Андрей Зубков – Просто о ИИ: как начать использовать нейросети в бизнесе и нужно ли это вам? (страница 1)
Андрей Зубков
Просто о ИИ: как начать использовать нейросети в бизнесе и нужно ли это вам?
Глава 1. Зачем вам разбираться в ИИ сейчас
месяцев
Обычно знакомство с ИИ в бизнесе начинается одинаково. Вы видите новости, слышите от знакомых «мы уже внедрили», сотрудники приносят идеи, а кто-то предлагает купить «волшебный сервис».
При этом в реальности горят задачи попроще: отвечать клиентам быстрее, писать тексты без бесконечных правок, разбирать заявки, собирать отчёты, обновлять инструкции. Возникает вопрос: стоит ли вообще тратить время на ИИ сейчас – или это очередная мода, которая отвлечёт от настоящей работы?
Ключевой принцип здесь простой: ИИ имеет смысл изучать не «потому что все обсуждают», а потому что у вас есть конкретная боль в процессе, и вы хотите измеримо улучшить её в ближайшие 3–6 месяцев.
Боль – это место, где вы регулярно теряете время, деньги или качество: задержки, ошибки, перегруз команды, недовольные клиенты, просевшая конверсия. Если боли нет или она редкая, ИИ превращается в игрушку и источник лишних разочарований.
Как это работает на практике – в три шага, без сложных терминов и больших проектов.
Сначала найдите 2–3 «болящих» участка в бизнесе. Не начинайте с вопроса «где применить ИИ», начните с вопроса «где у нас регулярно не получается так, как нужно».
Ищите там, где:
– задача повторяется часто (каждый день/неделю), а не раз в квартал;
– результат важен, но цена ошибки не критична (например, черновик письма можно поправить, а неверный договор – уже риск);
– процесс съедает заметное время сотрудников или тормозит клиента;
– есть понятный «выход» работы: текст, ответ, список, краткое резюме, структура документа.
Дальше отделите модный шум от прикладных возможностей. Шум обычно звучит так: «ИИ заменит отдел», «он сам всё сделает», «достаточно нажать кнопку».
Реальные возможности скромнее, но полезнее: ИИ хорошо помогает делать черновики, сокращать длинные тексты, предлагать варианты формулировок, структурировать информацию, составлять списки вопросов, превращать разрозненные заметки в понятный документ. То есть он ускоряет рутинные умственные операции, но не берёт на себя ответственность за решение.
Важно сразу принять ограничение: ИИ может ошибаться и уверенно писать неверное. Поэтому его результат почти всегда должен проходить человеческую проверку, особенно если это влияет на клиента, деньги или репутацию.
И наконец, сформулируйте цель на ближайшие 3–6 месяцев так, чтобы её можно было проверить. Цель – это не «внедрить ИИ», а «получить конкретный эффект в конкретном процессе».
Хорошая цель отвечает на три вопроса: что улучшаем, как измеряем, какой срок. Например: сократить время подготовки коммерческого предложения; уменьшить нагрузку на поддержку; ускорить подготовку контента; повысить стабильность качества ответов. Даже если вы не уверены в цифрах, задайте ориентир и договоритесь, как будете сравнивать «до/после».
Представьте сценарий. У вас небольшая компания, и менеджеры продаж постоянно пишут клиентам письма после звонка: резюме договорённостей, следующий шаг, ответы на вопросы. Вроде бы мелочь, но на каждого клиента уходит 15–20 минут, а в конце дня письма либо задерживаются, либо получаются разными по качеству.
Это и есть боль: повторяемая задача, много времени, качество плавает.
Вы действуете по принципу «боль → измеримая цель». Сначала фиксируете исходную точку: возьмите 10 последних писем и оцените, сколько времени ушло на каждое и сколько раз клиент переспрашивал из‑за неясности.
Затем формулируете цель на 3 месяца: «сократить среднее время подготовки письма после звонка с 15 минут до 7 минут, сохранив качество (не больше 1 уточняющего вопроса от клиента в 50% писем)». Это уже не про моду, а про конкретный результат.
Дальше проверяете, относится ли задача к реальным возможностям ИИ. Письмо – это текст по шаблону, с повторяющейся структурой, где важны ясность и полнота.
ИИ здесь может помочь как «черновик‑ассистент»: быстро собрать письмо по пунктам, предложить формулировки, не забыть про следующий шаг. Но вы заранее ставите правило: менеджер проверяет факты (суммы, сроки, условия), убирает лишнее и отправляет только после контроля.
Для теста вы готовите входные данные в простом виде: заметки после звонка (3–7 пунктов), имя клиента, продукт, следующий шаг.
Делаете запрос к ИИ: «Составь письмо клиенту: кратко подведи итоги звонка, перечисли договорённости, ответь на вопросы из заметок, предложи следующий шаг и сроки. Тон – деловой, без лишних обещаний. В конце – список того, что нужно подтвердить клиенту». Ожидаемый результат – письмо, которое менеджеру остаётся только проверить и подправить.
Критерий качества понятный: все договорённости отражены, нет выдуманных фактов, письмо читается за минуту, следующий шаг ясен.
Если в таком сценарии вы видите эффект – вы не «внедрили ИИ», вы улучшили конкретный процесс. Если эффекта нет (например, письма требуют столько же правок, сколько и раньше), вы честно фиксируете это и не тратите ресурсы дальше. Именно так модный шум превращается в проверяемую гипотезу.
После этой главы стоит унести три вещи.
Во‑первых, начните с болей: выпишите 5 процессов, где у вас регулярно теряется время или качество, и выберите 1–2 самых частых.
Во‑вторых, держите фокус на реальных возможностях: ИИ чаще помогает как черновик и структурировщик, а не как «автопилот».
В‑третьих, сформулируйте цель на 3–6 месяцев в формате «что улучшаем + как измеряем + срок» – так вы быстро поймёте, нужен вам ИИ сейчас или можно спокойно отложить.
Глава 2. Что такое нейросети простыми словами
Вы слышали: «нейросеть напишет текст», «сделает картинку», «ответит клиенту». Открываете чат – и получаете то слишком общее, то уверенно неправильное. Или наоборот: кажется, что это «просто автоматизация», только модная. Из‑за этого трудно понять две вещи: что именно происходит внутри таких инструментов и где они реально полезны в бизнесе, а где лучше не рисковать.
Ключевой принцип простой: генеративная нейросеть – это инструмент, который продолжает ваш запрос вероятным образом, собирая ответ из того, что похоже на примеры, которые она видела раньше. «Генеративный» значит «создающий новое»: текст, изображение, план, список, черновик. Он не «знает» мир как человек и не гарантирует факты – он подбирает наиболее подходящее продолжение по форме и смыслу.
Как это работает на понятном уровне. У нейросети есть два входа: ваш запрос и контекст. Запрос – что вы хотите получить. Контекст – исходные данные, стиль, ограничения, примеры, аудитория, формат.
Дальше модель по шагам «достраивает» ответ: выбирает следующее слово (или фрагмент слова), затем следующее, пока не получится связный текст. В генерации изображений логика похожая: вы описываете словами, что хотите увидеть, а модель собирает картинку из визуальных паттернов, которые она «узнала» на обучении: композиции, фактуры, стили, типичные формы объектов. Поэтому она хорошо делает «похоже на» и плохо – «точно как в реальности по вашим правилам», если правила не заданы явно или если требуется строгая проверка фактов.
Отсюда важное следствие: качество зависит не от «магии», а от того, насколько вы дали материал и рамки. Если вы пишете «сделай коммерческое предложение», нейросеть угадывает средний вариант. Если вы добавляете: «продукт такой-то, клиент такой-то, цель – назначить звонок, тон – деловой, длина – 1200 знаков, включи 3 выгоды и 2 кейса из этих заметок», – она собирает более точный черновик. Но даже тогда результат нужно проверять, потому что модель может «додумать» детали, которых не было во входных данных.
Теперь про путаницу терминов. Генеративный ИИ отличается от автоматизации и аналитики тем, что он создает содержание, а не выполняет заранее прописанные действия и не считает показатели по правилам.
Автоматизация – это когда процесс описан шагами: «если пришло письмо с темой X, то создай задачу, отправь шаблонный ответ, поставь статус». Там нет творчества: система делает то, что вы заранее задали. Она хороша, когда правила стабильны и ошибки недопустимы, потому что результат предсказуем.
Аналитика – это когда вы берете данные (таблицы, CRM, продажи) и по понятным формулам или моделям получаете выводы: суммы, тренды, сегменты, прогнозы. Ключевое: аналитика опирается на ваши данные и проверяемые расчеты. Если данных нет или они плохие, аналитика тоже будет плохой – но она не должна «выдумывать» цифры.
Генеративный ИИ стоит отдельно: он помогает быстро сделать черновик, варианты, формулировки, структуру, но не является «истиной». Он может выглядеть уверенно даже там, где ошибается. Поэтому его сильная сторона – ускорение работы с текстом и образами, а слабая – надежность в задачах, где нужна точность без ручной проверки.
Какие задачи нейросети решают хорошо. Во‑первых, повторяющиеся коммуникации, где важны ясность и тон, а не уникальные факты: черновики писем, ответы в поддержку по базе знаний, варианты объявлений, тексты для лендинга, описания товаров, скрипты звонков.
Во‑вторых, структурирование: превратить «кашу из мыслей» в план, чек‑лист, таблицу, регламент, FAQ.
В‑третьих, переработка: сократить длинный текст, переписать проще, сделать несколько версий под разные аудитории, перевести на другой язык.