ИИ для малого и среднего бизнеса: сценарии, которые уже работают

Использование инструментов на основе машинного обучения (ИИ, англ. AI) все основательнее входит в повседневную практику пользователей различных уровней: от частных лиц до организаций всех масштабов. Недавнее развитие и рост популярности генеративного ИИ открывает доступ к многообразию прикладных решений не только для больших корпораций, но и для малого и среднего бизнеса (МСБ). Сегодня внедрение ИИ в бизнес-процессы происходит точечно и бесшовно — это позволяет компаниям получать ощутимые финансовые эффекты уже на краткосрочном горизонте. 

В мировой практике накоплено достаточно примеров того, как решения на основе ИИ помогают небольшим и средним компаниям повышать эффективность и добиваться заметных экономических эффектов. По оценкам McKinsey, основанным на анализе 63 вариантов использования генеративного ИИ, его повсеместное внедрение могло бы приносить от 2,6 до 4,4 триллионов долларов ежегодно. ИИ-ассистенты уже существенно изменили сферу клиентской поддержки. Так, их внедрение в одной из компаний позволило на 14% увеличить количество вопросов, разрешаемых за час, а время, затрачиваемое на решение проблемы, уменьшилось на 9%. По расчетам аналитиков, использование генеративного ИИ может повысить производительность функции клиентского сервиса на 30–45%. 

Помимо автоматизации клиентской поддержки, малый и средний бизнес все чаще применяет инструменты на основе искусственного интеллекта для решения прикладных задач — от интеллектуальной обработки документов и классификации обращений клиентов до распознавания речи и суммаризации звонков. Такие решения не требуют масштабных внедрений, больших ИТ-команд или глубокой перестройки корпоративной архитектуры.

Разберем, как именно работают эти инструменты и какие задачи они помогают решать.

ИИ агенты в бизнес-процессах

На сегодняшний день сегмент ИИ-агентов в России оценивается в 20-40 млрд рублей, при этом его ежегодный рост составил  22,3% — это один из самых быстрорастущих сегментов ИТ-рынка. По данным исследований, внедрение ИИ-агентов в существующие процессы call-центров может привести к снижению времени решения пользовательских вопросов на 20-40%.

ИИ агенты — это следующая ступень эволюции уже известных всем чат-ботов. Они работают на базе больших языковых моделей (англ. LLM), благодаря чему могут не только вести диалог на естественном языке, но и искать релевантную информацию в подключенных базах знаний (с помощью технологии retrieval augmented generation — RAG), а также использовать вызовы инструментов (англ. tool-calling), которые дают агентам доступ во внешний мир.

Важно подчеркнуть, что на сегодняшний день в промышленной среде речь идет о внедрении полуавтономных агентов — они следуют предопределенному плану, выполняя задачи пошагово. Следующим этапом станет переход на архитектуры автономных агентов и мультиагентных систем, которые уже активно исследуются  в научном сообществе.

Классификация пользовательских обращений

Задача классификации пользовательских обращений заключается в автоматическом отношении входящих обращений от пользователей, поступающих через различные каналы коммуникации, к определенным темам или категориям. По заявлениям экспертов, такие решения помогают экономить время сотрудников в эквиваленте 1-3 FTE за год и сокращать количество просроченных обращений на 50%, тем самым помогая компаниям соблюдать заявленный SLA.

Подобные решения анализируют обращения по смыслу, а не по ключевым словам, например, за счет векторных представлений текста, позволяя понимать контекст и оценивать истинное намерение в обращении пользователя. После классификации обращения направляются соответствующему сотруднику или отделу в зависимости от выделенной категории. 

Функциональность сервиса обеспечивается как большими языковыми моделями, так и классическими методами обработки естественного языка — это позволяет избежать больших затрат на инфраструктуру.  

Внедрение ИИ-сервиса классификации обращений минимизирует время на ручную маршрутизацию, сокращает время обработки обращений службой поддержки, снижает нагрузку на сотрудников, упрощает работу в ITSM и CRM системах.

Альтернативным способом ускорения работы службы поддержки являются классические чат-боты (при необходимости они могут быть интегрированы с внешними мессенджерами). Например, некоторые современные отечественные платформы позволяют настраивать  чат-боты в режиме no-code, а также  поддерживают  общение с клиентами через популярные мессенджеры, — напрямую или через бота. Это снижает нагрузку на операторов и сокращает время ожидания ответа: бот быстро и точно обрабатывает  типовые запросы и выполняет нужные предопределенные действия.

Интеллектуальная обработка документов (IDP) 

По оценкам экспертов, ИИ способен обеспечить прирост продуктивности  на 20%-60% для сотрудников, работающих с извлечением данных из документов, тем самым ускоряя принятие решения (напр. кредитный риск) на 30%. ИИ-сервисы могут оценивать контрагентов и осуществлять мониторинг финансово-хозяйственной деятельности. Приложения могут извлекать данные из бухгалтерских документов — баланса, отчетов о финансовых результатах и о движении денежных средств, — даже если они доступны только в виде сканов или фотографий, переводить их в цифровой формат (XLSX, XML, JSON) и загружать в учетную систему или БД для анализа, интеграции и автоматизации. 

Интеллектуальная обработка документов подразумевает, в первую очередь, извлечение ключевых атрибутов. Так, из устава организации можно извлечь следующие атрибуты: название юридического лица, ИНН, ОГРН, адреса, сведения об учредителях, размере уставного капитала, органах управления и др. На более глубоком уровне обработка документов включает в себя поиск формулировок, к примеру, в договорах, и их проверка на соответствие как внешним регламентам и законодательству, так и внутренним нормативам компании.

ИИ-сервисы способны заполнять нужные поля в CRM-системах, кредитном или транзакционном конвейере для МСБ или корпоративных клиентов, в различных анкетах. А еще они могут  извлекать данные из изображений гражданского и заграничного паспортов, ID-карт, автоматически распознают ФИО, дату рождения, серию и номер документа и другую информацию для использования в системах, для мониторинга и в антифрод-системах. 

Традиционно, в качестве основы таких систем используются алгоритмы выделения областей на изображениях и OCR движки извлечения текста. С появлением мультимодальных языковых моделей (англ. multimodal LLMs) появляется возможность значительно улучшить точность и эффективность работы традиционных сервисов благодаря быстрой адаптации под новые типы документов и минимальных требованиях к размеру обучающих данных.

Использование таких сервисов помогает сократить время на ввод данных, снизить влияние человеческого фактора и ускорить выполнение операций.

Помощь с ИИ-скорингом и сегментацией клиентов

Сегодня оформление экспресс-кредитов в банках занимает в среднем 15–20 минут. В основе — автоматизированные запросы в БКИ и встроенные скоринговые модели, ИИ же здесь используется как «второе мнение»: он рассматривает профиль заемщика шире, чем это возможно при стандартных расчетах, учитывает дополнительные данные о его платежеспособности и прогнозирует вероятность успешного обслуживания кредита. Для этого ИИ-сервис обучает ML-модель, основываясь на размеченной исторической базе показателей клиентов (в том числе с применением регрессионных моделей), и с ее помощью проводит сегментацию портфеля. 

Такой подход применяется не только в кредитовании, но и в таргетированном маркетинге: банк может заранее предложить клиенту решение, которое с наибольшей вероятностью будет ему полезно. Эти технологии находят применение также при отборе партнеров и клиентов, прескоринге и скоринге юридических лиц, как корпоративных, так и МСБ.

Распознавание лиц и анализ поведения в реальном времени

Сервисы распознавания лиц на базе искусственного интеллекта позволяют идентифицировать людей по изображениям и видеопотоку как в реальном времени, так и в записи «оффлайн». Они могут работать с фотоархивами или видеозаписями, определять лица в кадре, сверять их с базами поиска, отслеживать перемещения и фиксировать действия человека. 

Вопреки распространенному мнению, видеоаналитика востребована не только в сфере безопасности. Помимо контроля доступа и предотвращения мошенничества, она помогает оцифровать поведение клиента: от входа в помещение до выхода из него, отслеживать реакцию персонала и скорость обслуживания. Также технология используется для мгновенной идентификации клиентов и повышения уровня сервиса и лояльности.

Распознавание речи и суммаризация  звонков

Недавний прогресс в генеративном ИИ породил новый класс систем, который называется meeting intelligence — они позволяют автоматически транскрибировать запись звонка, разделять участников звонка (диаризация), подводить краткие итоги обсуждений (суммаризация) и выделять важные фрагменты. Анализируя международные и российские рынки, очевидно, что большинство популярных мессенджеров и систем видеоконференцсвязи уже поддерживают функции meeting intelligence.

С технической точки зрения такие системы реализованы при помощи моделей распознавания речи (англ. speech-to-text), методов определения активности голоса (англ. voice activity detection) и идентификации говорящего (англ. speaker recognition). Конечно, не обошлось и без больших языковых моделей, использующихся для суммаризации транскрибированной речи и выделения важных аспектов в ней. Важным является возможность переиспользования вышеуказанных сервисов вне систем meeting intelligence, например, в сфере общественной безопасности, совершенствовании работы колл-центров и отделов продаж при анализе звонков с клиентами. 

Исследования показывают, что функции  meeting intelligence позволяет сократить время на обработку документов на 60–80%. Сферы применения этого сервиса многочисленны. Это автоматизация делопроизводства и продаж, совершенствование работы колл-центров, работа голосовых помощников, создание субтитров, маркетинговые исследования, создание контента, аудиокниг и др.

Генерация бизнес-приложений по текстовой инструкции

Автоматическое создание бизнес-приложений по текстовой инструкции (или промпту) является адаптацией парадигмы vibe coding под low-code и no-code платформы. Обычно создание приложений начинается с проектирования модели данных или объектной модели, включающей в себя сущности, их атрибуты и связи между ними. 

Под капотом у генерации объектной модели по текстовому описанию чаще всего скрываются большие языковые модели, которые генерируют ответы в структурированном виде на основе системного и пользовательского промптов. Затем, структурированный ответ преобразуется в объекты самой платформы посредством вызова ее API. В ближайшем будущем будет реализована возможность использовать для генерации не только пользовательское описание системы, но прикреплять документы (напр. бизнес-требования) это позволит еще сильнее сократить время работы бизнес-аналитика.

Иными словами,  сегодня внедрение ИИ в реальные бизнес-сценарии является ключевым средством обеспечения конкурентного преимущества, в особенности для компаний из сектора МСБ.  Благодаря платформенным решениям компании могут внедрять ИИ-инструменты быстро и без чрезмерной нагрузки на бюджет. Платформенный подход не требует брать риски разработки глобальной ИИ-стратегии на себя, а, наоборот, дает возможность постепенно расширять применение умных алгоритмов, двигаясь небольшими шагами.