Сколько времени ваши сотрудники тратят на рутину? По данным исследования НАФИ и «Яндекс 360» (апрель 2025, 1400 респондентов по всем федеральным округам), каждый третий офисный сотрудник в России тратит на рутинные операции от двух до четырёх и более часов в день: сбор и хранение документов, переписку с клиентами и подрядчиками, подготовку к совещаниям. Это не просто потеря половины рабочего дня. Это потеря конкурентного преимущества, которую компания несёт молча.

Можно ещё вопрос: любите ли вы Excel так, как люблю его я? Шутка, конечно. Но сколько времени сотрудники «зависают» в Excel и какого размера «простыни» там ведут, вопрос совсем не шуточный. Excel — хорошая штука. Но есть и другой путь. Автоматизация.

От «если А, то Б» до систем, которые учатся

Автоматизация уже прошла долгий путь: от простых скриптов, которые повторяли заданные действия, до систем, способных обучаться, прогнозировать и принимать решения (контролируемые, конечно).

Ещё лет пять назад автоматизация работала по жёсткому алгоритму «если А, то Б». Такой принцип годится для повторяющихся задач, но ломается при любом отклонении от сценария. Представьте склад, где товар хранится «где есть место»: стоит измениться спросу, и вся логика рушится.

Система управления с искусственным интеллектом — принципиально другой уровень. Она обучается на исторических данных и улучшает свои решения. Прогнозирует сбои и колебания спроса до того, как они произойдут. Адаптируется к изменениям без перепрограммирования. И предлагает оптимизацию, которую человек мог бы и не заметить.

Ключевая разница в том, что автоматизируется не задача, а процесс целиком.

Из чего состоит ИИ-система управления

Любая такая система складывается из нескольких слоёв.

Фундамент: первичные данные. Система забирает информацию из CRM, ERP, датчиков на оборудовании, логов, а также из неструктурированных источников: писем, документов, чертежей.

«Мозг» системы: ядро ИИ, где одновременно работают несколько технологий.

Машинное обучение обучается на реальных документах, кейсах и процессах, чтобы точнее прогнозировать спрос, отток клиентов, износ оборудования.

Обработка естественного языка (NLP) даёт системе возможность общаться с пользователем на естественном языке, анализировать тональность обращения и извлекать смысл из набора слов.

Компьютерное зрение распознаёт образы, документы и чертежи. На этом строятся системы контроля качества и управления производством. Здесь есть подтверждённый результат: на одном из кабельных производств система компьютерного зрения, контролирующая изоляцию кабеля на скорости 850 метров в минуту, снизила долю пропущенных дефектов на 70% по сравнению с визуальным контролем человека.

Оркестратор: ИИ-агент, который решает, какому модулю дать задачу и как встроить результат в бизнес-цепочку. Именно в эту сторону, по данным CNews, сейчас движутся российские BPM-платформы: по отчёту Comindware и Rex за 2025 год, 48% компаний планируют инвестировать в ИИ, а 39% — конкретно в ИИ-агентов, при том что сам рынок BPM в России растёт на 15–25% в год начиная с 2021-го.

Фасад: интерфейс, который скрывает все внутренние «коммуникации»: чаты, дашборды, голосовые ассистенты, рекомендательные системы для сотрудников.

Просто о том, как это работает: создаётся система управления процессами (СУП, звучит забавно, но так уж вышло). К ней подключаются приложения организации: ERP, CRM, 1С, WMS, почта, сайт и любые другие, в зависимости от вида деятельности. Из них берутся первичные данные. Внутри СУП создаются ИИ-агенты под конкретные задачи, и для каждого подбирается модель, умеющая решать задачу нужного типа. Модели могут быть развёрнуты в закрытом контуре организации, чтобы сохранить конфиденциальность и соответствовать требованиям закона, и могут дообучаться на данных организации. После обработки СУП передаёт результат во внешние системы, в зависимости от того, какая задача была поставлена.

Подводные камни

При внедрении такой системы попадаются одни и те же камни.

Качество данных. ИИ нужны «чистые» данные. Чтобы модель научилась читать чертежи, ей нужно показать сотни качественных чертежей: сначала простых, затем, по мере обучения, всё более сложных, и все они должны быть выполнены по единым принципам.

Чёрный ящик. Иногда сложно объяснить, почему ИИ принял то или иное решение. Иногда это объективно невозможно. Когда это критично, окончательное решение должно оставаться за человеком.

Сопротивление персонала. Страх потерять работу толкает людей на скрытое сопротивление и даже саботаж. Важно объяснить ценность автоматизации и смысл переквалификации: операторы становятся супервизорами ИИ, а не безработными.

Безопасность и этика. Вопросы утечки данных не отменяются автоматизацией. Как и вопросы предвзятости и дискриминации алгоритмов: модель обучается на исторических данных, а в них могут быть зашиты старые перекосы.

Цена входа. Порог для малого и среднего бизнеса остаётся высоким. Здесь ситуацию меняют low-code/no-code платформы: они снижают стоимость и скорость разработки приложений.

Три случая из практики Appliner

Дальше: три сценария, которые реализованы на платформе Appliner.

Задачи по итогам совещаний. Раньше секретарь тратил часы на расшифровку записи, выделение поручений и рассылку задач. Теперь система слушает встречу в реальном времени, распознаёт речь, определяет, кто и что должен сделать, и создаёт задачи в таск-трекере с исполнителем, дедлайном и контекстом. Система отслеживает выполнение: если задача близка к просрочке, напомнит исполнителю, а если ситуация критична, передаст на контроль руководителю. Отговорки «забыл», «не услышал», «не понял» перестают работать.

Автоматизация склада. Склад: место, где хаос обходится особенно дорого. У одного из клиентов, регионального производителя пива и безалкогольных напитков, была системная проблема: неоперативное оприходование продукции. Из-за задержек в учётной системе появлялись отрицательные товарные остатки, а бумажная накладная оставалась «источником истины», из которого бухгалтер узнавал о необходимости оплаты поставщикам. Результат: упущенная прибыль из-за дефицита ходовых позиций или заморозка капитала в излишках.

Насколько ощутим эффект от такой автоматизации в принципе, показывает независимый кейс: производитель крепёжных систем, внедривший WMS с адресным хранением и автоматическим построением маршрутов сборщиков, за два месяца увеличил скорость комплектования на 40%, сократил время инвентаризации на 50%, поднял скорость приёмки на 15–20% и снизил объём бумажной работы на 35% (данные Infostart, август 2024). Порядок цифр — тот, на который стоит рассчитывать при аналогичном проекте, а не универсальная гарантия.

Проверка чертежей на технологичность. Инженер получал чертёж детали, вручную сверял его с характеристиками станков, считал режимы обработки, проверял точность, мощность, габариты: десятки человеко-часов на одну деталь. Теперь система с компьютерным зрением анализирует чертёж (скан или PDF), извлекает размеры, допуски, материал, требования к обработке, сравнивает их с возможностями доступных станков и выдаёт вердикт: деталь может быть изготовлена на станке №3, ожидаемое время: 45 минут, себестоимость: такая-то. Альтернатива: станок №7, время короче, но нужна переналадка. Если изготовление невозможно, система объясняет почему: «требуемая точность 0,005 мм превышает возможности доступного оборудования» или «габариты заготовки превышают максимальные для всех станков». Инженеру остаётся нажать кнопку «в работу».

Модель, которая это делает, обучается на практике: не понимает, вы подсказываете, запоминает, и в следующий раз не ошибается. Точность растёт с каждой итерацией. Это не совсем автоматизация в привычном смысле, а интеллектуальная поддержка решения, которая сокращает время оценки с часов до секунд и убирает ошибки человеческого фактора.

Что это даёт бизнесу

Что	Как
Скорость	Сокращение времени цикла в разы: приёмка на складе: с часов до минут, оценка чертежа: с часов до секунд.
Точность	Снижение операционных издержек и рост производительности труда на существующий штат (этот пункт не стоит анонсировать рядовым сотрудникам как главный).
Экономия	Человеческие ошибки сведены почти к нулю, а с ними снижаются претензии, потери товара, риски просроченных платежей.
Масштабируемость	Система горизонтально масштабируется и держит пиковые нагрузки без найма новых людей под каждый скачок объёма.
Новые инсайты	ИИ находит закономерности, которые ускользают от человеческого глаза: какие товары обычно заказывают вместе, какие партии рискуют испортиться, какие станки простаивают чаще других.

Как внедрять

Не пытайтесь автоматизировать всё сразу. Проведите аудит процессов, выберите самый рутинный и дорогой участок и автоматизируйте его первым. Пусть ИИ-агент покажет себя на ограниченном фронте: разошлёт автоответы на несколько типовых писем, оценит десять чертежей в день, соберёт десять смет по проекту.

На первых этапах сохраняйте контроль человека: это снижает риски внедрения и повышает доверие к системе внутри компании. Люди должны переквалифицироваться из операторов в супервизоров: научиться понимать логику ИИ достаточно, чтобы уметь её скорректировать.

Выбор платформы: отдельный вопрос. У low-code/no-code решений есть практическое преимущество: такие платформы, как Appliner, позволяют собрать многофункциональную систему управления процессами силами штатного бизнес-аналитика или ИТ-специалиста широкого профиля, без привлечения отдельной команды разработчиков.

Вместо заключения

ИИ в управлении процессами — не замена человека, а усиление его возможностей. Речь уже не об искусственном интеллекте, а о дополненном: следующий этап взаимодействия человека и технологии, где ИИ помогает, а не занимает рабочее место. Компании, которые внедрят интеллектуальную автоматизацию сегодня, получат преимущество, когда это перестанет быть исключением.

Частые вопросы

Чем система управления с искусственным интеллектом отличается от обычной автоматизации по правилам?

Правило «если А, то Б» работает только для сценариев, которые заранее описаны. Система с ИИ обучается на исторических данных, замечает отклонения и предлагает решение даже для ситуации, которую никто не прописал заранее.

Сколько времени занимает внедрение ИИ-агента для одной задачи?

Зависит от задачи и качества исходных данных, но подход «начать с одного узкого участка» (например, автоответы на типовые письма или оценка десяти чертежей в день) обычно даёт первый результат в течение нескольких недель, а не месяцев.

Можно ли доверить ИИ окончательное решение без участия человека?

Технически да, но там, где решение критично или трудно объяснимо (эффект «чёрного ящика»), практика — оставлять финальное решение за человеком, а ИИ использовать как систему поддержки и ускорения.

Что делать, если в компании данные в беспорядке?

Начинать не с ИИ, а с приведения данных к единому виду. Модель, обученная на «грязных» данных, в лучшем случае просто ускоренно повторит существующий беспорядок.

Нужно ли увольнять сотрудников после внедрения системы?

Задача системы — снять рутину, а не заменить роль. Практика показывает, что операторы, которые раньше выполняли повторяющиеся операции руками, переходят в супервизоров ИИ: проверяют и корректируют его решения, а не соревнуются с ним.

Подходит ли такой подход небольшой компании, а не только крупному производству?

Да, если начинать не с масштабной перестройки, а с low-code/no-code платформы и одного пилотного участка. Это снижает порог входа по цене и срокам и позволяет проверить эффект до крупных инвестиций.