Экономика AI-автоматизации: как выбрать первый процесс

Не каждый ручной процесс нужно автоматизировать. Иногда проблема решается изменением регламента, шаблоном или обычной интеграцией без LLM. Поэтому первый этап проекта — не разработка, а проверка экономики процесса.

Пять параметров процесса

Для первичной оценки достаточно собрать пять групп данных.

Частота

Сколько раз операция повторяется за день, неделю или месяц? Редкая задача может быть неприятной, но не создавать достаточного эффекта для отдельной системы.

Время человека

Нужно учитывать не только чистое выполнение, но и переключение контекста: найти данные, открыть сервисы, перенести результат, проверить формат и передать следующему участнику.

Стабильность входа и результата

Чем лучше описаны входные данные и ожидаемый выход, тем проще сделать надёжный автоматический контур. Если каждое решение уникально и требует переговоров, полная автоматизация обычно не нужна.

Стоимость ошибки

Ошибка в черновике внутреннего отчёта и ошибка в платеже имеют разный риск. Чем выше цена ошибки, тем больше детерминированных правил, проверок и ручных подтверждений требуется.

Стоимость интеграции

Процесс может выглядеть простым, но зависеть от закрытой CRM, нестабильного API, файлов разных форматов и ручных прав доступа. Эти зависимости часто определяют реальную сложность проекта.

Базовая модель эффекта

Для сравнения вариантов можно использовать простую формулу:

Эффект периода =
  количество операций
  × высвобождаемое время на операцию
  × стоимость рабочего времени
  − стоимость инфраструктуры
  − стоимость контроля и поддержки

Это не финансовая модель для инвестиционного комитета. Её задача — сравнить несколько процессов и выбрать тот, где первый результат можно проверить быстрее.

Где LLM действительно полезна

LLM оправдана, когда в процессе есть неструктурированный вход: текст обращения, транскрипт, документ, описание товара или набор разнородных страниц.

При этом модель не обязана управлять всем workflow. Надёжная архитектура обычно сочетает детерминированные правила для маршрутизации, обычный код для интеграций и расчётов, LLM для классификации или извлечения, schema validation и ручную эскалацию.

Первый этап должен уменьшать неопределённость

Вместо большого проекта полезнее ограничить первый scope одним сценарием.

Примеры проверяемого результата:

• обработать типовой пакет файлов и получить структурированный отчёт;
• квалифицировать обращение и передать заполненную карточку менеджеру;
• собрать данные сайта и сформировать PDF по заданному шаблону;
• синхронизировать один тип сущности между двумя системами.

Для такого этапа заранее фиксируются выборка данных, критерии качества, ограничения и способ ручной сверки.

Метрики без выдуманных процентов

До внедрения корректно публиковать метод измерения, а не обещанный процент экономии.

Например:

• время ручного и автоматизированного прохода на одинаковой выборке;
• доля задач, завершённых без ручного исправления;
• число ошибок по типам;
• стоимость внешних API на одну операцию;
• число случаев, переданных человеку;
• время восстановления после частичного сбоя.

Точный эффект появляется после накопления рабочих данных. До этого он является гипотезой.

Решение о разработке

Хороший кандидат для автоматизации повторяется, имеет наблюдаемый вход и выход, создаёт измеримую нагрузку и допускает безопасную проверку на ограниченном объёме.

Если эти условия не выполняются, сначала стоит упростить сам процесс. Если выполняются — можно проектировать MVP и считать фактический эффект по согласованной методике.

Примеры таких контуров собраны в кейсах AI-автоматизации и форматах работы.