Как понять, стоит ли автоматизировать задачу с помощью ИИ?

2024–2025 годы — эпоха AI-хайпа. Каждая вторая компания объявляет о внедрении искусственного интеллекта. Каждый третий стартап строит «AI-first» продукт. Каждый десятый потом тихо закрывается или переписывает всё с нуля.

Я работал продакт-менеджером в финтехе, беттинге, e-commerce и наблюдал одну и ту же картину : компании берут AI и суют его в самые сложные, нестандартные, требующие суждения задачи. А потом удивляются — почему модель ошибается, пользователи жалуются, а бизнесовые метрики стремится к нулю.

Проблема не в AI. Проблема в выборе задачи.

Sequoia Capital в своём исследовании "Services: The New Software" сформулировали простой и мощный фреймворк: 4 критерия идеальной задачи для ИИ. Правило элегантное — если задача набирает 3 из 4, это ваш первый (или следующий) AI-проект.

Разберём каждый критерий детально — с примерами, антипримерами и практическими выводами.

Главный вопрос: можно ли описать задачу правилами?

Это, пожалуй, самый важный критерий. И самый недооцениваемый.

AI великолепно справляется с задачами, где есть паттерны, структура, повторяющаяся логика. Он плохо справляется там, где нужно суждение — взвешивание противоречивых факторов, этические дилеммы, контекст, который сложно формализовать.

Хорошие примеры:

Плохие примеры:

Простой тест: попробуйте написать алгоритм для этой задачи в виде блок-схемы. Если получается — AI справится. Если на каждом шаге возникает «зависит от контекста» — задача требует человеческого judgment.

Главный вопрос: задача выполняется часто и предсказуемо?

AI — это инвестиция. Как любая инвестиция, она окупается при достаточном объёме. Если вы автоматизируете задачу, которая возникает раз в квартал — вы потратите больше на разработку и поддержку, чем сэкономите на выполнении.

Хорошие примеры:

Плохие примеры:

Здесь важно считать frequency × time_per_task. Если сотрудник тратит 20 минут в день на задачу — это 80+ часов в год. Умножьте на количество сотрудников. Внезапно автоматизация выглядит очень привлекательно.

Главный вопрос: этой задачей занято значительное число людей?

Масштаб — это множитель. Автоматизация одной задачи у 500 человек даёт совершенно другой эффект, чем у 5.

Хорошие примеры:

Плохие примеры:

Этот критерий также важен с точки зрения data flywheel — чем больше людей выполняют задачу, тем больше данных для обучения и улучшения модели. Масштаб создаёт самоусиливающийся эффект.

Кстати, именно здесь кроется большой инсайт для B2B AI-продуктов: ищите горизонтальные роли с большой численностью — операторы, аналитики, рекрутеры, менеджеры по продажам.

Главный вопрос: высвобождение людей создаст реальную бизнес-ценность?

Это критерий, про который чаще всего забывают. Автоматизировать задачу — только полдела. Важно понять: что будут делать люди, которые раньше её выполняли?

Хорошие примеры:

Плохие примеры:

Если после автоматизации люди просто будут пить кофе — это не бизнес-кейс. Ценность освобождения возникает тогда, когда высвобожденное время направляется на что-то более ценное.

Вот простой воркшоп, который я рекомендую провести с командой:

Шаг 1. Составьте список из 10–20 регулярных задач в вашей компании или продукте.

Шаг 2. По каждой задаче ответьте на 4 вопроса (да/нет):

Шаг 3. Задачи с 3–4 «да» — ваши кандидаты на AI-автоматизацию. Приоритизируйте по потенциальному ROI.

Шаг 4. Начните с одной задачи. Сделайте MVP. Измерьте результат. Масштабируйте.

Мы живём в моменте, когда AI-инструменты стали доступны как никогда. Но доступность порождает иллюзию применимости. «Раз я могу это внедрить — значит, должен».

Нет. Технология — это средство, а не цель.

Лучшие AI-продукты, которые я видел, объединяет одно: они начинали не с вопроса «как использовать AI», а с вопроса «какую реальную проблему мы решаем, и подходит ли AI для её решения?»

Фреймворк Sequoia помогает ответить именно на этот вопрос. Он не гарантирует успех, но значительно снижает вероятность провала.

Прогоните свой бэклог через 4 вопроса:

Если 3+ — это ваш следующий AI-проект. Если меньше — не тратьте ресурсы, займитесь чем-то другим.

В мире, где все хотят быть AI-first, настоящее конкурентное преимущество — это умение правильно выбирать, что автоматизировать.