Как ИИ меняет бизнес-процессы: опыт EventyOn в отчётности, CRM и закупках

В большинстве компаний искусственный интеллект уже появился даже без официальной стратегии. Маркетолог просит нейросеть собрать идеи для рассылки, менеджер по продажам — подготовить письмо клиенту, HR — составить вопросы для интервью, а руководитель — сократить длинный отчет до нескольких выводов.

Со стороны кажется, что внедрение состоялось. Но вскоре выясняется, что сотрудники используют разные сервисы, не умеют составлять эффективный промт, не знают про токены и лимиты моделей и тратят много времени на переделку результата.

Есть большая разница между ситуацией, когда несколько сотрудников открывают нейросеть по необходимости, и системой, в которой ИИ встроен в работу компании.

В первом случае каждый действует по-своему: выбирает привычный сервис, формулирует запросы наугад, хранит рабочие промты и задачи в личных чатах. Такой подход иногда экономит время, но не дает бизнесу устойчивого эффекта.

Полноценное внедрение начинается тогда, когда процесс становится повторяемым и предсказуемым. Компания определяет, какие задачи можно передавать ИИ, какие инструменты разрешены, какие данные нельзя загружать и как корректно внедрить полученный результат в работу.

Поэтому масштабировать нужно в первую очередь рабочие сценарии. Доступ к нейросети — это только инструмент. Ценность появляется, когда он встроен в понятный процесс и дает измеримый результат.

Хорошими кандидатами для первых пилотов становятся подготовка черновиков писем, резюме встреч, структурирование документов, адаптация контента и сбор первичной информации. Такие задачи регулярны, понятны и внедрение ИИ точно сразу освободит большое количество времени у сотрудников.

Начинать же с юридических выводов, налоговых рекомендаций или кадровых решений, наоборот, рискованно, так как цена ошибки слишком высока. 

После аудита становится видно: ИИ полезен почти всем отделам компании. Разница лишь в типе задач и уровне погруженности в ИИ-функции.

Один сотрудник получает готовый документ за несколько минут, другой — текст, который будет проще переписать с нуля. Проблема в том, что у сотрудников зачастую разный уровень понимания работы с ИИ. 

Например, вместо «напиши письмо клиенту» стоит указать, кто адресат, что произошло, какой тон нужен, какие факты нельзя упустить и каким должен быть объем. Однако даже подробный запрос не гарантирует идеальный результат с первой попытки. Работа с ИИ строится как диалог: сотрудник уточняет формулировки, просит предложить другие варианты, отмечает неточности и задает дополнительные ограничения.

Важно развивать у команды умение оценивать ответ, проверять факты, редактировать материал по стандартам компании и не передавать алгоритму ответственность за итог.

Компании с самого начала нужно составить короткую внутреннюю политику: какие сервисы разрешены, какие данные нельзя передавать, что необходимо обезличивать.

Например, персональные данные, пароли, финансовые реквизиты и закрытая информация о клиентах не должны попадать в общедоступные нейросети.

Задачи также стоит разделить по уровню риска. 

Черновики, идеи и конспекты обычно достаточно проверить перед использованием. Аналитика, клиентские письма и сравнение поставщиков требуют более внимательного контроля. В юридических, финансовых, налоговых и кадровых вопросах ИИ может собирать и структурировать информацию.

Хорошие правила не мешают экспериментам, но делают их безопасными, управляемыми и понятными для всей команды.

В EventyOn внедрение ИИ началось не с идеи «добавить нейросети во все процессы», а с конкретных задач, которые каждую неделю отнимали у сотрудников часы. Где-то приходилось вручную сводить отчеты, где-то — собирать аналитику из нескольких источников, а где-то весь процесс держался на знаниях одного руководителя.

Кейс 1. Как мы перестали каждую неделю вручную собирать отчеты

Дано: 

Продажи и маркетинг регулярно готовили общую отчет для руководства. Сотрудники выгружали показатели из писем и таблиц, переносили их в один документ, искали расхождения и проверяли, не потерялась ли часть данных. Через неделю все приходилось повторять заново.

Кейс 2. Как мы прокачали CRM-маркетинг

Дано: 

После каждой рассылки маркетингу нужно было вручную сопоставлять данные из Excel, Яндекс Метрики, сервиса аналитики и сервиса отправки писем. Только после этого команда могла понять, какие темы и тексты сработали лучше.

Кейс 3. Как мы оцифровали нашу систему клининга

Дано: 

Раньше график клининга собирался вручную. Руководитель переносила мероприятия из расписания, распределяла сотрудников по сменам и площадкам, учитывала ограничения каждого человека, вносила часы в таблицы и проверяла бюджет. Это сложный процесс, в котором легко ошибиться из-за большого количества однотипных операций и данных.

Во всех кейсах эффект один: задачи решаются быстрее, выводы и коммуникация становятся точнее, а ИИ работает вместе с реальными таблицами, отчетами, API и внутренними правилами компании.

Дано: 

Раньше наши закупщики работали с Excel-файлами, где хранились прайсы на большое количество позиций, и вручную сопоставляли их с заявками от разных локаций. Нужно было найти каждый товар, сравнить цены, выбрать поставщика и отдельно рассчитать заказы для каждой площадки. На это уходили часы.

В этом случае мы решали задачу автоматизации в несколько этапов.

Сначала команда сделала сервис, который находит позицию из заявки в прайсах и выбирает минимальную цену. Но быстро выяснилось, что простого сравнения названий недостаточно. В заявках встречались опечатки, сокращения и недостаток внутреннего контекста. Например, су-шеф мог написать просто «яблоки», хотя закупщик знал, что нужны «Гренни Смит» определенного размера.

Теперь сервис:

• объединяет заявки всех локаций;
• сопоставляет позиции с прайсами;
• выбирает оптимальных поставщиков с учетом цен и порогов заказа;
• формирует отдельные накладные для каждого сочетания «поставщик — локация — отдел»;

В результате сотруднику достаточно скопировать заявки, проверить итог и запустить выгрузку. Весь процесс занимает около 20 минут.

Главный эффект не только в экономии времени. Требования к сортам, цвету и калибру теперь хранятся в системе, а не в памяти отдельных сотрудников. Если позиция меняется, ее достаточно обновить один раз — новые параметры применятся ко всем следующим заявкам.

Это и есть один из практичных сценариев внедрения ИИ: взять повторяющуюся операцию, на которую команда тратит часы, формализовать скрытые правила и превратить рутину в сервис.

Для каждого отдела нужно заранее зафиксировать показатели «до», а затем сравнить их с результатом после внедрения.

При этом сокращенные часы — не единственный эффект. Важно оценить, на что команда направила освободившееся время: дополнительную проверку, персонализацию, работу с клиентами или развитие продукта.

Нейросеть не знает внутреннюю кухню компании, не чувствует контекст и, как она сама предупреждает, может ошибаться. Она не может заменить опыт сотрудника, который понимает клиента, замечает риски и принимает решение в нестандартной ситуации.

Зато ИИ хорошо справляется с тем, на что у людей ежедневно уходят часы: собирает данные, готовит первый черновик, ищет закономерности и проводит анализ рынка.

Поэтому задача бизнеса — не выбирать между человеком и технологией. Намного полезнее научить их работать вместе: сотрудник задает логику, проверяет результат и отвечает за качество, а Claude, ChatGPT и другие сервисы забирают повторяющуюся рутину.