Как выбрать сценарий для ИИ: идеи для СМБ

Большинство проектов ИИ в малом и среднем бизнесе проваливаются не потому, что нейросеть «не сработала», а потому, что сценарий выбрали неправильно. Компания берёт модный инструмент — генеративный чат, видеоаналитику, предиктивную аналитику — и пытается приладить его к процессам, которые к этому не готовы: нет данных, нет измеримой метрики, нет владельца процесса.

Наш опыт внедрений показывает: итоговый результат на 70–80% определяется выбором первого сценария, а не качеством модели. Удачный пилот — это задача с понятным эффектом в деньгах, доступными данными и коротким циклом запуска. Ниже — 10 рабочих сценариев ИИ для СМБ, критерии отбора и чек-лист, по которому мы запускаем пилоты у клиентов. Если нужна помощь в оценке и внедрении — делаем это в рамках разработки и внедрения ИИ для бизнеса.

Почему первый сценарий важнее модели

Современные LLM, модели распознавания и прогнозирования достаточно сильны, чтобы закрыть 90% типовых задач СМБ «из коробки». Разница между успешным и провальным проектом почти всегда лежит не в архитектуре модели, а в трёх вещах: правильный ли выбран процесс, есть ли данные для обучения и кто отвечает за результат.

Первый пилот решает ещё одну задачу — он формирует в компании компетенцию. Команда учится готовить данные, формулировать промпты, проверять ответы модели и считать эффект. Поэтому первый сценарий должен быть коротким и предсказуемым: запуск за 2–6 недель, измеримый результат за первый месяц. Проект, который «взлетит через полгода», для первой попытки не подходит.

Отдельный аргумент — риски. В отличие от внедрения классической учётной системы, у ИИ-проекта выше неопределённость результата: модель может ошибаться, качество зависит от данных. Управлять этой неопределённостью проще на маленьком процессе, где ошибку видно сразу и её недорого исправить. Это же правило работает и с подрядчиком: надёжнее начинать с команды, которая уже сопровождает вашу инфраструктуру, например в формате ИТ-аутсорсинга, чем собирать ИИ-проект с нуля с незнакомым исполнителем.

Три критерия отбора: эффект, данные, сложность

Мы оцениваем каждый кандидат-сценарий по трём осям. Если хотя бы одна «проседает», пилот стоит отложить или переформулировать.

Эффект — можно ли посчитать в деньгах

Эффект должен выражаться в рублях или часах, а не в абстрактном «улучшении качества». Хорошие формулировки: «снизить нагрузку на поддержку на 40%», «сократить ручной ввод с 10 до 2 минут на документ», «уменьшить избыточные остатки на 15%». Плохие: «повысить вовлечённость», «стать инновационнее». Если эффект не удаётся привязать к конкретному процессу и метрике — сценарий сырой.

Данные — что уже есть в компании

ИИ учится на исторических данных: переписка, тикеты, документы, выгрузки из 1С, записи звонков, видеопоток. Чем чище и полнее эти данные, тем дешевле и быстрее запуск. Если данных нет и их нужно собирать «с нуля» полгода — это сигнал, что сценарий преждевременный. Минимальный порог для большинства задач — 1–2 тысячи размеченных примеров или хотя бы структурированная выгрузка за 12 месяцев.

Сложность — интеграции и регламенты

Сложность определяют не столько сами алгоритмы, сколько окружение: нужно ли встраиваться в учётную систему, менять регламенты сотрудников, подключать оборудование, проходить требования по персональным данным. Сценарий с минимальными интеграциями (например, ассистент, который работает поверх существующего почтового ящика) запускается за недели. Сценарий с видеокамерами и интеграцией в 1С — за месяцы.

Матрица 10 сценариев ИИ для СМБ

Ниже — 10 сценариев, которые чаще всего приносят измеримый результат в малом и среднем бизнесе. Оценки усреднённые: в конкретной компании цифры зависят от объёма операций и качества данных. «Сложность» — это совокупная оценка интеграций, данных и времени до первого результата.

Сценарий	Эффект	Данные	Сложность
Чат-бот поддержки на базе знаний	30–60% типовых обращений без оператора	База знаний, FAQ, история тикетов	Средняя
Классификация и маршрутизация обращений	Экономия 1–2 часов в день у менеджера	История писем и тикетов	Низкая
Генерация контента и описаний товаров	Ускорение подготовки контента в 3–5 раз	Каталог, УТП, бренд-бук	Низкая
Персонализация рассылок и сегментация	Рост открываемости на 15–30%	CRM, история покупок	Средняя
Распознавание документов (OCR + LLM)	Ручной ввод 5–10 мин → 30–60 секунд	Сканы накладных, счетов, актов	Средняя
Проверка договоров и юрскоринг	Проверка типового договора в 3–4 раза быстрее	Шаблоны договоров, реестр рисков	Средняя
Ассистент менеджера продаж	+15–20% к скорости подготовки КП	CRM, скрипты, записи звонков	Средняя
Прогнозирование спроса и остатков	Снижение избыточных остатков на 10–25%	История продаж за 2+ года	Высокая
Видеоаналитика: очереди, полки, безопасность	Сокращение очередей, контроль выкладки	Видеопоток с камер	Высокая
Интеграция с 1С: сверка и автозаполнение	Ручная сверка документов −50–70%	Выгрузки 1С, справочники номенклатуры	Средняя

Общее правило: для первого пилота берите сценарий с «низкой» или «средней» сложностью и эффектом, который можно замерить за 30 дней. Прогноз спроса и видеоаналитика — сильные сценарии, но их разумнее запускать вторым или третьим проектом, когда команда уже отработала процесс внедрения.

Разбор сценариев: эффект, данные, риски

Коротко о каждом сценарии — где он даёт максимум и на что смотреть при запуске.

1. Чат-бот поддержки на базе знаний

Модель отвечает на типовые вопросы клиентов и сотрудников, опираясь на базу знаний и историю обращений. Даёт быстрый эффект там, где много однотипных вопросов: «где заказ», «как оформить возврат», «какие условия доставки». Главный риск — галлюцинации модели на вопросы, которых нет в базе. Поэтому обязателен режим «не знаю — передаю оператору» и регулярная выверка ответов. Замеряем долю обращений, закрытых без участия человека, и среднее время ответа.

2. Классификация и маршрутизация обращений

Самый дешёвый и быстрый сценарий. ИИ читает входящие письма и заявки, определяет тему, приоритет и ответственного, добавляет теги. Эффект — менеджер перестаёт вручную сортировать почту и пропускает меньше срочных заявок. Данных нужно немного: история писем с уже проставленными тегами за 3–6 месяцев. Запускается за 2–3 недели.

3. Генерация контента и описаний товаров

Генерация карточек товаров, описаний услуг, постов и писем по шаблону и УТП компании. Эффект заметен в e-commerce и у маркетинговых команд, где контент — узкое место. Риск — однотипные тексты, если не задать стиль и фактуру. Лечится бренд-буком в промпте и обязательной вычиткой редактора. Сложность низкая: работает поверх существующего каталога или CRM.

4. Персонализация рассылок и сегментация

ИИ строит сегменты и подбирает предложения под историю покупок. Даёт рост открываемости и конверсии в рассылках, но требует чистого CRM: без дублей клиентов и с историей сделок. Частая ошибка — запускать персонализацию, когда в CRM «каша». Сначала наведите порядок в данных, иначе модель сегментирует мусор.

5. Распознавание документов (OCR + LLM)

Связка оптического распознавания и языковой модели извлекает из сканов накладных, счетов и актов нужные поля и заносит их в учётную систему. Эффект — бухгалтерия и логистика перестают перепечатывать документы руками. Точность на типовых формах достигает 95–98%, но требует настройки под ваши шаблоны и контроль исключений. Хороший кандидат, если в день обрабатываются десятки однотипных документов.

6. Проверка договоров и юрскоринг

Модель сверяет входящий договор с шаблоном компании и помечает отклонения: изменённые сроки, штрафы, ответственность. Юрист проверяет не весь документ с нуля, а только выделенные зоны риска. Эффект — ускорение типовой проверки в 3–4 раза. Важно: модель — ассистент, а не замена юристу; финальное решение всегда за человеком. Данные — шаблоны договоров и накопленный реестр правок.

7. Ассистент менеджера продаж

ИИ готовит черновик КП, резюмирует звонок, подсказывает следующий шаг по сделке и пишет follow-up. Эффект — менеджеры тратят меньше времени на рутину и не теряют сделки из-за забытых касаний. Сценарий опирается на CRM и записи звонков; качество резюме зависит от качества расшифровки. Замеряем время подготовки КП и конверсию этапов воронки.

8. Прогнозирование спроса и остатков

Модель предсказывает спрос по SKU и помогает формировать заказ поставщику, снижая избыточные остатки и дефицит. Потенциально самый «денежный» сценарий для торговли и производства, но и самый требовательный: нужна история продаж за 2–3 года, очищенная от акций и аномалий. Запуск дольше, поэтому в первый проект его обычно не берут. Кейсы внедрений аналитики смотрим в нашем портфолио.

9. Видеоаналитика: очереди, полки, безопасность

Компьютерное зрение считает посетителей, оценивает очереди, контролирует выкладку на полках и фиксирует инциденты. Эффект измеряется в сокращении времени ожидания и потерях на «выпадении» товара. Требует камер и стабильного видеопотока, поэтому это проект с заметными вложениями в инфраструктуру. Разумный выбор для розницы с несколькими точками продаж.

10. Интеграция с 1С: сверка и автозаполнение

ИИ сопоставляет документы поставщиков с номенклатурой в 1С, подбирает позиции, заполняет реквизиты и подсвечивает расхождения. Эффект — сверка и ввод первички занимают вдвое-втрое меньше времени и реже содержат ошибки. Сценарий «приземлённый» и понятный бухгалтерии, но требует аккуратной работы с выгрузками и справочниками, поэтому оценивается как средний по сложности.

Типичные ошибки первого внедрения

Эти пять ошибок мы видим чаще всего — и они обходятся дороже самой модели.

1. Сценарий «ради технологий». Компания хочет «внедрить ИИ», а не закрыть конкретную боль. Без метрики эффекта проект заканчивается демо, которое никто не использует. Начинайте с процесса, который реально тормозит работу, а не с инструмента.
2. Грязные данные. Модель учат на дублях CRM, неполных выгрузках и разрозненных файлах. Результат — низкое качество ответов и разочарование. Порядок в данных — это 50% успеха, остальное — алгоритм.
3. Завышенные ожидания точности. От модели ждут 100% и отключают при первой ошибке. Корректная постановка — модель снимает 70–80% рутины, человек проверяет исключения. Внедряйте контур контроля с первого дня.
4. Нет владельца процесса. ИИ-проект без ответственного сотрудника, который следит за качеством и метриками, «умирает» через месяц после запуска. Владелец должен быть назначен до старта пилота.
5. Игнорирование 152-ФЗ и безопасности. Передавать персональные данные и внутренние документы во внешние сервисы без соглашений и разграничения доступа нельзя. Продумайте, где хранятся данные и кто имеет к ним доступ, до подключения модели.

Показательный маркер готовности — отзывы: компании, которые до запуска чётко описали процесс и метрику, редко пишут в отзывах, что «ИИ не оправдал ожиданий». Технических сюрпризов у зрелых моделей почти нет, организационных — предостаточно.

Как посчитать эффект до запуска

Эффект пилота считаем по простой схеме: берём процесс, оцениваем его текущую стоимость и долю, которую снимет модель.

Пример для обработки входящих документов. Бухгалтер тратит на ввод одной накладной 6 минут, в месяц таких документов 800. Это 80 часов в месяц. При ставке сотрудника 400 ₽/час ручной ввод стоит около 32 000 ₽ в месяц. Если модель снимает 70% ввода с точностью, при которой проверка занимает 1 минуту вместо 6, экономия — порядка 20 000 ₽ в месяц. Окупаемость пилота в этом случае — 3–6 месяцев при бюджете проекта 100–200 тысяч рублей.

Общая формула: Экономия = объём операций × время на операцию × стоимость часа × доля автоматизации. Сравните её с бюджетом пилота — и получите срок окупаемости. Ориентиры по стоимости таких проектов мы публикуем в разделе с ценами; диапазон зависит от сценария и объёма интеграций, поэтому конкретную цифру считаем после аудита процесса.

Важно закладывать в расчёт не только модель, но и сопровождение: обновление базы знаний, переобучение на новых данных, мониторинг качества. Эти затраты регулярные и составляют 10–20% от бюджета внедрения в год. Если их не учесть, проект «съест» эффект через полгода.

Чек-лист запуска пилота

Перед стартом пройдите по этому списку. Если на пункт нет ответа — сначала закройте его, потом запускайте модель.

1. Процесс выбран. Есть конкретная операция, которая тормозит работу, и понятно, кто её выполняет сегодня.
2. Метрика зафиксирована. Эффект выражен в рублях или часах, замер сделан «до» внедрения.
3. Данные собраны. Есть история операций за 6–12 месяцев, она очищена от дублей и ошибок.
4. Владелец назначен. Назван сотрудник, отвечающий за качество и метрики после запуска.
5. Контур контроля определён. Решено, кто и как проверяет ответы модели, что происходит с ошибками.
6. Границы автоматизации оговорены. Понятно, какие случаи модель решает сама, а какие передаёт человеку.
7. Безопасность продумана. Соблюдены требования 152-ФЗ, доступы разграничены, данные не уходят наружу без соглашений.
8. Бюджет и срок окупаемости посчитаны. Экономия по формуле выше покрывает бюджет пилота за разумный срок.
9. План масштабирования есть. Понятно, что делаем после успешного пилота: расширяем базу, подключаем новые процессы, тиражируем на другие отделы.
10. Команда зафиксирована. Определены исполнители внедрения и сопровождения — внутренние или подрядчик.

Если по большинству пунктов есть уверенность — сценарий готов к запуску. Осталось обсудить детали с инженерами: оценить данные, бюджет и сроки. Связаться с нами можно через страницу контактов, а чтобы не тратить время на переписку — сразу приложить описание процесса и примеры документов.

Частые вопросы

Полезно на сайте: внедрение ИИ в бизнес, ИТ-аутсорсинг, цены, отзывы клиентов.