С какими проблемами я столкнулся при внедрении нейросетей в процессы бизнеса

Сейчас в бизнесе мало что делается вручную. С огромными массивами информации сложно справиться без специализированных инструментов — и они активно используются. В последнее время к ним присоединился искусственный интеллект, породив совершенно новый концепт ИИ-автоматизации: быстрой и «умной» обработки данных, которая дает хороший результат. Однако у всего есть свои челленджи, и такую принципиально новую сферу они не обошли стороной.

Всем привет, меня зовут Кирилл Пшинник, я сооснователь и СЕО онлайн-университета «Зерокодер», научный сотрудник Университета Иннополис, а еще автор книги «Искусственный интеллект: путь к новому миру». ИИ — моя сфера интереса, и я активно использую его в своей работе. Сегодня я расскажу с какими трудностями столкнулся при автоматизации бизнес-процессов с помощью ИИ.

Это когда к привычным процессам подключаются технологии на базе искусственного интеллекта. Это может быть как «умное» программное обеспечение, которое анализирует данные, учится и принимает решения, так и физические роботы — такие, например, можно встретить на производствах. Впрочем, о них мы пока говорить не будем.

Как это работает? ИИ использует машинное обучение, обработку естественного языка (NLP), компьютерное зрение и другие технологии, чтобы пропустить через себя огромные массивы данных. После этого система строит модель и уже на ее основе начинает принимать решения. Самостоятельно.

Звучит абстрактно? Вот пара примеров. В медицине ИИ уже ищет новые лекарства, анализируя данные о молекулах и прогнозируя их эффективность. В автоиндустрии — помогает развивать беспилотные автомобили, «понимая» дорожную обстановку лучше, чем человек.

ИИ-автоматизация постепенно ускоряет прогресс в самых разных отраслях — и чем лучше она справляется с объемами информации, тем больше пользы приносит.

Мы автоматизировали контент и маркетинг с помощью ИИ, сократив таким образом издержки на миллион рублей в месяц.

Так, мы почти полностью автоматизировали процесс наполнения блога. Раньше над созданием материалов работала команда копирайтеров, редакторов и контент-менеджеров. Сейчас весь цикл ведет один нейрокопирайтер: с помощью ИИ он выпускает до 300 статей в месяц. Для сравнения: до внедрения нейросетей мы делали не больше 30 лонгридов ежемесячно. К слову, этот материал был написан человеком :)

Экономический эффект от использования нейросетей — до 1 млн рублей в месяц. Мы перестали тратить ресурсы на расширение штата, управление внештатными авторами и координацию редакции. При этом метрики остались на прежнем уровне: среднее время чтения не снизилось, статьи хорошо индексируются, а трафик на сайт продолжает расти.

ИИ встроен и в маркетинг нашей компании. Сейчас автоматизировано до 90% типовых задач команды:

Раньше на полный цикл — от анализа до корректировки воронки — уходило до трех месяцев. Сейчас та же работа занимает 3–4 недели. Без ИИ на это потребовалась бы команда из нескольких десятков человек.

Образовательное направление тоже не осталось в стороне: ИИ помогает транскрибировать видеоуроки, создавать текстовое сопровождение к занятиям и генерировать новые материалы с помощью аватаров.

В итоге мы не просто автоматизировали рутину — мы масштабировали производство контента и обучение без роста издержек.

Теперь о сложностях, которые возникли при автоматизации процессов с помощью ИИ. Таких трудностей у нас возникло три, и их можно назвать достаточно универсальными. Заодно поделюсь тем, как именно мы их решили.

Увы, искусственный интеллект — это пока еще не человек, способный обрабатывать данные вне зависимости от формата и качества. Некачественные исходники — ключевое «узкое горлышко» в большинстве проектов. Речь идет о ситуациях, когда информация представлена в неструктурированном виде, с ошибками в разметках, в разных форматах. Или, например, если данные представляют из себя текст с рукописными комментариями. Если загрузить такие данные в систему без предварительной обработки и очистки, результаты получатся нестабильными, ошибочными, и эти ошибки будут дальше передаваться в бизнес-процессы.

Например, у нас была ситуация, когда нам нужно было проанализировать данные из аудиодиалогов менеджеров с клиентами. Для транскрибации использовалась нейросеть Whisper, текст из которой в дальнейшем передавался в GPT-4o для анализа. Тут же возникла проблема: Whisper не разделяет реплики по спикерам, поэтому получалось так, что вопросы менеджера оказывались спутаны с ответами клиента.

Чтобы решить эту проблему, мы перешли из Whisper в нейросеть Speech2Text, у которой есть функция разделения спикеров. Количество ошибок снизилось в четыре раза.

Пока проблему некачественных исходных данных сложно решить одним методом — только очищать документы при помощи других нейросетей или вручную, стараться привести их к единообразию изначально, применять ИИ для того, чтобы они упрощали дальнейших анализ. Однако нейросети улучшаются экспоненциально, поэтому можно ожидать, что их способности к распознаванию тоже будут прокачиваться.

Интеграция ИИ-решений в существующую ИТ-инфраструктуру — это всегда вызов. Особенно, когда речь идет об устаревших системах, которые не поддерживают полноценные API. В таких случаях приходится искать обходные пути: разрабатывать собственные протоколы обмена данными или даже прибегать к парсингу интерфейсов. Все это не только замедляет внедрение, но и существенно увеличивает издержки на техническую поддержку.

Приведу пример из нашей практики. В рамках исследования влияния ИИ на рынок труда в России мы собирали данные о вакансиях с сайта hh.ru. Изначально API был недоступен, и единственным способом извлечения информации оказался парсинг HTML-страниц. Это был трудоемкий и нестабильный процесс. Позже, когда мы зарегистрировались как разработчики и получили доступ к официальному API, ситуация заметно упростилась: сбор данных стал быстрее, объем — больше, а результаты — стабильнее. Тем не менее, часть полезной информации все еще остается недоступной через API, и за ней по-прежнему приходится «лезть» напрямую.

Пока универсального решения нет: приходится сочетать разные подходы и учитывать технические ограничения существующих систем. Но мы уверены — с ростом интереса к ИИ и автоматизации, даже консервативные ИТ-системы будут постепенно двигаться в сторону открытости и интеграции.

Когда мы внедряли чат-ботов для общения с клиентами от имени менеджеров по продажам, одной из наших целей было сделать их как можно более «человечными». Нам казалось, что чем меньше бот будет отличаться от живого человека, тем лучше будет пользовательский опыт. Однако на практике это привело к неожиданным последствиям.

Пользователи начинали воспринимать диалог всерьез, считая, что общаются с реальным сотрудником. Это вызывало недоумение и даже раздражение, особенно в случаях, когда бот не мог адекватно ответить на нестандартные вопросы. В итоге мы пересмотрели подход и добавили в сценарии четкое обозначение: перед вами — виртуальный ассистент, а не человек. Это снизило уровень недопонимания и сделало взаимодействие прозрачнее.

Важно понимать: в некоторых странах использование ИИ без явного уведомления клиента запрещено на законодательном уровне. Поэтому перед запуском подобных решений стоит заранее оценить возможные этические и юридические риски, чтобы не попасть в неприятную ситуацию и не подорвать доверие пользователей.

ИИ-автоматизация дает впечатляющие результаты: она помогает экономить ресурсы, ускоряет процессы и открывает новые возможности для масштабирования. Но вместе с тем она ставит перед нами вполне реальные и практические вызовы — от качества данных и интеграции с устаревшими системами до юридических ограничений и этических вопросов.

Мой опыт показывает: эти сложности можно преодолеть, хоть пока и не без «костылей». Где-то с помощью более подходящих инструментов, где-то — за счет изменения подхода или переосмысления сценариев работы. Главное — не ждать идеальных условий, а начинать действовать, адаптируясь по ходу.

ИИ — это не магия, а инструмент. Эффективный, гибкий, мощный. Но, как и с любым инструментом, многое зависит от того, как именно вы его используете.