Какие бизнес-процессы автоматизировать с помощью ИИ: матрица и 10 сценариев

Краткое резюме

По оценке «Яков и Партнёры» (бывший McKinsey Russia, отчёт 2025 года), 75% российских компаний крупного и среднего бизнеса в 2025 году использовали хотя бы один инструмент генеративного ИИ, но дают экономический эффект меньше четверти таких внедрений. Корневая причина простая: автоматизируют процесс, который под ИИ либо не подходит, либо запущен в неподходящем порядке.

Чтобы не повторять эту ошибку, любой процесс-кандидат полезно прогнать через четыре фильтра — эффект, сложность, риск, данные — до выбора подрядчика, бюджета и инструмента.

Главная мысль: автоматизация процесса с ИИ окупается только тогда, когда процесс повторяющийся, у него есть владелец метрики, данные собраны, а цена ошибки — не катастрофа.

Опорные материалы по теме — как внедрить ИИ в бизнес в 2026 году, сколько стоит внедрение ИИ в компанию и подборка релизов по бизнес-внедрениям ИИ в категории «ИИ-индустрия».

Что значит «автоматизировать процесс с ИИ»

В классической автоматизации (BPM, RPA) робот повторяет действия по жёстким правилам: «если поле X, то перенеси в Y». Это надёжно, но не справляется с естественным языком, неполными данными и неопределёнными правилами.

ИИ-автоматизация добавляет три новых способности:

• Понимание текста и речи. Модель читает заявку, обращение, документ, звонок — и достаёт нужное.
• Классификация и приоритизация. Модель присваивает категории по правилам, которые сложно записать, но легко показать на примерах.
• Генерация ответа. Модель пишет первое сообщение, КП, краткое содержание, sub-задачи под контролем человека.

Получается процесс из трёх частей: ИИ берёт неструктурированный вход, превращает его в структурированный шаг и передаёт его дальше — либо классической автоматизации, либо человеку с готовой карточкой.

Поэтому правильный вопрос звучит иначе: где именно в существующем процессе ИИ снимает узкое место, которое классическая автоматизация снять не могла.

Десять процессов, где ИИ работает прямо сейчас

Ниже — карта процессов, для которых российские и зарубежные команды уже накопили достаточно опыта. Это проверенный список с высокой долей успешных пилотов; полный обзор возможностей ИИ остаётся за рамками гайда.

1. Квалификация входящих заявок и лидов

Процесс. Заявка приходит из формы, мессенджера, рекламы или партнёра. Менеджер читает, оценивает теплоту, пишет первое сообщение.

Что делает ИИ. Классифицирует по 3–7 признакам (источник, бюджет, срок, готовность обсуждать), пишет первое сообщение по шаблону, предлагает слоты для встречи.

Подходящий бизнес. Онлайн-школы, агентства, B2B-сервисы, инфо-продукт, локальные сервисы с заявками через мессенджеры.

Эффект. Время первого ответа падает в 5–15 раз, конверсия в звонок или встречу растёт на 5–15 п.п.

2. Ответы поддержки по базе знаний

Процесс. Клиент пишет вопрос в чат, бот, мессенджер. Оператор отвечает по регламенту или базе FAQ.

Что делает ИИ. Отвечает на 60–80% типовых вопросов по утверждённой базе, эскалирует сложные оператору с готовой историей.

Подходящий бизнес. Интернет-магазины, инфо-продукт, SaaS, локальные сервисы с регулярными обращениями.

Эффект. Время первого ответа становится секундами; оператор тратит время только на нестандартные случаи.

3. Анализ звонков и встреч

Процесс. Менеджер созванивается с клиентом. Запись лежит, её обычно никто не разбирает.

Что делает ИИ. Транскрибирует звонок, выделяет ключевые тезисы, проверяет соблюдение скрипта, отмечает возражения и обещания менеджера.

Подходящий бизнес. Отделы продаж, поддержки, отделы качества, кол-центры.

Эффект. Доля разобранных звонков растёт с 5% (выборка вручную) до 80–100% (все звонки). Появляется регулярный фидбек менеджерам.

4. Подготовка коммерческих предложений

Процесс. Менеджер собирает КП под клиента по 5–15 параметрам. Обычно тратит 30–90 минут на один документ.

Что делает ИИ. Собирает черновик КП по типовому шаблону, заполняет нужные блоки данными из CRM и из брифа клиента, помечает спорные места.

Подходящий бизнес. Агентства, B2B-сервисы, поставщики услуг с гибким ценообразованием.

Эффект. Время на КП сокращается до 5–15 минут; менеджер проверяет и отправляет, а не пишет с нуля.

5. Работа с типовыми документами и договорами

Процесс. Бухгалтер, юрист, ассистент собирают акты, счета, договоры, доверенности по шаблонам.

Что делает ИИ. Заполняет шаблон по данным CRM/таблицы/формы, проверяет реквизиты против правил, подсвечивает несоответствия для человека.

Подходящий бизнес. Бухгалтерия, юр-отделы, операционные команды, агентства с типовыми договорами.

Эффект. Время на типовой документ снижается с 30–60 минут до 3–8 минут. Финальную подпись и юридически значимые решения оставляем человеку — см. гайд по стоимости внедрения ИИ для разбора регуляторного риска.

6. Контент для маркетинга и соцсетей

Процесс. Маркетолог или владелец пишет посты, заголовки, описания, рекламные тексты вручную.

Что делает ИИ. Генерирует варианты под бренд-голос, адаптирует один материал в разные форматы (длинный пост, короткий, рассылка, объявление), готовит подборки вопросов для интервью или эфиров.

Подходящий бизнес. Малый и средний бизнес без полноценного маркетинг-отдела, личные бренды, агентства с потоком клиентов.

Эффект. Контент-поток ускоряется в 2–4 раза при сохранении качества — человек выбирает и доводит, не пишет с нуля.

7. Аналитика отзывов и обратной связи

Процесс. Команда собирает отзывы на маркетплейсах, в соцсетях, в опросниках, разбирает руками.

Что делает ИИ. Классифицирует отзывы по тональности и темам, выделяет повторяющиеся проблемы, готовит сводку по тегам с примерами.

Подходящий бизнес. Маркетплейс-продавцы, ресторанные сети, сервисы с отзывами, SaaS с фидбеком пользователей.

Эффект. Регулярный отчёт о топ-3 проблемах и сильных сторонах — без расширения штата.

8. Поиск и фильтрация резюме

Процесс. Рекрутер вручную просматривает 50–300 откликов на вакансию.

Что делает ИИ. Сравнивает резюме с требованиями вакансии по 5–10 критериям, классифицирует кандидатов (релевантные / частично / нерелевантные), генерирует короткое summary по каждому подходящему.

Подходящий бизнес. HR-агентства, штатные рекрутеры в среднем и крупном бизнесе.

Эффект. Время на первичный скрининг сокращается в 5–10 раз. Финальное решение и интервью — за человеком; принятие решений о найме на основе автоматических оценок небезопасно по 152-ФЗ и трудовому праву.

9. Извлечение данных из неструктурированных документов

Процесс. Команда читает накладные, банковские выписки, акты сверки, договоры и переносит данные в системы вручную.

Процесс. Команда читает накладные, банковские выписки, акты сверки, договоры и переносит данные в системы вручную.

Что делает ИИ. Извлекает структурированные поля из сканов и PDF, проверяет формальную корректность, отдаёт человеку только спорные документы.

Подходящий бизнес. Бухгалтерия, логистика, финансовые отделы, аудит, страховые компании.

Эффект. Доля документов, обработанных автоматически — 60–85%. На спорные тратится столько же времени, сколько раньше, но их в 5–10 раз меньше.

10. Внутренняя база знаний и поиск по корпоративным регламентам

Процесс. Сотрудник ищет ответ на вопрос «как мы делаем X» в Confluence, Notion, файловой шаре, чатах.

Что делает ИИ. Отвечает по утверждённой базе знаний (RAG), даёт точную ссылку на исходный документ, помечает, если ответа в базе нет.

Подходящий бизнес. Средний и крупный бизнес от 50 сотрудников с регулярными типовыми вопросами «как», «куда», «к кому».

Эффект. Сокращение времени на онбординг и на повторяющиеся вопросы коллегам в 2–4 раза.

Матрица выбора: эффект × сложность × риск × данные

Перед запуском любого пилота прогоните процесс через четыре фильтра ниже. Чем больше «зелёных» ячеек, тем выше шанс окупаемости.

Правило: первый проект выбираем из «🟢 первый кандидат» и «🟢 быстрая победа». «🟡» — на второй и третий этап. «🔴» — откладываем до тех пор, пока не уберём блокирующий красный фильтр.

Подробнее про выбор первого процесса — в опорном гайде как внедрить ИИ в бизнес в 2026 году и в гайде с чего начать малому бизнесу.

Кейс: автоматизация подготовки КП в B2B-агентстве (Редакционный пример)

Источник: редакционный пример. Построен из публичных бенчмарков по автоматизации pre-sales в российских и СНГ-агентствах среднего размера (TAdviser, CNews Analytics). Конкретная компания не упоминается; имена и цифры репрезентативны для сегмента.

Ситуация. Маркетинговое агентство в Москве, 35 человек, специализация — performance + контент. Поток входящих запросов: 18–22 квалифицированных клиента в месяц. Менеджеры готовят коммерческие предложения по 7–12 параметрам (отрасль, бюджет, набор каналов, KPI, сроки, команда, регион). Среднее время на одно КП — 75 минут, из них 50 минут — заполнение шаблона по данным из брифа.

Что делает ИИ. На основе клиентского брифа (формы или ответов менеджера) и базы прошлых КП собирает черновик документа: типовые блоки услуг, прогноз метрик по аналогам, базовая структура смет, описание команды. Менеджер вычитывает, корректирует, добавляет нестандартные позиции и отправляет.

Что нужно для пилота.

• выгрузка 80 закрытых КП за последние 12 месяцев в едином формате;
• 15 шаблонов под разные комбинации услуг и отраслей;
• доступ к CRM (HubSpot, Bitrix24 или amoCRM) на чтение брифов;
• структура итогового документа в Google Docs или Notion;
• лимит 6 тыс ₽/мес на API (GigaChat или YandexGPT) с алертом;
• режим «менеджер видит черновик и редактирует, а не отправляет автоматически».

Метрики пилота через 45 дней.

• время на одно КП: 75 мин → 22 мин (–70%);
• доля КП, отправленных в день поступления брифа: 35% → 78%;
• конверсия из КП в подписанный договор: 24% → 31% (за счёт скорости и более системного позиционирования);
• ошибки в расчёте сметы: 4 за период → 2 за период (после переработки шаблонов).

Бизнес-логика. При среднем чеке агентства 380 тыс ₽ прирост конверсии на 7 п.п. на потоке 20 КП в месяц даёт ~270 тыс ₽ дополнительной выручки в месяц. Запуск пилота — 180–250 тыс ₽, ежемесячно — 18–25 тыс ₽. Окупаемость — меньше месяца с момента стабилизации шаблонов. Если конверсия не вырастет, пилот закрывают и продолжают писать КП вручную; экономия времени менеджеров перестаёт быть достаточной без роста выручки.

Сегмент агентств, которые делятся практикой автоматизации pre-sales, — мониторим в категории «ИИ-индустрия».

Worked example: окупаемость автоматизации поддержки клиентов

Ситуация. Интернет-магазин товаров для дома: 90 заказов в день, 600 обращений в неделю в чат поддержки (Telegram + сайт-виджет + ВКонтакте). Два оператора в смене, средняя зарплата — 75 тыс ₽/мес каждому, рабочий день 8 часов.

Данные.

• объём обращений: 600/неделя × 4,3 нед = 2 580/мес;
• средняя длина диалога: 4 сообщения, средняя длина ответа модели: 180 токенов;
• текущая стоимость операции: 2 оператора × 75 тыс ₽ = 150 тыс ₽/мес на роль поддержки;
• сценарий пилота: бот закрывает типовые вопросы (статус заказа, тариф, возврат, условия), эскалирует сложные оператору.

Формула запуска.

Формула месяца.

Результат. Допустим, бот закрывает 65% обращений автоматически. Тогда нагрузка на операторов падает с 2 ставок до 1; один оператор переводится на работу с возвратами и активные продажи, либо сокращается одна вакансия. Экономия — 75 тыс ₽/мес минус расходы на бота 39 тыс ₽/мес = 36 тыс ₽/мес чистой выгоды.

Окупаемость. 220 800 ₽ / 36 000 ₽ ≈ 6,1 месяца. Если бот закрывает только 40% обращений, экономия падает до ~15 тыс ₽/мес, окупаемость — 14 месяцев. Это граница; ниже 40% автоматизации пилот лучше закрыть.

Выводы.

1. Окупаемость автоматизации поддержки сильно зависит от доли вопросов, которые бот реально закрывает. До запуска нужно проверить долю типовых обращений по логам (выгрузка 500 сообщений за неделю и разметка вручную).
2. Если в логах меньше 50% типовых вопросов — пилот лучше отложить и сначала переработать FAQ или сегментировать каналы.
3. Подробный разбор статей бюджета и метрик окупаемости — в гайде сколько стоит внедрение ИИ в компанию.

Когда автоматизация ИИ процесса не окупится

Ниже — конкретные критерии, при которых пилот стоит отложить. Это проверенный набор стоп-сигналов, а не общий перечень рисков.

1. Меньше 50 повторяющихся однотипных операций в месяц. На таком объёме настройка ИИ съест больше времени и денег, чем сэкономит. Шаблон в таблице плюс ручная работа быстрее и дешевле.
2. Нет владельца результата. Если пилотом «занимается» внешний подрядчик, а внутри никто не отвечает за метрику — пилот зависнет без решения stop/go. ИИ-проект без владельца не доводится до результата.
3. Процесс меняется чаще одного раза в месяц. Ассортимент, регламенты, тарифы и правила, которые меняются каждые две недели, превратят базу знаний и шаблоны в постоянную головную боль поддержки. Сначала стабилизируйте процесс — потом автоматизируйте.
4. Высокая цена ошибки. Кредитные решения, юридические заключения, медицинские рекомендации, увольнения, операции с деньгами — это не первые проекты для ИИ. Здесь модель полезна как помощник человека, а не как самостоятельный исполнитель. См. также раздел ИИ в России о регуляторных рамках.
5. Данные разбросаны и не нормализованы. Если входы процесса лежат в разных системах, форматах и без единых правил — сначала собирайте данные, потом подключайте ИИ. RAG поверх хаотичной базы знаний — особо болезненный антипаттерн.
6. Нет 20 свободных часов владельца на 30 дней. Пилот требует решений: какие правила, какие шаблоны, что считаем ошибкой. Подрядчик не может принять эти решения за вас. Без владельца со временем пилот превращается в технологический отчёт без бизнес-результата.
7. Команда не готова к режиму «человек проверяет ИИ». Если сотрудники воспринимают модель как замену и не как ассистента — будут саботажи и игнорирование. Перед пилотом нужен короткий разговор: ИИ снимает рутину, но роль человека в принятии решения сохраняется.

При совпадении 2+ пунктов — пилот переносим. Это сильнее, чем кажется: попытка запустить ИИ-проект против структурного блокера всегда заканчивается списанием бюджета без эффекта.

Российский контекст: 152-ФЗ, локальные модели и каналы

Автоматизация бизнес-процессов в России упирается в три темы, без которых пилот может стать юридически рискованным.

• 152-ФЗ «О персональных данных». Если процесс работает с именами, телефонами, email, адресами, заказами или перепиской клиентов — это персональные данные. Для пилота на российском контуре: выбираем GigaChat или YandexGPT (договор с российским юрлицом, хранение в РФ), фиксируем роли и журнал обращений, отдельно прорабатываем спецкатегории (медицина, кредитные истории).
• Локальные модели для юрлиц. GigaChat API (Сбер) и YandexGPT в Yandex AI Studio тарифицируются в рублях, оплачиваются по счёту от российского юрлица, без VPN. Для большинства задач классификации, генерации и саммари их качества достаточно. ChatGPT Plus или Claude Pro удобны для личной работы владельца, но как продуктовая инфраструктура — сложнее в части юридической архитектуры.
• Каналы коммуникации. Telegram, ВКонтакте, OK, Авито, Wildberries, Ozon, маркетплейсы — основные точки контакта. Все они интегрируются через российские конструкторы автоматизации (Albato, n8n self-hosted) или универсальные (Make). Для маркетинговых процессов прибавляются Яндекс.Директ и ВКонтакте Реклама.
• HR-процессы. При автоматизации скрининга резюме помните: финальные решения о найме на основании автоматических оценок небезопасны по 152-ФЗ (профайлинг) и общей логике трудового права. ИИ — рекомендатель, не лицо, принимающее решение.

Следить за свежими российскими внедрениями и регуляторными новостями удобнее всего в разделе «ИИ в России».

Вывод Malakhov AI

Главный риск при выборе процесса для автоматизации — попытаться внедрить ИИ «в принципе», без понимания, какое узкое место он снимает. Шаблон рабочего проекта в 2026 году короткий:

1. Возьмите один процесс с повторяемостью больше 50 раз в месяц.
2. Прогоните его через четыре фильтра: эффект, сложность, риск, данные.
3. Если процесс попадает в «🟢 первый кандидат» — запускайте пилот за 30 дней с лимитом расходов и режимом «человек проверяет вердикт ИИ».
4. На 31-й день — решение stop/go по одной метрике, выбранной заранее.
5. Только после первого успешного пилота переходите ко второму процессу.

Самые надёжные первые кандидаты — квалификация лидов, поддержка по FAQ, КП по шаблону, типовые документы и анализ звонков. Самые опасные для первого пилота — скрининг резюме, кредитные/юридические решения, корпоративный RAG на хаотичной базе.

Если процесс не проходит хотя бы один из четырёх фильтров — лучше потратить месяц на то, чтобы убрать блокирующий красный фильтр, чем запускать пилот, который не окупится.

FAQ

Какие процессы автоматизировать с помощью ИИ в первую очередь?

Лучшие первые кандидаты — это процессы с повторяемостью больше 50 раз в месяц, понятной метрикой и низкой ценой ошибки: квалификация лидов, поддержка по FAQ, подготовка КП, анализ звонков, типовые документы. Для каждого из них есть готовые шаблоны решений и накопленный опыт российских и зарубежных команд.

Чем ИИ-автоматизация отличается от классической (RPA, BPM)?

Классическая автоматизация работает с жёсткими правилами: «если поле A, то перенеси в поле B». ИИ-автоматизация дополнительно умеет читать неструктурированный вход (текст, речь, документы), классифицировать по показанным примерам и генерировать черновики ответов. ИИ обычно встраивают перед классической автоматизацией: модель структурирует вход, а дальше работают привычные конвейеры.

Можно ли автоматизировать процесс с ИИ без разработчиков?

Можно для большинства лёгких сценариев — на конструкторах автоматизации (Make, n8n, Albato) и готовых моделях (GigaChat API, YandexGPT). Для сложных интеграций с внутренними системами, ролями, логами и безопасностью обычно нужен разработчик или команда подрядчика.

Какой объём процессов нужен, чтобы внедрение ИИ окупилось?

Минимум 50 повторяющихся однотипных операций в месяц. На меньшем объёме настройка и поддержка модели съедают экономию. Для среднего бизнеса оптимальная зона — 200–2000 операций в месяц на один процесс.

Безопасно ли автоматизировать обработку клиентских данных с ИИ?

Безопасно при двух условиях: поставщик модели — российское юрлицо с хранением данных в РФ (GigaChat, YandexGPT), и архитектура учитывает 152-ФЗ (роли, доступ, журнал обращений). Для спецкатегорий персональных данных (медицина, кредитные истории) нужна отдельная архитектура и юрист.

Сколько стоит пилот автоматизации одного процесса?

В среднем 80–250 тыс ₽ на запуск пилота на конструкторах и 8–25 тыс ₽ в месяц поддержки для малого и среднего бизнеса. Кастомная разработка с интеграциями стартует от 250–700 тыс ₽ запуска и 25–80 тыс ₽/мес поддержки. Полный разбор статей бюджета — в гайде сколько стоит внедрение ИИ в компанию.

Какие процессы НЕ стоит автоматизировать с ИИ первым проектом?

Скрининг резюме без юр-аудита, кредитные и медицинские решения, юридические заключения, корпоративный RAG на хаотичной базе знаний и любые процессы с малым объёмом операций (меньше 50/мес) или нестабильной структурой (меняется чаще раза в месяц). Также — процессы без явного владельца результата внутри компании.

По теме

Связанные статьи

Habr AI·1 час назад

Telegram Mini App для ресторанов: объединение бронирований, меню и аналитики

Лаборатории

AWS Machine Learning Blog·11 часов назад

AWS показала, как следить за качеством и нагрузкой LLM-инференса в SageMaker

Индустрия

TechCrunch AI·17 часов назад

Groq привлекает $650 млн после сделки с Nvidia на $20 млрд

Индустрия

404 Media·21 час назад

Исследование выявило 37 скрытых манипулятивных приемов в ИИ-чатботах

Исследования

The Decoder·21 час назад

Код как основа агентного ИИ: обзорная статья UIUC, Meta и Stanford

Индустрия

The Verge AI·вчера

Adobe Firefly ИИ Assistant: разговорный редактор изображений с задатками стажёра