ИИ-агенты "захватывают" офис: когда "не внедрять" становится дороже, чем ошибиться

Вопрос к сообществу:
1. Кто уже внедрял сквозную автоматизацию с ИИ-агентами (не отдельные задачи, а целые процессы)? С какими сложностями столкнулись — техническими, организационными, человеческими?

В прошлом месяце Яков и Партнеры (ex-McKinsey) подготовили очень подробный и предметный обзор практик внедрения ИИ-агентов - здесь.

Тизер:

Отличный материал, спасибо. Это ровно то, чего не хватало: системная рамка вместо маркетинговых лозунгов.
Особенно ценно, что эксперты отделили «агентов» от «ассистентов». Ведь на российском рынке картина ещё жёстче: среди 12 публично доступных продуктов готовых ИИ-агентов не оказалось. Четыре лидирующих решения — платформы для самостоятельной сборки, остальные — ассистенты и чат-боты. Что из этого следует для бизнеса?

1. Разрыв между «внедрили» и «получили эффект» — реальность. Более 70% российских компаний используют GenAI хотя бы в одной функции, но эффект свыше 5% EBITDA дали только 9%. Причина — «каскад затухания»: ускорили один этап, а узкое место просто переместилось.

2. Покупать «агента» как коробку — не работает. В России его нужно собирать и встраивать в корпоративный контур. Это требует архитектурного решения, а не бюджета на лицензии.

3. Горизонт — не 90 дней, а 1–2 года. Первые 90 дней — проверка гипотезы. Через 3–6 месяцев — первые результаты. Устойчивое влияние на P&L — через 1–2 года.

А что делать, если готового «агента» нет, а задачи есть?

Начинать не с покупки лицензии, а с выбора одного повторяемого сценария, назначения владельца со стороны бизнеса, фиксации исходной метрики и изменения КПЭ сотрудников вместе с процессом.

Практически это выглядит так:

1. Выбираете один процесс из 3–7 этапов — например, обработку входящих запросов.

2. Назначаете владельца — человека, который отвечает за результат.

3. Фиксируете метрику «до» (время, ошибки, загрузка).

4. Внедряете ИИ-ассистента (не агента!) на этом участке.

5. Меняете КПЭ сотрудника: не «напиши ответ», а «проверь и доработай черновик».

И только когда этот сценарий даёт измеримый результат, масштабируете. Такой подход не требует «готового агента». Он требует готовности пересобрать процесс и переучить людей. И материал «Яков и Партнёры» это четко подтверждает: проблема чаще находится не в модели, а вокруг неё.
В связи с этим у меня еще возникли вопросы к сообществу:

1. Кто из вас сталкивался с «каскадом затухания» — когда пилот работал, а в масштабе эффект исчезал? Что стало узким местом?

2. Как вы объясняете команде, что ИИ — не замена, а инструмент? Какие фразы, какие аргументы работают? Потому что страх — главный тормоз, и он не снимается инструкцией.

3. Какие критерии вы используете, чтобы отличить реальный кейс от маркетингового шума? У «Яков и Партнёров» их шесть. У вас?

Мы все в начале пути. И те, кто готов обсуждать не только победы, но и ошибки, — будут в выигрыше.

Работа с уходящими запросами это достаточно простой алгоритм, которые не очень сложно реализовать в принципе. 

Дальше возникает большее количество мелочей типа рынок, типологизация запросов, средний чек, модель квалификация запросов и т.д. 

Только надо учесть что каждый из этих элементов зависит от других, и в начале алгоритмизируются бизнес процесс и только потом пилот ИИ для проверки гипотез. 

Согласен с Николаем: сначала нужно алгоритмизировать бизнес-процесс, а уже потом определять, где в нём действительно нужен ИИ.

Я бы добавил ещё один важный момент: ИИ-агент сам по себе не является бизнес-решением. Это новый исполнитель внутри уже спроектированной системы.

Если процесс не формализован, данные находятся в разных системах, правила принятия решений не определены, а ответственность размыта - агент просто позволяет быстрее выполнять плохо спроектированный процесс.

Поэтому я бы разделял три уровня зрелости:

1. ИИ как инструмент - сотрудник использует нейросеть для отдельных операций.

2. ИИ как исполнитель - агент самостоятельно проходит несколько этапов процесса по заданным правилам.

3. ИИ как элемент бизнес-системы - агент работает с корпоративными данными и системами, принимает типовые решения, передаёт исключения человеку, а его работу можно оценить через реальные бизнес-KPI.

И вот переход от второго уровня к третьему, на мой взгляд, сегодня самое интересное место.

Потому что здесь заканчивается история про «мы внедрили ИИ» и начинается настоящая трансформация бизнес-процессов.

Владимир Синицын пишет:
И вот переход от второго уровня к третьему, на мой взгляд, сегодня самое интересное место.

Согласен. Сегодня мировые усилия сосредоточены на формировании агентских систем. Вместе с тем, существует и концепция "роя агентов", которые будут самоорганизовываться в процессе выполнения комплексных задач.

На практике готовые решения "роя" мне не встречались, но цепочки из агентов уже вполне неплохо себя показывают. Преимущественно это относится к отраслям с большим набором данных и типовыми операциями: например, финансы, проверка текстов, планирование задач и коммуникация с клиентами.

Владимир Синицын пишет:
И вот переход от второго уровня к третьему, на мой взгляд, сегодня самое интересное место.

смотря о каких бизнес задачах идёт речь... 

Согласен с Синицыным про три уровня зрелости, но на практике вижу немного другую развилку: компания почти всегда хочет агента сразу на весь процесс, а формализованного процесса под это ещё нет.

Схема, которая у меня стабильно заходит: беру один узкий участок (приём заявок, мониторинг по фильтрам, что угодно измеримое), делаю рабочий пилот за несколько дней на реальных данных заказчика. Именно на этом шаге и вылезает, где процесс не описан, а где агент реально снимает рутину. Дальше расширяю по той же архитектуре на соседние участки.

Пробовал заходить сразу с полным контуром - буксует почти всегда на стыке "процесс не формализован", а не на технологии. Так что тезис Сибирева подтверждаю с одной поправкой: не обязательно алгоритмизировать всё заранее, можно вскрыть это через узкий пилот - выйдет быстрее и на реальных данных, а не на бумаге.

Олег Катасонов пишет:
Схема, которая у меня стабильно заходит: беру один узкий участок (приём заявок, мониторинг по фильтрам, что угодно измеримое), делаю рабочий пилот за несколько дней на реальных данных заказчика. Именно на этом шаге и вылезает, где процесс не описан, а где агент реально снимает рутину

Это единственный профессиональный и чёткий подход к попыткам использования ИИ. 

Вопрос о том насколько правильно эффективно формализован бизнес процесс, это можно понимать только в ходе  анализа.

И часто клиент думает что у него уже процесс формализован, а на самом деле это не так. И как только будет процесс запущен пилота, то это сразу станет очевидеым.

Николай Сибирев пишет:

Олег Катасонов пишет:
Схема, которая у меня стабильно заходит: беру один узкий участок (приём заявок, мониторинг по фильтрам, что угодно измеримое), делаю рабочий пилот за несколько дней на реальных данных заказчика. Именно на этом шаге и вылезает, где процесс не описан, а где агент реально снимает рутину

Это единственный профессиональный и чёткий подход к попыткам использования ИИ. 

Вопрос о том насколько правильно эффективно формализован бизнес процесс, это можно понимать только в ходе  анализа.

И часто клиент думает что у него уже процесс формализован, а на самом деле это не так. И как только будет процесс запущен пилота, то это сразу станет очевидеым.

Так и есть. Хотя для этого специально запускать AI не обязательно.

Евгений Равич пишет:
Так и есть. Хотя для этого специально запускать AI не обязательно

да, ну лучше чтобы это факт был принесен с внешней стороны, чем доказывать очевидные вещи.

Чем крупная компания, тем чётко надо учитывать внутреннюю политику. Которая связана с разными интересами разных групп сотрудников и т.д. 

Николай Сибирев пишет:

Евгений Равич пишет:
Так и есть. Хотя для этого специально запускать AI не обязательно

да, ну лучше чтобы это факт был принесен с внешней стороны, чем доказывать очевидные вещи.

Чем крупная компания, тем чётко надо учитывать внутреннюю политику. Которая связана с разными интересами разных групп сотрудников и т.д. 

AI может тут как-то помочь?

Евгений Равич пишет:
AI может тут как-то помочь?

Вы будете смеяться ну да, возможно несколько вариантов. 

Николай Сибирев пишет:

Евгений Равич пишет:
AI может тут как-то помочь?

Вы будете смеяться ну да, возможно несколько вариантов. 

Перестану сомневаться, если уже можно передать AI  анализ альбомов процессов, подготовку опросников, интервью и переговоры, а затем - оформление выводов. И кому-то придётся потом со этим разбираться.

Раньше люди неплохо справлялись со всем перечисленным. Уверен, что справятся и сейчас.

Евгений, по опыту сборки таких агентов разница между «AI может» и «работает на практике» в основном в одном месте.

Если анализ идёт по формализованным материалам — протоколам, регламентам, структурированным ответам анкеты — агент вытаскивает и сопоставляет данные вполне надёжно, экономит часы разбора. А вот живые интервью и переговоры — это уже интерпретация тона, недосказанностей, политики между строк. Здесь модель либо честно передаёт кусок человеку, либо начинает «достраивать» то, чего не было — а это хуже, чем просто дольше работать руками.

Рабочая схема, которая стабильно заходит: не пытаться автоматизировать весь цикл сразу, а брать один формализуемый этап (например, свод ответов анкеты в структурированный отчёт с обязательной ссылкой на источник) и смотреть, вылезает ли реальная экономия времени на реальных данных, а не на демо.

Олег Катасонов пишет:
Если анализ идёт по формализованным материалам — протоколам, регламентам, структурированным ответам анкеты — агент вытаскивает и сопоставляет данные вполне надёжно, экономит часы разбора. А вот живые интервью и переговоры — это уже интерпретация тона, недосказанностей, политики между строк. Здесь модель либо честно передаёт кусок человеку, либо начинает «достраивать» то, чего не было — а это хуже, чем просто дольше работать руками.

либо вы хотите волшебную таблетку, но стесняетесь это так назвать... в услових екопределенности вы не можете избавтся от человека.