К содержанию
hegai.media
Workflows

Автоматизация процессов с ИИ: задача → workflow → KPI

Натянуть модель на старый процесс, это пилот без эффекта. Окупается другое: переписать сам workflow, разметить, что делает человек, а что ИИ, и заранее задать KPI.

— Основатель heg.ai, hegai.media· обновляется ежеквартально

Цифры, с которых стоит начинать разговор

88%
компаний используют ИИ хотя бы в одной функции
McKinsey, State of AI 2025
39%
видят влияние ИИ на прибыль (EBIT)
McKinsey, 2025, чаще всего меньше 5% EBIT
95%
GenAI-пилотов не дают измеримого эффекта на P&L
MIT, The GenAI Divide, 2025
39%
российских компаний используют ИИ-агентов и ассистентов
Сбер, опрос 559 компаний, ноябрь 2025
~3×
высокоэффективные компании чаще перепроектируют workflow
McKinsey, 2025, против навешивания модели
−30–40%
к расходам на оплату труда первой линии поддержки
Сбер, 2025, при ИИ-ассистенте на типовых обращениях

Для кого этот разбор

  • Операционным директорам и руководителям процессов, которым нужно снять рутину, а не купить ещё один пилот без эффекта.
  • Владельцам малого и среднего бизнеса, выбирающим первый процесс для автоматизации.
  • Продакт- и process-менеджерам, которым нужно разложить задачу на шаги «человек / ИИ» и привязать к KPI.
  • Финансовым руководителям, которым нужен честный взгляд на окупаемость до закупки лицензий.

Почему «внедрить ИИ» и «автоматизировать процесс», разные задачи

Самая дорогая ошибка 2025 года, спутать доступность ИИ с автоматизацией. Доступ есть почти у всех. Исследование MIT «The GenAI Divide» показало: около 90% сотрудников уже используют личные ИИ-инструменты для работы, но 95% корпоративных GenAI-пилотов не дают измеримого эффекта на финансы. Дело не в моделях. Пилот живёт сбоку от процесса: он генерирует текст, но не меняет ни время цикла, ни число ручных операций, ни ответственность за результат.

Автоматизация начинается, когда вы берёте один процесс, обработку заявки, согласование документа, ответ на типовое обращение, и переписываете его так, что часть шагов выполняет ИИ под контролем человека, а на выходе есть измеримый KPI. По данным Сбера (ноябрь 2025), поэтому в России чаще всего автоматизируют документооборот и обработку заявок: высокий объём, понятная структура.

Какие процессы автоматизируют в России чаще всего

Доля компаний, которые автоматизируют процесс цифровыми и ИИ-инструментами. Источник: опрос Сбера, 559 компаний, ноябрь 2025.

  1. 01Документооборот и обработка заявок— 70% компаний, лидер по автоматизации
  2. 02Бухгалтерия и финансовый учёт— 55%, высокий объём, строгие правила
  3. 03HR-процессы (найм, кадры)— 34%, скрининг, переписка, документы
  4. 04Стратегическое планирование— 34%, аналитика и подготовка материалов
  5. 05Поддержка клиентов— 30%, первая линия, типовые обращения
  6. 06Продажи и маркетинг— по 25%, лиды, контент, персонализация
  7. 07Креативные задачи— 19%, черновики, варианты, рерайт

★ Инсайт hegai.media: автоматизация ≠ замена, и данные это показывают

Полезная оптика для выбора процесса — различать автоматизацию (ИИ делает задачу целиком) от аугментации (ИИ помогает человеку, решение остаётся за ним). По данным Anthropic Economic Index (отчёт за ноябрь 2025, опубликован в январе 2026), в потребительском использовании Claude доля чистой автоматизации, около 45%, а в корпоративном API-трафике доходит до ~75%.

Вывод для процесса: автоматизировать «насквозь» окупается там, где задача программируемая, повторяемая и обратимая, извлечение данных, классификация, генерация черновика по шаблону. Там, где цена ошибки высока и нужен контекст, согласование сделки, оценка кандидата, ответ недовольному клиенту в эскалации, выгоднее аугментация с человеком в петле. Не каждый шаг нужно автоматизировать целиком; хороший workflow смешивает оба режима.

Эталонный workflow: обработка входящей заявки (to-be)

  1. 1
    Вход

    Заявка приходит из формы, почты или мессенджера в единую очередь. Никаких ручных пересылок между папками.

    CRMвеб-формапочтовый коннектор
  2. 2
    Извлечение и нормализация данных

    ИИ вытаскивает из текста и вложений ключевые поля, контакт, продукт, срочность, суть запроса, и приводит к структуре. Самый окупаемый шаг: высокий объём, обратимость, низкая цена ошибки.

    LLM с извлечениемструктурированный вывод
  3. 3
    Классификация и маршрутизация

    Модель относит заявку к категории и приоритету, назначает ответственное подразделение. Спорные случаи помечает как «низкая уверенность».

  4. 4
    Черновик ответа / решения

    ИИ готовит проект ответа по базе знаний и шаблонам или предлагает следующий шаг. Наружу на этом этапе он ничего не отправляет.

    RAG по базе знаний
  5. ✓
    Контроль человекомhuman review

    Оператор подтверждает или правит ответ. Типовые заявки с высокой уверенностью, быстрый «ок»; сложные и все с пометкой «низкая уверенность», обязательная ручная проверка.

  6. 6
    Отправка и фиксация

    Ответ уходит клиенту, действие логируется, поля попадают в CRM. Здесь же снимаются метрики: время цикла, доля авто-обработанных заявок, число правок.

    CRMаналитика

Три процесса по схеме «задача → workflow → KPI»

› Первая линия поддержки клиентов

Как было: Оператор вручную читает каждое обращение, ищет ответ в регламентах, пишет с нуля. В пики очередь растёт, ночью обращения висят без ответа.

Как с AI: ИИ классифицирует обращение, готовит черновик ответа по базе знаний, типовые закрывает сам после быстрой проверки, сложные эскалирует человеку.

Данные: История переписки, база знаний, регламенты, частые вопросы.

Workflow: Вход из всех каналов → классификация → черновик из базы знаний → проверка оператором → отправка и логирование.

Ограничения: Финальные решения по возвратам, претензиям и спорам ИИ не отдаём, только черновик под контролем.

Проверка: Порог уверенности: ниже порога, обязательная ручная проверка. Регулярная сверка авто-ответов с эталоном.

KPI: Среднее время первого ответа, доля авто-закрытых типовых обращений, CSAT, расходы на ФОТ линии (Сбер фиксирует −30–40%).

› Обработка и согласование документов

Как было: Сотрудник вручную вычитывает договор или счёт, сверяет реквизиты, переносит данные в учётную систему. Ошибки всплывают на оплате.

Как с AI: ИИ извлекает поля и реквизиты, сверяет с шаблоном и справочниками, помечает расхождения и риски для проверки юристом или бухгалтером.

Данные: Шаблоны договоров, справочники контрагентов, учётная система, прошлые версии.

Workflow: Загрузка документа → извлечение полей → сверка с правилами → флаги расхождений → проверка человеком → проводка.

Ограничения: Юридически значимые формулировки и нестандартные условия, всегда на человека; ИИ только подсвечивает.

Проверка: Каждое извлечённое поле показывается рядом с исходным фрагментом, человек видит, откуда взято значение.

KPI: Время обработки одного документа, доля ручных операций (Сбер: снижение у 37% компаний), доля ошибок в документах (снижение у 36%).

› Скрининг откликов на вакансию

Как было: Рекрутер вручную читает сотни резюме, теряет время на явно нерелевантных, медленно отвечает кандидатам.

Как с AI: ИИ структурирует резюме, сопоставляет с требованиями вакансии, ранжирует и готовит черновики писем; решение о приглашении, за рекрутером.

Данные: Описание вакансии, резюме, история найма, чек-лист требований.

Workflow: Отклик → парсинг резюме → сопоставление с требованиями → ранжирование → решение рекрутера → ответ кандидату.

Ограничения: Финальный отказ и приглашение, всегда решение человека; автономно «отбраковывать» ИИ не должен.

Проверка: Отсев по полу, возрасту, имени запрещён; ИИ оценивает только релевантный опыт и навыки, рекрутер пересматривает «пограничных».

KPI: Время до первого ответа кандидату, доля релевантных в шорт-листе, time-to-hire.

Кто что делает: разметка ответственности в процессе

ЗадачаЧто делает AIЧто делает человекРиск автоматизацииKPI
Извлечение данных из текста и документовДелает целикомВыборочная сверканизкийДоля верно извлечённых полей
Классификация и маршрутизацияДелает, помечает неуверенныеПроверяет «низкую уверенность»низкийДоля верной маршрутизации
Черновик ответа / документаГотовит проектУтверждает и правитсреднийДоля черновиков, ушедших без правок
Решение по претензии, возврату, споруГотовит справку и вариантыПринимает решениевысокийДоля эскалаций, решённых в SLA
Юридически значимые формулировкиПодсвечивает рискиФинальная редакциявысокийЧисло замечаний на ревью

Какие эффекты реально измеряют российские компании

МетрикаБылоСтало
Скорость решения типовых задачбазовая+ у 45% компаний ▲
Доля ручных операцийбазовая− у 37% компаний ▼
Ошибки в документахбазовая− у 36% компаний ▼
Качество клиентского сервисабазовое+ у 27% компаний ▲
Скорость управленческих решенийбазовая+ у 26% компаний ▲
Операционные издержкибазовые− у 22% компаний ▼

Доли компаний, отметивших эффект. Источник: опрос Сбера, 559 компаний, ноябрь 2025. Это самоотчёт респондентов, а не аудированные финансовые показатели.

⛔ Где автоматизация процессов проваливается чаще всего

MIT относит к «провальным» 95% GenAI-пилотов именно из-за этих ловушек. Проверьте свой проект по списку до закупки.

  • Пилот живёт сбоку от процесса: ИИ генерирует текст, но время цикла и число ручных операций не меняются, KPI стоит на месте.
  • Нет владельца процесса и заранее заданных метрик: «стало удобнее» нельзя ни подтвердить, ни оспорить.
  • Автоматизируют то, что заметнее (маркетинг, презентации), а не то, что окупается (операции, документооборот), MIT прямо отмечает этот перекос бюджетов.
  • ИИ отдают необратимые решения без человека в петле, рост скорости оборачивается ростом дорогих ошибок.
  • Самописная интеграция без поддержки: по данным MIT, внешние внедрённые инструменты дают результат примерно вдвое чаще, чем собранные собственными силами наспех.
  • Игнорируют «теневой ИИ»: сотрудники и так используют личные инструменты (около 90% по MIT), но без процесса, контроля качества и защиты данных.

Чек-лист: с чего начать автоматизацию процесса

  • Выберите ОДИН процесс с высоким объёмом, понятной структурой и низкой ценой ошибки на рутинных шагах.
  • Опишите процесс «как есть» по шагам и зафиксируйте базовые метрики ДО внедрения: время цикла, доля ручных операций, доля ошибок.
  • Разметьте каждый шаг: что ИИ делает целиком, что в режиме аугментации, что остаётся только за человеком.
  • Поставьте точку контроля человеком на все необратимые и рискованные шаги; задайте порог уверенности модели.
  • Назначьте владельца процесса и заранее определите 2–3 KPI, по которым решите «работает / не работает».
  • Запустите на ограниченном объёме, сравните с базой и масштабируйте только при подтверждённом KPI, перепроектируя процесс, а не навешивая модель.

Честные ограничения подхода

  • Цифры Сбера и McKinsey, самоотчёт компаний в опросах, а не аудированная отчётность; направление верно, конкретный эффект у вас будет свой.
  • Эффект «−30–40% к ФОТ поддержки» достигается на типовой первой линии; в сложных доменах и B2B экономия меньше.
  • ИИ-извлечение и классификация ошибаются на нестандартных кейсах: без точки контроля и порога уверенности автоматизация разносит ошибки быстрее, а не реже.
  • Окупаемость зависит от объёма: на десятках операций в месяц стоимость внедрения и поддержки может превысить выгоду.
  • Регуляторика и приватность: персональные данные, юридические и финансовые решения требуют человека и отдельной проверки на соответствие.

Частые вопросы

С какого процесса начать автоматизацию с ИИ?
С процесса, где много однотипных операций, понятная структура и низкая цена ошибки на рутинных шагах. По данным Сбера за 2025 год, в России чаще всего автоматизируют документооборот и обработку заявок (70% компаний) и бухгалтерию (55%), там высокий объём и строгие правила.
Чем автоматизация процесса отличается от «внедрения ИИ»?
«Внедрение ИИ» часто означает доступ к модели сбоку от процесса, и по данным MIT 95% таких пилотов не дают измеримого эффекта на финансы. Автоматизация процесса, это перепроектирование самого workflow: часть шагов выполняет ИИ под контролем человека, а на выходе есть KPI (время цикла, доля ручных операций, доля ошибок).
Заменит ли ИИ сотрудников, выполняющих процесс?
Чаще нет: окупается смешанная модель. По данным Anthropic Economic Index, даже в корпоративном использовании автоматизация «насквозь» доминирует на программируемых задачах (~75% API-трафика), а решения с высокой ценой ошибки остаются за человеком. ИИ снимает рутину; контроль, эскалации и нестандартные случаи, зона людей.
Какие KPI считать, чтобы понять, что автоматизация работает?
Минимум: время цикла процесса (от входа до результата), доля операций без ручного вмешательства и доля ошибок на выходе. Их нужно замерить ДО внедрения, иначе эффект не подтвердить. Для поддержки добавляют время первого ответа и CSAT, для документов, долю ошибок в реквизитах.
Почему так много ИИ-проектов проваливается?
По MIT, основные причины: пилот не встроен в процесс и не двигает KPI; нет владельца и метрик; бюджеты идут в «заметные» функции (маркетинг), а не в окупаемые (операции); ИИ отдают необратимые решения без человека; самописные интеграции без поддержки. Внешние внедрённые инструменты, по их данным, срабатывают примерно вдвое чаще наспех собранных внутренних.
Нужны ли ИИ-агенты или достаточно простой автоматизации?
Зависит от процесса. По McKinsey, в 2025 году ИИ-агентов хотя бы в одной функции масштабируют около 23% компаний, это пока ранний этап. Начинать стоит с детерминированного workflow и точечного ИИ на отдельных шагах; полноценные агенты с многошаговым исполнением оправданы, когда базовый процесс уже измерен и стабилен.

Источники

Business AI brief

Раз в неделю — честный AI business brief

Кейсы, цифры, провалы и workflows для предпринимателей. Без вендорского хайпа.

Нажимая, вы соглашаетесь с обработкой данных (152-ФЗ).

Предпочитаете Telegram? Читать в Telegram