Вы внедрили ИИ-агента в свою работу. Он показывает информацию по счетам, формирует сводки, разбирает входящие сообщения и делает ещё много полезного. Но на каком уровне автоматизации вы находитесь? И что делать дальше?

В этой статье разберём, что такое ИИтизация, как внедрить ИИ-агента в рабочий процесс и почему следующий шаг — не обязательно более умный агент, а движение в сторону AI-Native-подхода к управлению процессами.

Я выделяю пять уровней ИИтизации: от ИИ в роли личного ассистента до системы, в которой процессы изначально проектируются вокруг возможностей ИИ и программной автоматизации.

Это моя практическая модель, которую я разработал для себя и своих клиентов, чтобы определять необходимый уровень автоматизации и выбирать следующий шаг. Она не претендует на роль универсального стандарта зрелости, но помогает понять текущее место и возможные следующие шаги.

Все примеры рассмотрим на одном простом процессе — обработке входящих заявок.

Классический процесс без ИИ

Это наша исходная точка.

Заявки поступают по телефону, электронной почте, через CRM или в чат на сайте. Каналы могут быть объединены в единый интерфейс, а могут работать независимо.

Оператор получает сообщение, определяет его суть, ставит задачу специалисту или отвечает самостоятельно. После выполнения задачи получает результат и передаёт его клиенту.

Что имеем: процесс работает, но зависит от сотрудников. Заявки нужно читать, классифицировать, распределять, контролировать и закрывать вручную.

Уровень 1. ИИ как личный ассистент

Многие, кто начинает использовать ИИ-агентов, считают этот уровень вершиной автоматизации. На деле это только начало.

Оператор использует ИИ для обработки сообщений либо подключает агента к своим каналам связи. Агент может работать с файлами, использовать инструменты и даже управлять компьютером через Computer Use.

Теперь он способен классифицировать сообщения, готовить ответы, искать информацию и создавать задачи для специалистов.

Казалось бы, вот оно, счастье! Но с ростом потока заявок начинают проявляться ограничения: лимиты, стоимость запросов, задержки и необходимость постоянно контролировать результат. То коннектор отвалится, то агент выполнит не то действие, то ответит клиенту не совсем то, что нужно.

Что изменилось: сотрудник стал работать быстрее, но сам процесс практически не изменился. Человек всё ещё остаётся его главным оператором.

Уровень 2. ИИ-агент встроен в процесс

Следующий шаг — перенести агента с рабочего компьютера на сервер и подключить его непосредственно к процессу. Например, с помощью OpenClaw, n8n и аналогичных инструментов или собственной интеграции.

Теперь агент круглосуточно следит за входящими заявками, классифицирует их, ищет информацию, отвечает на типовые вопросы и передаёт сложные случаи менеджерам.

Есть два подхода.

Первый — готовый агент с широкими полномочиями. Это сравнительно простой способ начать, но при интенсивном использовании расходы на модели и инструменты могут оказаться существенными. Каждый запрос, история переписки и дополнительные действия потребляют ресурсы. Стоимость зависит от модели, объёма контекста, архитектуры и тарифов.

Второй — собственная интеграция LLM в процесс. Специалист подключает модель через API, а все предсказуемые действия выполняются специализированными программными модулями. Модель определяет, что нужно сделать, а код отвечает за выполнение конкретных операций.

Так можно уменьшить стоимость обработки, повысить управляемость и отказаться от лишних вызовов модели.

Что изменилось: агент стал частью рабочего процесса и самостоятельно выполняет определённые операции.

Но пока мы просто поручили работу ИИ. Мы ещё не оптимизировали архитектуру самого процесса.

По моим наблюдениям на этом уровне сейчас работают большинство “интеграторов” искусственного интеллекта. До этого же уровня можно дойти самостоятельно не обладая нужными знаниями, но решение при этом скорее всего будет нестабильным.

Уровень 3. Специализированные модели и программная автоматизация

Это следующий этап — оптимизация предыдущего уровня. На первый взгляд изменения незначительны, но при большом потоке заявок они могут дать существенный эффект. В зависимости от сложности процесс перестройки может занять недели или месяцы.

Предположим, клиент прислал счёт, акт, техническое задание или спецификацию. На предыдущем уровне большая языковая модель могла получать весь документ, анализировать его и решать, что делать дальше.

При большом потоке документов это не всегда оправданно. Кроме того, результат генерации может быть непредсказуемым.

Поэтому мы разделяем обязанности:

• небольшая специализированная модель классифицирует заявку;

• OCR или модель обработки документов извлекает текст и структуру;

• специализированная модель извлекает реквизиты и формирует структурированный результат;

• программный код проверяет обязательные поля и выполняет расчёты;

• LLM подключается, когда требуется интерпретация сложного или неоднозначного запроса;

• большая модель используется только в тех случаях, когда её возможности действительно необходимы.

Например, вопрос «Какой статус у заказа № 1254?» не требует сложного рассуждения. Система извлекает номер, обращается к CRM и формирует ответ по шаблону.

А вот претензия клиента с описанием нескольких проблем может потребовать анализа контекста и участия более мощной модели.

Специализированные модели можно запускать на собственных серверах, если это экономически оправданно. Для некоторых задач потребуется дообучение, для других достаточно готовой модели.

Что изменилось: мы перестали использовать универсальный ИИ там, где задачу дешевле и надёжнее решить специализированным инструментом.

Расходы могут снижаться, скорость обработки — расти, а качество — становиться более предсказуемым. Но результат нужно подтверждать измерениями, а не предположениями.

Это тот уровень, где уже нужен хороший IT специалист, в идеале не один. Без них подобную оптимизацию не выстроить.

Уровень 4. Сквозная автоматизация процесса

На этом уровне мы автоматизируем не отдельные операции, а весь путь от входящей заявки до результата.

Клиент отправляет сообщение. Система классифицирует его, извлекает необходимые данные, создаёт задачу, назначает ответственного, контролирует сроки и напоминает об исполнении. После завершения работы формирует ответ и отправляет его клиенту.

Если заявка типовая, человек может вообще не участвовать в её обработке.

Если требуется нестандартный расчёт, согласование условий или решение, выходящее за пределы полномочий системы, подключается сотрудник.

Именно здесь мы начинаем последовательно заменять ручные операции автоматизированными. При этом важно не просто убрать человека из цепочки, а обеспечить контроль результата, обработку исключений и возможность вмешательства.

Что изменилось: система управляет всем процессом, а не только выполняет поручения. Человек перестаёт быть обязательным участником каждого этапа и работает преимущественно со сложными случаями.

На этом этапе обычных IT-компетенций уже недостаточно. Нужно понимать не только технологии, но и сам бизнес: как устроены процессы, где возникают потери, как измерять эффект изменений и как внедрять их так, чтобы команда действительно начала работать по-новому.

Это уже другая инженерная задача, в которой важны не только навыки разработки, но и опыт управления изменениями, системного мышления и организации работы людей.

Именно на стыке IT, бизнеса и управления процессами мы работаем: помогаем находить узкие места, оценивать потенциал автоматизации и проектировать решения, которые можно проверить на практике. Начинать при этом стоит не с выбора модели или агента, а с конкретного процесса, его исходных показателей и желаемого результата.

Уровень 5. AI-Native-подход к управлению процессами

AI-Native — это не просто ещё один агент и не обязательно система, в которой человек полностью исключён из работы.

Это подход, при котором процесс проектируется с учётом возможностей ИИ, программной автоматизации, специализированных моделей и участия человека с самого начала.

Мы больше не берём существующий процесс и не пытаемся последовательно заменить в нём сотрудников агентами. Мы пересматриваем саму архитектуру работы.

Например, система обработки заявок состоит из нескольких специализированных компонентов. Один отвечает за классификацию, другой — за документы, третий — за расчёты, четвёртый — за взаимодействие с CRM. Оркестратор управляет последовательностью операций, контролирует состояние процесса и направляет нестандартные ситуации нужным специалистам или моделям.

Система собирает статистику: стоимость обработки, время выполнения, количество ошибок, долю обращений без участия человека. На основе этих данных можно находить узкие места и улучшать процесс.

Если простая модель справляется с задачей достаточно хорошо, нет необходимости вызывать более дорогую. Если автоматический сценарий даёт ошибки, его можно ограничить или вернуть на предыдущую версию. Если задача требует человеческого решения, она должна быть передана человеку.

При этом автономность не означает отсутствие контроля. Наоборот, чем больше полномочий получает система, тем важнее мониторинг, права доступа, ограничения действий и возможность отката.

Честно признаюсь: полноценные AI-Native-процессы, где архитектура, управление, метрики и обратная связь изначально построены вокруг возможностей ИИ и при этом эффективно, — я пока не встречал. Отдельные элементы такого подхода уже вполне реализуемы.

Что изменилось: мы перешли от внедрения ИИ в существующую работу к проектированию самого процесса вокруг автоматизации, данных и измеримого результата.

Сравнение уровней ИИтизации

Эти уровни описывают не обязательные этапы зрелости любой компании, а разные масштабы и принципы организации автоматизации. Не каждому процессу нужны все уровни: иногда простая интеграция даёт лучший экономический результат, чем сложная система.

Как внедрять ИИ правильно?

Не стоит пытаться сразу построить AI-Native-предприятие или полностью автономный процесс. Начинать нужно с конкретной задачи, измеримых показателей и понимания ограничений.

Переходя к следующим уровням, собирайте статистику, оценивайте стоимость, скорость и качество, проверяйте результаты на реальных данных. Предусмотрите возможность отключить автоматизацию или вернуть предыдущую версию, если качество ухудшится.

ИИ может ускорить работу, но плохо спроектированная автоматизация способна ускорить и распространение ошибок. Лояльность клиентов зарабатывается долго, а теряется быстро. Сокращение сотрудников может обернуться потерей экспертизы, которую затем придётся восстанавливать.

ИИтизация — это не гонка за количеством агентов. Это инженерная работа над тем, чтобы бизнес-процессы выполнялись быстрее, дешевле и надёжнее.