Кейсы
PR-CY
Позавчера
Материал проходит модерацию
Purrweb
Автоматизация бизнес-процессов с ИИ: где заканчивается хайп и начинается реальная польза
Вокруг ИИ-автоматизации разгорелся настоящий хайп. Кажется, что искусственный интеллект способен ускорить любые процессы — от рутины в бэк-офисе до разработки продуктов. Но действительно ли искусственный интеллект приносит пользу бизнесу, или это очередной технологический миф?
Мы в Purrweb тоже активно используем ИИ в работе и видим реальные результаты. Модели помогают нам быстрее писать код, создавать концепты, проверять гипотезы и, самое главное, — быстрее отдавать результаты клиентам.
На этом фоне нам стало интересно, что происходит с ИИ-автоматизацией в других компаниях. Какие задачи он действительно ускоряет, а где всё еще остается красивой презентацией без практической пользы? Чтобы разобраться, мы поговорили с представителями Альфа-Банка, ecom.tech (ex. Samokat. tech) и МТС Web Services — компаниями, которые активно экспериментируют с ИИ и могут честно рассказать, где автоматизация работает, а где — нет.
Кейсы компаний, где ИИ эффективно встроился в бизнес-процессы
ИИ сегодня является центральной темой в корпоративных стратегиях и технологической повестке. Компании разных масштабов ищут способы ускорить всё — запуск новых продуктов, работу с данными и аналитику, поддержку, бэк-офис. Кажется, на рынке сформировалось мнение, что автоматизация с помощью ИИ — это инструмент, который работает у всех.
Однако реальность сложнее. Эксперты сходятся во мнении, что ИИ представляет собой не волшебную таблетку, а инженерный инструмент. Его эффективность напрямую зависит от качества данных, прозрачности процессов и зрелости команды.
Эксперт из Альфа-Банка делится своим опытом:
В рамках развития сообщества и бутика по разработке ИИ-ассистентов и агентов для бизнеса «AI для продакта» мы прошли путь от создания сложных системных промптов руками до ИИ-ассистентов с RAG и агентных систем.
Илья ГоловкоCPO Альфа-Банк
Спикер выделяет три ключевых инструмента, которые помогают повысить эффективность работы: Schema-Guided Reasoning, MCP-интеграции и агенты.
-
Schema-Guided Reasoning позволяет улучшить точность анализа обратной связи за счет структурирования данных и более осознанного пошагового анализа.
-
MCP-интеграции дают модели безопасный и контролируемый доступ к корпоративным данным и инструментам, что позволяет автоматизировать многие рутинные запросы.
-
Агенты выступают как внутренние ИИ-ассистенты, которые могут самостоятельно выполнять задачи — от сбора информации до подготовки материалов.
По словам Ильи Головко, использование этих инструментов принесло ощутимые результаты. Время обработки обратной связи сократилось с 1,5 часов до 20 минут, а точность категоризации выросла до 92%. Кроме того, теперь ИИ может самостоятельно запрашивать статистику, например, из банка идей в Google Sheets, что позволило сократить время подготовки к ревью гипотез на 30%.
Ассистенты пользуются популярностью в различных компаниях. Так, в интеграционной платформе MWS Octapi от МТС Web Services ИИ-ассистент на базе бизнес-запроса пользователя самостоятельно строит интеграцию.
Мы делаем продукт, который позволит создавать интеграции с меньшими трудозатратами. В этом случае ИИ сам находит доступные API и понимает, как их соединить. Поэтому при использовании MWS Octapi для создания интеграции достаточно даже просто аналитика. Ему не надо изучать подробно документацию и звать разработчика на помощь — все это происходит на стороне ИИ. В результате бизнес значительно сокращает time to market и стоимость разработки интеграции.
Евгений ЛукинCPO MWS Octapi МТС Web Services
А в приложении Самоката, например, постепенно стали внедрять умный поиск.
В чем отличие от обычного поиска? Вы можете написать «Хочу что-то к чаю» или «Хочу что-то сладкое». Обычный поиск это не поддерживает. Там вы просто пишите «Печенье», «Сахар» и тд. А здесь мы используем именно генеративные технологии, чтобы этот запрос преобразовать в то, что хочет человек, и выдать ему набор товаров с комментариями.
Арнольд СааковHead of data science в GenAI ecom.tech
Флоу вау-поиска в приложении «Самокат»
Также, по словам Арнольда, компания использует компьютерное зрение для проверки соответствия курьеров и их транспортных средств требованиям Дептранса. Модель анализирует фото курьера и его транспорта, распознает тип мотоцикла/велосипеда и проверяет, не нарушаются ли правила, например необходимость водительских прав.
Кроме того, в Самокате работает система Molbert AI — набор моделей для автоматической ретуши товарных фотографий. Она генерирует фон, тени, корректное освещение, удаляет дефекты и лишние элементы вроде прищепок, превращая обычный снимок в готовое привлекательное изображение для каталога.
Когда автоматизация не оправдывает ожиданий
Однако на рынке накопилось достаточно примеров, когда ИИ-автоматизация не приносит ожидаемого эффекта. И почти всегда причина кроется в неправильной постановке задач, отсутствии четкой схемы принятия решений или завышенных ожиданиях от внедрения технологии.
Компании запускают пилоты «ради эксперимента», не формулируя, что именно должен делать ИИ и по какой логике. Илья Головко, CPO Альфа-Банк, рассказал, что внедрение ИИ не принесло эффекта, когда они пытались автоматизировать процесс без понятной схемы.
Например, сделали пилот, где агент должен был сам предлагать фичи по паттернам поведения пользователей. Звучит круто, но данных не хватало, логика не была формализована — в итоге агент просто предлагал «улучшить UX».
Илья ГоловкоCPO Альфа-Банк
Еще одна частая причина неудач — работа на «грязных» данных. Евгений Лукин из МТС Web Services предупреждает: «Не нужно ожидать, что ИИ – это магия. Garbage in, garbage out — если у вас все плохо с данными, вы не можете четко сформулировать запрос и описать его в промпте – ИИ не поможет».
Многие руководители воспринимают ИИ как кнопку «сделать хорошо». Но внедрение требует инженерного подхода, контроля безопасности, мониторинга reasoning-шага агентов, промпт-инженерии, правильной постановки задач и обучения команды. Если этого нет, то пилоты останавливаются на этапе первых ошибок.
«Должна быть четкая постановка задачи, понятный definition of done, метрики, на которые надо смотреть. На самом деле, часть проектов не реализовывается именно потому, что нет четкого технического задания. Поэтому и результат непонятный. Важна экспертиза бизнес-заказчика и реальная, четкая цель», — добавляет Арнольд Сааков, Head of data science в GenAI ecom.tech.
В результате бизнес делает ложный вывод, что «ИИ не работает», хотя на самом деле не подготовлена среда. Чтобы автоматизация давала измеримый эффект, нужна дисциплина данных, формализация процессов и понимание того, что ИИ усиливает только хорошо подготовленные системы.
Барьеры, которые мешают корректной работе ИИ
Какие процессы можно отдавать ИИ сегодня
Реальная сила ИИ проявляется в повторяющихся и структурированных задачах. Современные модели уверенно справляются с обработкой обратной связи, категоризацией тикетов, подготовкой отчетов и сбором данных из разных систем.
В компаниях уже работают решения, где ИИ сам анализирует эмоции и причины проблем в отзывах, запрашивает нужные данные через MCP-интеграции или даже строит интеграции на базе пользовательского бизнес-запроса.
Так, по мнению Ильи Головко из Альфа-Банка, автоматизировать стоит:
-
всё, где можно задать схему, например, анализ отзывов, категоризация тикетов, аналитика по событиям;
-
задачи, где нужно быстро собрать данные из разных систем;
-
черновую рутину — отчеты, описания, метрики.
Вместе с тем, нужно смотреть на процессы, которые охватывают большой объем чего-то. Например, сотрудников. В Самокате работают десятки тысяч курьеров. У такого большого объема людей возникают какие-то проблемы. И внедрение автоматизации может такие проблемы решить.
Арнольд СааковHead of data science в GenAI ecom.tech
Например, в конце прошлого года команда Самоката разработала чат-бота для сотрудников дарксторов, который помогает быстро ориентироваться в сложных инструкциях — например, уточнить, как хранить определенный товар. Бот преобразует вопрос в вектор, находит нужный фрагмент документа и выдает точный ответ. Это сокращает время поиска информации и позволяет сотрудникам выполнять больше заказов.
Но там, где требуется стратегия, нюанс и глубокий контекст для постановки гипотез или принятия решений, ИИ остается помощником, но никак не заменой специалиста. Задачи, где важна интуиция, ответственность и длинный горизонт, всё же лучше доверять человеку.
Евгений Лукин, CPO МТС Web Services, выводит простую формулу: «Если ты готов платить некоторой точностью за скорость — отдавай задачу ИИ, если для задачи очень важна точность и полнота данных на вход — тут придется поработать своей головой под свою ответственность уже без ИИ».
Польза от ИИ-автоматизации
Эффект от ИИ-автоматизации сегодня выходит далеко за рамки простого сокращения затрат. Компании отмечают следующие преимущества:
Конечно, мы видим и сокращение времени создания интеграций и сокращение стоимости, но самое интересное что мы заметили – сокращение количества встреч и звонков.Если раньше пользователю было непонятно, как сделать интеграцию, он ставил встречу. Мы собирались, отвечали на вопросы, после еще могли быть уточнения в почте или точечно на звонках. С внедрением ИИ-ассистента основные вопросы пользователь решает сам с ассистентом, а команду подключают в совсем сложных нестандартных сценариях.
Евгений ЛукинCPO MWS Octapi МТС Web Services
За этими эффектами стоит много работы по обучению сотрудников промпт-мышлению, настройке безопасного доступа, построению мониторинга reasoning-шага агентов, подготовке данных и решению вопросов информационной безопасности.
Илья Головко поделился метриками, которые помогут корректно оценивать эффективность ИИ.
По словам Арнольда Саакова, Head of data science в GenAI ecom.tech, основная метрика в компании — GMV (Gross Merchandise Value, Валовой объем товарооборота), на которую сильнее всего влияют рекомендации и поиск. Генеративные технологии дают меньший прямой денежный эффект, но расширяют пользовательские возможности и улучшают retention.
Кроме того, модели в операционной части помогают автоматизировать рутинные задачи — например, ретушеры, используя Molbert AI, освобождают время для более креативной работы и дополнительных проектов.
Риски и барьеры на пути внедрения
Даже успешные пилотные проекты не всегда превращаются в масштабные решения. В первую очередь это происходит из-за ограничений инфраструктуры и зрелости рынка. Компании сталкиваются с тем, что качественные облачные модели недоступны по требованиям безопасности, а on-prem-развертывание требует серьезных инвестиций в оборудование, поддержку и MLOps-компетенции.
«Сегодня большинству компаний сложно или практически запрещено пользоваться хорошими моделями от OpenAI, DeepSeek и т.д. в облаке из-за рисков информационной безопасности. При этом разворачивать модели у себя трудоемко и дорого, — объясняет Евгений Лукин из МТС Web Services. — В основном делают прототип на базе cloud, но решение практически не доводится до промышленного использования».
Нет культуры работы с данными. Часть информации не оцифрована, ответственных за упорядочивание информации в компании нет. Нет технической инфраструктуры. Не всегда есть описанные бизнес-процессы, которые можно использовать в качестве SGR. Без SGR-логики ИИ «плавает», отвечает случайно и тратит ресурсы.
Илья ГоловкоCPO Альфа-Банк
Сопротивление или непонимание сотрудников и руководителей также является существенным барьером на пути к внедрению ИИ. «Точно могу сказать по опыту работы в разных организациях — это неприятие и непонимание топ-менеджментом того, что такое ИИ. Например, запросы типа “сделайте мне что-то с ИИ”, и этим может все ограничиться», — поделился опытом Арнольд Сааков из GenAI ecom.tech.
Препятствия для масштабирования ИИ
Как ИИ меняет роль человека
ИИ меняет характер работы, но не вытесняет человека. Рутинные задачи, сбор данных, подготовка черновиков и технические операции переходят к ИИ-моделям, а сотрудники становятся архитекторами процессов и формулируют цели, задают логику, а после оценивают качество результата.
Как мы уже упоминали, во многих компаниях появились ИИ-ассистенты — персональные помощники для продуктовых аналитиков и разработчиков. Они приносят данные, подготавливают отчеты, подсвечивают аномалии, предлагают варианты решений.
У каждого есть «мини-агент», который сам приносит нужные данные и готовые инсайты. ИИ-агенты берут на себя рутину, люди — стратегию. Мы шутим, что теперь продакт — это не тот, кто «собирает данные», а тот, кто умеет правильно спросить.
Илья ГоловкоCPO Альфа-Банк
Одновременно меняется культура. Люди учатся мыслить алгоритмически, описывать свои задачи в виде схем и проверок, работать с моделями как с инструментом. Автоматизация улучшает взаимодействие внутри организаций, уменьшая количество встреч, снижая когнитивную нагрузку и делая работу прозрачнее. А главное — люди постепенно начинают доверять ИИ.
После того как мы внедрили в свой продукт ИИ-ассистента и он реально стал работать и помогать пользователям, мы увидели у команды больше доверия и интереса к ИИ. Наши группы разработчиков стали внедрять еще больше решений на базе ИИ в свою работу.
Евгений ЛукинCPO MWS Octapi МТС Web Services
Будущее ИИ-автоматизации
ИИ стремительно выходит за пределы отдельных функций и пронизывает корпоративные системы. То, что сегодня выглядит как набор инструментов — ассистенты, RAG-решения, схемы обработки данных — в ближайшие годы станет основой для полноценной агентной экосистемы.
Евгений Лукин видит 2 направления развития ИИ.
«ИИ станет архитектурным слоем. Произойдет “агентизация” всего, — делится прогнозом Илья Головко из Альфа-Банка. — Фреймворки по созданию ИИ-агентов будут продолжать появляться у крупных платформ, также будет развиваться Open Source. Каждая система будет включать продвинутый SGR, MCP-уровень, который дает доступ к данным и инструментам, и агентный слой, который связывает всё это во взаимодействие с людьми».
Анализируя эволюцию как LLM моделей, так и CV, мы видим, что они развиваются и предоставляют нам все новые возможности. Домены и задачи, которые сейчас еще не решаемы, можно будет лучше решать с учетом появления новых, более крутых моделей и технологий.
Арнольд СааковHead of data science в GenAI ecom.tech
Обобщим прогнозы экспертов в виде списка из 4 пунктов:
Вывод
За пределами хайпа важно помнить, что автоматизация с ИИ не решает структурных проблем бизнеса и не работает в среде, где доминируют хаос, разрозненные данные и завышенные ожидания.
ИИ сегодня — это еще не универсальная замена людям, но уже мощный инструмент. Его потенциал раскрывается только при выстроенных процессах, качественных данных и четком понимании целей. Для таких компаний ИИ приносит ценность и измеримый эффект.
Лучшее в блогах
19.12.2025
15.12.2025
Вам понравится
ОСМИ ИТ
12.12.2025
Сервис прогнозирования поставок на склады маркетплейсов по модели FBO для международного бренда канцелярских товаров
![]()
Бизнес сталкивается с дисбалансом запасов: одни SKU быстро уходят в Out of Stock и теряют выручку, другие «зависают» на складе и замораживают оборотные средства. Нужен сервис, который прогнозирует продажи и спрос, поставки на склады маркетплейсов и формирует рекомендации для категорийных менеджеров и логистов. Это инструмент управления запасами, автоматизирующий расчёты и планирование поставок на Ozon и Wildberries.
ООО «Акме»
03.12.2025
GMONIT
24.11.2025
Неделя рекламы 
Новости 
How to 
Интервью и дискуссии 
Маркетинговые исследования 
Просто о сложном 
Энциклопедия обмана 
Проверено ADPASS 
Рекламные кампании