действия.

Наиболее перспективны процессы, в которых сотрудники регулярно получают письма, документы или другие неструктурированные данные, извлекают из них информацию, обращаются к корпоративным системам, выполняют повторяющиеся проверки и передают результат дальше.

Именно здесь корпоративные ИИ-агенты могут снять с человека основную часть подготовительной работы, оставив ему контроль и решение нестандартных ситуаций.

При этом уровень автономности не обязательно должен быть максимальным с первого дня. Во многих корпоративных процессах разумнее сначала автоматизировать сбор информации и подготовку результата, сохранив подтверждение за сотрудником.

Хотите найти процесс для автоматизации?

Разберем ваш текущий бизнес-процесс, определим, какие его этапы можно передать ИИ-агенту, какие интеграции потребуются и где необходимо сохранить контроль сотрудника.

Начать можно с одного повторяемого процесса и пилота, прежде чем переходить к разработке ИИ-агента под ключ.