Автоматизация процессов с ИИ: как выбрать первый пилот
Как выбрать процесс для автоматизации с ИИ, описать вход и результат, посчитать время с учётом проверки и решить, нужен ли агент или обычный workflow.
Автоматизация процессов с ИИ начинается с выбора операции, которую стоит делегировать. «Внедрить нейросеть в отдел» слишком широко. «Из заметок встречи подготовить список задач и передать ведущему на проверку» уже позволяет определить вход, результат и ответственного.
В этой статье разберём именно переход от ручной операции к повторяемому процессу. Если пока выбираешь, где ИИ вообще может пригодиться, начни с обзора задач для бизнеса. Здесь пойдём дальше: измерим время, выберем архитектуру и зададим условия, при которых пилот можно расширять.
Мой подход. Я бы искал не самую эффектную демонстрацию, а регулярную операцию, результат которой легко проверить. У протокола встречи понятны ошибки: пропущенная задача, выдуманный срок, потерянный ответственный. Это хорошая основа для первого пилота.
1. Выбери одну операцию
Составь список повторяющихся действий за неделю. Для каждого запиши частоту, среднее время, источник данных и способ проверки. Не оценивай процесс по памяти одним числом «примерно час»: несколько отдельных замеров покажут разброс.
| Кандидат | Что поручить ИИ | Что оставить обычной логике |
|---|---|---|
| Протокол встречи | Выделение решений и задач из текста | Хранение версии и статуса проверки |
| Разбор отзывов | Определение темы и причины недовольства | Подсчёт строк и долей |
| Входящие обращения | Предложение категории и черновика ответа | Маршрутизация по утверждённым правилам |
| Сводка по проектам | Объяснение изменений | Получение статусов и расчёт сроков |
Выбирай процесс, для которого доступны примеры обычных и сложных случаев. Если исходные данные приходится каждый раз искать по разным чатам, часть выигрыша даст уже упорядочивание входа — это тоже результат, но его стоит отделить от эффекта модели.
2. Опиши вход, выход и ответственность
Для протокола встречи карточка процесса может выглядеть так:
Вход: заметка, дата встречи, список участников, ID встречи.
Выход: решения, задачи, открытые вопросы и основания в исходном тексте.
Проверяет: ведущий встречи до передачи задач исполнителям.
Ошибка: предложение выдано за решение; придуман срок или ответственный.
Неясный вход: оставить поле неизвестным и задать вопрос.
Повторный запуск: обновить черновик по тому же ID, не создать дубликат.
Внешняя отправка: после подтверждения ведущего.Такая карточка задаёт продуктовый смысл автоматизации. Только после неё стоит выбирать инструменты. Иначе легко собрать технически работающую цепочку, которая регулярно создаёт лишние задачи.
3. Реши, нужен ли здесь агент
Для первого протокола путь известен: получить текст, извлечь структуру, проверить поля, сохранить черновик. Это workflow с одним ИИ-шагом. Агент нужен, когда система должна выбирать дальнейшие действия в зависимости от результата: искать дополнительный документ, уточнять недостающие данные и менять маршрут.
Различие между заданной последовательностью и агентным выбором шагов описано в Building effective agents. Оно помогает не усложнять архитектуру раньше времени.
Я бы использовал такой порядок: сначала несколько ручных прогонов в чате, затем повторяемая инструкция, затем передача данных через автоматизацию. Если проблема в качестве извлечения задач, подключение ещё пяти сервисов её не исправит.
Для маршрута с известными шагами можно рассмотреть n8n. Но название платформы не заменяет контракт: даже в визуальной схеме должны быть ветка ошибки, проверка обязательных полей и защита от повторной обработки одного входа.
4. Посчитай полное время
Возьмём расчётный пример, чтобы показать метод, а не обещать такую экономию твоей команде. Есть 40 протоколов в месяц. Вручную каждый занимает 15 минут. После автоматизации на подготовку входа уходит 2 минуты, на проверку и правки — 5 минут. Поддержка процесса за месяц занимает ещё 90 минут.
| Показатель | Расчёт | Результат |
|---|---|---|
| Ручной процесс | 40 × 15 | 600 минут |
| Работа с ИИ и проверкой | 40 × (2 + 5) | 280 минут |
| Поддержка | Отдельный замер | 90 минут |
| Чистая экономия времени | 600 − 280 − 90 | 230 минут |
Получилось 3 часа 50 минут в месяц. Если первичная настройка заняла 6 часов, окупаемость по времени — примерно 1,6 месяца при сохранении всех условий. Денежная окупаемость считается отдельно: стоимость API, платформы, сопровождения и рабочего часа могут изменить результат.
На что я бы смотрел. Если модель пишет за десять секунд, а человек двадцать минут ищет ошибки, процесс не стал быстрее. Я бы измерял время до принятого результата и число повторных переделок, а скорость генерации оставил технической метрикой.
В комплекте пилота есть карточка процесса, пример журнала и калькулятор на Python. Он пересчитывает этот сценарий и позволяет задать свои значения без формул, спрятанных в промпте.
5. Проведи пилот и прими решение
Для небольшого пилота я бы взял 20 случаев: 12 обычных, 4 с неполными данными и 4 с неоднозначными формулировками. Это стартовый набор для поиска дефектов, а не статистическое доказательство надёжности.
Для каждого случая сохрани исходник, первоначальный ответ, исправления и полное время. Заранее договорись, что считается критической ошибкой. Например, выдуманный ответственный блокирует автоматическую передачу задачи, даже если остальные поля заполнены правильно.
Проверь поведение при повторном запуске. Один и тот же ID встречи не должен породить две одинаковые задачи. Если внешний сервис недоступен, процесс должен показать незавершённое действие и дать повторить его управляемо. Статус «готово» после ошибки сохранения создаёт ложное ощущение завершения.
Расширяй пилот, если качество отвечает выбранным условиям и проверенная экономия сохраняется. Если обычные случаи проходят, а исключения нет, оставь их человеку и автоматизируй только понятную часть. Если проверка съедает выигрыш, сузь задачу или улучшай вход.
Следующий практический шаг — собрать workflow в n8n. Для задачи, где действительно нужен выбор инструментов и маршрута, сначала опиши границы ИИ-агента.
Собери своего ИИ-агента и проверь результат
«AI Agents: от vibe coding к AI-команде»: desktop agents, MCP, skills, evals и harness. Отдельные воркшопы — от подключения инструментов до контроля качества.
7 практических воркшопов · записи · вопросы автору в чате
Посмотреть программу курса ↗