Опыт российских компаний
По данным исследования «Яков и Партнёры» и Яндекса, 71% крупных российских компаний уже используют генеративный искусственный интеллект (ИИ) хотя бы в одной из функций бизнеса. Технология помогает там, где сотрудникам приходится каждый день выполнять повторяющиеся действия: искать информацию, переносить данные, отвечать на похожие вопросы, готовить сообщения, проверять знания или обрабатывать изображения. По прогнозам, экономический эффект от внедрения ИИ уже к 2030 году достигнет 7,9–12,8 трлн рублей в год.
Чтобы быть в курсе важных трендов и мнений ведущих экспертов, следите за нами в канале в Max.
Сферы применения генеративного ИИ
На практике генеративный ИИ лучше всего показывает себя в процессах, где есть:
- много однотипных операций;
- понятные правила обработки информации;
- накопленные данные.
Поэтому первые заметные результаты часто появляются в продажах, клиентском сервисе, маркетинге, обучении персонала и работе с корпоративными знаниями. Подтверждают вывод данные недавнего исследования НИУ ВШЭ, согласно которым крупный бизнес с помощью ИИ оптимизирует в первую очередь маркетинг и продажи (47%) и управление организацией (40%).
Сегодня генИИ:
- сокращает время на ручной ввод и поиск данных;
- отвечает на типовые вопросы клиентов и сотрудников;
- готовит персональные сообщения по заданным параметрам;
- ускоряет обучение и тестирование персонала;
- анализирует документы, переписку, изображения и другие массивы информации.
Важно, что речь не идёт о замене человека. В большинстве успешных внедрений нейросеть берёт на себя рутину, а сотрудник подключается к сложным, нестандартным или эмоционально чувствительным ситуациям.
Продажи и CRM: как ИИ экономит менеджерам часы в день
Один из показательных примеров — внедрение ИИ-решения разработчика Kili в CRM-систему (от англ. customer relationship management — «система управления взаимоотношениями с клиентами») онлайн-сервиса по заказу сувенирной продукции Print Salon. Платформа работает по модели, при которой клиент сам создаёт дизайн и оформляет заказ через сайт. Но значительная часть работы всё равно оставалась на менеджерах.
До внедрения решения до 70% их рабочего времени занимали повторяющиеся операции:
- приём заявок из чатов,
- расчёт стоимости,
- перенос данных в CRM-карточки.
Дополнительно руководителям приходилось тратить время на обучение и тестирование персонала.
Для автоматизации этих задач команда Kili разработала ИИ-приложение для «Битрикс24». Оно включает чат-бота и блоки для автоматизации роботов и бизнес-процессов. Решение работает на основе нескольких нейросетевых моделей, включая GigaChat и ChatGPT.
Инструмент использовали сразу в нескольких сценариях:
- Чат-бот маршрутизировал входящие обращения, отсекал неквалифицированный поток лидов, рассчитывал стоимость части заказов и передавал сложные случаи менеджеру.
- Приложение анализировало переписку с клиентом и автоматически заполняло карточку в CRM.
- ИИ-ассистент изучал данные в системе и отправлял клиентам персональные предложения.
- Отдельный сценарий — обучение сотрудников. ИИ генерировал вопросы для тестирования сотрудников, проверял ответы и готовил рекомендации для руководителей и наставников.
В результате:
- автоматизация рутинных задач сэкономила менеджерам 3,5 часа в день. Из них 2,5 часа раньше уходили на заполнение CRM-карточек, ещё 1 час — на маршрутизацию лидов в чатах;
- ИИ-тесты позволили экономить до 90% времени руководителей и наставников на создание и проверку заданий тестирования.
Клиентские коммуникации: как AI-помощник повышает конверсию
Другой сценарий — работа с клиентами с использованием инструмента рассылок. В строительном холдинге BI Group цифровые каналы уже использовались для привлечения покупателей. Компания отправляла сообщения по клиентской базе: тем, кто раньше интересовался жилыми проектами или по каким-то причинам выпал из воронки продаж.
До внедрения генеративного ИИ рассылки сопровождались простыми чат-ботами. Они не давали полноценной консультации, поэтому клиенты часто переходили в кол-центр. Операторы получали много однотипных вопросов, а часть обращений, поступающих в нерабочее время, терялась.
Для решения задачи компания-подрядчик CVM Tech внедрила в процесс GenAI-помощника (от англ. generative artificial intelligence — «генеративный искусственный интеллект») на базе GigaChat.
В итоге вместо стандартного сценария «нажмите кнопку — получите шаблонный ответ» клиент мог перейти в диалог с ИИ-ассистентом. Он полноценно консультировал по объектам недвижимости, планировкам, условиям покупки и процессу бронирования. Также помощник отвечал на повторяющиеся вопросы и в режиме реального времени записывал клиента на встречу с менеджером по продажам.
Решение адаптировали под стиль коммуникации BI Group. Дополнительно оно поддерживает русский и казахский языки.
В результате:
- 90% консультаций удалось автоматизировать;
- на 22% увеличилась конверсия из рассылки в запись на встречу с менеджером;
- уменьшилось количество пропущенных обращений;
- на 15 пунктов выросла удовлетворённость сервисом по внутреннему NPS (от англ. net promoter score — индекс потребительской лояльности, показывающий, насколько клиенты готовы рекомендовать компанию, продукт или сервис).
Корпоративная база знаний: как нейросеть сокращает путь от вопроса к ответу
Во многих компаниях база знаний постепенно превращается в большой архив. В ней могут храниться регламенты, инструкции, данные о продуктах, обучающие материалы, шаблоны договоров и внутренние правила. Формально вся информация есть, но сотруднику всё равно приходится тратить время на поиск, чтение и сравнение документов.
К решению проблемы подключился один из российских разработчиков программного обеспечения для работы с данными. Ключевой сервис компании — платформа управления корпоративными знаниями, которую бизнес интегрирует в свои ИТ-системы.
Раньше платформа работала по принципу обычного поиска: пользователь вводил запрос и получал ссылки на подходящие документы. Если материалов было много, сотрудник сам читал, анализировал и отбирал нужное. В отдельных случаях этот процесс мог занимать около 30% рабочего времени.
Решением стало внедрение ИИ-ассистента. Он не просто показывает список документов, а формирует краткий структурированный ответ на конкретный запрос. Для этого использовали отечественную мультимодальную нейросеть, которая работает с текстами, программным кодом, изображениями и хорошо понимает запросы на русском языке.
Главная сложность была в том, что нужно было определить все сценарии использования нейросети на платформе: какие вопросы задают пользователи, в каком виде им нужен ответ, где ассистент должен помогать, а где лучше оставить классический поиск.
Результат:
- Сокращение времени пользователей на чтение и обработку больших объёмов информации до четырёх раз.
- Улучшение пользовательского опыта;
- Повышение качества коммуникаций.
Следующий шаг — расширение сценариев: поиск дублей статей, интеграция сервиса в чаты, создание иллюстраций для новостных материалов.
Ещё по теме генеративного ИИ:
Пять незаменимых промптов для руководителя
Компактный ИИ: малые языковые модели для специализированных задач
Три сценария эффективности: как использовать ИИ-агентов для ускорения рабочих процессов
Нейросети для бизнеса. Как усилить команду и улучшить процессы с помощью ИИ
Лабораторные исследования: как ИИ ускоряет обработку изображений
Генеративный ИИ и машинное обучение применяются не только в офисных процессах. В медицинских услугах они помогают ускорять обработку данных, где важны точность и повторяемость.
Так, российский медико-генетический центр внедрил нейросеть в лабораторную практику для работы с изображениями биоматериала в чашках Петри. Раньше лаборанты вручную переводили изображения в нужный формат, сохраняли их в базу данных, изучали типы колоний микроорганизмов и считали их количество. Процесс занимал около 30 минут.
Задача состояла в том, чтобы автоматизировать идентификацию и подсчёт микроорганизмов. Для решения проблемы в проект был вовлечен внешний технологический партнёр.
На первом этапе работы специалисты ИТ-компании подготовили массив изображений и вручную разметили его с участием эксперта лаборатории. Затем данные добавили в набор для обучения нейросети. Следом был создан модуль, который определяет типы колоний, считает их количество и каталогизирует данные для дальнейшего использования. Это был самый сложный этап работы. У микроорганизмов много параметров, при этом некоторые типы похожи друг на друга. Нейросеть должна была научиться видеть нюансы и одновременно определять тип, количество, плотность и площадь колоний.
В результате:
- скорость расчёта «паспорта кожи» по фотографиям колоний выросла на 80% по сравнению с ручной обработкой;
- точность определения типа микроорганизмов, плотности каждой колонии и занимаемой площади достигла 95%.
Критерии успешности внедрения генеративного ИИ
Во всех примерах ИИ дал измеримый эффект там, где его внедряли в конкретный бизнес-процесс, а не использовали как отдельный экспериментальный инструмент. Поэтому оценивать успешность таких проектов можно по трём признакам.
- Понимание проблемы. Компании начинали не с абстрактной идеи «внедрить нейросеть», а с конкретной боли: менеджеры тратят часы на типавую работу с CRM, операторы отвечают на одинаковые вопросы, сотрудники долго ищут документы, лаборанты вручную обрабатывают изображения.
- Критерии успешности. У каждого проекта была измеримая цель: сократить время, повысить конверсию, ускорить обработку данных, снизить нагрузку на сотрудников.
- Синергия человека и ИИ. ИИ брал на себя повторяющуюся часть работы, а сотрудники сохраняли контроль над сложными решениями, настройкой сценариев и проверкой качества.
Таким образом, генеративный ИИ становится полезным тогда, когда технология встроена в конкретный процесс, экономит время сотрудников и помогает бизнесу быстрее двигаться от запроса к результату.
Больше кейсов применения генеративного искуссвенного ителлекта российскими компаниями в разделе «Кейсы» СберПро
Подпишитесь на рассылку СберПро: два раза в месяц присылаем дайджест с кейсами, анонсами статей и событий для крупного бизнеса.
Подписаться