За последние два года ИИ перестал быть темой для крупных компаний. ChatGPT, GigaChat, n8n, Midjourney — подписка оформляется за пять минут, технических барьеров нет. Любой владелец фирмы в десять-двадцать человек уже мог это попробовать и, как правило, попробовал.
Если посмотреть на результат через три-четыре месяца после первой попытки внедрить ИИ в малый бизнес — картина чаще всего одна и та же. Подписки оплачены. Кто-то в команде пользуется ChatGPT от случая к случаю для писем и заметок. На самом бизнесе — на скорости работы, на нагрузке людей, на качестве сервиса — это никак не сказалось. Через полгода подписки тихо отключаются, тема закрывается с формулировкой не зашло.
Проблема не в том, что ИИ плохо работает, и не в том, что нужно искать какие-то особенные инструменты. Проблема в том, что внедрение почти всегда начинается с неверного вопроса.
Обычно владелец задаёт себе такой вопрос: куда в моей фирме можно подключить ИИ. Звучит логично. На деле это путь в тупик. Запускают много, в работе остаётся мало.
Правильный вопрос звучит иначе: где конкретно у меня в фирме автоматизация ляжет, а где она будет давать лишнюю работу. Разница неочевидна на первый взгляд. Именно она определяет, окупится ли первый проект за неделю или зависнет на полгода в состоянии вроде бы готово.
Ниже — конкретная процедура на один рабочий день. На выходе три-четыре места, где ИИ можно прикрутить с высоким шансом успеха, и первый проект, который реально запускается за семь дней.
Почему первая попытка обычно не выстреливает
Есть три типа провалов, которые повторяются в малом бизнесе чаще всего.
Первый — попытка автоматизировать креатив. ИИ умеет писать тексты и рисовать картинки, и это видно сразу. Первая мысль обычно такая: давайте ИИ напишет нам тексты для сайта и постов, нарисует баннеры, придумает концепцию рассылки. Первые недели результат вроде нормальный. Потом обнаруживается, что тексты безликие, концепции шаблонные, картинки усреднённые. На редактирование уходит столько же времени, сколько на написание с нуля.
Проблема не в том, что ИИ слабо пишет. Проблема в том, что у ИИ нет контекста бренда, голоса, специфики клиентов. Чтобы добиться приличного качества под конкретную фирму, нужно объяснять модели голос, давать примеры, доводить вручную. В сумме выходит дольше, чем если бы текст писал человек, который этот бизнес знает. Обучать ИИ под конкретный бренд можно — это отдельная задача и отдельный проект. Просто подписаться на ChatGPT и ждать готового контента нельзя.
Второй — попытка заменить аналитику и стратегические решения. Скормить ИИ данные о продажах, и пусть подскажет, что делать дальше. В теории звучит хорошо. На практике ИИ хорошо суммирует и находит паттерны в чистых, структурированных данных. Интерпретировать нюансы конкретного рынка, специфику ваших клиентов, особенности отношений с поставщиками — не умеет. Он не знает, что у вас сезонный провал в феврале не от падения спроса, а потому что каждый февраль ключевой поставщик задерживает отгрузку. Решение всё равно принимает человек. ИИ здесь может сэкономить час на подготовке сводки, но не заменит суждение. Это полезно, но ждать от него ответа на вопрос что мне делать — разочарование гарантировано.
Третий — попытка обернуть в ИИ нешаблонную ручную работу. Менеджер каждый раз по-разному составляет коммерческое предложение под клиента, потому что учитывает специфику сделки, звонит на производство уточнить сроки, смотрит на маржу. Если попытаться заменить эту работу на ИИ, выходит либо шаблонный КП, который ничего не учитывает, либо разговор с моделью, который дольше составления документа вручную.
То же самое с клиентским ботом, который пытается отвечать на любые входящие вопросы. На простые вопросы про прайс и часы работы он отвечает нормально. На вопросы про срочную ситуацию у клиента, текущую загрузку, индивидуальные договорённости — нет, потому что эти ответы требуют знания живого контекста. Бот пытается отвечать на всё подряд и отвечает плохо на половину. Клиенты звонят живому администратору. Бот оказывается лишним звеном.
Общая черта у всех трёх провалов: владелец пытается применить ИИ там, где главная ценность — нешаблонное суждение, контекст или живые отношения. В таких местах ИИ не экономит время. Он добавляет работу.
4 признака места, где ИИ реально сработает
Прежде чем тратить время на сборку автоматизации, имеет смысл проверить задачу по четырём критериям. Чем больше совпадений, тем выше шанс, что ИИ принесёт реальный результат, а не новую головную боль.
Высокая повторяемость
Задача выполняется по одной и той же схеме десятки раз в неделю. Структура каждого раза примерно одинаковая, входные данные похожи.
Попадает: ввод данных из счетов в таблицу, ответы на типовые вопросы клиентов по прайсу, первичная сортировка входящих заявок с сайта, генерация отчётов по фиксированному шаблону, ответы на типовые отзывы.
Не попадает: переговоры с конкретным клиентом по конкретной сделке, разработка нового продукта, оценка нетипичной ситуации, работа с исключениями и нестандартными случаями.
Хороший тест. Если бы вы нанимали нового человека на эту задачу, смогли бы вы написать инструкцию на две страницы, по которой он сделал бы её нормально. Если да — задача достаточно стандартная. Если нужно смотреть по ситуации и инструкция невозможна, это нешаблонная работа.
Низкая ставка ошибки
Если ИИ ошибётся, последствия незначительны или ошибку легко поймать при быстрой проверке. Существует точка контроля человеком перед тем, как результат уходит куда-то важное.
Попадает: черновик ответа на отзыв — человек прочитает перед публикацией. Извлечение данных из счёта в таблицу — бухгалтер сверяет строки раз в неделю. Первичная классификация заявок — менеджер всё равно открывает заявку перед работой.
Не попадает: автоматическое одобрение заявок на возврат денег, диагностика оборудования без проверки человеком, отправка юридических документов клиенту без ревью.
Хороший тест. Что произойдёт, если ИИ ошибётся в 5% случаев. Если ответ — ничего страшного, это легко поймать — низкая ставка. Если ответ — скандал или финансовые потери — высокая.
Понятный вход и выход
Задача имеет чёткое начало и конец. Можно однозначно описать, что приходит на вход и что должно получиться на выходе. Не обработать запрос вообще, а получить PDF счёт и вернуть строку с семью полями в Google Таблицу.
Попадает: PDF счёт на входе, строка с данными в таблице на выходе. Форма заявки с сайта, структурированное сообщение в Telegram. Текст отзыва, черновик ответа в вашем голосе.
Не попадает: задачи в формулировках вроде разберись с клиентом, помоги с операционкой, посмотри на этот договор и скажи что думаешь. У них нет однозначного выхода — разные люди ожидают разного результата.
Хороший тест. Можно ли написать проверку, которая однозначно скажет, справился ИИ или нет. Если да — вход и выход понятные.
Доступны исторические примеры
Есть прошлые образцы того, как эта задача выполнялась правильно. ИИ нужен контекст, чтобы понять, что считается хорошим результатом. Без примеров он угадывает.
Попадает: старые счета с правильно заполненными данными, прошлые ответы на отзывы в вашем голосе, предыдущие заявки с правильной классификацией.
Не попадает: уникальная разовая задача без аналогов, задача, которую делают впервые и нет стандарта правильного результата.
Хороший тест. Можно ли показать ИИ десять примеров вида вот вход, вот правильный выход. Если такие десять примеров есть — задача хорошо подходит.
Если задача попадает хотя бы в три из четырёх критериев, она кандидат на первый микро-проект.
Три примера задач, которые прошли бы фильтр
Чтобы критерии стали понятнее — три задачи из разных типов бизнеса.
Бухгалтер в оптовой торговой компании каждое утро вручную переносит данные из счетов поставщиков в Google Таблицу. Двадцать счетов в день, по пять-восемь минут на каждый. Высокая повторяемость, каждый день одна и та же схема. Низкая ставка ошибки, бухгалтер всё равно проверяет таблицу перед разнесением в учёт. Чёткий вход и выход, PDF на входе, строка с семью полями на выходе. Исторические примеры — сотни предыдущих правильно заполненных счетов. Четыре из четырёх. Это первый проект.
Администратор медицинской клиники каждый день отвечает на десятки сообщений в мессенджерах. Можно ли записаться на УЗИ на пятницу, сколько стоит консультация, какие анализы нужно сдать перед приёмом. Вопросы разные по формулировке, но по сути — двадцать типов из одного списка. Высокая повторяемость. Низкая ставка ошибки, администратор видит ответ перед отправкой. Понятный вход и выход. Примеры есть. Четыре из четырёх.
Менеджер в компании по аренде оборудования после каждой сделки пишет вручную письмо клиенту с подтверждением условий, адресом склада, контактами водителя и датами. Письмо каждый раз почти одинаковое, меняются только имя клиента, оборудование и даты. Высокая повторяемость. Низкая ставка ошибки. Понятный вход (данные из CRM) и выход (готовое письмо). Примеры писем есть. Четыре из четырёх.
Все три задачи скучные. Ни одна не выглядит как внедрение ИИ. Именно поэтому они работают.
Метод одного дня
Это не теория, а конкретная процедура, которую можно пройти за один рабочий день. На выходе — список из трёх-четырёх мест, отсортированных по приоритету, и готовый к запуску первый проект.
Шаг 1. Дневник рутин
Один рабочий день фиксируем всё, что делаем. Не нужно анализировать на ходу, просто записывать. Лучше всего работает простая Google Таблица с пятью столбцами:
Время. Задача. Что делал руками. Как часто в неделю. Сколько минут заняло.
Каждый раз, когда переключаешься на новую задачу — новая строка. Не нужно ждать конца дня, запись сразу, пока свежо. Через день смотришь на таблицу и видишь паттерны.
Ключевой момент: фиксировать именно что делал руками, а не общее название задачи. Не занимался клиентами, а вбивал данные из трёх PDF в CRM. Не отвечал на почту, а писал одни и те же ответы про сроки доставки на разные имена. Не работал с бухгалтерией, а сверял суммы в таблице с суммами в счетах.
Разница важная. Запись вида занимался клиентами слишком широкая, непонятно, что в ней автоматизировать. Запись вида вбивал одни и те же данные из PDF — конкретная, и сразу видно, что здесь может сработать.
Если в компании есть команда, попросите параллельно вести такой дневник двух-трёх человек на ключевых позициях. Бухгалтер, администратор, менеджер по продажам. Один день наблюдения, потом объединить в одну таблицу. Картина станет объёмной.
Если один рабочий день кажется нерепрезентативным, можно вести записи три дня. Дольше не нужно. На четвёртый день люди начинают пропускать записи или заполнять их формально, и качество данных падает.
Шаг 2. Фильтр через 4 признака
Берём каждую задачу из таблицы и задаём четыре вопроса.
Это происходит больше 10 раз в неделю. Если ИИ ошибётся в одном случае из десяти, это легко поймать или это серьёзные последствия. Можно ли однозначно описать, что приходит на вход и что должно выйти. Есть ли примеры того, как это делалось раньше правильно.
Задачи с тремя-четырьмя положительными ответами идут в следующий шаг. Остальные пока в сторону, они не исчезают, просто не первые в очереди.
Типичный результат: из пятнадцати-двадцати задач в дневнике три-четыре пройдут фильтр. Это нормально. Если прошло больше семи, скорее всего, фильтр применили мягко, нужно пройти ещё раз строже.
Шаг 3. Матрица приоритезации
Для отфильтрованных задач заполняем простую матрицу. По каждой задаче оцениваем четыре параметра от 1 до 3.
Время в неделю. 1 — меньше часа, 2 — от 1 до 4 часов, 3 — больше 4 часов.
Повторяемость. 1 — нерегулярно, 2 — несколько раз в неделю, 3 — каждый день.
Сложность сборки. 3 — простая, типа один вебхук и один промпт. 2 — средняя. 1 — сложная, нужны несколько интеграций или векторная база. Шкала инвертирована намеренно, чтобы простота повышала балл.
Стоимость ошибки. 3 — ошибку легко поймать, никакого вреда. 2 — неприятно, но не критично. 1 — серьёзные последствия.
Суммируем баллы. Максимум 12, минимум 4. Задача с наибольшей суммой — первый кандидат. Берём её, остальные идут в список следующих.
Наверх по матрице обычно выходит скучное: ввод данных из документов в таблицу, ответы на типовые вопросы по прайсу, сортировка и классификация входящих заявок. Высокая повторяемость, понятный вход и выход, низкая ставка ошибки, есть примеры. Сумма баллов выше всего.
Почему наверх не попадает самое сексуальное. Умный чат-бот для клиентов звучит громко, но по матрице набирает мало: высокая сложность сборки, нестандартные вопросы, высокая ставка ошибки в момент, когда клиент получит плохой ответ. Ввод счетов набирает больше, потому что прост, повторяем и безопасен.
Шаг 4. Первый микро-проект
Есть три правила, которые определяют хороший первый проект.
Первое. Один человек, не отдел и не несколько процессов сразу. Если что-то пойдёт не так, не сломается работа целого подразделения. Проще откатить, проще понять, где именно проблема.
Второе. Срок запуска не больше одной недели. Если задача выглядит сложнее, её нужно либо разбить, либо взять что-то попроще. Неделя — жёсткий дедлайн: либо за это время запустили рабочую версию, пусть и с ограничениями, либо признаём, что задача не первая в очереди.
Третье. Метрика успеха определяется до начала. До того, как начали собирать, прописываем конкретную цифру: сейчас на эту задачу уходит N минут в день, через неделю после запуска хотим увидеть M минут. Без чисел невозможно понять, работает это или нет.
Типичный стек для первого проекта. n8n — основа, которая связывает всё между собой. Облачная версия бесплатна до 5000 операций в месяц, этого хватает на первые несколько месяцев работы одного-двух небольших процессов. Для работы с документами и текстами подходят GPT-4o-mini, GigaChat и YandexGPT. GPT-4o-mini дешевле полной версии и для большинства задач его достаточно. GigaChat и YandexGPT оплачиваются российской картой и хорошо понимают русский текст, иногда лучше зарубежных. Для распознавания изображений и PDF — GPT-4o Vision или GigaChat Pro.
Ожидания от первого месяца. Одна автоматизированная задача, экономия 30-90 минут в день конкретно на ней, понимание, как работает связка n8n плюс ИИ-API на практике, и список следующих кандидатов, который стал конкретнее за счёт реальных наблюдений. Полной трансформации в первый месяц не будет, это не цель.
Отдельно про деньги. Первый проект на n8n плюс ИИ-API обходится в 0-3000 рублей в месяц в зависимости от объёма задач. Это не внедрение ИИ за миллион и не подписка на ChatGPT Plus за 3000 без понимания зачем. Это конкретный инструмент под конкретную задачу с понятной стоимостью.
Что меняется через месяц после первого микро-проекта
Через месяц работы первого проекта в фирме происходит несколько конкретных вещей.
Команда перестаёт воспринимать ИИ как абстракцию. До первого проекта разговоры об ИИ в малом бизнесе обычно сводятся к обмену новостями и статьями. После первого рабочего проекта разговор становится другим: у нас это уже работает вот так, следующим хотим попробовать вот это. Появляются конкретные предложения от людей, которые раньше скептически молчали.
Становится видно, где узкие места. Первый проект почти всегда вскрывает соседние проблемы. Автоматизировали ввод счетов из Google Drive — обнаружили, что часть поставщиков до сих пор шлёт счета на почту вместо папки, а часть счетов рукописные и ИИ распознаёт их хуже. Следующие два проекта понятны сами по себе, без нового мозгового штурма.
Появляется практика замерять до и после. Люди начинают обращать внимание на то, сколько времени уходит на задачи, которые раньше никто не считал. Администратор, который провёл неделю с дневником рутин, по-другому смотрит на свой день. Это меняет то, как принимаются решения о следующих проектах: появляются факты вместо ощущений.
На второй проект уходит вдвое меньше времени, потому что стек уже знакомый, логика понятна, n8n не нужно изучать с нуля. Третий ещё быстрее. Через три-четыре проекта накапливается уверенность и понимание, которые стоят больше любого курса по ИИ-автоматизации.
Одна тонкость, с которой сталкиваются почти все. Первый проект часто экономит меньше времени, чем ожидалось. Не потому что плохо сделан, а потому что рядом с автоматизированным процессом обнаруживаются нюансы, которые не были заметны раньше. Это нормально и это полезно. Нюансы — это следующие проекты.
Типичные грабли
Пять ошибок, которые встречаются стабильно.
Пытаются запустить всё сразу. Видят список из восьми задач-кандидатов и хотят автоматизировать параллельно. В результате ни один проект не доходит до состояния, в котором он работает и измерен. Все зависают в стадии почти готово или надо доделать одну деталь. Через месяц ни один не в работе.
Выбирают самое амбициозное вместо самого простого. Хочется взяться за громкое: автоматизировать всю воронку продаж, сделать умный чат-бот для клиентов с памятью разговора. Первый проект должен быть скучным и простым. Скучный и простой — значит высокий шанс успеха за неделю, быстрая обратная связь, мотивация продолжать. Амбициозный первый проект, который застрял на три месяца, убивает желание двигаться дальше.
Нанимают подрядчика вместо того, чтобы собрать первое самим. Логика понятна: мы не разбираемся, проще делегировать. Но подрядчик сделает и уйдёт. Если внутри никто не понимает, как это работает, первая нестандартная ситуация превратится в новую заявку на поддержку. И вот уже бизнес зависит от внешнего человека в том, что должно быть внутренней компетенцией. Первый проект нужно собрать самостоятельно именно потому, что он учит понимать механику изнутри. Подрядчика имеет смысл брать с четвёртого-пятого проекта, когда задачи становятся технически сложнее.
Не назначают метрику успеха. Без цифры невозможно ни подтвердить, ни опровергнуть, что стало лучше. Нужна конкретика: было 45 минут в день, стало 5. Было 15 счетов в день по 8 минут, стало по 30 секунд. Без метрики невозможно понять, работает ли это, объяснить ценность следующего проекта и замотивировать команду продолжать.
Оставляют старый процесс параллельно с новым. На случай если новый не сработает. В результате оба процесса идут одновременно, никто не уверен, какому доверять, ошибки плодятся в двух местах. Если что-то пошло не так — непонятно, где именно. Правило простое: если новый процесс прошёл одну полную рабочую неделю без сбоев, старый закрывается. Не тянуть параллельно месяц.
Метод работает потому, что заставляет начинать с наблюдения, а не с идей. Большинство попыток внедрить ИИ начинаются с вопроса, что бы такое автоматизировать, и заканчиваются списком идей, которые никто не реализует. Дневник рутин переворачивает это: сначала смотришь, что реально происходит в твоей конкретной фирме, потом решаешь, куда ляжет автоматизация.
Первый проект редко меняет бизнес кардинально. Он меняет понимание. После него второй, третий, пятый. Через три-четыре месяца накапливается стек из нескольких рабочих автоматизаций, и это уже заметно влияет на то, сколько людей и времени уходит на рутину. Не одномоментно, а постепенно. Именно поэтому начинать нужно сейчас, а не когда появится время разобраться нормально.
Пять конкретных сценариев под этот метод — с пошаговыми инструкциями, параметрами n8n и конкретными промптами для ИИ — уже разобраны на ai-uchebnik.ru/blog/5-scenariev-ai-za-vecher.
Свежие разборы инструментов и новостей про ИИ выходят в t.me/kosmoslab_ai дважды в день.