Чат-бот стал первым массовым форматом корпоративного ИИ. Он понятен, быстро запускается и закрывает много задач: ответить сотруднику, помочь оператору, снять часть тикетов.
Применение ИИ в бизнесе при этом давно шире диалогового окна. Часть задач вообще не про текстовый чат: поток сканов, видео с камеры, числовой ряд продаж, программный код. Под каждый тип данных сложился свой формат сервиса.
По исследованию «Якова и Партнёров» и Яндекса (декабрь 2025), 71% крупных российских компаний уже используют генеративный ИИ хотя бы в одной функции бизнеса. Вопрос для большинства теперь не «внедрять или нет», а «какой формат под какой процесс».
AI-сервисы для бизнеса — это не один инструмент, а набор форматов. Ниже восемь форматов и процессы, под которые каждый подходит.
1. Поиск по знаниям
Сотрудник задаёт вопрос своими словами. Система находит нужный фрагмент в базе документов и показывает его вместе с источником. Листать регламенты, инструкции и переписку не нужно.
Чем это отличается от поиска по ключевым словам
Обычный поиск ищет совпадение символов. Семантический поиск работает со смыслом. Запрос «как оформить командировку за границу» найдёт нужный раздел, даже если в регламенте написано «служебная поездка за пределы РФ».
Технически поверх базы документов работает связка поиска и большой языковой модели (LLM). Подход называют RAG, retrieval-augmented generation.
Что это даёт на практике
У ITGLOBAL.COM есть публичный кейс: после запуска корпоративного ИИ-ассистента на GPU-инфраструктуре нагрузка на внутренние сервисные команды снизилась на 37%.
Есть и независимый замер близкого сценария. Brynjolfsson, Li и Raymond измеряли работу операторов поддержки с подсказками ИИ (Quarterly Journal of Economics, апрель 2025). Число решённых обращений в час выросло на 15% в среднем и примерно на 30% у новичков. У самых опытных операторов эффект был минимальным. Выборка — 5172 оператора.
2. Обработка документов
Через бухгалтерию, закупки и логистику идёт поток неструктурированных документов: счета, накладные, договоры, анкеты, сканы. Сервис превращает документ в данные и передаёт их в учётную систему.
Из документа извлекаются конкретные поля:
- сумма и валюта;
- дата и номер;
- реквизиты контрагента;
- позиции и количество.
Почему это уже не OCR
Классический OCR распознаёт символы. Современные модели учитывают контекст страницы. Поэтому они справляются со счетами разных поставщиков в разных форматах, с рукописными пометками, с документами, где поле не подписано и угадывается по расположению.
Всю цепочку принято называть intelligent document processing, IDP. В неё входят распознавание, классификация, извлечение полей и проверка. Термин сложился раньше языковых моделей. LLM стала новым слоем внутри IDP, а не его причиной.
Независимых отраслевых замеров точности извлечения полей по корпоративным документам нет. Доступные бенчмарки выпускают сами вендоры, и побеждают в них их собственные продукты. Цифры вида «точность 95%» из таких обзоров ничего не говорят о вашем потоке. Точность проверяется на своих документах, на пилоте.
3. Голосовые интерфейсы
Голос нужен там, где печатать неудобно или нечем. Полевой сотрудник работает руками. Клиент звонит, а не пишет. Совещание идёт голосом, а протокол нужен текстом.
Типовые задачи формата:
- транскрибация звонков и совещаний;
- голосовой бот на первой линии поддержки;
- голосовой ввод для сотрудников на объекте.
Из чего складывается голосовой сервис
На входе и выходе здесь звук, поэтому работают отдельные модели: распознавание речи (ASR, speech-to-text) и синтез речи (TTS). Языковая модель подключается на среднем шаге, когда расшифровку нужно понять, сократить или превратить в структуру. Одной LLM голосовой сервис не собирается.
Что даёт расшифровка звонка
Раньше запись разговора оставалась в архиве. Теперь звонок превращается в расшифровку с ключевыми моментами, а совещание — в протокол с решениями и ответственными.
Расшифровки полезны и дальше. По ним работают остальные форматы: текст звонка можно искать, классифицировать и анализировать.
4. Классификация
Поток однотипных объектов нужно разложить по маршрутам: входящие обращения, письма, отзывы, заявки. Модель определяет категорию, приоритет, тему и тональность, а дальше объект уходит нужной команде. Человек на этапе сортировки не участвует.
5. Прогнозирование
Здесь на входе не текст и не картинка, а числовые ряды: продажи по неделям, отток клиентов, спрос на позицию склада, вероятность просрочки платежа. Модель ищет зависимость между историей и будущим результатом. Формат называют прогнозной аналитикой, predictive analytics.
Чем это отличается от привычной отчётности
Отчёты и дашборды описывают прошлое. Прогнозная модель считает вероятное будущее. Это две разные задачи, а не два интерфейса одной.
Сравнивать машинное обучение корректно не с отчётностью, а с классическими статистическими методами прогноза. Преимущество ML здесь не безусловное. На длинных рядах простые методы нередко не уступают сложным — так вышло в конкурсе прогнозов M5 на данных Walmart. Выигрыш появляется там, где факторов много и связи нелинейные.
Применяют прогнозирование в планировании закупок и производства, в управлении складскими остатками, в скоринге и в раннем выявлении клиентов с высоким риском оттока. Цена ошибки в этих процессах считается прямо в деньгах.
6. Компьютерное зрение
На входе изображение или видео: кадр с конвейера, снимок склада, фото прибора, поток с камеры. Модель находит дефекты, считает объекты, сверяет фактическое состояние с ожидаемым. Формат называют компьютерным зрением, computer vision.
Где машина сильнее человека, а где нет
Однообразный визуальный контроль на потоке — сильная сторона машины. Проверка каждой единицы продукции на конвейере не зависит от того, начало смены или конец.
Ограничения тоже конкретные:
- нужен размеченный набор примеров, включая редкие дефекты;
- порог чувствительности приходится настраивать, иначе растут ложные срабатывания;
- при смене продукции или освещения модель нужно дообучать.
Сводных цифр бизнес-эффекта по визуальному контролю в независимых отчётах нет, доступны только вендорские кейсы. Эффект считается на своём производстве, на пилоте с измеримым уровнем брака.
Этот формат чаще других упирается в вычисления. Видеопоток и инференс модели требуют GPU-серверов для задач ИИ или инференса нейросетей в облаке.
7. Генерация контента
Самый заметный публике формат: текст, изображения, аудио и видео по запросу. Внутри компании это черновики писем и коммерческих предложений, варианты рекламных креативов, иллюстрации к презентациям, заготовки кода.
От чат-бота формат отличает результат. Чат-бот отвечает на вопрос. Генератор выдаёт артефакт, который потом редактируют или используют напрямую.
Черновик, а не финальный результат
Модель снимает проблему чистого листа и ускоряет типовые тексты. Но фактологию, цифры и обещания клиенту проверяет человек. То же касается изображений, которые уходят во внешние материалы компании.
8. Помощники для разработчиков
Формат для ИТ-команды, а не для бизнес-пользователей. По-английски AI coding assistant. Типовые задачи:
- автодополнение и генерация кода;
- объяснение незнакомого кода при онбординге;
- написание тестов;
- поиск потенциальных багов и уязвимостей при ревью.
Что говорят измерения
Эффект здесь измеряли, и картина неоднозначная.
В отчёте Google DORA (сентябрь 2025) внедрение ИИ положительно связано с пропускной способностью поставки и отрицательно со стабильностью. 30% респондентов почти не доверяют сгенерированному коду.
В эксперименте METR (июль 2025) опытные open-source разработчики с ИИ-инструментами выполняли задачи на 19% дольше, хотя сами ожидали ускорения на 24%. Выборка небольшая: 16 разработчиков и 246 задач в зрелых репозиториях. Переносить эту цифру на любую команду нельзя, но и считать ускорение автоматическим — тоже.
Отсюда рабочая рамка. Ассистент ускоряет написание кода и не отменяет ревью. Ответственность за то, что уходит в продакшен, остаётся на разработчике.
Как выбрать формат под процесс
Форматы различаются не столько моделями, сколько тем, что нужно от компании на старте. Ниже минимальные условия по каждому.
| Формат | Что на входе | Типовой процесс | Что нужно от компании |
|---|---|---|---|
| Поиск по знаниям (RAG) | Документы и переписка | Ответы сотрудникам, первая линия поддержки | Актуальная база без дублей и устаревших версий, настроенные права доступа |
| Обработка документов (IDP) | Сканы, PDF, формы | Ввод данных в учётную систему | Однородный поток документов, интеграция с учётной системой |
| Голосовые интерфейсы | Звук | Звонки, совещания, работа на объекте | Согласие на запись, словарь терминов и имён, доступ к аудио из телефонии |
| Классификация | Текст обращений | Маршрутизация заявок и писем | История размеченных обращений, согласованный справочник категорий |
| Прогнозирование | Числовые ряды | Закупки, склад, скоринг, отток | История за 2–3 полных сезона без пропусков, владелец решения по прогнозу |
| Компьютерное зрение | Фото и видео | Контроль качества, учёт на складе | Размеченные примеры с редкими дефектами, стабильные камеры и освещение, GPU под инференс |
| Генерация контента | Запрос человека | Черновики текстов и визуалов | Редполитика и обязательная проверка перед публикацией |
| Помощники для разработчиков | Код и репозиторий | Разработка, ревью, тесты | Код-ревью, которое не отключают, и правила, что можно отдавать внешней модели |
Что объединяет эти восемь форматов
За разными интерфейсами стоит одна логика: формат подбирают под тип данных и процесс. Задачу компьютерного зрения можно попробовать прогнать через диалоговое окно, но это выбор неподходящего инструмента.
Сложность обычно не в модели. Она в последней колонке таблицы — в данных и в процессе вокруг сервиса. Там пилоты и останавливаются.
Порядок действий получается простой:
- Выбрать один процесс, где задержка или ошибка стоит денег.
- Определить, с каким типом данных он работает.
- Взять формат под этот тип данных.
- Договориться о метрике до старта пилота.
Начинать с одного формата надёжнее, чем закрывать все восемь сразу. Так пилот доходит до измеримого результата.
Масштаб разрыва между внедрением и эффектом виден в цифрах. По опросу McKinsey (ноябрь 2025), 88% организаций используют ИИ хотя бы в одной функции, а влияние на EBIT фиксируют только 39%. У большинства из них вклад ИИ в EBIT ниже 5%. Запустить формат проще, чем связать его с измеримым процессом.
Через какую платформу данные попадают в модель
Любой формат из списка отправляет данные компании во внешнюю модель, если модель внешняя. Для голосовых записей звонков, сканов документов и видео с камер это чувствительнее, чем для черновика письма.
Решить нужно заранее, до пилота:
- какие данные уходят наружу, а какие маскируются;
- где они обрабатываются и по какому закону;
- кто имеет доступ к логам запросов.
Российским компаниям это обычно означает контур с обработкой данных в РФ и соответствием 152-ФЗ. Подробнее эта тема разобрана в статье про безопасность данных при использовании внешних AI-сервисов и на странице облака с соответствием 152-ФЗ.
С чего начать технически
Часть форматов работает через языковую модель: генерация контента, классификация, помощники для разработчиков, разбор расшифровок и текста документов. Для всех них нужен один и тот же слой — доступ к моделям. Собирать его отдельно под каждый сервис дорого: свои ключи, свои договоры, свой учёт расходов.
AIaaS от ITGLOBAL.COM закрывает именно этот слой. Единый API к 100+ языковым моделям, российским и зарубежным. Ролевая модель доступа, квоты и бюджеты по подразделениям, DLP-фильтрация запросов и ответов, полное логирование. Данные обрабатываются в РФ по 152-ФЗ. Подключение занимает от нескольких часов до трёх дней. Формат Private AI Cloud добавляет изолированный контур на GPU ITGLOBAL.COM и дообучение на своих данных.
Готовое распознавание речи, OCR по сканам и поиск по базе знаний в шлюз не входят. Это отдельные слои, которые собираются поверх доступа к моделям. Зато первый формат можно запустить, не выстраивая этот доступ с нуля.
FAQ
Начинайте с процесса, который уже создает заметную нагрузку и для которого можно измерить результат. Чаще всего это поиск по корпоративной базе знаний или обработка документов: объем повторяющейся работы виден сразу, а эффект можно оценить по времени обработки, доле автоматизированных операций, точности ответов или количеству обращений к специалистам. Запуск одного пилотного сценария позволяет проверить гипотезу на реальных данных до масштабирования.
Это зависит от выбранного формата работы. Если компания использует внешние модели через API, собственные GPU не нужны: вычисления выполняются на стороне провайдера. Для компьютерного зрения, дообучения моделей, высокой нагрузки или изолированного контура обычно требуются GPU-ресурсы. Их можно арендовать в облаке, использовать через GPU-инференс или развернуть на собственной инфраструктуре. GPU особенно полезны для ускорения ресурсоемких задач, но не являются обязательным условием для каждого AI-сценария. [2][4][8]
Практический ориентир — история минимум за 2–3 полных сезонных цикла без существенных пропусков. Например, для продаж с годовой сезонностью желательно иметь данные за несколько лет, чтобы модель могла отделить сезонный эффект от случайных колебаний. На меньшем объеме прогноз может быть нестабильным, особенно при промоакциях, изменении ассортимента или внешних факторах. Точного универсального порога нет: достаточность данных и точность прогноза нужно проверять на пилоте и валидации на историческом периоде. [2][3]
Обычно нет. Разные задачи требуют разных типов моделей и компонентов. Для работы с голосом нужны распознавание и синтез речи, для компьютерного зрения — модели анализа изображений и видео, для обработки текста — языковые модели, а для прогнозирования — методы работы с временными и числовыми рядами. Общими могут оставаться единый API-шлюз, механизмы контроля доступа, журналирование запросов и мониторинг качества.
Чат-бот — это прежде всего интерфейс диалога с пользователем. Он может быть частью AI-решения, но не охватывает все форматы автоматизации. AI-сценарии могут работать без переписки: обрабатывать поток документов, классифицировать обращения в очереди, анализировать видеопоток, строить прогнозы или помогать разработчикам в рабочих инструментах. То есть чат-бот отвечает на запросы в диалоге, а AI-автоматизация встраивается непосредственно в бизнес-процессы.
Предыдущая статья
