Как я работаю с ИИ и автоматизацией
Начинаю с того, как устроена работа компании: где сотрудники теряют время, почему повторяются ошибки и что мешает зарабатывать. Дальше разбираюсь, что изменить в процессе, какие данные нужны и какую часть работы можно передать системе.
Мне близок кайдзен
Для меня это работа над собой и над тем, как всё устроено вокруг. Учиться самому, пересматривать свои решения, менять порядок работы команды, когда он перестаёт помогать.
Я в бизнесе, где основная цель — зарабатывать деньги. Поэтому в автоматизации мне важно понимать, что компания получит от изменения: меньше затрат на обработку, быстрее поступающие оплаты, возможность обслужить больше клиентов. И сколько будет стоить разработка и дальнейшая работа системы.
После запуска появляются новые наблюдения. Сотрудники разбирают исключения, в данных обнаруживаются пробелы, какие-то действия по-прежнему приходится выполнять вручную. По этому опыту выбираем, что улучшать дальше.
Два подхода к внедрению ИИ
Усилить существующий процесс
Сотрудник получает инструмент для отдельной задачи: разобрать документ, найти информацию, подготовить ответ. Основной порядок работы сохраняется.
Этот вариант подходит, когда процесс в целом устраивает, а улучшить нужно конкретную операцию. Перестраивать всё ради одного помощника я бы не стал.
Перепроектировать процесс — AI core
Под AI core я понимаю подход, при котором процесс проектируется с учётом работы ИИ в его основе. Заранее определяем, какие данные получает система, какие действия выполняет сама, как проверяет результат и когда обращается к человеку.
Двигаться к этому можно постепенно. Сначала наладить данные, интеграции и обычную автоматизацию, затем передавать моделям более сложные задачи. При этом у каждого нового компонента должна быть понятная работа внутри процесса.
Как я веду проект
01. Разбираемся, что должно измениться
Выбираем конкретный процесс и обсуждаем, что в нём не устраивает. Сколько времени занимает работа, где возникают потери, что получает клиент. Договариваемся, по каким изменениям будем судить о пользе проекта и с чем сравнивать результат.
02. Смотрим, как работа выполняется на самом деле
Разбираем путь задачи между людьми и системами: кто откуда берёт данные, что переносит вручную, кого ждёт и что проверяет. Здесь важно участие сотрудников, которые выполняют эту работу каждый день. Обсуждаем с ними, какие действия можно убрать, а какие требуют их решения.
03. Готовим данные и связи между системами
Определяем, где находится актуальная информация и как получать её без лишних промежуточных действий. Проверяем структуру, полноту и обновление данных. Договариваемся, что делать с задержками и расхождениями. Сразу учитываем, кому доступна информация и где её разрешено обрабатывать.
04. Собираем и проверяем решение
Распределяем работу между обычным кодом, моделями и человеком. Расчёты и известные правила оставляем программной логике. Для LLM выбираем задачи, где действительно нужны её возможности, и определяем способ проверки. Испытываем сценарий на рабочих примерах, включая ошибки и исключения.
05. Улучшаем по результатам работы
После запуска смотрим, сколько ручной работы осталось, какие ошибки повторяются и чего стоит поддержка системы. Собираем обратную связь сотрудников. Следующее изменение выбираем по тому, какую проблему оно решит и оправдает ли затраты.
Пример: работа с задолженностями
В одном из проектов мы с коллегой начали с задачи разбирать Excel и создавать менеджерам задачи в Битриксе. Клиентов вели в 1С и таблицах, каждый день выгружали данные и проверяли поступления.
Вместо разбора очередного Excel мы запросили структурированные данные: договоры, ожидаемые и фактические платежи, информацию о допсоглашениях. На этой основе собираем автоматизацию сверки и управления задачами в Century.
Система рассчитывает задолженность, ставит задачи, напоминает о них и сверяется с обновлёнными данными. Менеджер разбирает причины, которые нельзя определить автоматически, и оставляет комментарий. Так появляется история работы с расхождением.
Сейчас эта часть обходится без LLM. Следующий шаг — использовать собранные данные и комментарии для аналитики и агентов, которые помогают выяснять причины задолженности. Для них уже понятны исходные данные, место в процессе и ситуация, в которой нужна помощь человека.
Что для меня важно
Решение можно проверить
Должно быть понятно, на каких данных основан вывод и почему система выполнила действие. Для ответа по документам нужен источник, для расчёта — исходные значения и правила. Убедительная формулировка сама по себе ничего не подтверждает.
Полномочия определены заранее
До запуска решаем, какие данные доступны системе и что ей разрешено менять. Где достаточно автоматической проверки, где требуется подтверждение человека. Предусматриваем журнал действий и возможность остановить ошибочный сценарий.
У исключений есть ответственный
Задержка данных, неоднозначный документ или спорная ситуация должны попадать к конкретному человеку. Заранее определяем, кто разбирается, как фиксирует решение и что после этого делает система.
С чем я работаю
Корпоративные LLM, ИИ-ассистенты и агенты, поиск по документам и RAG, автоматизация процессов, интеграции с внутренними системами. Отдельно занимаюсь архитектурой, доступом к данным, проверкой качества и подготовкой решений к эксплуатации.
В StackLevel Group отвечаю за архитектуру и разработку платформы Century. В ней объединяем модели, корпоративные данные и многошаговые рабочие сценарии.
Какой процесс хотите изменить?
Расскажите, как он работает сейчас, что вас не устраивает и что уже пробовали. Для первого разговора достаточно описания задачи без конфиденциальных данных.
Практические разборы и наблюдения публикую в канале «Кайдзен AI» .