ИИ для малого и среднего бизнеса: сценарии, которые уже работают у ваших конкурентов
Малый и средний бизнес активно внедряет ИИ‑инструменты для решения прикладных задач — от интеллектуальной обработки документов и анализа обращений до распознавания речи. Такие решения не требуют масштабных внедрений или больших ИТ‑команд и доступны даже небольшим компаниям.
Разберем, как именно работают эти инструменты, и какие задачи они помогают решать.
ИИ агенты в бизнес‑процессах
Использование инструментов на основе машинного обучения (ИИ, англ. AI) всё основательнее входит в повседневную практику пользователей различных уровней: от частных лиц до организаций всех масштабов. Недавнее развитие и рост популярности генеративного ИИ открывает доступ к многообразию прикладных решений не только для больших корпораций, но и для малого и среднего бизнеса (МСБ). Сегодня внедрение ИИ в бизнес‑процессы происходит точечно и бесшовно — это позволяет компаниям получать ощутимые финансовые эффекты уже в краткосрочном горизонте.
В мировой практике накоплено достаточно примеров того, как решения на основе ИИ помогают небольшим компаниям повышать эффективность и добиваться заметных результатов. По оценкам McKinsey, основанным на анализе 63 вариантов использования генеративного ИИ, его повсеместное внедрение могло бы приносить от 2,6 до 4,4 триллионов долларов ежегодно. ИИ‑ассистенты существенно изменили сферу клиентской поддержки. Так, их внедрение в одной из компаний позволило на 14% увеличить количество вопросов, разрешаемых за час, а время, затрачиваемое на решение проблемы, уменьшилось на 9%. По расчетам аналитиков, использование генеративного ИИ может повысить производительность функции клиентского сервиса на 30–45%.
Следующей ступенью ИИ‑ассистентов, в том числе уже известных всем чат‑ботов, являются ИИ‑агенты. Они работают на базе больших языковых моделей (англ. LLM), благодаря чему могут не только вести диалог на естественном языке, но и искать релевантную информацию в подключенных базах знаний (с помощью технологии retrieval augmented generation — RAG), а также использовать вызовы инструментов (англ. tool‑calling), которые дают им доступ во внешний мир.
На сегодняшний день сегмент ИИ‑агентов в России оценивается в 20‑40 млрд рублей, при этом его ежегодный рост составил 22,3% — это один из самых быстрорастущих сегментов ИТ‑рынка. По данным исследований, внедрение ИИ‑агентов в существующие процессы call‑центров может привести к снижению времени решения пользовательских вопросов на 20‑40%.
ИИ‑агенты — это следующая ступень эволюции уже известных всем чат‑ботов.
Бесплатная рассылка: как использовать ИИ в бизнесе
Узнайте, как писать эффективные промпты, создавать ИИ‑агентов для решения бизнес‑задач, и проходите мини‑практикумы в популярных сервисах. Всего — семь писем, которые помогут разобраться, как работать с нейросетями
Классификация пользовательских обращений
Задача классификации пользовательских обращений заключается в автоматическом отношении входящих обращений от пользователей, поступающих через различные каналы коммуникации, к определенным темам или категориям. По заявлениям экспертов, такие решения экономят время сотрудников и сокращают количество просроченных обращений на 50%, тем самым помогая компаниям соблюдать заявленный SLA.
Подобные решения анализируют обращения по смыслу, а не по ключевым словам, например, за счёт векторных представлений текста, позволяя понимать контекст и оценивать истинное намерение в обращении пользователя. После классификации обращения направляются соответствующему сотруднику или отделу в зависимости от выделенной категории.
Функциональность сервиса обеспечивается как большими языковыми моделями, так и классическими методами обработки естественного языка — это позволяет избежать больших затрат на инфраструктуру.
Использование ИИ может повысить производительность клиентского сервиса на 30%.
Внедрение ИИ‑сервиса классификации обращений минимизирует время на ручную маршрутизацию, сокращает время обработки обращений службой поддержки, снижает нагрузку на сотрудников, упрощает работу в ITSM и CRM‑системах.
Альтернативным способом ускорения работы службы поддержки являются классические чат‑боты (при необходимости они могут быть интегрированы с внешними мессенджерами). Например, некоторые современные отечественные платформы позволяют настраивать чат‑боты в режиме no‑code, а также поддерживают общение с клиентами через популярные мессенджеры, — напрямую или через бота. Это снижает нагрузку на операторов и сокращает время ожидания ответа: бот быстро и точно обрабатывает типовые запросы и выполняет нужные предопределённые действия.
Интеллектуальная обработка документов (IDP)
По оценкам экспертов, ИИ способен обеспечить прирост продуктивности на 20%-60% для сотрудников, работающих с извлечением данных из документов, тем самым ускоряя принятие решений на 30%. ИИ‑сервисы могут оценивать контрагентов и осуществлять мониторинг финансово‑хозяйственной деятельности. Приложения могут извлекать данные из бухгалтерских документов — баланса, отчетов о финансовых результатах и о движении денежных средств, — даже если они доступны только в виде сканов или фотографий, переводить их в цифровой формат (XLSX, XML, JSON) и загружать в учетную систему или БД для анализа, интеграции и автоматизации.
Интеллектуальная обработка документов подразумевает, в первую очередь, автоматический поиск и извлечение ключевых атрибутов. Например, из устава организации: название юридического лица, ИНН, ОГРН, адреса, сведения об учредителях, размер уставного капитала, орган управления и др. На более глубоком уровне, обработка документов включает в себя поиск формулировок, к примеру, в договорах, и их проверку на соответствие как внешним регламентам и законодательству, так и внутренним нормативам компании.
ИИ‑сервисы способны заполнять нужные поля в CRM‑системах, кредитном или транзакционном конвейере для МСБ или корпоративных клиентов, в различных анкетах. А ещё они могут извлекать данные из изображений гражданского и заграничного паспортов, ID‑карт, автоматически распознают ФИО, дату рождения, серию и номер документа и другую информацию для использования в системах, для мониторинга и в антифрод‑системах.
Использование таких сервисов помогает сократить время на ввод данных, снизить влияние человеческого фактора и ускорить выполнение операций.
Помощь с ИИ‑скорингом и сегментацией клиентов
Сегодня оформление экспресс‑кредитов в банках занимает в среднем 15–20 минут. В основе — автоматизированные запросы в БКИ и встроенные скоринговые модели, ИИ же здесь используется как «второе мнение»: он рассматривает профиль заёмщика шире, чем это возможно при стандартных расчётах, учитывает дополнительные данные о его платёжеспособности и прогнозирует вероятность успешного обслуживания кредита. Для этого ИИ‑сервис обучает ML‑модель, основываясь на размеченной исторической базе показателей клиентов (в том числе с применением регрессионных моделей), и с ее помощью проводит сегментацию портфеля. Такой подход применяется не только в кредитовании, но и в таргетированном маркетинге: банк может заранее предложить клиенту решение, которое с наибольшей вероятностью будет ему полезно. Эти технологии находят применение также при отборе партнёров и клиентов, прескоринге и скоринге юридических лиц, как корпоративных, так и МСБ.
Распознавание лиц и анализ поведения в реальном времени
Сервисы распознавания лиц на базе искусственного интеллекта позволяют идентифицировать людей по изображениям и видеопотоку как в реальном времени, так и в записи “оффлайн”. Они могут работать с фотоархивами или видеозаписями, определять лица в кадре, сверять их с базами поиска, отслеживать перемещения и фиксировать действия человека.
Вопреки распространенному мнению, видеоаналитика востребована не только в сфере безопасности. Помимо контроля доступа и предотвращения мошенничества, она помогает оцифровать поведение клиента: от входа в помещение до выхода из него, отслеживать реакцию персонала и скорость обслуживания. Также технология используется для мгновенной идентификации клиентов и повышения уровня сервиса и лояльности.
Распознавание речи и суммаризация звонков
Сервисы на базе ИИ‑моделей, предназначенных для обработки аудио- и видеофайлов, преобразуют речь, записанную во время встреч, звонков, совещаний и интервью в структурированный текст. Сегодня искусственный интеллект способен идентифицировать участников обсуждения, отформатировать расшифровку, выделить ключевые фрагменты и смысловые блоки, а также сформулировать краткие итоги встречи.
Исследования показывают, что автоматическая суммаризация позволяет сократить время обработки документов на 60–80%. Сферы применения этого сервиса многообразны: автоматизация делопроизводства и продаж, оптимизация работы колл‑центров, голосовые помощники, создание субтитров, маркетинговые исследования, создание контента, аудиокниг и др.
Генерация бизнес‑приложений по текстовой инструкции
Автоматическое создание бизнес‑приложений по текстовой инструкции (или промпту) является адаптацией парадигмы vibe coding под low‑code и no‑code платформы. Обычно создание приложений начинается с проектирования модели данных или объектной модели, включающей в себя сущности, их атрибуты и связи между ними.
Благодаря платформенным решениям компании внедряют ИИ‑инструменты быстро и без чрезмерной нагрузки на бюджет.
Под капотом у генерации объектной модели по текстовому описанию в GreenData скрываются большие языковые модели, которые генерируют ответы в структурированном виде на основе системного и пользовательского промптов. Затем структурированный ответ преобразуется в объекты самой платформы посредством вызова её API. Кроме того, в ближайшем будущем будет реализована возможность использовать для генерации не только пользовательское описание системы, но и прикреплять документы (такие как бизнес‑требования). Это позволит ещё больше сократить время работы бизнес‑аналитика.
Иными словами, сегодня внедрение ИИ в реальные бизнес‑сценарии является ключевым средством обеспечения конкурентного преимущества, в особенности для компаний из сектора МСБ. Благодаря платформенным решениям компании могут внедрять ИИ‑инструменты быстро и без чрезмерной нагрузки на бюджет. Платформенный подход не требует брать риски разработки глобальной ИИ‑стратегии на себя, а, наоборот, даёт возможность постепенно расширять применение умных алгоритмов, двигаясь небольшими шагами.
