Искусственный интеллект для бизнеса: какие задачи ИИ решает в компаниях

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.

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:

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.

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.

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.

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:

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.

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.

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.

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.

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:

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.

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:

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.

Перед запуском ИИ проверьте, что:

Начните с пилота на одном процессе и сравните результат с исходными показателями.

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.

Помогает обрабатывать документы, прогнозировать показатели, готовить контент и отвечать на вопросы. Эффект оценивают по скорости генерации, качеству и затратам конкретного процесса.

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.

Использованием внутренних данных, прав доступа, интеграций и контролем. Модель может быть той же, но работает с учётом контекста компании.

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.