Не всё, что можно автоматизировать, нужно автоматизировать: как РОЛЬФ ищет место для ИИ в авторитейле

Кажется, что в 2026 году вопрос для любой крупной компании звучит просто: где у нас можно применить ИИ?

Мы в РОЛЬФ задаем его немного иначе: какую проблему мы хотим решить — и действительно ли для нее нужен ИИ?

Это не игра словами. В авторитейле десятки процессов можно автоматизировать, но далеко не каждый из них стоит отдавать алгоритмам. Особенно если речь идет о клиентском сервисе, где скорость ответа не всегда важнее качества решения.

Поэтому наш подход — не «внедрить ИИ», а найти для него конкретное место в уже работающей цифровой системе.

Современный авторитейл — это не только продажа автомобиля.

За одной сделкой стоят данные об автомобилях и клиентах, кредитные продукты, трейд-ин, сервис, запчасти, логистика, маркетинг, десятки внутренних систем и большое количество ручных операций.

При этом клиент ожидает максимально простой путь: найти машину, получить понятный ответ, оформить сделку и дальше управлять владением автомобилем.

Для бизнеса это означает простой вызов: как сделать сложную внутреннюю систему незаметной для клиента?

Здесь ИИ действительно может быть полезен.

Но не обязательно в виде чат-бота, который отвечает на каждый вопрос.

Один из самых очевидных сценариев применения ИИ — клиентская поддержка.

На рынке уже активно появляются AI-ассистенты, которые отвечают на вопросы клиентов, принимают звонки, записывают на сервис и обрабатывают обращения. В отраслевых исследованиях коммуникации с клиентами и автоматический ответ на лиды входят в число наиболее распространенных сценариев применения AI в автодилерстве. (autosuccessonline.com)

Но возникает вопрос: если ИИ может ответить на вопрос клиента, значит ли это, что он должен отвечать?

Мы считаем, что нет.

Если вопрос типовой и ответ однозначный — автоматизация может быть полезна.

Но если клиент описывает нестандартную ситуацию, недоволен результатом, просит разобраться в конкретной проблеме или ожидает от компании решения, передавать такой диалог машине только ради экономии времени — сомнительная идея.

ИИ должен усиливать сотрудника, а не просто убирать человека из процесса.

Эта логика подтверждается и более широкими исследованиями: например, полевой эксперимент Alibaba показал, что генеративный ИИ может заметно ускорять работу операторов поддержки и повышать субъективную оценку качества, когда остается помощником человека, а не полностью заменяет его. (arXiv)

Поэтому для нас принцип звучит так:

автоматизировать рутину — да; автоматизировать ответственность — нет.

Есть еще одна проблема, о которой редко говорят в презентациях про искусственный интеллект.

ИИ бесполезен, если ему нечего понимать.

Для автодилера это особенно актуально. Автомобиль — объект с большим количеством параметров: комплектация, цена, наличие, пробег, история, статус, кредитные условия, сервисные данные и многое другое.

Если эти данные находятся в разных системах, устарели или плохо связаны между собой, красивый AI-интерфейс проблему не решит.

Поэтому значительная часть работы РОЛЬФ ТЕХ — не про создание «умных» функций как таковых. Это работа с данными, интеграциями и цифровой инфраструктурой, поверх которой такие функции вообще становятся возможными.

ИИ в этом смысле — не фундамент.

Фундамент — данные и системы. ИИ — следующий слой над ними.

Хороший пример — поиск автомобиля.

Раньше на ROLF.RU существовал поиск, который работал по прямому совпадению символов. Пользователь мог написать «Мерседес» и не получить Mercedes.

Мы посмотрели не на саму функцию, а на пользовательский сценарий: человек пытается найти автомобиль, не получает результата и уходит.

В итоге старый поиск отключили.

Следующий шаг — умный поиск, в котором пользователь сможет описать свой запрос обычными словами, а система подберет подходящие автомобили из нужного региона.

Здесь ИИ нужен не ради демонстрации технологии.

Он должен убрать лишние действия между «я знаю, что мне нужно» и «вот подходящие автомобили».

На момент подготовки материала умный поиск находился в разработке: техническое решение согласовано, велась backend-интеграция. Поэтому мы пока не называем его готовым продуктом.

И это тоже важный принцип: не выдавать roadmap за результат.

Еще одна перспективная зона — аналитика.

У бизнеса огромное количество данных, но наличие данных не означает наличие инсайтов.

На ROLF.RU обсуждалось стороннее решение Smart Data Hub, которое потенциально может собирать информацию из разных источников, агрегировать ее, формировать отчеты и помогать анализировать пользовательские сценарии.

Другой блок связан с экспериментами: система может предлагать гипотезы, создавать макеты, запускать A/B-тестирование, определять статистически значимый результат и в дальнейшем автоматически внедрять победивший вариант.

Звучит впечатляюще.

Но здесь мы снова разделяем технологию и результат.

На момент подготовки материала Smart Data Hub рассматривался как планируемое решение. Экономическая оценка возможной экономии — не менее 500 тыс. рублей в месяц — является расчетной, а не подтвержденным эффектом.

Потому что задача бизнеса — не доказать, что AI умеет делать A/B-тесты.

Задача — понять, станет ли с ним быстрее и дешевле принимать правильные продуктовые решения.

Сегодня значительная часть разговоров об AI в компаниях сводится к генерации текстов: написать пост, описание автомобиля, письмо или рекламный слоган.

Это полезные сценарии, но они находятся на поверхности.

Для технологической компании интереснее другой уровень — использование AI в самой разработке и работе с legacy-инфраструктурой.

У РОЛЬФ большое количество действующих систем, интеграций и цифровых продуктов. При этом примерно 85–90% работы над ROLF.RU, по оценке менеджера продукта, приходится не на создание новых функций, а на поддержку существующих решений, их развитие и интеграцию новых систем.

Поэтому потенциальная ценность AI здесь — в ускорении инженерных и аналитических процессов: работе с данными, документацией, кодом, тестированием, поиском информации и созданием новых цифровых сервисов.

То есть AI может становиться не только пользовательским интерфейсом, но и инструментом внутри самой IT-команды.

Есть соблазн составить красивую карту:

AI в продажах → AI в сервисе → AI в маркетинге → AI в поддержке → AI в разработке.

Но такая карта мало что дает бизнесу.

Гораздо полезнее задавать четыре вопроса перед каждым новым AI-проектом:

1. Какую конкретную проблему мы решаем?

Если ответ звучит как «потому что сейчас все внедряют AI», проект лучше остановить уже на этом этапе.

2. Есть ли данные для решения этой задачи?

Если нет — сначала нужно привести в порядок данные и интеграции.

3. Что изменится для клиента или сотрудника?

Быстрее ли он получит ответ? Меньше ли действий ему придется сделать? Станет ли решение точнее? Освободится ли сотрудник от рутины?

4. Как мы измерим эффект?

Не «модель работает хорошо», а конкретный бизнес-показатель: конверсия, время обработки, стоимость операции, количество ошибок, скорость разработки или удовлетворенность клиента.

Наверное, главное, что мы поняли в процессе цифровой трансформации РОЛЬФ: искусственный интеллект не должен существовать отдельно от продукта.

Если есть сайт — ИИ должен улучшать конкретный сценарий сайта.

Если есть операционная система — он должен работать с ее данными.

Если есть сотрудник — помогать ему принимать решения и освобождать от рутины.

Если есть клиентский путь — сокращать количество лишних действий.

Именно поэтому мы не ставим перед собой задачу «внедрить как можно больше AI».

Мы ищем места, где технология действительно дает преимущество.

И иногда самым правильным решением оказывается не внедрять ее вообще.

Потому что цифровая зрелость — это не способность автоматизировать всё. Это способность понимать, что именно автоматизировать не нужно.