ИИ-агенты для бизнеса: сценарии, доступы и контроль

Обычный разговор с моделью заканчивается текстом. Корпоративный агент может получить данные из рабочей системы, найти документ, подготовить результат и вызвать разрешённый инструмент. Его полезность определяется качеством всей цепочки. Ошибка на этапе поиска, неверный идентификатор клиента или лишнее право доступа способны сделать хороший текст непригодным.

Зарубежный ориентир — корпоративный поиск и агенты; этот сегмент, включая Glean, описан в TechCrunch. Для выбора собственного проекта важен не чужой раунд инвестиций, а повторяемая работа вашей команды. Разберите, какие действия сотрудник выполняет каждый день и где можно проверить результат без догадок.

Сценарий должен иметь завершённое состояние. «Помощник подготовил письмо» и «клиент получил согласованное предложение» — разные результаты. В первом случае можно ограничиться черновиком, во втором нужны подтверждение, канал отправки и проверка исхода. Эти границы определяют инструменты, стоимость и ответственность.

В LokAi отдельно показываем выполненные кейсы и состав типовых AI-продуктов. Зарубежный пример не является доказательством нашего внедрения. На продуктовой странице можно описать предлагаемую функцию, а численный результат публикуется только для подтверждённой работы с понятной метрикой.

Корпоративный поиск полезен там, где сотрудник регулярно восстанавливает правило из нескольких хранилищ. Система должна найти авторитетный фрагмент, объяснить ответ и учитывать права пользователя. Первая сложность обычно находится в документах: дубликатах, сканах, противоречивых версиях и отсутствии владельца знаний.

Для RAG-поиска проверяются отдельно извлечение текста, выдача и ответ. Если нужного правила нет, помощник должен это обозначить. Ссылка на документ помогает проверке, но не гарантирует корректный пересказ. В тестовый набор включаются вопросы без ответа и попытки получить недоступный материал.

Документный агент идёт дальше: извлекает позиции, находит аналог и готовит черновик по шаблону. Для строительной сметы модель не должна самостоятельно придумывать стоимость и считать деньги свободным текстом. Расчёт выполняется по утверждённой логике, а спорные единицы измерения и пропуски отправляются специалисту.

В кейсе строительной компании описана работа со сметами на собственном сервере. В расчёте для строительства мостов рассматривается оборудование с одной и двумя GPU. Это разные опубликованные материалы с разным статусом и границами результата.

В продажах сильный первый сценарий — найти заявки без ответа и сделки без следующего шага. Для этого нужны правила воронки и актуальная CRM. Цифровой РОП показывает основание сигнала, а руководитель проверяет и назначает действие. Начать можно с чтения данных без автоматического изменения карточек.

Анализ разговоров дополняет CRM, если есть разрешённые записи и приемлемое распознавание. Система может заметить несогласованный следующий контакт или потерянное условие клиента. Решение о качестве работы сотрудника не передаётся модели безусловно. В сводке сохраняется фрагмент, который руководитель способен проверить.

Для цифрового маркетолога сначала согласуются определения заявок и продаж. Иначе агент будет сравнивать несопоставимые конверсии из разных кабинетов. Полезный результат — воспроизводимый отчёт и список гипотез с источниками. Изменение бюджета и публикация проходят установленный владельцем этап согласования.

Контентный агент должен опираться на реальные характеристики и факты компании. Ни зарубежный тренд, ни красивый шаблон не разрешают вымышленные отзывы, клиентов и результаты. Редактор проверяет обещания, а техническая сборка — мета, структуру и ссылки. Польза измеряется готовыми материалами и рабочими переходами, а не числом сгенерированных символов.

Цифровой директор помогает собрать сводку и подготовить вопросы к команде. Перед внедрением нужен словарь показателей: где считается выручка, что признаётся оплатой и какая система хранит обязательства. Причина отклонения обозначается как гипотеза, если источник не подтверждает причинную связь.

Контроль поручений начинается с ожидаемого результата и владельца. Автоматически созданная задача без ответственного не улучшает управление. Полезнее подготовить черновик, получить подтверждение руководителя и затем показать факт выполнения по рабочей системе. Приёмка учитывает дубли, изменения сроков и передачу ответственности.

Для цифрового директора магазина данные привязываются к точкам, сменам и номенклатуре. Сравнение магазинов требует учёта различий. Конверсию посетителей нельзя получить из кассовых сумм без достоверного потока. Помощник должен явно показывать, какие показатели измерены, а какие пока недоступны.

В рознице можно начать с обращений по браку, поиска характеристик или сводки управляющего. Видеоаналитика подключается отдельно после проверки камер. Это позволяет запустить полезный продукт без обязательной модернизации всех систем одновременно. Каждая новая функция получает собственные критерии качества и правила доступа.

Мультимодальная модель может работать с изображением или выбранными кадрами, но для видеопотока нужен отдельный конвейер. Требуются получение потока, выбор частоты обработки, выделение событий, хранение подтверждения и уведомление сотрудника. Аппаратная нагрузка определяется всеми этими операциями, а не только размером языковой модели.

Для ИИ-видеоаналитики сначала формулируем наблюдаемое событие: очередь в зоне, определённое действие или нужный фрагмент архива. Затем проверяем, видно ли его на конкретной камере. Освещение, перекрытия и ракурс могут ограничить сценарий до выбора модели. Демонстрация на хорошем ролике не заменяет испытание площадки.

На приёмке считаются пропуски, ложные тревоги и задержка уведомления. Для поиска по архиву — время до нужного подтверждения. Событие должно приводить к понятной реакции ответственного. Если сигналов слишком много и они редко полезны, автоматизация увеличивает нагрузку вместо её снижения.

Не включаем распознавание личности и кадровую оценку как незаметное продолжение контроля очередей. Это отдельные задачи с другими условиями и ответственностью. Пилотный AI-продукт также не заменяет обязательные средства аварийного управления и безопасности. Его роль определяется наблюдаемым процессом и проверенными ограничениями.

1. Выберите повторяющуюся работу. Оцените частоту, длительность и долю исключений. Редкая уникальная задача может оказаться плохим кандидатом даже при впечатляющей демонстрации модели.
2. Назначьте владельца результата. Этот сотрудник подтверждает правильность, объясняет исключения и решает, когда пилот можно расширять. Без него инженерная команда будет оптимизировать удобные ей показатели.
3. Проверьте источники. Убедитесь, что нужные документы и данные существуют, доступны и согласованы. Необходимость очистить архив или восстановить учёт должна быть видна в бюджете.
4. Ограничьте действия. Сначала полезны чтение, поиск и черновики. Отдельно задаются права менять карточки, отправлять сообщения и работать с расходами. Важное действие подтверждается уполномоченным человеком.
5. Согласуйте метрику и возврат. Сравните время и качество с исходным процессом, включая проверку человеком. Сохраните предыдущую конфигурацию и правило остановки, если польза не подтверждена.

Бюджет определяется интеграциями, качеством данных и полномочиями, а не числом персонажей в интерфейсе. Один агент с доступом к нескольким сложным системам может потребовать больше работы, чем несколько ролей поверх подготовленной базы. Общие модельные сервисы и мониторинг помогают расширению, но не отменяют приёмку каждого процесса.

Диагностика LokAi бесплатна. Пилот на одном процессе — $3–5 тыс. с зачётом в стоимость внедрения; техническая часть занимает 2–4 недели. Полная система под ключ — от $30 000, развитие — $2,5–5 тыс. в месяц. Оборудование, подготовка материалов и выездные работы указываются в составе предложения отдельно.

В Москве и других регионах России можно начать дистанционно. Для закрытых данных выбирается локальная инфраструктура; OpenRouter или прямой API подключаются только для разрешённой обработки. После успешного пилота расширяйте источники и действия по одному. Такой порядок позволяет понять, что принесло результат и где появилась новая ошибка.

• Glean: корпоративная AI-платформа
• TechCrunch: корпоративный поиск и агенты Glean