Исследование NBER на данных более пяти тысяч сотрудников поддержки показало: сотрудники решают на 14% больше обращений в час с помощью генеративного ИИ. Особенно инструмент помогает новичкам — с его помощью они могут погрузиться в процесс быстрее на 34% и тратить меньше времени на рутину.
При этом эффект зависит от задачи, данных и того, как именно технология встроена в процессы. В статье разберём, какие возможности даёт искусственный интеллект для бизнеса, как правильно выбрать класс решений и подготовить корпоративные знания к работе с ИИ.
При этом эффект зависит от задачи, данных и того, как именно технология встроена в процессы. В статье разберём, какие возможности даёт искусственный интеллект для бизнеса, как правильно выбрать класс решений и подготовить корпоративные знания к работе с ИИ.
Время прочтения: 10 минут
Краткое содержание
Что такое искусственный интеллект
Какие задачи решает ИИ в бизнесе
Какие бывают ИИ-инструменты для бизнеса
Чем корпоративный ИИ отличается от публичных нейросетей
Что нужно, чтобы корпоративный ИИ заработал
Источники данных для корпоративного ИИ
Что учесть перед внедрением ИИ в бизнес-процессы
Заключение
FAQ
Что такое искусственный интеллект
Какие задачи решает ИИ в бизнесе
Какие бывают ИИ-инструменты для бизнеса
Чем корпоративный ИИ отличается от публичных нейросетей
Что нужно, чтобы корпоративный ИИ заработал
Источники данных для корпоративного ИИ
Что учесть перед внедрением ИИ в бизнес-процессы
Заключение
FAQ
Что такое искусственный интеллект
Искусственный интеллект — это технологии, которые позволяют системам распознавать закономерности, делать прогнозы, анализировать речь и изображения, а также создавать контент. В большинстве компаний их используют для конкретной работы: оценить спрос, распознать счёт или подготовить ответ клиенту.
При этом под ИИ могут подразумеваться разные технологии:
- Машинное обучение помогает находить закономерности в данных. Например, по истории продаж модель может оценить, сколько товара потребуется магазину на следующей неделе. Один из его методов — нейронные сети, способные выявлять сложные зависимости в больших объёмах информации.
- Компьютерное зрение работает с изображениями и видео: распознаёт объекты, помогает замечать дефекты продукции или нарушения на производстве.
- Генеративный ИИ создаёт новый контент по запросу. Большие языковые модели, или LLM, используют для работы с текстом: объяснений, писем, кратких выжимок и ответов на вопросы.
В одной системе могут сочетаться несколько технологий. И каждую нужно выбирать под рабочий сценарий, так как прогноз запасов и поиск по регламентам требуют разных данных и способов проверки.
Какие задачи решает ИИ в бизнесе
Важно: результат работы ИИ нужно проверять. Для аналитики ему нужны актуальные данные, в HR — корректные критерии отбора, в поддержке — проверенные источники, а в производстве и безопасности эффект оценивают по ошибкам и ложным срабатываниям.
Какие бывают ИИ-инструменты для бизнеса
На практике компании часто используют несколько инструментов под разные задачи. Для маркетинга и контента это могут быть доступные отечественные модели — ГигаЧат и Алиса AI. Они помогают подготовить саммари звонка, черновик рассылки или визуал для социальных сетей. Для более сложных презентаций и одностраничных сайтов можно использовать Gamma.
В сегменте продаж нужны другие возможности: автоматизация обзвона и лидогенерация. Такие сценарии реализуют, например, решения Just AI.
Важно: выбор инструмента зависит от задачи. Где-то достаточно генеративной модели, а где-то требуется решение, встроенное в рабочие процессы компании.
Для задач, связанных с внутренними знаниями компании, важна не только способность модели генерировать ответ, но и доступ к актуальным документам и рабочим системам. Например, менеджеру нужно быстро уточнить условия продукта, а сотруднику поддержки — найти инструкцию по заявке. В таких сценариях можно использовать ИИ-ассистента Minerva Copilot.
Он генерирует ответ на основе корпоративной информации из базы знаний компании и даёт ссылки на источники. Помощника можно встроить в CRM, Help Desk и другие системы, поэтому решение подходит для клиентского сервиса и ИТ-поддержки.
В сегменте продаж нужны другие возможности: автоматизация обзвона и лидогенерация. Такие сценарии реализуют, например, решения Just AI.
Важно: выбор инструмента зависит от задачи. Где-то достаточно генеративной модели, а где-то требуется решение, встроенное в рабочие процессы компании.
Для задач, связанных с внутренними знаниями компании, важна не только способность модели генерировать ответ, но и доступ к актуальным документам и рабочим системам. Например, менеджеру нужно быстро уточнить условия продукта, а сотруднику поддержки — найти инструкцию по заявке. В таких сценариях можно использовать ИИ-ассистента Minerva Copilot.
Он генерирует ответ на основе корпоративной информации из базы знаний компании и даёт ссылки на источники. Помощника можно встроить в CRM, Help Desk и другие системы, поэтому решение подходит для клиентского сервиса и ИТ-поддержки.
Пример подсказки Minerva Copilot в Service Desk
Ответ ИИ по продукту в базе знаний с блоком источников
Чем корпоративный ИИ отличается от публичных нейросетей
Публичные ИИ-сервисы могут использоваться для типовых задач: поиска общей информации, подготовки черновиков, сводок и анализа общедоступных материалов. Однако без подключения к внутреннему контуру они не имеют доступа к актуальным регламентам, базе знаний, операционным бизнес-данным и другой корпоративной информации. Корпоративное решение добавляет к модели рабочий контекст:
- Внутренние источники. Базу знаний, продуктовую документацию и данные корпоративных систем.
- Права доступа. Сотрудник должен получать в ответе только ту информацию, которую ему разрешено видеть.
- Интеграции. Доступ к нужным сведениям и действиям из рабочего интерфейса.
- Контроль. Проверку качества ответов, учёт действий и правила передачи тикета с обращением человеку, если умный ассистент не справляется.
Также систему можно разместить в инфраструктуре компании (on-premise) или в подходящем облаке. В обоих случаях нужно проверить, куда уходят запросы, что сохраняется в журналах, кто имеет доступ и как поставщик использует данные.
Как это выглядит в российских компаниях
Российские компании находятся на разных этапах: от перестройки знаний и тестирования помощников до создания общей ИИ-платформы.
Dodo Brands после переноса и упорядочивания материалов в Minerva Knowledge тестировали ИИ-бота, который использует базу знаний для ответов операторов поддержки в чатах. В итоге корпоративная платформа для управления знаниями стала источником правды для помощника и позволила структурировать и подготовить контент для внедрения искусственного интеллекта.
«Северсталь» выбрала платформенный подход и запустила «Да Винчи» — корпоративную платформу генеративного ИИ. Это пример следующего уровня внедрения, когда компания создаёт общую технологическую основу для разных ИИ-сценариев, а не ограничивается отдельным помощником.
Что нужно, чтобы корпоративный ИИ заработал
По данным McKinsey, почти две трети компаний в мире экспериментировали с ИИ-агентами, но менее 10% масштабировали их с ощутимой пользой. Восемь из десяти называют ограничения данных препятствием для масштабирования агентного ИИ. Так как одного внедрения недостаточно — нужен качественный фундамент из данных и корпоративных знаний.
Подключить базу знаний или дообучить модель
Чтобы ИИ использовал корпоративную информацию, не обязательно обучать модель заново. Есть два подхода: подключить её к актуальной базе знаний или дообучить на подготовленных примерах. Они решают разные задачи.
RAG-система находит релевантные материалы и передаёт фрагменты в модель для ответа. Если вдруг данные в документах изменились, нужно обеспечить их попадание в поисковый индекс. При этом параметры модели при использовании RAG не меняются.
Дообучение же меняет параметры модели на подготовленных примерах: помогает освоить специальную задачу или формат ответа. Для этого нужны обучающий набор и отдельная проверочная выборка.
Подходы можно сочетать. Качество проверяют на реальных вопросах, включая ситуации, когда ответа нет или информация в документах расходится. Ссылка на источник помогает проверке, но не гарантирует правильность вывода.
Подготовить знания и наладить их обновление
Начать стоит с инвентаризации: какие вопросы должен решать ИИ, где лежат ответы и кто отвечает за их достоверность. Затем нужно убрать дубли, выбрать актуальные версии, проверить факты и закрыть пробелы.
Аудит знаний помогает оценить качество материалов, их доступность и готовность к ИИ. Компания получает список проблем и рекомендации: что исправить до подключения модели и как организовать обновление контента.
Иногда требуется полностью переработать подход к организации контента, чтобы ИИ эффективнее работал и давал полные и чёткие ответы. Эксперты Minerva Result на основе кейсов подготовки данных к ИИ в крупных компаниях определили ключевые моменты в работе с контентом для машинного понимания:
- Структура и связи. Материалы организуют по смыслу, описывают связанные понятия, термины и синонимы — готовится полноценная семантическая модель.
- Редакционная политика и шаблоны. Фиксируют правила оформления, метаописаний и терминологии. В шаблонах выделяют фиксированные поля (цель, аудитория, глоссарий, ссылки), позволяющие ИИ выделять ключевые сущности.
- Проверка и актуализация. Вместе с заказчиком устраняют ошибки и противоречия, назначают владельцев, правила согласования, обновления и архивации.
- Материалы для ИИ. Определяют, какой контент использовать в ИИ-сценариях, и выделяют для него роль доступа.
- Обратная связь. Анализируют статьи, поисковые запросы и обращения, чтобы находить частые вопросы, пробелы и типичные ошибки.
Например, в «Билайне» для подготовки базы знаний к работе с ИИ-ассистентами провели работы по разметке контента и выработали единый стандарт структурирования информации. Это повысило релевантность ответов цифровых помощников и создало основу для масштабирования ИИ-решений в клиентской поддержке.
«В пилоте важно проверить не только точность ответов ИИ, но и то, становится ли сотруднику проще работать. Если за подсказкой нужно идти в отдельный сервис, заново описывать ситуацию, а потом долго проверять результат, экономия времени может исчезнуть. Поэтому первый сценарий стоит выбирать вместе с будущими пользователями: найти повторяющуюся задачу, проверить, что статьи по ней содержат полную и корректную информацию, встроить помощь в привычный инструмент и сравнить весь путь решения до и после. Успешный пилот — тот, в котором сотрудник получает полезный результат с меньшими усилиями».
Денис Кучеров, директор проектов Minerva Result
Источники данных для корпоративного ИИ
Корпоративному ИИ нужны два типа информации: документы, в которых зафиксированы знания и правила работы компании, и данные из рабочих систем, которые отражают текущую ситуацию. Для ответа на один вопрос могут понадобиться:
- База знаний. Утверждённые регламенты, продуктовая документация, FAQ, кейсы и проверенные обращения поддержки помогают ИИ отвечать на вопросы сотрудников и клиентов. База знаний или wiki-система позволяет собрать эти материалы в одном месте, управлять версиями, полями разметки и поддерживать их актуальность.
- Данные из рабочих систем. CRM, ERP и другие системы предоставляют сведения, которые меняются в процессе работы: статус заказа, остатки, данные сделки. Например, правила доставки ИИ может найти в базе знаний, а местоположение конкретной посылки — получить через интеграцию.
При этом важно качество и доступность источников. У каждого документа должны быть владелец, актуальная версия, метаданные и права доступа. Чаты и архивы подключают после отбора: в них могут встречаться отменённые решения, непроверенные советы и закрытая информация.
Ниже — главные проблемы, с которыми сталкиваются компании при внедрении ИИ и попытках масштабировать его на другие отделы.
Minerva Knowledge — пример платформы для организации корпоративных знаний, которая позволяет собирать, структурировать, создавать и обновлять материалы для их использования искусственным интеллектом. Настройки базы, контента и доступов помогают готовить знания для RAG и обучающих наборов. Команда Minervasoft имеет уникальный опыт подготовки корпоративной информации для обучения AI-агентов в проектах по внедрению ИИ крупного российского бизнеса.
Что учесть перед внедрением ИИ в бизнес-процессы
Перед запуском ИИ проверьте, что:
- Определены задача и метрики. Например, сократить время поиска при решении обращений клиентов в службе поддержки без потери качества. Учитываются ошибки, повторные обращения и объём исправлений.
- Подготовлены данные. Есть достоверные источники, специальным образом подготовленные знания для машинной обработки и ответственные за их обновление.
- Сотрудники понимают, как работать с ИИ. Знают, как использовать помощь ассистента или агента, как проверить ответ и куда сообщить об ошибке.
- Настроены доступы. Определено, какие сотрудники и к каким данным имеют доступ, какую информацию можно передавать модели и какие действия требуют подтверждения.
- Проверены проблемные сценарии. В тестах есть неоднозначные вопросы, устаревшие версии, отсутствие ответа и запросы закрытой информации.
- Рассчитаны затраты. Учтены модель, интеграции, подготовка контента, инфраструктура и сопровождение. Экономия времени сопоставляется с этими расходами.
Начните с пилота на одном процессе и сравните результат с исходными показателями.
Заключение
ИИ помогает быстрее обрабатывать информацию и снимать часть рутины. Для результата нужны конкретный сценарий, подходящий инструмент и измеримые показатели.
В корпоративных задачах важно, откуда берётся ответ и можно ли доверять источнику. Подготовку данных и управление контентом стоит включать в проект по внедрению искусственного интеллекта с самого начала, чтобы ИИ опирался на проверенные знания компании.
FAQ
Что даёт искусственный интеллект бизнесу?
Помогает обрабатывать документы, прогнозировать показатели, готовить контент и отвечать на вопросы. Эффект оценивают по скорости генерации, качеству и затратам конкретного процесса.
С каких задач начать использовать ИИ в компании?
С повторяющейся задачи, для которой есть проверенные данные и метрика результата. Например, с поиска по инструкциям или генерации черновиков ответа при решении обращений клиентов в подразделениях поддержки.
Чем корпоративный ИИ отличается от обычной нейросети?
Использованием внутренних данных, прав доступа, интеграций и контролем. Модель может быть той же, но работает с учётом контекста компании.
Безопасно ли доверять ИИ корпоративные данные?
Зависит от архитектуры и настроек. Нужно проверить, где хранятся запросы, кто имеет доступ и как поставщик использует данные. Закрытый контур не отменяет проверки ответов на наличие чувствительных данных и разграничения полномочий.
