Автоматизация рутины и задачи с искусственным интеллектом
Не «внедрение искусственного интеллекта», а конкретная операция, которая сейчас съедает часы: разобрать пачку документов, собрать данные, подготовить материалы, написать черновики ответов.
Что здесь считается задачей
Хорошая задача для автоматизации выглядит так: одна операция, которая повторяется, занимает заметное время и имеет проверяемый результат. Разобрать пачку договоров в таблицу. Собрать данные с сайтов поставщиков. Подготовить черновик коммерческого. Найти в переписке всё по клиенту.
Плохая задача звучит как «внедрить ИИ» или «сделать чтобы само». За такой формулировкой обычно нет процесса, и первое, что приходится делать, — описывать его по шагам. Это нормальный этап, но лучше знать о нём заранее.
Где модель нужна, а где нет
Половина задач, которые приходят как «нужен искусственный интеллект», решаются без него: поиск, фильтрация, извлечение по правилам, сведение таблиц. Это дешевле в работе, дешевле в эксплуатации и предсказуемее в результате.
Модель нужна там, где данные неструктурированы и правил не хватает: разобрать текст, написанный человеком для человека, свести к сути длинный разговор, сформулировать черновик. В этих задачах она сильна — и там же ошибается, поэтому результат проверяется.
Как это выглядит в работе, можно посмотреть не на словах: анализ речи — открытый бесплатный инструмент на этом же сайте, который берёт одну формулировку и показывает её структуру. Задача узкая и проверяемая — ровно такой размер и имеется в виду под словом «автоматизация» здесь.
Человек в контуре
Всё, что уходит наружу — клиенту, в документ, в публикацию, — проходит через человека. Это не осторожность ради осторожности: автоматизация окупается не тем, что убирает человека, а тем, что приносит ему готовый черновик вместо чистого листа. Экономия там же, риск при этом остаётся управляемым.
Что остаётся у вас
Код, доступы, ключи и описание процесса, которое появилось по дороге. Последнее нередко оказывается ценнее самой автоматизации: у вас появляется записанный процесс, который до этого жил в голове у одного сотрудника.
Считаем до начала работы, потому что это единственная часть, которая продолжает стоить денег после сдачи. Порядок обычно скромный: разбор сотни документов в месяц — это десятки рублей, а не тысячи. Если по расчёту выходит дорого, значит задача решается без модели, и я это скажу.
Туда, куда вы согласитесь их отправить, и это решается до, а не после. Часть задач вообще не требует внешней модели — поиск, сортировка, извлечение по правилам делаются на месте. Там, где модель нужна, обсуждаем, что именно уходит в запрос, и при необходимости обезличиваем.
Будет. Поэтому там, где ошибка дорогая, результат идёт человеку на проверку, а не сразу в дело. Автоматизация здесь экономит не решение, а подготовку к нему: человек проверяет готовый черновик вместо того, чтобы собирать его с нуля.
Это первый этап работы, и часто самый полезный. Пока процесс не описан по шагам, автоматизировать нечего — и бывает, что после описания половина шагов оказывается лишней и без всякой автоматизации.
Правится конфигурация или один шаг, а не переписывается всё. Исходники и доступы у вас, поэтому продолжить может любой разработчик — привязки ко мне нет.
Инструмент анализа · документы
BizOS — пачка документов превращается в карту знаний
Вместо чтения множества файлов — карта: кто участвует, что решено, что противоречит друг другу и чего не хватает.
Инструмент · поток заявок из бирж и Telegram
Автоматический сбор заказов с бирж и из Telegram
Вместо ежедневного просмотра бирж и десятка телеграм-каналов — один отчёт: подходящие заказы, бюджет, полное ТЗ и заготовленный отклик.
Опишите операцию, которая съедает время
Напишите в Telegram — разберём по шагам и посчитаем, стоит ли её автоматизировать вообще.