Автоматизация бизнеса с помощью ИИ: с чего начать и где она окупается

Представьте менеджера небольшой оптовой компании. Утро у него начинается одинаково: открыть почту, переписать заявки в таблицу, проверить наличие на складе, ответить каждому клиенту почти одними и теми же словами. К обеду руки доходят до звонков, ради которых его нанимали. В Datamill мы используем ИИ там, где правил не написать, например для разбора отзывов по темам, а остальное делаем обычными скриптами.

Владелец слышит со всех сторон, что пора «внедрить ИИ», и покупает подписку на чат-бота. Через месяц ничего не меняется: заявки по-прежнему переписывают руками, а бот отвечает на вопросы, которые никто не задаёт. Ошибка была в начале. Сначала нужно было понять, какую работу автоматизировать, и только потом выбирать инструмент.

Ниже порядок, которым мы пользуемся сами: как найти рутину, где хватит обычного скрипта, где действительно нужна нейросеть, как посчитать окупаемость и что закон говорит о данных клиентов.

Что такое автоматизация бизнес-процессов и при чём здесь ИИ

Автоматизация бизнес-процессов — это когда повторяющуюся работу делает программа по заранее понятным правилам, а человек проверяет результат или вмешивается в исключения. Перенос заявки из формы в таблицу, ежедневная выгрузка цен, напоминание клиенту накануне визита, отчёт первого числа месяца — всё это автоматизация, и для большей части таких задач ИИ не нужен.

ИИ в разговорах про бизнес чаще всего означает языковые модели: программы, которые понимают и пишут текст. Их сила там, где правило не запишешь заранее. Письмо клиента может быть сформулировано сотней способов, отзыв может жаловаться на доставку, не произнося слова «доставка», а реквизиты в счёте разных поставщиков стоят в разных местах. Здесь языковая модель делает то, что раньше мог только человек.

Отсюда главный вопрос, с которого стоит начинать любой проект: можно ли описать задачу правилами. Если можно, нужен скрипт: он дешевле, быстрее и всегда даёт один и тот же результат. Если нельзя, нужен ИИ, но с проверкой, потому что модель иногда ошибается и делает это уверенно.

Задача	Чем закрывать	Почему
Перенести заявку из формы в таблицу или CRM	Скрипт	Поля всегда одни и те же
Собирать цены конкурентов каждое утро	Скрипт	Страницы устроены одинаково
Отправить напоминание накануне записи	Скрипт	Правило: за сутки до времени
Построить отчёт первого числа	Скрипт	Расчёт описывается формулами
Разобрать свободное письмо и понять, что просит клиент	ИИ	Формулировки каждый раз разные
Отнести тысячу отзывов к темам жалоб	ИИ	Одну мысль пишут разными словами
Вытащить сумму и реквизиты из счетов разных поставщиков	ИИ и проверка	Шаблоны у всех разные, цифры важны
Подготовить черновик ответа клиенту	ИИ и человек	Отправляет человек, модель экономит время

Когда хватит обычного скрипта: наши примеры

Большая часть того, что мы автоматизировали для клиентов и для себя, работает без языковых моделей. Три примера из наших кейсов.

Ежемесячный отчёт о рынке вакансий. Для заказчика из аутсорсинга мерчандайзинга каждое первое число в 01:00 по Москве запускается расписание: сборщики проходят пять площадок, классификатор отделяет нужные профессии от чужих отраслей и склеивает дубли, затем строятся отчёты для личных кабинетов клиентов заказчика. Классификатор работает на правилах, без нейросети. Если отчёт не собрался, кабинеты показывают прошлый месяц, а нам приходит сообщение в Telegram. Подробности — в кейсе о кабинетах мониторинга вакансий.

Статистика сайта без счётчиков. Скрипт раз в 10 минут разбирает журнал веб-сервера, отсеивает роботов и складывает итог на закрытую страницу. Человек в этом не участвует совсем, а правила отсева описаны явно и проверяемы. Как это устроено, показано в кейсе «Статистика сайта без Метрики и cookie», а что такое дашборд вообще — в статье «Что такое дашборд простыми словами».

Мониторинг цен конкурентов. Каждый день сборщик открывает карточки нужных товаров, записывает цену, наличие и дату, а история изменений копится в дашборде. Это тоже правила: страница конкурента устроена одинаково, пока он не поменяет вёрстку.

В этих задачах ИИ сделал бы работу дороже и менее предсказуемой. Правило «объявление старше 35 дней в расчёт не берём» скрипт выполнит одинаково миллион раз. Языковую модель пришлось бы проверять.

Где ИИ действительно помогает

Вот задачи, в которых языковые модели дают то, чего не дают правила. Во всех примерах за моделью остаётся проверка, а решение принимает человек.

Разбор входящих писем и заявок. Модель читает свободное письмо и раскладывает его на поля: что за товар, сколько, к какому сроку, есть ли вопрос, на который нужен ответ человека. Дальше обычный скрипт переносит поля в таблицу или CRM. Так из утренней рутины менеджера уходит переписывание, а проверка остаётся.

Темы отзывов. Тысяча отзывов обычно сводится к десятку повторяющихся тем, но покупатели называют одну проблему разными словами. Модель относит каждый отзыв к теме, а сводку уже можно считать. Как мы работаем с отзывами, описано на странице «Анализ отзывов».

Реквизиты и суммы из документов. Счета и акты разных поставщиков выглядят по-разному, и шаблон под каждого не напишешь. Модель находит нужные поля, но цифры после неё нужно сверять: в сканах цифры распознаются с ошибками чаще, чем буквы. Сверку пакета документов между собой мы делаем в услуге «Проверка документов на расхождения».

Черновики ответов. Модель готовит ответ на типовой вопрос или отзыв, человек правит и отправляет. Отправлять клиентам текст без чтения мы не советуем: тон и факты в ответе — ответственность компании.

Поиск по внутренним документам. Сотрудник спрашивает своими словами, где лежит регламент или какие условия у конкретного поставщика, а модель находит нужный кусок в базе документов компании и даёт ссылку на источник.

Сводки длинной переписки. Из длинной цепочки писем модель делает короткую выжимку: о чём договорились, что осталось открытым. Это экономит время руководителю, который подключается к задаче на середине.

Примеры автоматизации бизнес-процессов по отделам

Вот как это раскладывается по обычной небольшой компании. В левой колонке — что закрывается правилами, в правой — где пригодится языковая модель.

Отдел	Скрипт и правила	Языковая модель
Продажи	Заявки с сайта и из Telegram — в CRM, напоминания о повторной покупке, отчёт по менеджерам	Разбор свободных писем, черновики ответов на типовые вопросы
Закупки и склад	Остатки и сигнал, когда товар заканчивается, сбор цен поставщиков	Сравнение коммерческих предложений, написанных в разной форме
Бухгалтерия	Сверка выписки с оплатами, отчёты по расписанию	Реквизиты и суммы из счетов разных поставщиков, с проверкой
Маркетинг	Сбор цен конкурентов, статистика сайта, выгрузка рекламных отчётов	Темы отзывов, черновики ответов на отзывы
Найм	Сбор вакансий рынка и зарплатных вилок	Первичная сортировка откликов по требованиям, решение за человеком
Руководитель	Дашборд с главными цифрами	Сводка длинной переписки и протоколов встреч

В каждой строке правила идут первыми. Модель добавляют туда, где правила заканчиваются.

Во всех этих случаях ИИ работает в связке с обычной автоматизацией. Модель понимает текст, скрипт переносит результат куда нужно, человек проверяет то, что влияет на деньги и отношения с клиентами.

С чего начать: шесть шагов

1. Запишите рутину. Неделю отмечайте повторяющиеся задачи: что делается, кем, как часто и сколько времени занимает. Без этого списка автоматизация превращается в покупку инструмента, под который потом ищут задачу.
2. Посчитайте часы. Умножьте время на частоту. Пятнадцать минут три раза в день — это больше 15 часов в месяц на одного сотрудника.
3. Выберите один процесс. Лучший кандидат повторяется каждый день, устроен одинаково и занимает больше всего часов. Когда начинают с пяти процессов сразу, обычно ни один не доходит до конца.
4. Решите, правила или ИИ. Если задачу можно описать фразами «если — то», нужен скрипт. Если нужно понимать свободный текст, нужна модель, и сразу решите, кто и как проверяет её результат.
5. Запустите пилот на реальных данных. Две-три недели автоматизация работает параллельно с человеком, а вы сравниваете результаты. Так видно, где она ошибается, до того как от неё начнут зависеть.
6. Измерьте результат. Сколько часов освободилось, сколько ошибок нашли при проверке, сколько стоит поддержка. По этим цифрам решайте, что автоматизировать следующим.

Если трудно сформулировать задачу для исполнителя, начните с того, что беспокоит, своими словами. Как это сделать без технических терминов, показано в статье «Как поставить задачу на парсинг».

Как посчитать, окупится ли автоматизация

Расчёт простой, и его стоит сделать до разговора о разработке.

Экономия в месяц = часы на задачу в месяц × стоимость часа сотрудника.

Окупаемость в месяцах = стоимость разработки ÷ (экономия в месяц − поддержка в месяц).

Пример на условных цифрах. Менеджер тратит на перенос заявок 2 часа в день, в месяце 21 рабочий день, час его работы обходится компании в 600 ₽. Экономия — 2 × 21 × 600 = 25 200 ₽ в месяц. Если разработка стоит 100 000 ₽, а поддержка 5 000 ₽ в месяц, автоматизация окупится примерно за пять месяцев: 100 000 ÷ (25 200 − 5 000).

Три поправки, о которых часто забывают. Освободившиеся часы приносят деньги, только если сотрудник тратит их на полезную работу. Поддержка нужна всегда: источники меняются, и автоматизацию приходится чинить. А у решений с ИИ есть ещё и плата за обращения к модели, которая растёт вместе с объёмом. Если в расчёте выходит больше года, начните с другого процесса.

Где автоматизация ломается

Источник поменялся. Сайт конкурента сменил вёрстку, площадка поменяла формат выгрузки, поставщик прислал счёт в новом шаблоне. Скрипт перестаёт работать или, хуже, начинает работать неправильно. В нашем проекте с вакансиями при сверке с сайтами нашлась площадка, объявления которой в отчёт не попадали вовсе. Поэтому у каждой автоматизации должна быть проверка результата и сообщение при сбое.

Модель ошиблась уверенно. Языковая модель может выдать правдоподобный, но неверный ответ: перепутать сумму, придумать реквизит, неправильно понять просьбу клиента. Чем ближе решение к деньгам, тем обязательнее проверка человеком.

Автоматизировали хаос. Если процесс каждый раз идёт по-разному и правила не договорены даже между сотрудниками, программа повторит этот беспорядок быстрее. Сначала процесс описывают, потом автоматизируют.

Никто не отвечает. Автоматизация без ответственного живёт до первого сбоя. У каждой должен быть человек, который получает сообщения об ошибках и знает, что делать.

Подробно по отдельным инструментам

Эта статья — общий обзор. Об отдельных инструментах мы в Datamill написали подробнее:

• «ИИ-агент для бизнеса» — что агент делает сам, как создать первого и что ему нельзя доверять;
• «Нейросеть для Excel и таблиц» — что нейросеть умеет с таблицами и где ошибается;
• «n8n для малого бизнеса» — как собрать автоматизацию из готовых блоков и где держать данные;
• «Чат-бот для бизнеса» — кнопочный бот, бот с ИИ или смешанный, и когда бот не нужен.

Данные клиентов и закон

Самый частый риск при внедрении ИИ — то, куда уходят данные. Качество модели здесь вторично. Многие сервисы с языковыми моделями работают на серверах за рубежом, и отправка туда писем клиентов, анкет или переписки — это передача персональных данных.

При сборе персональных данных граждан России запись, хранение и обновление этих данных должны вестись в базах на территории России (ч. 5 ст. 18 закона № 152-ФЗ). За нарушение локализации юрлицо платит от 1 до 6 млн рублей, за повторное — до 18 млн (ч. 8 и 9 ст. 13.11 КоАП РФ). Передача данных за рубеж требует уведомить Роскомнадзор заранее (ст. 12 закона № 152-ФЗ), в страны, которых нет в перечне Роскомнадзора, передавать можно не раньше чем через десять рабочих дней после уведомления (ч. 9 и 11 той же статьи). Закон от 26.07.2026 № 265-ФЗ уточнил, что считается трансграничной передачей. Порядок изложен по разбору юристов; перед запуском сверьте его с текстом закона на дату.

Что из этого следует на практике:

• Обезличивайте. Модели, которая разбирает отзыв на темы, не нужны имя и телефон автора. Убирайте их до отправки.
• Держите данные в России. Если модель должна работать с персональными данными, выбирайте вариант, который работает на вашем сервере или у провайдера в России.
• Не отправляйте коммерческую тайну во внешние сервисы. Договоры, цены поставщиков и внутренние отчёты — только туда, где вы понимаете, как хранятся и используются данные. Пропишите это в правилах для сотрудников.
• Минимум данных. Отдавайте в автоматизацию только те поля, которые нужны для задачи.

Мы придерживаемся тех же правил. Данные клиентов остаются у клиента или на сервере в России, а в статистике собственного сайта мы даже IP-адреса заменяем номерами. Как это устроено в Telegram-ботах для записи, разобрано в статье «Бот для записи клиентов в Telegram», а почему данные людей мы не собираем даже из открытых источников — в статье «Законен ли парсинг сайтов».

Из чего собирают автоматизацию

Способ	Подходит, когда	Ограничения
Таблицы со встроенными функциями	Данных немного, процесс простой	Плохо работает с несколькими системами сразу
Конструкторы сценариев (no-code)	Нужно связать сервисы без программиста	Сложная логика быстро становится запутанной; часть конструкторов хранит данные за рубежом
Свой скрипт на сервере	Нужна своя логика, надёжность и контроль над данными	Нужна разработка и поддержка
Языковая модель через API	Нужно понимать свободный текст	Плата за обращения, ошибки, вопрос о том, где обрабатываются данные

Конструкторы сценариев вроде n8n можно установить на собственный сервер в России, и тогда данные клиентов не уходят к стороннему сервису. Это хороший компромисс для малого бизнеса, у которого нет своего программиста, но есть требования закона.

Когда автоматизация не нужна

Если задача случается раз в месяц и занимает полчаса, автоматизация не окупится. Если процесс ещё меняется каждую неделю, его рано закреплять в программе. И если ошибка стоит дорого, а проверить результат некому, лучше оставить задачу человеку, чем доверить её модели без присмотра.

Мы делаем автоматизацию вокруг данных: Telegram-ботов для заявок и записи, сбор и мониторинг цен, отчёты по расписанию, разбор отзывов и документов. С чего начать, подскажем по описанию задачи своими словами — на странице «Контакты»; что входит в работу, видно на страницах «Telegram-боты» и «Мониторинг цен конкурентов».

Частые вопросы

С чего начать автоматизацию бизнеса с помощью ИИ?

С записи рутины. Неделю отмечайте, какие повторяющиеся задачи делают сотрудники и сколько времени на них уходит. Потом выберите одну, которая повторяется каждый день и занимает больше всего часов, и решите, хватит ли для неё правил или нужна работа с текстом. Запускайте с проверкой человеком.

Чем автоматизация с ИИ отличается от обычной?

Обычная автоматизация работает по правилам, которые можно записать заранее, и всегда даёт один и тот же результат. ИИ, то есть языковая модель, справляется с текстом, где правил не написать, но может ошибаться, поэтому его результат проверяют.

Какие бизнес-процессы автоматизировать в первую очередь?

Те, что повторяются каждый день, занимают заметное время и устроены одинаково: перенос заявок в таблицу или CRM, сбор цен и отчётов, напоминания клиентам, сортировка входящих писем и отзывов. Решения о деньгах и о людях лучше оставить человеку.

Можно ли отправлять данные клиентов в нейросеть?

Только с оглядкой на закон о персональных данных. Записывать и хранить данные граждан России нужно в базах на территории России, а передача за рубеж требует уведомления Роскомнадзора и выдержки срока. Проще всего обезличивать данные или использовать модель, которая работает на вашем сервере в России.

Как понять, окупится ли автоматизация?

Посчитать, сколько часов в месяц уходит на задачу, умножить на стоимость часа сотрудника и сравнить с затратами на разработку и поддержку. Если автоматизация окупается дольше года, начните с другого процесса.

Источники

Ссылки проверены 26 октября 2026 года. Требования закона мы пересказываем по тексту норм; выводы о том, где ИИ помогает, а где хватит скрипта, — наши, по своим проектам.

• Закон № 152-ФЗ «О персональных данных»: ст. 12, ст. 18
• КоАП РФ, ст. 13.11 — zakonrf.info
• Закон от 26.07.2026 № 265-ФЗ об изменениях в ст. 12 закона № 152-ФЗ, обзор — ppt.ru