Полная версия
ИИ в бизнесе: сценарии внедрения. План на ближайшие 90 дней: практическое руководство
Распознавание и ввод первичных документов с формированием проводки. Требуется поток документов и справочники контрагентов и номенклатуры. Сложность средняя: сервис распознавания в связке с учётной системой даёт меньше ручного набора и ниже долю ошибок ввода.
Сверка счёта с договором и заказом — цена, объём, скидка, условия оплаты. Самый недооценённый сценарий, поскольку находит деньги, а не экономит минуты. Сложность высокая: нужны оцифрованные договоры и реестр заказов, решение — отраслевое или собственная разработка; эффект — возврат переплат и меньше утечек по условиям договоров.
Разбор дебиторской и кредиторской задолженности — приоритизация просрочек, черновики претензий и писем. Сложность низкая: платёжная история и договоры, модель приоритизации плюс шаблоны писем; эффект — меньше просроченной задолженности.
Объяснение отклонений бюджета — помощник собирает факторы и готовит комментарий, который правит финансовый контролёр. Сложность низкая: план, факт и аналитики затрат, LLM с доступом к отчётам по схеме RAG; комментарии готовятся быстрее.
Классификация затрат и категоризация поставщиков для управления закупками. Сложность средняя: реестр расходов за 12–24 месяца, API модели плюс аналитика; в итоге — прозрачная база для переговоров о цене.
Подготовка технического задания и сравнение коммерческих предложений в закупках. Сложность низкая: каталог, стандарты и прошлые ТЗ, внутренний помощник в закрытом контуре; меньше раундов уточнений, больше участников тендера.
Поиск закупок в обход договоров (в закупках их называют «маверик», от англ. maverick spend) — операции мимо утверждённых договоров и каталогов, без положенных корпоративных скидок. Сложность средняя: реестр операций 1С за 12–24 месяца, действующие договоры и каталог номенклатуры; эффект — меньше утечек бюджета и сохранённые договорные скидки. Алгоритм только подсвечивает подозрительные операции, а приостановить платёж или разбираться с инициатором решает финансовый контролёр.
Сплошной разбор условий договоров поставщиков — обязательства, индексация цен, штрафы и отклонения от вашего стандарта допустимых условий (юристы называют его плейбуком). Сложность высокая: договоры в машиночитаемом виде и утверждённый перечень допустимых отклонений; эффект — меньше автопролонгаций невыгодных договоров и неучтённых рисков во всём портфеле. ИИ готовит таблицу отклонений, а формулировку или протокол разногласий утверждают юрист и категорийный менеджер.
Контроль расходов сотрудников — проверка 100% отчётов на дубли, нарушения политики, нетипичные суммы. Сложность средняя: отчёты, чеки и политика расходов, специализированный сервис аудита расходов.
Поддержка закрытия периода — контрольные списки, поиск незакрытых документов, черновики пояснений. Сложность средняя: календарь закрытия и журналы операций, модуль учётной системы; меньше просроченных задач закрытия.
Самые лёгкие входы — объяснение отклонений бюджета и техзадания в закупках: у них низкая сложность. Сверка счетов с договорами и сплошной разбор условий договоров — самые сложные сценарии, зато именно они находят деньги.
Решения о платеже, признании расхода, налоговой позиции и содержании отчётности всегда должен принимать человек. ИИ только готовит материал для решения.
Примеры Кейс 9 · уровень C · крупный бизнес. Сеть «Подружка»: ввод первичкиПроблема: сеть косметики и парфюмерии «Подружка» (ООО «Табер Трейд», 250 магазинов) получает тысячи счетов в месяц, свыше 90% — на бумаге. Ввод отнимал 2–3 часа в день и давал ошибки.
Решение: интеллектуальные сервисы Directum Ario связали с Directum, 1С и операторами ЭДО (электронного обмена документами).
Результат: сервис извлекает из счетов 90% данных и верно определяет 95% реквизитов, у бухгалтеров освободилось 3 часа в день. Проект занял 6 месяцев [33].
Условия успеха: единый канал приёма документов, порядок в справочниках, интеграция с учётной системой.
Ограничения: публикация поставщика в конкурсной заявке; методика замера не раскрыта, экономический эффект не приведён.
Кейс 10 · уровень B · крупный бизнес. «Акрон Холдинг»: техзадание в закупкахПроблема: в промышленном холдинге более 20 тыс. закупок в год. Заказчики описывали потребность как придётся; из-за слабых техзаданий росло число раундов переговоров, а часть поставщиков не выходила на тендер.
Решение: ИИ-инструмент в закрытом контуре (на собственных серверах) по свободному описанию заказчика дописывает характеристики, ГОСТы и параметры.
Результат: разработка заняла около месяца и 20 человеко-часов. За первые четыре месяца прошло более 400 техзаданий, экономия одного только времени превысила 2 млн рублей [112].
Ограничения: экономию считала сама компания, влияние на цену закупок не измеряли.
Кейс 11 · уровень C · крупный бизнес. Сверка счетов с договорамиРешение: глобальная биотехнологическая компания (не раскрыта) поручила агентной системе (ИИ, сам выполняющий цепочку действий) сверять счета с условиями договоров.
Результат: нашлись расхождения примерно на 4% от суммы закупок — при расходах 1 млрд долларов это 40 млн долларов ежегодного эффекта на маржу [89]. В глобальной фармацевтической компании прототип такой сверки собрали за четыре недели и нашли расхождения более чем на 1 млн долларов [87].
Ограничения: кейсы консультанта, независимо не проверены; эффект зависит от того, оцифрованы ли договоры.
Кейс 12 · уровень B · крупный бизнес. Отчёт с выдуманными ссылкамиЧто произошло: в отчёте Deloitte Australia для Department of Employment and Workplace Relations (237 страниц, 290 тыс. долларов) нашлись ссылки на несуществующие исследования и выдуманная цитата из решения федерального суда.
Итог: в исправленной версии фирма раскрыла, что пользовалась Azure OpenAI, и согласилась вернуть часть оплаты [47].
Вывод: аналитический или пояснительный текст, подготовленный с ИИ, до отправки нужно проверить — каждую ссылку и цифру. Ответственность за документ остаётся на организации.
Потенциал и KPIВ финансах эффект ИИ видно по трём вещам: как быстро и дёшево обрабатываются счета, сколько денег нашла сверка и насколько чище стало закрытие периода. Для первой группы есть внешний ориентир — исследование Ardent Partners [8]. Только читать его стоит с поправкой: больше половины участников — компании с выручкой свыше 1 млрд долларов, опрос проведён весной 2024 года на 212 респондентах. Это планка, к которой можно стремиться, но не норма для вашей компании.
Обработка счетов. Начните со стоимости одного счёта: затраты подразделения за период, делённые на число счетов. В среднем у участников исследования это 9,40 доллара, у лучших 20% — 2,78 доллара. Рядом — время обработки, от получения счёта до проводки: в среднем 9,2 дня, у лучших — 3,1 дня. Третий показатель — доля счетов, которые прошли до проводки без участия бухгалтера: в среднем 32,6%, у лучших 49,2%. И четвёртый, сторожевой, — доля «исключений», то есть документов, которые система не смогла разнести сама и отдала человеку (в среднем 14%). Если исключений становится больше, весь выигрыш в скорости съедается ручным разбором. Базовый уровень по всем четырём — ваши собственные значения за квартал до пилота.
Деньги, найденные сверкой. Это сумма расхождений между счетами и договорами, которую сверка нашла за квартал. Если раньше сверяли выборочно, база честно равна нулю — и любая найденная сумма видна сразу.
Качество закрытия. Здесь два показателя. Доля проводок, которые пришлось исправлять уже после закрытия периода, считается по журналу корректировок; база — среднее за три закрытия до пилота. И время, которое контролёр тратит на управленческий комментарий к отчёту; база — его фактические трудозатраты за последний цикл.
Быстрый стартПлан на следующие 90 дней:
Шаг 1. Выберите один процесс с высоким объёмом и понятным контролем: ввод счетов или сверка с договорами. Владелец процесса — главный бухгалтер или руководитель казначейства, не ИТ.
Шаг 2. Замерьте базовый уровень: стоимость и время обработки документа, доля ручных касаний, число исключений. Без этого замера эффект потом нельзя будет доказать.
Шаг 3. Соберите обучающий и проверочный набор: 300–500 документов, включая нетипичные. Согласуйте с ИТ-безопасностью контур обработки: своя инфраструктура или российское облако.
Шаг 4. Запустите режим «двойного контроля»: модель предлагает распознанные реквизиты и проводку, сотрудник подтверждает. Фиксируйте каждое исправление — это данные о качестве.
Шаг 5. Сверьте KPI с базовым уровнем и решите, для каких типов документов допускается автоматическое проведение, а для каких сохраняется подтверждение. Решение о масштабировании принимается по доле исключений, а не по доле автоматизации.
Порядок «сначала помощник, потом автономная обработка» экономит деньги. Как показал кейс 11, прототип сверки можно собрать за несколько недель — короткий цикл уместен и для меньших компаний.
Важно!
· Оцифруйте договоры и приведите справочники в порядок до запуска модели: без этого сверка условий не работает.
· Определите перечень операций, где решение остаётся за человеком, со ссылкой на статью 16 152-ФЗ.
· Каждая цифра и ссылка в исходящем документе сверяется с первоисточником до отправки.
Данные и технологииХорошая новость: финансам с ИИ не нужно ничего, чего нет в приличной бухгалтерии. Нужны электронный архив первичных документов, справочники контрагентов и номенклатуры, реестр договоров с условиями в машиночитаемом виде, реестр расходов за 12–24 месяца и права доступа по ролям. Вопрос только в том, в каком всё это состоянии.
Эффект здесь даёт машиночитаемый учёт, а не модель. В ту же сторону бизнес подталкивает и государство: с 1 января 2026 года налоговый мониторинг применяется к 870 компаниям из более чем 20 отраслей, и свыше 70% участников подключены к АИС «Налог-3» с бесшовным обменом данными [173]. Когда налоговая получает данные прямо из учётных систем, хранить договоры в папке со сканами становится как-то неловко.
Технически всё сводится к одной связке: канал, по которому приходят документы (ЭДО, почта, сканер), учётная система и хранилище отчётности. С договорами звеньев больше. Пока условия лежат в PDF, модели попросту не с чем сверять счёт.
Для категоризации затрат главное — история расходов. В одном крупном европейском финансовом институте затраты разложили на четыре уровня и около 400 подкатегорий, и это снизило расходы примерно на 10% от многомиллиардной базы косвенных закупок [89]. Без истории такую классификацию строить не на чем.
Риски и роль человекаВ финансах ошибка модели стоит денег, а иногда и репутации того, кто подписал отчёт. Рисков, о которых стоит договориться заранее, пять.
Персональные данные. Они есть в счетах, авансовых отчётах и выплатах физлицам. Отправить их в ИИ-сервис — значит обрабатывать их со всеми требованиями 152-ФЗ, включая хранение в России. Штрафы за нарушения мы собрали в карте рисков главы 29 [17].
Автоматические решения о людях. Часть 1 статьи 16 152-ФЗ запрещает принимать решения с юридическими последствиями для человека только на основе автоматизированной обработки его персональных данных. Исключения — письменное согласие или прямое указание закона. Оператор при этом обязан разъяснить порядок такого решения и рассмотреть возражение в течение 30 дней [168]. Поэтому отказ в выплате, удержание или блокировку расхода сотрудника всегда решает человек.
Регулируемая отчётность. В отчётности и аудите ответственность с моделью не делится. Американский регулятор аудита PCAOB уже обсуждает сценарий, в котором ИИ проверяет 100% проводок вместо выборки [106], но требования к аудиторским доказательствам от этого мягче не становятся. Рынок пока больше пробует, чем внедряет: в опросе 1 800 организаций почти три четверти уже применяют ИИ в финансовой отчётности, но широко — лишь 10% [81].
Галлюцинации в текстах. Во что обходится непроверенная ссылка в аналитическом документе, хорошо показывает кейс Deloitte Australia [47]. Правило простое: каждая цифра и ссылка в исходящем документе сверяется с первоисточником.
Вендорские цифры. На российском рынке они впечатляют. В Сбере более 700 ИИ-инициатив и около 900 автономных агентов с эффектом свыше 475 млрд рублей, из них более 50 млрд — от генеративного ИИ. В Альфа-банке роботизированные процессы выполняют около 3,5 млн операций в месяц [172]. Но методику расчёта никто не раскрыл, так что это описание масштаба, а не норматив для вашего бизнес-плана.Что же остаётся людям? Бухгалтер перестаёт набивать реквизиты и отвечает за исключения, чистоту справочников и проводки по спорным операциям, а финансовый контролёр — за то, как читать цифры. Так же смотрит на дело и государство как заказчик: в бюджетном процессе ИИ-агент на базе GigaChat должен снизить нагрузку на специалистов до 70%, но «последнее слово всегда будет за человеком» [156]. Да и подпись под отчётом модель за вас не поставит.
Глава 7. HR, обучение и управление знаниями
Коротко о главе
· Быстрый эффект дают тексты найма, HR-помощник по внутренним правилам и поиск по знаниям.
· Решения о людях автоматизировать нельзя: это прямо запрещают 152-ФЗ и Трудовой кодекс.
· Главная подготовительная работа — привести в порядок кадровые документы.
Что из работы HR-подразделения можно доверить ИИ, а что нельзя ни при каких обстоятельствах? Граница здесь проходит довольно чётко. HR больше всего работает с текстами и с людьми. Первая часть автоматизируется хорошо: вакансии, письма кандидатам, описания должностей, ответы на кадровые вопросы, учебные материалы, конспекты интервью. Вторая часть — решение о человеке — остаётся за руководителем, и не только по этическим причинам, но и по прямому требованию закона.
Внедрение ИИ в HR уже можно считать массовым, но при этом неглубоким. В опросе 1 314 российских компаний 57% работодателей так или иначе используют ИИ в HR-задачах, при этом повсеместно применяют его лишь 4%, а 27% подключают инструменты время от времени без стратегии [150].
Начинают обычно с подбора и кадрового администрирования, а оплату труда почти никто не трогает: здесь решение слишком близко к человеку [150].
Третья область, обычно недооценённая, — управление знаниями. Регламенты, инструкции, шаблоны и переписка перестают быть мёртвым архивом, когда по ним можно задать вопрос и получить ответ со ссылкой на документ. Это схема RAG: модель отвечает по найденным корпоративным документам.
СценарииНиже восемь сценариев — с пометкой, насколько каждый сложен для компании без своей команды данных, что для него понадобится и чем его обычно закрывают.
Подготовка текстов найма — вакансия, письма кандидатам, скрипт телефонного интервью. Низкий риск, быстрый эффект. Сложность низкая: профили должностей и tone of voice, готовый LLM-сервис; вакансия готовится быстрее.
Первичная обработка откликов — структурирование резюме, проверка формальных требований, приоритизация. Решение о приглашении принимает рекрутер. Сложность средняя: резюме и требования вакансии, модуль ATS; больше просмотренных резюме за смену.
Конспект интервью и заполнение карточки кандидата после разговора, с согласия участников на запись. Сложность низкая: нужны сами записи, сервис расшифровки плюс LLM; с рекрутера снимается постобработка.
Внутренний HR-помощник по кадровым вопросам — отпуска, справки, ДМС, регламенты. Отвечает по документам компании. Сложность средняя: актуальные кадровые политики, RAG по внутренним документам; поток типовых обращений снижается.
Ассистент адаптации — план первых недель, ответы новичку, напоминания наставнику. Сложность средняя: планы адаптации и регламенты, RAG плюс сценарии; новичок быстрее выходит на результат.
Персональные учебные траектории — подбор материалов под роль и пробелы в навыках, тренажёры диалогов. Сложность средняя: матрица навыков и каталог курсов, LMS с ИИ-модулем; растёт доля завершённых программ.
Корпоративный поиск по знаниям — единый ответ по документам из разных систем со ссылками на источник. Сложность высокая: документы и права доступа, платформа корпоративного поиска; меньше времени на поиск информации.
Анализ обратной связи сотрудников — группировка тем из опросов и выходных интервью для руководителей функций. Сложность низкая: опросы и выходные интервью, API модели плюс аналитика; причины оттока становятся управляемыми.
Начинать разумно с трёх сценариев низкой сложности — текстов найма, конспектов интервью и анализа обратной связи: им хватает готового сервиса или API модели. Корпоративный поиск по знаниям — единственный сценарий высокой сложности: ему нужны упорядоченные документы и права доступа.
Вне этого списка сознательно оставлены: автоматический отказ кандидату, скоринг лояльности, прогноз увольнений с последствиями для человека, ИИ-оценка при аттестации.
Примеры Кейс 13 · уровень B · крупный бизнес. IBM AskHR: сервис кадровых вопросовПроблема: сотрудники IBM работают в разных местах, и в кадровую службу идут однотипные вопросы.
Решение: виртуальный агент AskHR автоматизирует более 80 HR-задач, с 2025 года — и сам выполняет действия.
Результат: по данным компании, в 2024 году — более 11,5 млн обращений; 94% типовых вопросов закрываются без человека, помощником пользуются 99% руководителей. Операционные затраты HR за четыре года снизились на 40%, число заявок с 2016 года — на 75% [65].
Условия успеха: актуальные кадровые политики в понятном машине виде, шесть лет последовательной доработки.
Ограничения: кейс описывает сама компания; база для 94% не раскрыта; вклад ИИ и перестройки процессов не разделён.
Кейс 14 · уровень A · крупный бизнес. iTutorGroup: автоматический отсев по возрастуЧто произошло: программа iTutorGroup (онлайн-репетиторство) отклоняла заявки женщин от 55 лет и мужчин от 60 лет: отказ получили более 200 квалифицированных кандидатов.
Итог: иск EEOC (комиссии США по равенству при найме) о нарушении Age Discrimination in Employment Act закончился мировым соглашением — выплата 365 тыс. долларов и контроль исполнения не менее пяти лет [132].
Вывод: такому отсеву не нужна сложная модель — хватит правила в фильтре. Опасен не алгоритм, а непроверенные критерии отбора. Похожий случай — Amazon отказалась от внутреннего инструмента отбора резюме, предвзятого к женщинам (разработка с 2014 года) [113].
Потенциал и KPIВ HR эффект ИИ виден в трёх местах: в скорости найма, во внутреннем сервисе для сотрудников и в обучении. И есть одна цифра, которая важнее всех остальных.
Найм. Время на подготовку вакансии и письма кандидату замеряйте на 20 вакансиях; база — трудозатраты рекрутера до пилота. Время до первого контакта с кандидатом берётся из журнала ATS, база — медиана за квартал.
Главная цифра — доля кандидатов, получивших отказ без участия человека. Цель здесь одна: ноль. Это не показатель эффективности, а проверка того, что вы не нарушаете закон.
Внутренний сервис. Доля кадровых обращений, которые помощник закрыл сам: ответы без эскалации, делённые на все обращения; переданные человеку считайте отдельно. Ориентир из чужого кейса — 94% у IBM, но там метрику определяли по-своему [65]. Точность помощника проверяет HR-эксперт на выборке из 50 вопросов в неделю, база — первая неделя пилота. А сколько времени сотрудники тратят на поиск информации, проще всего узнать опросом до и после; вендорские обещания вроде «1,5+ часа в неделю на сотрудника» [54] в свой расчёт лучше не переносить.
Адаптация и обучение. Срок выхода новичка на самостоятельную работу сравнивайте со средним по трём последним группам, долю завершённых программ и результат итогового теста — с предыдущим учебным циклом.
Ожидания по численности стоит читать осторожно. В глобальном опросе 39% респондентов ожидают снижения численности из-за ИИ в следующем году, но о фактическом снижении за прошедший год сообщили лишь 14% организаций, использующих ИИ, против 32%, ожидавших сокращений годом ранее; две трети не отмечают изменений [92].
Быстрый стартПлан на следующие 90 дней:
Шаг 1. Выберите два процесса: один в найме (тексты и структурирование откликов) и один во внутреннем сервисе (ответы на кадровые вопросы). Владелец — HR-директор, не ИТ.
Шаг 2. Проведите инвентаризацию знаний: какие политики актуальны, кто их владелец, когда обновлялись. Это самый трудоёмкий и самый полезный шаг. В описанном публично проекте онбординг-ассистента выяснилось, что 40% внутренней документации устарели [135].
Шаг 3. Запустите HR-помощника на 10–15 темах с обязательной ссылкой на документ в каждом ответе и кнопкой перехода к специалисту.
Шаг 4. Включите структурирование откликов. Правило на весь пилот: модель сортирует и подсвечивает, отказ формулирует человек.
Шаг 5. Сверьте KPI с базовым уровнем, зафиксируйте перечень запрещённых сценариев и опубликуйте правила для сотрудников: какие данные нельзя вводить в модель.
Параллельно решите задачу обучения самих сотрудников: без него помощник останется инструментом нескольких энтузиастов (глава 19).
Важно!
· Запретите приказом автоматический отказ кандидату и любое кадровое решение без подтверждения руководителем (статья 16 152-ФЗ, статья 64 ТК РФ).
· У каждой кадровой политики должны быть владелец и дата пересмотра.
· Помощник отвечает сотруднику только по документам, к которым у того есть доступ.
Данные и технологииДля HR с ИИ нужно то, что в хорошем кадровом отделе и так есть: актуальные кадровые политики, профили должностей, матрица навыков, каталог обучения, база резюме в ATS и права доступа по ролям и подразделениям. Начнём с последнего — на нём держится всё остальное.
Помощник по знаниям должен отвечать сотруднику только по тем документам, которые этому сотруднику разрешено видеть. Иначе корпоративный поиск превращается в канал утечки: достаточно удачно сформулировать вопрос, чтобы узнать, сколько получает сосед по кабинету и за что ему объявили выговор.
Технически нужна связка из трёх звеньев: ATS или кадровая система, хранилище документов и канал, через который сотрудник общается с помощником, — мессенджер или портал. Обучение добавляет четвёртое звено — LMS с учётом пройденных программ.
У каждого документа в базе знаний должны быть владелец и дата актуализации. Помощник ровно настолько хорош, насколько хороша база: устаревший регламент он перескажет так же уверенно и убедительно, как свежий. И кто потом будет разбираться, почему сотрудник оформил отпуск по правилам трёхлетней давности?
Отдельно о голосе. Запись голоса становится биометрическими персональными данными, если по ней устанавливают личность, и тогда нужно письменное согласие сотрудника (статья 11 152-ФЗ) [17]. Прежде чем запускать голосового помощника, выясните у юриста, не ваш ли это случай.
Риски и роль человекаВ HR модель работает с самым чувствительным, что есть в компании, — с людьми и их данными. Поэтому и рисков здесь больше, чем в других функциях.
Персональные данные. Резюме, оценки, медицинские сведения, данные о семье — всё это персональные данные, а часть из них относится к специальным категориям. Ответственность за нарушения мы собрали в главе 29 [17]. Согласие кандидата на обработку и срок хранения резюме определите до запуска инструмента.