Тут собраны и кратко описаны различные мои проекты с применением ИИ и некоторый интересный опыт

Большинство внедрений ИИ застревает на пилотах. Попробовали чат-бота, показали руководству, дальше тишина. Причина обычно в том, что нет системы: непонятно, что делать следующим, сколько это даст и когда остановиться.

Я выстраиваю внедрение как управляемый портфель направлений.

Сначала факты. Бот опрашивает сотрудников в мессенджере и за неделю собирает то, на что интервью ушли бы месяцы Где у вас рутина. К этому добавляются данные из систем: где руками перебивают документы, где отчеты собирают в Excel, где заявки ходят по кругу.

Из фактов складывается карта ИИ-направлений. У каждого направления есть вес: сколько часов или денег даст, сколько стоит, готовы ли данные, какой риск. Карта живая и пересчитывается каждый месяц. Направления поднимаются и опускаются, появляются новые.

В работе одновременно 3-7 направлений. Для каждого до старта договариваемся, какая цифра значит «продолжаем», а какая «останавливаемся». Первый рабочий вариант появляется за 1-2 недели и проверяется на реальных примерах компании: документах, заявках, отчетах. Часть направлений отпадает, потому что экономика не сходится Фото с полок. Это нормально: деньги уходят туда, где эффект подтвержден.

ИИ только там, где он действительно нужен. Если задача решается правилами и обычным кодом, модель не ставится: так дешевле и надежнее Склад платит за воздух

Внедрение идет по уровням:

1. Уровень 1
   Сотрудники безопасно пользуются ИИ: корпоративный чат внутри контура, правила и обучение

   Корпоративный ИИ-чат Правила работы с ИИ
2. Уровень 2
   ИИ видит данные компании: 1С, базу знаний, трекер задач

   Подключаю ИИ к 1С База знаний
3. Уровень 3
   ИИ встроен в процессы: документы, отчетность, заявки

   Распознавание документов Аналитики, отчетность Заявки в ИТ
4. Уровень 4
   Агенты работают сами по расписанию и событиям, человек подтверждает важное

   Мониторинг ИИ-разведчик Цены и остатки

Руководитель раз в месяц получает короткий отчет: что запущено, какой эффект, что остановили и почему, что следующее.

Пример. В одной производственной компании из первых 10 направлений два отпали сразу: маркировка на заводе уже была полностью автоматизирована, а маршрутные листы закрывала 1С. Зато за один день на заводе нашлось 6 новых направлений, в том числе справочный помощник для смен по 150 инструкциям.

Руководитель хочет автоматизировать, но не знает, где рутина. Сотрудники на прямой вопрос отвечают «у нас все нормально». Консультант ходил бы по отделам месяцами.

Я сделал бота-интервьюера. Загружаю структуру отдела из Excel. Каждый сотрудник получает личную ссылку и подключается к боту в мессенджере.

Бот проводит три волны опросов за неделю, по 5-7 вопросов. Отвечать можно голосом, это важно для тех, кто не любит писать. Перед каждой волной бот перечитывает прошлые ответы и задает уточняющие вопросы.

Бот замечает, что процесс одного сотрудника продолжается у другого. Так вскрываются передачи между отделами, где работа обычно и теряется.

На выходе отчет: карта процессов, узкие места и короткий список того, что автоматизировать первым. Отдельно помечено, где нужен ИИ, а где хватит обычной настройки.

Хорошо заходит пилотом на одном отделе. Например, в бухгалтерии: рутины много, а времени на интервью нет.

Отчет бота становится основой карты ИИ-направлений С чего начать

Бухгалтеры и операторы получают от поставщиков счета, УПД, накладные. Каждый документ перебивают в 1С руками: реквизиты, номера, даты, таблица позиций, суммы, НДС. На один уходит 15-20 минут, и опечатки неизбежны.

На реальном потоке больше 30 тысяч файлов. Почти 25 тысяч из них оказались сканами без текстового слоя, часто повернутыми боком. Поэтому сервис сначала выравнивает скан и вырезает таблицу крупным планом, а уже потом читает.

Документ уходит в сервис по API. Через несколько секунд возвращаются данные в нужной структуре, 1С заполняет документ сама. Оператору остается проверить и провести.

Внутри комбинационный подход. Все, что можно проверить без ИИ, проверяет код: контрольные суммы ИНН и БИК, арифметику строк, ставку НДС из сумм. ИИ подключается точечно, там где без него никак. Поэтому дешево: около 11 копеек за текстовый документ и 36 копеек за скан.

Сервис понимает шесть типов: счет, УПД, счет-фактуру, акт, товарную и транспортную накладную. На проверочных наборах из сотен документов каждого типа точность выше 99%. Новый тип документа добавляется описанием полей, а не разработкой.

Работает через веб-интерфейс, где значения подсвечены в исходном документе, и по API для 1С или любой другой системы.

Ручная перебивка документов часто первое, что находит опрос сотрудников Где у вас рутина

Сотрудники уже пользуются ИИ. Вопрос только в том, куда они копируют данные компании. Запретить не получается, значит, нужно дать удобный и контролируемый инструмент.

Разворачиваю внутри контура компании чат на открытой платформе LibreChat. Интерфейс привычный, как у ChatGPT. Вход по доменной учетке, соединение защищено, у каждого свои чаты.

Уже в таком виде работают модели под задачи, бюджеты, журнал и проверка правил. А когда чат видит системы компании, он отвечает и по их данным. Через коннекторы подключаются 1С, склад, трекер задач, база знаний Подключаю ИИ к 1С. Руководитель пишет: «кто из моих сотрудников сколько документов создал в 1С за месяц». Модель сама идет в нужную базу и отвечает, заявка программисту не нужна.

Права работают как в самих системах. Где есть персональные данные, коннектор ходит под личным токеном сотрудника. Общий токен открыл бы чужие данные любому, кто вошел в чат.

Модели подбираются под людей и задачи. Где это требуется, например юристам или финансистам, доступны только локальные модели: данные не покидают серверы компании. Аналитикам сильная облачная модель для сложных расчетов, остальным быстрая и недорогая для повседневных вопросов. Модели меняются настройкой, без переделки системы.

Бюджет задается на каждого сотрудника и на группы: отдел, проект, роль. Администратор видит расход по людям и моделям и получает уведомление, когда группа подходит к лимиту. Повторяющиеся запросы благодаря кэшу обходятся в восемь раз дешевле.

Каждый запрос пишется в журнал, база чатов каждую ночь уходит в резервную копию. Перед отправкой чат проверяет сообщение на соответствие правилам компании и предупреждает сотрудника Правила работы с ИИ

В компании есть база знаний. Статьи написаны, инструкции лежат. Но первая линия поддержки туда почти не заходит: быстрее спросить коллегу или решить по памяти.

Я сделал так, чтобы база знаний сама приходила к специалисту. Когда появляется заявка, ИИ читает ее, составляет поисковые запросы и ищет по базе сразу по смыслу и по словам (технология RAG). Если нашел подходящую статью, через несколько секунд пишет в заявку внутренний комментарий: короткую подсказку и ссылку на инструкцию.

Если уверенного ответа нет, ИИ молчит. Одна неверная подсказка подрывает доверие сильнее, чем десять пропущенных. Поэтому качество оценивали сами специалисты поддержки на реальных заявках, и настройка шла по их отметкам.

Заявителю ничего не уходит, комментарий видит только специалист. Телефоны и почта маскируются до отправки в модель.

Стоит это около доллара на тысячу заявок.

Та же база знаний доступна сотрудникам в корпоративном чате Корпоративный ИИ-чат. А заявки, которые приходят без нужных данных, заранее доспрашивает бот Заявки в ИТ

ИИ полезен ровно настолько, насколько он видит данные компании. Чтобы модель могла сама посмотреть заказ, найти ветеринарный документ или разобрать очередь заявок, ей нужен коннектор к системе. Стандарт таких коннекторов называется MCP.

Я делал коннекторы к мессенджеру MAX, Ozon, Честному Знаку, Яндекс Трекеру, ФГИС «Меркурий» и другим системам. Есть варианты с установкой у себя и с подключением по ссылке. Часть открыта и зарегистрирована в официальном реестре MCP.

Самое интересное обычно в деталях. У «Меркурия» протокол асинхронный: запрос уходит, а ответ надо забирать отдельно, и его пришлось восстановить. Длинные ветеринарные документы на 200 с лишним строк коннектор сжимает в короткую сводку, понятную модели.

Коннектор к трекеру задач работает под личным токеном сотрудника. В заявках есть персональные данные, и общий токен открыл бы их всем, кто вошел в корпоративный чат.

Коннекторы делаю компактными. Модель получает описание только нужных инструментов, поэтому отвечает быстрее и тратит меньше.

Через коннекторы корпоративный чат видит системы компании Корпоративный ИИ-чат, а агенты работают с ними сами Мониторинг

Еще коннектор хорошо работает, когда заказчик пока не может сформулировать, что хочет, или в команде есть скептики. Полчаса работы ИИ с их же системой убеждают лучше любой презентации Заявки в ИТ

Когда компания дает сотрудникам ИИ, первой приходит служба безопасности. Что можно отправлять в модель, а что нельзя. Кто за это отвечает. Как проверить, что человек понял правила и соблюдает их.

Я собираю три части, которые работают вместе.

Политика. Короткий документ, который сотрудник действительно прочитает: какие данные можно отдавать в облачные модели, а какие только в локальные. Кто разрешает новые сервисы и как фиксируются нарушения.

Обучение. Курс на 20-25 минут без теории про нейросети. Ядро курса защита корпоративной информации: что нельзя отдавать в публичные модели, как маскировать данные, как проверять ответ модели.

Тест. Проверяет поведение в рабочих ситуациях, а не знание определений. Без пройденного теста доступ к корпоративному ИИ не выдается.

Правила на бумаге забываются, поэтому контроль встроен в сам инструмент Корпоративный ИИ-чат. Перед отправкой чат проверяет сообщение. Если в нем персональные данные, выгрузка клиентской базы, пароли или фрагмент договора, сотрудник видит предупреждение и выбирает: замаскировать данные, отправить в локальную модель или отменить. Повторяющиеся нарушения видит ответственный за ИИ.

Пример. В одной компании тест собран из 17 рабочих ситуаций, каждому сотруднику выпадает 10 случайных, проходной балл 80% и две попытки. Курс загружен в систему обучения, которая уже была в компании, и стал обязательным условием доступа к ИИ.

С этого уровня стоит начинать внедрение С чего начать

В филиале международного холдинга около 15 аналитиков каждый месяц готовят итоговую презентацию для руководства. У каждого свое направление и своя часть слайдов: графики, метрики, сравнения с прошлыми периодами, комментарии на английском.

Внешне это простая презентация. Внутри цепочка ручной работы: выгрузки из 1С и других систем, кубы, сводные таблицы, промежуточные Excel-файлы с маппингами, и только потом слайды. Сбор начинается 5-го числа, изменения фиксируются 7-го, а готовая презентация появляется к 15-му. Руководству это поздно, аналитикам тяжело.

Была и бытовая проблема. Итоговый файл весил 266 мегабайт: каждый график тащил за собой копию рабочей книги на 50 мегабайт.

Я убрал промежуточные шаги. Данные идут напрямую из учетных систем и внешних сервисов в презентацию, без промежуточных Excel, кубов и сводных таблиц Подключаю ИИ к 1С. Код считает показатели и собирает слайды в HTML. Каждое число автоматически сверяется с источником: расхождений меньше 1%, и их разбирают по одному. Работа 15 аналитиков автоматизирована примерно на 80%.

Комментарии разделились на три вида. Шаблонные пишет код без ИИ. Там, где нужен вывод по цифрам, черновик готовит ИИ. Выводы, которым нужно знание рынка и контекста, остаются за аналитиком.

Предварительная версия собирается сама 5-го числа, финальная 7-го, после фиксации данных. 8-го презентация готова, а руководству ее передают после спокойной проверки аналитиками. Открывается на телефоне и планшете.

Часть показателей руководство смотрит не раз в месяц, а каждый день. Для них сделан онлайн-дашборд: продажи, отгрузки и остатки обновляются из систем автоматически, у каждого руководителя свой срез по правам доступа Из большого Excel

Изначально сделал для себя. Я больше 20 лет работаю с этой системой, и агент снял до 70% моей ежедневной рутины.

Консультант. Его вызывают из любого места системы и спрашивают обычными словами: как считается показатель, что делает функция, что значит ошибка, для чего это поле. Агент сам ходит по системе, смотрит код и связи между объектами и отвечает в контексте.

Программист. Берет задачу из трекера, задает уточняющие вопросы и раскладывает требования в техническое задание. Дальше создает проект, находит нужные объекты, предлагает варианты решения, пишет код, компилирует, исправляет ошибки и передает готовую доработку консультанту на проверку.

Это полноценные агенты внутри системы, на ее родном языке X++. Работают шагами: следующий шаг зависит от результата предыдущего, а контекст задачи агент помнит до конца.

Агентами пользуются в трех компаниях. Про устройство есть статьи и видео.

Искать клиентов, партнеров или подрядчиков вручную долго. Фильтры площадок грубые, половина выдачи мимо. А по-настоящему интересные компании требуют подготовки: кто они, чем живут, что у них не сходится.

Я собрал агента, который делает это каждый день.

1. Собирает свежие объявления по большому набору ключевых слов и их сочетаний.
2. Отбрасывает то, что уже видел, и компании из черного списка.
3. Каждое объявление читает модель и оценивает по многим признакам. Я сам часто решаю «интересно или нет» почти интуитивно, по сумме красных и зеленых флагов. Агент учится повторять это решение, критерии уточняются после каждой моей разметки.
4. По лучшим компаниям собирает досье: сайт, новости, все открытые вакансии. Вакансии многое говорят о компании: кого ищут, какие системы используют, где у них болит.
5. Из досье получается разбор: какие у компании вероятные задачи и что с ними можно сделать. По сути это взгляд на процессы компании снаружи Где у вас рутина
6. Перед разговором готовит короткую сводку: о чем говорить и на что обратить внимание.

За неделю через фильтры проходит около 150 объявлений. После всех этапов остается около 80, в серьезную работу идут единицы.

Тот же подход работает для тендеров, поиска поставщиков и подрядчиков. Везде, где выбор складывается из множества признаков и опыта конкретного человека.

Сотрудники не любили сервисдеск. Веб-форма с кучей полей, письма на каждое движение заявки. Поддержка была недовольна с другой стороны: заявки приходили без главного, и их возвращали с вопросами.

Я начал с данных и разметил 364 заявки. Выяснилось, чего чаще всего не хватает. В 35-40% нет доказательства ошибки: скриншота или текста сообщения. Примерно в 30% не указан объект: номер документа, склад, пользователь. В заявках на доступ больше чем в половине случаев не сказано, с кого скопировать права.

Недостающих вещей оказалось немного, и это хорошая новость: их можно спросить заранее.

Руководитель поддержки к ИИ относился скептически. Спорить я не стал. Подключил ИИ к трекеру задач и прислал ему пару выверенных сводок по его же заявкам Подключаю ИИ к 1С. После этого идею бота он предложил сам.

Теперь заявка создается через бота в мессенджере. Бот понимает, о чем речь, и доспрашивает ровно то, чего не хватает. Знает складские термины компании. Число уточнений ограничено: если лимит исчерпан, заявка все равно создается. Профиль заполняется один раз.

Руководитель получает на почту разбор недели: нагрузка по исполнителям, повторяющиеся темы, корневые причины и что стоит автоматизировать или положить в базу знаний База знаний

На арендованных складах платят за паллетоместо. Если короба стоят неплотно, компания платит за пустоту.

Размеры коробов тянут в разные стороны. Маркетингу нужен красивый короб, продажам удобный для сети, складу плотный. Схему укладки рисует конструктор, согласуют ее шесть человек, а варианты перебирают руками в Excel.

Я разобрал 45 действующих схем. Правило компании: паллета заполнена минимум на 90%. Несколько схем до него не дотягивали, одна заполнялась всего на 79%. А где-то хватало увеличить высоту короба с 161 до 172 мм, чтобы получить 91%.

Стандарт для такой задачи зарубежная программа Cape Pack. Лицензия от 6 до 28 тысяч евро, и легально в России ее сейчас не купить.

Поэтому я собрал свой сервис. Выбираешь короб из справочника, сервис перебирает варианты укладки, показывает вид сверху, сбоку и в объеме и выгружает схему в PDF по шаблону завода. На контрольных примерах результат сопоставим с Cape Pack.

Внутри ИИ нет, и это правильно: геометрия считается точно, модель тут только добавила бы ошибок. ИИ пригодился на другом этапе, чтобы разобрать старые схемы, сформулировать правила и быстро собрать сам сервис. Это общий принцип: ИИ только там, где он нужен С чего начать

Теперь с сервиса начинается любой новый короб.

Производитель работает с сетями через полевую команду: 442 мерчандайзера и 60 супервайзеров. Это 110-120 тысяч визитов и около миллиона фотографий полок в месяц. Проверяют фото выборочно два-три человека в офисе: выкладку, наличие товара, ценники.

Компания хотела проверять все фото и реагировать сразу. Первая мысль была сделать распознавание самим. Я сравнил эту дорогу со специализированными сервисами, которые годами распознают полки и сверяют их с планограммами.

Три таких сервиса стоили от 1,4 до 2,2 миллиона рублей в месяц. Это около 11,5 рубля за визит или 1,35 рубля за фото.

Своя дорога на бумаге дешевле. Распознать фото универсальной моделью стоит от 26 до 76 копеек, своя обученная модель дала бы 1-5 копеек. Полная стоимость своего решения вместе с командой и поддержкой 4-8 миллионов в год против 17 у сервиса.

Решает точность. Сервисы заявляют около 95% по конкретным товарам. Я разобрал фото вручную на топовой модели. На одной полке три ценника из шести не совпали с товаром, еще один висел над пустым местом, а счет фейсингов гулял на 2-5 штук. Для поиска нарушений это отлично, для расчетов с сетями пока рано.

Сейчас выборочная проверка стоит зарплаты двух-трех сотрудников. Полный контроль через сервис обойдется в 1,4-2,2 миллиона в месяц. Стоит ли того, решает одно: сколько продаж приносит правильная полка.

Так выглядит решение «продолжать или остановить» по цифрам С чего начать

У многих компаний важный процесс живет в одном большом Excel. Пока файл маленький, это удобно. Потом двое правят одновременно, кто-то затирает чужое, а уходящий сотрудник спокойно уносит файл целиком.

Такие вещи я перевожу в простые веб-приложения. ИИ помогает собрать их быстро, а внутри обычная база данных, роли и понятные экраны. Так же устроены онлайн-дашборды для руководства Аналитики, отчетность

Автосалон. Руководитель отдела продаж видит все машины на одном экране:

• бронирует машину с данными клиента, чтобы ее не продали дважды
• переводит в статус «на выдаче» или «продано»
• вносит цену продажи, маржа считается сама
• назначает ответственного менеджера.

Сверху счетчики: сколько машин в наличии, в брони, на выдаче, общая маржа. Менеджер видит только свои машины. Каждое действие пишется в журнал, сделки выгружаются для финансиста. Работает с телефона.

Трейд-маркетинг производителя. Годовой календарь акций по ключевым сетям жил в Excel на 68 строк и 152 колонки: недели года, товарные группы, механики, бюджеты, план и факт. Классификатор механик вообще был вставлен картинкой. Я разобрал файл, восстановил модель данных и собрал приложение: у каждого своя зона, история изменений, доступ по ролям.

HR регулярно собирает рыночные зарплаты по должностям и регионам. Например, чтобы обосновать клиенту стоимость персонала. Раньше это был день ручной работы: поиск на hh.ru, копирование в Excel, чистка, оформление.

Я сделал сервис. HR выбирает регион, должности, период и другие фильтры и нажимает кнопку. Через минуту готов Excel со сводом: медиана, среднее, количество. Наборы фильтров сохраняются, у каждой компании свои.

Сырые данные с hh.ru обманчивы, и сервис это учитывает. В одной выборке на 5 настоящих вакансий нашлось 14 рекламных. Зарплату одни пишут «на руки», другие до вычета налогов: из 30 складских вакансий 22 были в одном формате и 8 в другом. Сервис приводит все к одному виду по ставке НДФЛ. Регионы группируются по федеральным округам.

Отдельная задача текст вакансии. Требование личного автомобиля простыми правилами не ловится: «не нужен личный автомобиль», «управлять автомобилем руководителя», SEO-блоки с ключевыми словами. На тестовой выборке из четырех срабатываний по ключевым словам верным было одно. Модель разбирает такие случаи по смыслу и показывает цитату из текста.

Производитель продает через маркетплейс как поставщик. Своего кабинета продавца и API у него нет, а следить за ценами и остатками нужно.

Менеджеры электронной коммерции каждый день выборочно открывали карточки. Искали скачки цен и пропавшие остатки, по каждому случаю писали менеджеру маркетплейса. Уходило на это от часа до трех в день, и все равно проверялась только часть товаров.

Я настроил ежедневный сбор данных по 70 товарам к 9 утра. Агент сравнивает с историей, находит отклонения и готовит короткий отчет. По серьезным случаям сразу уходит сигнал ответственному на стороне маркетплейса.

Больше всего времени ушло на сами площадки: они активно защищаются от автоматического сбора. В итоге сбор работает через специализированный облачный сервис, и каждый день собираются 67-70 товаров из 70.

Ручная проверка ушла совсем. Отчет ждет к началу рабочего дня, копится история для аналитики. Обходится около 2 000 рублей в месяц.

Для продавцов со своим кабинетом есть коннектор к Ozon, через который ИИ работает с товарами, ценами и заказами напрямую Подключаю ИИ к 1С

Директор по развитию описал проблему так: о сбоях мы узнаем от пользователей. При этом мониторинг в компании серьезный: 376 серверов и устройств, почти 30 тысяч метрик.

Я выгрузил события за неделю и сопоставил с заявками в поддержку Заявки в ИТ. Из 16 массовых инцидентов мониторинг заранее видел 13, обычно почти за три часа до первой жалобы. Когда упал кластер 1С, первое обращение пришло через 87 минут.

Сигнал просто не доходил до людей. В сутки 684 события, из них 65% это два повторяющихся сюжета. Один сотрудник получал 153 письма в день. А 12% заявок пришли с площадок, которых мониторинг вообще не видит.

Сначала навел порядок в самом мониторинге: зависимости триггеров, пороги, сервисные окна, маршруты уведомлений. Только это сокращает поток с 684 до примерно 240 событий в сутки. ИИ на этом шаге не нужен.

С логами отдельная история. Из 150 сетевых устройств логи слало одно. Почти весь объем составляли служебные записи системы виртуализации, а почти 15 миллионов строк оказались одной веб-страницей, построчно выгруженной в лог.

Поверх чистого потока работает ИИ-агент. Он собирает однотипные события в один инцидент, ищет первопричину и пишет админу в мессенджер конкретно: что сломалось и где. Для типовых случаев есть каталог проверенных сценариев устранения. Агент предлагает сценарий, человек подтверждает, а давно проверенные запускаются сами. Команды ИИ не придумывает, только выбирает из утвержденного каталога.

Следующий шаг предупреждать до сбоя: заканчивается место, растет очередь, деградирует сервис.