5 признаков, что AI в проекте не нужен
В апреле клиент прислал задачу на автоматическую разметку входящих заявок и сразу написал: "Если что, можно через LLM, бюджет заложили". Я ответил неприятное для исполнителя: здесь дешевле посадить оператора на 2 часа в день, чем собирать AI-обвязку, которую потом будут чинить каждую неделю.
Где я начал тормозить AI-задачи
Созвон был в 11:30, менеджер сидел в переговорке с белой стеной и говорил почти виновато: "Нам сверху сказали посмотреть AI, а то все уже смотрят". После новостей про большие модели запрос стал рефлекторным: письмо пришло - классифицировать моделью, PDF кривой - скормить модели, клиент ругается - пусть модель отвечает.
Как фрилансер, я обычно заинтересован в новых задачах. Но в тот раз отговаривание клиента дало лучший результат, чем продажа модного решения. Не потому что LLM плохая. Просто экономика не сходилась даже в Excel без сложных формул.
Мой фильтр из пяти признаков
Я не спорю с заказчиком про "AI нужен или нет" на уровне вкуса. Смотрю на эксплуатацию. Если там через месяц появятся ночные алерты, ручные разборы и счета за API, демо уже не важно.
- Маленький объем операций. Если человек закрывает 40-60 заявок за пару часов, интеграция будет окупаться дольше, чем жить текущая версия CRM.
- Высокая цена ошибки. Для юридических формулировок, денег, маркировки или статусов в 1С ручная проверка часто дешевле, чем один неверный ответ.
- Шумные входные данные. Сегодня клиент пишет нормально, завтра присылает фото экрана, послезавтра пересылает письмо с тремя цепочками. Промпт превращается в бесконечный тюнинг. В одном проекте модель три дня подряд путала "договор на продление" и "договор на замену реквизитов", потому что в письмах была одинаковая первая строка.
- Поддержка дороже запуска, особенно если нет владельца ошибок. Логи, ретраи, fallback, лимиты, смена модели, регрессии после обновления - это не "прикрутили ChatGPT через прокси и забыли".
- Человек все равно остается в контуре. Если оператор обязан проверить каждое поле перед отправкой, AI не заменяет процесс, а добавляет еще один слой отказа между оператором и результатом.
Где ручной процесс выигрывает
В феврале делали разбор входящих писем для небольшого B2B-сервиса. Почта, вложения, иногда сканы договоров, иногда "вот как в прошлом месяце, только срочно". Прогнали часть через GigaChat, часть через правила и ручную очередь в админке.
Сломалось не качество языка. Сломалась предсказуемость. Модель уверенно относила нестандартные письма в красивые категории, которых в процессе не было. В кривых PDF пропускала цифры после переносов. В первичной модерации давала "похоже ок" там, где оператор за 15 секунд видел риск.
Оператор в этой схеме был не старым способом, а нормальным SLA: без галлюцинаций, без дрейфа качества, без сюрприза после обновления модели.
В малом и среднем клиентском проекте это часто выглядит так: AI купили как автоматизацию, а получили еще одну штуку, за которой надо смотреть. Если процесс не формализован человеком, LLM обычно не чинит хаос. Она делает его дороже, менее наблюдаемым и чуть более презентабельным на демо.
Моя формула простая: если за первый месяц нельзя показать минус 30% ручного времени без роста ошибок и без отдельного человека на разбор логов, это не автоматизация. Это платный слой неопределенности.