Что такое искусственный интеллект: без мифов, по делу

Зачем это знать

• Понимать, за какие задачи платят ИИ, а какие дешевле закрыть привычной автоматизацией
• Различать участки, где результат виден за квартал, и те, где сначала наводят порядок в данных
• Спрашивать подрядчика про измеримый результат операции, а не про названия технологий

Что такое искусственный интеллект простыми словами

В канцелярии сидит сотрудник, который год разбирает входящую почту. Письмо со словом «счёт» уходит в бухгалтерию, жалоба — руководителю направления, запрос цены — в продажи. Инструкции ему никто не выдавал: правило сложилось из тысячи прочитанных писем.

Искусственный интеллект работает тем же способом. Систему не программируют правилами — ей показывают примеры, и закономерность она выводит сама. Обычная программа наоборот: порядок шагов пишут заранее и руками.

Отсюда понятная граница. ИИ окупается там, где вариантов формулировок слишком много, чтобы описать их условиями: свободный текст, сканы разного вида, живая речь клиента. Расчёт по жёсткой формуле остаётся за обычной программой и стоит дешевле.

Как это работает

1. Собирают примеры. Для разбора писем это сами письма и решение, куда каждое ушло. Обычно хватает нескольких сотен размеченных случаев, чтобы получить первую рабочую версию.
2. Модель находит закономерности. На этом шаге появляется способность отвечать на новые, ранее не встречавшиеся запросы. Для текста чаще всего берут большую языковую модель, а знания компании подключают отдельно — например, поиском по документам (RAG).
3. Проверяют на отложенной выборке. Часть примеров прячут от модели и сверяют её ответы с решениями людей. Отсюда берётся честная доля правильных ответов, а не ощущение после демонстрации.
4. Подключают к процессу. Сначала подсказкой человеку, потом на часть потока, потом с автоматическим действием там, где уверенность высокая. Если модель ещё и сама вызывает системы компании, речь идёт об ИИ-агенте.
5. Меряют и дорабатывают. Спорные случаи разбирает человек, его решения становятся новыми примерами. Доля таких случаев — главный показатель первых месяцев.

Порог уверенности задают деньгами, а не техникой. Разбор входящего письма с ошибкой стоит минуты работы оператора, автоматический платёж с ошибкой — гораздо дороже. Чем выше цена ошибки, тем больше случаев уходит человеку.

Пример из практики

Цифры ниже — расчётные ориентиры для компании такого профиля, а не отчёт по конкретному внедрению. У каждой указана методика замера, чтобы её можно было повторить на своих данных.

Оптовая компания получает около 4 000 писем в месяц: заказы, уточнения по остаткам, претензии. Замер по таймингу на выборке 200 писем за две недели дал 3 минуты на разбор и занесение. Это порядка 200 часов ручной работы в месяц.

Модель размечает тип обращения, вытаскивает артикулы и готовит черновик ответа. При пороге уверенности, настроенном на выборке из 300 писем, без человека проходит 70–80% потока. Остальное уходит оператору, как раньше.

Освобождается 130–150 часов в месяц. Деньгами это становится только тогда, когда заранее решено, куда уйдут часы: на обработку большего потока без найма или на сокращение сверхурочных. Сравнение считают на одном и том же месяце, по одному и тому же типу писем.

Что это даёт бизнесу

• Узкое место расширяется без найма. Поток растёт, а численность участка остаётся прежней. Первый кандидат — операция, где очередь видна по срокам ответа клиентам.
• Стоимость операции становится расчётной. Себестоимость разбора одного письма или счёта считается до старта и умножается на объём. Порядок суммы по своему процессу удобно прикинуть чек-листом готовности.
• Ошибки становятся управляемыми. Допустимая доля неверных разборов фиксируется в приёмке, спорные случаи уходят человеку. У ручного участка такой цифры обычно нет вовсе.
• Знания перестают жить в головах. При подготовке примеров правила достают из голов сотрудников и записывают. Этот побочный результат остаётся с компанией, даже если модель потом меняют.

Когда без этого можно обойтись

При потоке меньше нескольких сотен однотипных операций в месяц выгода не покрывает расходы на запуск и присмотр. Здесь дешевле навести порядок в шаблонах и полях формы.

Если процесс описывается десятком жёстких условий, его закрывают обычной интеграцией — быстрее и предсказуемее. И если примеров нет ни в каком виде, первый шаг другой: месяц-полтора собирают решения людей в одном формате. Модель подключают после этого, и она сразу учится на своих данных.

Что важно проверить

Первое: на каком объёме считалась точность. Демонстрация на десяти удачных примерах не говорит ни о чём. Просят отложенную выборку хотя бы в 200–300 случаев и сравнение с решениями людей на том же наборе.

Второе: куда уходят освободившиеся часы. Экономия появляется там, где это решено до старта. Без такого решения часы растворяются, и в кассе изменений не видно.

Третье: сколько случаев остаётся человеку и как это меняется от месяца к месяцу. Доля ручных разборов — самая честная метрика проекта. Если за три месяца она не падает, разбирают причину, а не расширяют охват.