С чего начинать внедрение систем искусственного интеллекта на предприятии
Короткий ответ: с одного процесса, у которого уже есть цифра. Не «внедряем ИИ», а «сокращаем время подготовки коммерческого предложения с 4 часов до 40 минут» или «снижаем долю просроченных заявок в поддержке на четверть». Если метрику нельзя назвать до старта, проект превратится в демонстрацию технологии и умрёт после пилота.
Практический фильтр для выбора первого процесса — четыре вопроса:
- Есть ли измеримая метрика? Часы, штуки, рубли, процент ошибок — что-то, что вы уже считаете сегодня и сможете сравнить через квартал.
- Есть ли данные? Документы, тикеты, история заказов, логи оборудования — в электронном виде и в достаточном объёме. Идеального качества не бывает, но полное отсутствие истории означает, что первым этапом идёт сбор данных.
- Есть ли владелец? Конкретный руководитель подразделения, которому этот процесс болит и который согласится менять регламент, а не только «посмотреть, что получилось».
- Терпима ли цена ошибки? На старте выбирают участок, где ошибку ловит человек на проверке, а не тот, где она сразу уходит клиенту или в производство.
Прикинуть окупаемость выбранного процесса до старта можно в ROI-калькуляторе, а подробный разбор логики расчёта — в материале «Как посчитать ROI ИИ-проекта до старта».
Какие системы искусственного интеллекта реально нужны предприятию
За словом «система ИИ» на практике скрываются четыре разных класса решений с разной стоимостью и разным сроком внедрения.
- Ассистент по базе знаний (RAG). Отвечает по вашим регламентам, договорам, техдокументации и переписке — со ссылкой на источник. Самый частый первый проект: быстро, дёшево, эффект виден в часах сотрудников. Как это устроено — в разборе RAG-системы для бизнеса.
- ИИ-агент в процессе. Не просто отвечает, а выполняет шаги: заводит заявку, готовит документ, обновляет запись в CRM, эскалирует человеку. Требует интеграций и прав доступа, зато снимает рутину целиком, а не наполовину.
- Предиктивная аналитика. Прогноз спроса, отказов оборудования, оттока клиентов, сроков. Работает только на длинной истории и требует дисциплины в данных — зато и эффект считается в деньгах напрямую.
- Компьютерное зрение. Контроль качества, безопасность, учёт на складе и площадке. Отдельный проект по инфраструктуре: камеры, каналы, вычисления на месте.
Разницу между скриптовым чат-ботом, ИИ-агентом и MCP-сервером как способом дать модели доступ к вашим системам мы разбирали отдельно — см. «Чат-бот, ИИ-агент или MCP-сервер: что выбрать».
Как выглядит архитектура системы ИИ в корпоративном контуре
Рабочая архитектура на предприятии почти всегда состоит из одних и тех же слоёв — независимо от отрасли.
- Слой данных. Источники (ERP, 1С, CRM, СЭД, MES, файловые архивы), выгрузка и нормализация, индекс для поиска. Здесь же — правила, какие данные вообще покидают контур.
- Слой моделей. Языковая модель (облачная или развёрнутая на своих мощностях) плюс, при необходимости, специализированные модели прогноза и зрения. Выбор облако/on-premise определяется требованиями к данным, а не модой.
- Слой оркестрации. Логика: что модель ищет, куда обращается, когда зовёт человека, что логирует. Именно здесь живут ограничения и проверки, а не «в промпте».
- Слой доступа. Роли и права, наследуемые из вашей же системы: сотрудник не должен через ассистента увидеть документ, который недоступен ему напрямую. Плюс полные логи запросов и ответов.
- Слой интерфейсов. Не отдельный «портал ИИ», а встраивание в те окна, где люди уже работают: 1С, CRM, корпоративный мессенджер, СЭД.
Если стоит задача дать нескольким ИИ-инструментам единый и контролируемый доступ к внутренним системам, это удобнее решать через MCP-сервер — один протокол вместо десятка самописных интеграций.
Этапы внедрения систем искусственного интеллекта
Реалистичный график для первого проекта на предприятии — от двух до пяти месяцев до продакшена, дальше масштабирование.
- 1. Диагностика (2–4 недели). Карта процессов-кандидатов, оценка данных, выбор одного-двух пилотов, метрики «до», ограничения ИБ. На выходе — дорожная карта с оценкой эффекта.
- 2. Прототип на реальных данных (3–6 недель). Не демо на публичных примерах, а проверка на вашей документации и вашей истории. Здесь становится понятна реальная точность и реальный объём подготовки данных.
- 3. Продакшен и интеграция (6–12 недель). Встраивание в учётные системы, права доступа, логирование, обучение сотрудников, регламент: что делает система, что решает человек.
- 4. Эксплуатация и масштабирование. Мониторинг качества, обновление базы знаний, разбор ошибочных ответов, перенос подхода на соседние процессы. Без этого этапа система деградирует за полгода.
Детальная версия дорожной карты со сроками и ответственными — в материале «Дорожная карта внедрения ИИ».
Команда: кого нужно выделить со стороны предприятия
Даже при работе с внешним подрядчиком проект не поедет без трёх ролей внутри.
- Владелец процесса. Руководитель подразделения, который принимает результат и готов менять регламент работы людей.
- Эксперт предметной области. Тот, кто отличает правильный ответ от правдоподобного: сметчик, технолог, юрист, старший специалист поддержки. Его время — критичный ресурс на этапе прототипа.
- ИТ и ИБ. Доступы к системам, контур безопасности, согласование того, какие данные и куда уходят.
Вопрос «делать самим или отдать подрядчику» решается по наличию первых двух ролей и по тому, повторяемая ли это задача. Аргументы обеих сторон разобраны в статье «Консалтинг или своя команда», а критерии выбора исполнителя — в чек-листе выбора подрядчика.
Сколько стоит внедрение систем ИИ на предприятии
Точной цены «за систему ИИ» не существует: она складывается из подготовки данных, разработки, интеграций и сопровождения. Ориентиры рынка по первому году:
- Ассистент по внутренней базе знаний: $5 000 – $25 000.
- ИИ-агент в процессе с интеграцией в ERP/CRM: $20 000 – $70 000.
- Предиктивная аналитика на исторических данных: $25 000 – $80 000.
- Сопровождение со второго года: по разным оценкам, 15–25% от стоимости внедрения в год.
Главная статья, которую регулярно недооценивают, — подготовка данных: выгрузки, очистка, разметка, наведение порядка в архивах. По разным оценкам, именно она съедает наибольшую долю бюджета первого проекта. Подробный разбор по статьям — в материале «Сколько стоит внедрить ИИ в бизнес».
Безопасность и данные: что согласовать до старта
Три вопроса, ответы на которые нужно зафиксировать письменно до первой строчки кода:
- Что уходит наружу. Какие категории данных допустимо отправлять в облачную модель, какие — только в развёрнутую в вашем контуре. Часто разумный компромисс: обезличивание на входе плюс on-premise для чувствительных участков.
- Кто что видит. Права доступа наследуются из существующих систем; ассистент не расширяет доступ сотрудника, а только ускоряет работу с тем, что ему и так положено.
- Что логируется. Полный журнал запросов и ответов — и для разбора инцидентов, и для улучшения качества. Практика доступов и авторизации разобрана в статье о безопасности MCP-сервера, OAuth и доступах.
Отдельно: запрет «никаких нейросетей» не работает. Сотрудники всё равно копируют документы в публичные сервисы с личных устройств. Контролируемый корпоративный инструмент безопаснее запрета.
Метрики: как понять, что система ИИ работает
Метрики делятся на два уровня, и мерить нужно оба.
- Бизнес-метрики. Часы на операцию, стоимость обработки заявки, срок цикла, доля ошибок, конверсия, время закрытия документов. Обязательно с замером «до» — иначе эффект нечем доказать.
- Метрики качества системы. Доля ответов со ссылкой на источник, доля эскалаций человеку, доля отказов «не знаю» (это хороший показатель, а не плохой), время ответа, покрытие базы знаний.
Красный флаг — рост уверенных ответов при падении доли ссылок на источник: система начала выдумывать. Это лечится не сменой модели, а работой с базой знаний и ограничениями.
Типичные ошибки при внедрении систем ИИ на предприятии
- Старт с самого сложного процесса. «Раз внедрять, то сразу в производственном планировании» — почти гарантированный способ не дойти до продакшена.
- Проект без владельца в бизнесе. Инициатива, живущая только в ИТ, останавливается на пилоте.
- Нет замера «до». Через полгода невозможно доказать эффект и защитить бюджет на масштабирование.
- Отдельный «портал ИИ». Если ради ассистента нужно открыть ещё одно окно, им не будут пользоваться. Встраивайте в существующие интерфейсы.
- Внедрили и забыли. Без обновления базы знаний и разбора ошибок качество падает, а доверие сотрудников теряется быстрее, чем возвращается.
Расширенный список с причинами — в материале «Ошибки при внедрении искусственного интеллекта».
Хотите понять, какой процесс на вашем предприятии стоит автоматизировать первым? Это наша услуга внедрения искусственного интеллекта под ключ: диагностика процессов, дорожная карта с оценкой ROI и разработка под ключ по запросу.