Наталия Долженкова

В последние годы рынок активно обсуждает перспективы развития ИИ-агентов. Мнения расходятся: одни считают, что эти технологии принесут бизнесу пользу, другие видят лишь статью расходов, а третьи и вовсе опасаются, что без должного регулирования они могут стать причиной глобального кризиса. Исполнительный директор ELMA Наталия Долженкова поделилась опытом внедрения ИИ-агентов внутри корпоративной платформы, а также рассказала, какие из них дали измеримый эффект с первой версии, какие потребовали пересборки архитектуры и почему самым неожиданным препятствием оказалось получение обратной связи от собственных сотрудников.

Семь кейсов: где ИИ действительно экономит ресурсы

Бизнес обычно ожидает, что ИИ-инструменты помогут сотрудникам сэкономить время и уменьшить число ошибок. Поэтому чаще всего внедрение ИИ начинается в тех областях, где присутствует большое количество информации и типовые задачи. Приведем пример реальных процессов с участием ИИ-агентов, где они отлично зарекомендовали себя на практике.

  • Ассистент клиента на портале. Клиент не всегда может четко сформулировать проблему. Агент на портале задает уточняющие вопросы, собирает первичную информацию и помогает оформить задачу. Это сокращает количество итераций между клиентом и поддержкой, делает данные в заявке чище, а решение — быстрее.

  • Обогащение заявки в техподдержке. После получения заявки от клиента оператор обычно тратит время на сбор контекста: проверяет, действует ли поддержка, ищет похожие обращения, смотрит задачи в разработке. Теперь это делает агент еще до того, как сотрудник открывает карточку. На входе — сырой запрос от клиента, на выходе — готовая карточка с контекстом, подборкой похожих случаев и даже предлагаемым решением.

  • Проверка спецификаций и договоров. Перед тем как документы направляются на согласование, ИИ-агент проверяет их по критериям юридического департамента и бухгалтерии. В результате согласующий получает структурированный отчет: что выполнено корректно, что требует доработки и какие пункты могут представлять риски. Это позволяет сосредоточиться на проработке конкретных проблемных аспектов.

  • Генерация описаний вакансий. Когда возникает потребность в найме нового сотрудника, руководитель компании или подразделения указывает в системе название роли и грейд. Затем агент формирует список обязанностей и требований, основываясь на существующих в компании вакансиях. При этом агент ориентируется на то, как роль устроена в конкретной компании.

  • HR-скоринг кандидата. Агент расшифровывает запись собеседования, анализирует ее и оценивает кандидата по нескольким критериям: уровень мотивации, стаж работы в соответствующей сфере, участие в проектах, а также ответы на вопросы. Окончательное решение принимается человеком, но на основе тщательного и структурированного анализа.

  • Оценка качества работы рекрутера. После завершения интервью необходимо оценить не только кандидата, но и работу рекрутера: насколько полно он задавал вопросы, не пропустил ли важные аспекты и соответствовало ли интервью установленным в компании стандартам. Это позволяет поддерживать высокое качество найма без дополнительных проверок.

  • Автопоиск пробелов в документации. Агент анализирует Telegram-каналы и сообщества, выявляет часто задаваемые вопросы пользователей и сравнивает их со справочной информацией, предназначенной для поддержки клиентов. Когда тема возникает регулярно, но не отражена в документации, агент формирует задачу для ответственных сотрудников, чтобы они дополнили справочные материалы. Благодаря этому пробелы, которые раньше накапливались месяцами, теперь выявляются автоматически.

Эта механика универсальна. Она применима везде, где есть большой поток неструктурированной информации и риск что-то упустить — от контент-плана до анализа клиентских обращений.

Неочевидные сложности: что оказалось дороже ожиданий

Опыт внедрения показал, что самые серьезные барьеры лежат в архитектуре процессов и управлении ожиданиями.

Персонификация — сложнее, чем кажется

Универсальный ассистент отлично справляется с базовыми задачами, но при настройке для конкретного сотрудника возникают трудности. Например, в одном отделе продаж работает несколько сотрудников с похожими обязанностями, но это не означает, что ИИ-агента можно настроить одинаково для всех. У каждого из них свои проекты, источники и контекст.

Универсальный агент не обеспечивает должного качества. Для эффективной работы ему необходимы функции запоминания сессий, персональные навыки и индивидуальные источники данных. Создание персонализированных агентов сложнее, чем кажется на первый взгляд, поэтому необходимо сразу закладывать на это дополнительное время и другие ресурсы.

Смена модели — не просто замена ключа в API

В процессе работы нередко приходится переключаться между различными языковыми моделями. Для российского рынка эта задача особенно актуальна: из-за требований безопасности использование зарубежных моделей часто ограничено, и умение работать с несколькими из них становится необходимостью.

Однако нередко случается, что то, что успешно функционирует в одной языковой модели (например, в чате GPT или GigaChat), может вести себя совершенно иначе в другой. Промпты, структурированные ответы, логика рассуждений — все это зависит от конкретной модели. При переходе с одной на другую требуется адаптация, объем которой сложно предугадать заранее.

Обратная связь — неожиданный барьер

Чтобы искусственный интеллект приносил максимальную пользу, его нужно настроить под конкретные нужды компании или отдельного сотрудника. Качество работы агента во многом зависит от субъективного восприятия сотрудника: стало ли его взаимодействие с системой проще и удобнее. Это не всегда можно измерить количественными показателями, такими как число кликов или время, затраченное на выполнение задач. Поэтому важно регулярно получать обратную связь от пользователей.

Именно здесь возникает главная проблема, к которой многие оказываются не готовы. Чтобы собрать обратную связь, разработчики часто добавляют кнопки оценки прямо в интерфейс, предлагают на выбор несколько вариантов ответов или оставляют поле для комментария. Однако пользователи в большинстве случаев игнорируют эти элементы.

Наиболее эффективное решение — максимально упростить процесс предоставления обратной связи и интегрировать его в момент завершения действия. Тем не менее часть отзывов все равно приходится собирать вручную через личные беседы.

Таким образом, если в дизайне не предусмотреть ИИ механизм для получения обратной связи, совершенствовать его не выйдет. Это нужно учитывать с самого начала разработки.

Четыре барьера ИИ: что тормозит внедрение и как это преодолевается

Опыт внедрения ИИ-агентов позволил сформулировать общие препятствия, с которыми сталкивается любой бизнес.

  • Информационная безопасность. Опасения по поводу утечки конфиденциальной информации сдерживают применение мощных иностранных моделей. Чтобы этого избежать, можно маскировать данные перед их вводом в модель, строго разграничивать права пользователей и размещать модель локально в соответствии с требованиями регуляторов. Это не исключает использование ИИ, но устанавливает правила его применения.

  • Стоимость и неопределенность. Компании откладывают внедрение в ожидании более совершенного инструмента с точки зрения цены и функционала. В этом есть логика — рынок меняется слишком быстро. Но те, кто начал работу с ИИ раньше, накопили опыт, который нельзя купить постфактум, и разрыв между ними и остальными компаниями, ожидающими подходящего момента, продолжает расти.

  • Выбор между облаком и собственным сервером. Облачные сервисы предлагают быстрый старт и оплату по мере использования токенов, но при этом зависят от провайдера. Серверы дают полный контроль над системой, однако требуют начальных вложений в оборудование и обслуживания DevOps. Выбор между этими вариантами зависит от объема операций, уровня безопасности и временного горизонта планирования. Универсального решения не существует, поэтому необходимо провести расчеты до начала проекта.

  • Дефицит компетенций. Для успешного выполнения задач в рамках ИИ-проекта бизнес-аналитику необходим принципиально новый набор навыков. Он должен уметь разрабатывать стандарты качества, формировать тестовую выборку, а также проводить анализ токен-экономики. Если агент разработан недостаточно тщательно, он может формально участвовать в процессе, но на практике только замедлять его, поскольку постоянно будет требоваться дополнительная проверка его работы.

Технологии или процесс: с чего начать внедрение ИИ-агентов

На основе полученного опыта использования ИИ-агентов внутри корпоративной платформы можно сформулировать три принципа, которые помогают избежать типичных ошибок.

  • Отправной точкой должно быть решение проблемы конкретного человека (роли или должности), который тратит определенное время на понятную операцию. Только так появляется измеримый критерий успеха.

  • Механизм обратной связи закладывается в архитектуру агента с самого начала. Без этого невозможно совершенствование ИИ-инструмента, и он будет деградировать по мере изменения процессов.

  • Токен-экономику считают до запуска. Инструмент, которым пользуются редко или который требует большого объема токенов при параллельной нагрузке, может оказаться экономически нерентабельным даже при формально успешном пилоте.

ИИ‑агенты — это новый класс рабочих инструментов, ценность которых измеряется в сэкономленных часах сотрудников, снижении количества ошибок и предсказуемости процессов. Именно с этих метрик стоит начинать любой проект.

Источник: