ИИ для бизнеса: что это, какие виды решений бывают и с чего выбирать

Что такое ИИ для бизнеса: определение без тумана

Искусственный интеллект в бизнесе — это программа, которая берёт на себя часть умственной работы с текстами, документами, речью или данными: понять запрос, найти ответ, заполнить поле, принять решение по правилам, подготовить отчёт. Современные решения строятся в основном на двух классах моделей: большие языковые модели (LLM), которые работают с текстом, и классические модели машинного обучения, которые прогнозируют числа и классифицируют данные.

Важно, что «ИИ» — это не продукт, а способ собрать продукт. Сама модель ничего не знает о вашем бизнесе. Пользу даёт то, что вокруг неё: ваши данные, подключённые системы, правила, проверки и способ показать результат человеку. Поэтому разработка ИИ для бизнеса в большой мере состоит из обычной инженерной работы с данными и интеграциями, а выбор и настройка модели — только её часть.

Дальше — семь видов решений. Они упорядочены от простого к сложному: чем ниже, тем больше самостоятельности у программы и тем выше цена ошибки.

Чат-бот по сценарию и ИИ-чат-бот

Классический чат-бот ведёт пользователя по заранее заданным веткам: кнопки, ключевые слова, шаблонные ответы. Он предсказуем, дёшев и подходит для узкого набора вопросов. ИИ-чат-бот понимает свободную формулировку и отвечает связным текстом, но без доступа к вашим данным он «знает» только то, чему научили в общем виде, и начинает придумывать детали.

• Подходит для: типовых вопросов на сайте, первичного приёма обращений, подсказок по меню.
• Не подходит для: ответов, где цена или условия должны быть точными, и любых действий в ваших системах.
• Главный риск: уверенный, но неверный ответ клиенту.

Разницу между чат-ботом и агентом мы разбирали отдельно: AI-агент и чат-бот.

RAG-ассистент: ответы по вашим документам

RAG (retrieval-augmented generation) — схема, в которой перед ответом система ищет нужные фрагменты в вашей базе знаний и подаёт их модели вместе с вопросом. Ассистент отвечает по регламентам, договорам и инструкциям и показывает источник. Это самое доступное решение с реальным эффектом: сотрудники перестают искать нужный пункт в сотне файлов.

• Подходит для: внутренней поддержки, онбординга, справочных систем для клиентов, поиска по договорам.
• Не подходит для: задач, где в базе знаний противоречия и устаревшие версии: ассистент честно перескажет ошибку.
• Главный риск: качество зависит от порядка в документах и от поиска. См. «Почему RAG отвечает неверно».

Подробности схемы — в статье «RAG по базе знаний», а готовая услуга описана на странице «ИИ-ассистент по базе знаний». Если сомневаетесь между RAG и дообучением модели, прочтите сравнение.

Извлечение данных и работа с документами

Модель читает счёт, договор, письмо или скан и превращает его в структуру: поставщик, сумма, дата, условия, отклонения от шаблона. Затем данные сверяются с учётной системой и попадают в неё либо в очередь на проверку человеку. Это одна из самых «скучных» и при этом самых окупаемых задач: объём повторяется ежедневно, результат легко измерить.

• Подходит для: входящих документов, проверки договоров, сверки первичных бумаг, обработки заявок.
• Не подходит для: документов, где каждый экземпляр уникален и нет шаблона правил.
• Главный риск: тихая ошибка в цифре, которую никто не заметил. Нужны проверки на разумность и выборочный контроль человеком.

Примеры: ИИ для документов, проверка договоров.

AI-агент: решение, которое ведёт процесс

AI-агент не только отвечает, но и действует: читает данные из систем, вызывает инструменты, принимает решения по правилам и доводит процесс до результата. Он может сам сформировать письмо должнику, проверить остатки на складе, создать задачу в CRM. Для этого у него есть цикл «подумал — вызвал инструмент — посмотрел результат — решил, что дальше».

• Подходит для: процессов из нескольких шагов с ветвлением, где правила описываются словами, но не укладываются в жёсткий алгоритм.
• Не подходит для: процессов, которые никто не может описать, и задач с высокой ценой ошибки без точки согласования человеком.
• Главный риск: действие, которое нельзя откатить. Решается правами, лимитами и участием человека.

Основы — в статье «Что такое AI-агент», а как мы это разрабатываем — на странице «Разработка AI-агентов». Если процесс слишком сложен для одного агента, смотрите мультиагентные системы.

Голосовые решения

Голосовой агент принимает и делает звонки: распознаёт речь, понимает смысл, отвечает синтезированным голосом, записывает результат в CRM. Это отдельный класс, потому что добавляются задержки, перебивания, шумы и требования к скорости ответа. Подходит для входящей линии с типовыми вопросами и для исходящего обзвона по сценарию.

• Главный риск: раздражение клиента при плохом распознавании и невозможности позвать человека.
• Смежная задача: контроль качества звонков операторов, где ИИ слушает записи и проверяет скрипт. См. ИИ для контроля качества звонков.

Как это устроено — в статье «Как устроен голосовой AI-агент» и на странице «Голосовой AI-агент».

Прогнозы и аналитика на данных

Здесь два разных подхода. Классическое машинное обучение строит прогноз по таблицам: спрос, отток, вероятность просрочки. Языковая модель отвечает на вопросы по данным обычным языком и собирает отчёты. Первое требует накопленной истории и хорошей разметки, второе — аккуратной модели данных, иначе ответ будет красивым и неверным.

Нужно помнить: прогноз без качественных данных дороже ошибки, чем отсутствие прогноза. Подготовка данных — отдельная работа, описанная в статье «Подготовка данных для ИИ». Готовое направление — AI-агент для аналитики данных.

RPA и обычная автоматизация: когда ИИ не нужен

RPA-робот повторяет действия человека по жёсткому сценарию: открыть систему, скопировать значение, вставить в другую. Он не думает, зато стабилен и дёшев. Если вход всегда один и тот же и правила не меняются, ИИ только добавит ошибок и расходов. ИИ нужен там, где вход разный — тексты, письма, сканы — и правило требует понимания смысла.

На практике лучшие решения комбинируют: ИИ понимает вход, а обычный код и RPA выполняют действие. Сравнение — в статье «RPA или AI-агент», а честный список случаев, когда ИИ лишний, — в статье «Когда AI-агент не нужен».

Таблица: задача, вид решения и главный риск

Как выбирать вид решения: четыре вопроса

1. Что на входе и что на выходе? Если на выходе только текст для человека, хватит ассистента. Если действие в системе, нужен агент или интеграция.
2. Сколько в процессе шагов и ветвлений? Один шаг не требует агента. Цепочка из пяти шагов с проверками требует.
3. Какова цена ошибки и можно ли её отменить? От этого зависит, где ставить согласование человеком, см. «Human-in-the-loop».
4. Где лежат данные и можно ли им покидать периметр? Это определяет выбор модели: облако или ваши серверы. Варианты — в статьях «GigaChat или YandexGPT» и про локальные модели.

И последний вопрос, о котором забывают: кто в компании отвечает за результат. Без владельца процесса любое решение становится игрушкой. Чек-лист готовности: «Готова ли компания к ИИ».

С чего начать и как не переплатить

• Выбирайте один процесс с измеримым показателем, а не «внедрение ИИ в компанию». См. «Какой процесс автоматизировать первым».
• Начинайте с минимальной версии и проверки на реальных данных, а не с большой платформы. См. «MVP AI-агента».
• Считайте окупаемость до разработки: как посчитать.
• Сравнивайте полную стоимость владения: разработка, обращения к модели, сопровождение. См. «Сколько стоит AI-агент».

Если нужна разработка под заказ, она описана на странице «Разработка ИИ для бизнеса», а формат «под ключ» — на странице «AI-агенты под ключ».