Обработайте в 3 раза больше обращений без увеличения штата
Создайте службу «единого окна» для поддержки сотрудников
Обеспечьте выполнение SLA и повышайте NPS без увеличения штата
ИИ-агент поддержки для вендоров сложных ИТ-продуктов
ИИ-помощник для подготовки коммерческих предложений
RAG-системы на арене: протестировали 5 популярных решений на реальных данных
От клиентского сервиса до бухгалтерии: где и при каких условиях ИИ дает эффект
Опубликовано: 12 октября 2026
Команда AutoFAQ
Генеративный ИИ в российских компаниях является частью рабочих процессов. Необходимость внедрения технологии уже не обсуждается, в фокусе внимания её эффективность. Опыт ритейла, финансов, телекома и консалтинга показывает, что результат зависит от выбора задачи, подготовки данных и готовности сотрудников. Такие выводы следуют из кейсов, представленных на конференции AutoFAQ.ai «ИИ в масштабе».
«В клиентском сервисе, юридической функции, бухгалтерии и HR ИИ дал эффект там, где компания понимала свой процесс, знала, какой результат хочет получить, и была готова регулярно проверять работу технологии», — дополняет сооснователь и исполнительный директор AutoFAQ. ai Владислав Беляев
Генеративный ИИ дополняет существующую автоматизацию и требует адаптации под специфику бизнеса
В клиентском сервисе «585 Золотой» сценарный бот на базе AutoFAQ к 2025 году закрывал около половины из 50 000 ежемесячных обращений, и дальнейший рост упирался в вопросы, которые не описать сценарием. Для такого направления компания подключила генеративного ИИ-ассистента Xplain, сохранив сценарии там, где они работают. В результате доля роботизации выросла до 60−65% при качестве ответов 96−98%. Целевые 70% компан ия рассчитывает достичь к концу года, для этого расширили базу знаний и ввели регулярную проверку диалогов по чек-листу.
Анастасия Кацуба
Специалист по развитию чат‑бота «585 Золотой»
Сложнее всего оказалось не подключить ИИ, а научить его работать в условиях нашего бизнеса. Во-первых, разнообразие направлений работы, куда одновременно требовался ИИ, и который пришлось обучать параллельно. Во-вторых, специфика, например, ломбардного направления: цены на скупку варьируются в зависимости от города, а у сети более 1000 ломбардов. Здесь мы обучали Xplain опросам клиентов по нужным параметрам, чтобы давать точную оценку. И в-третьих — услуга обмена и возврата, для которой условия зависят от канала (онлайн или оффлайн). И здесь решение оказалось не только в правильной настройке ИИ, но и упрощении самого процесса для клиентов
Сначала задачи, затем метрики: как отбирать процессы для ИИ
В одном из российских банков с помощью платформы управления жизненным циклом контрактов Doczilla автоматизировали четыре сценария работы судебной команды. При отборе задач учитывали их повторяемость, объем входных документов, возможность формализовать методологию и проверить результат до использования.
Этот кейс показывает подход Doczilla к внедрению ИИ в юридические процессы: сначала определить задачи, для которых можно формализовать работу и проверить результат, а затем оценивать эффект по конкретным метрикам
Дарья Афанаскина
Legal Tech эксперт Doczilla
Контроль над данными служит основой доверия к ИИ
Большинство представленных проектов работает on-premise. ИИ-агент Beeline AI для 1С, который собирает комплект документов по требованию ФНС и готовит пояснительную записку за 2−5 минут вместо 2−4 часов, развернут на локальной языковой модели.
Татьяна Гордеева
Руководитель направления развития ИИ‑решений Beeline AI
Данные в контуре — это не просто техническое ограничение, а основа доверия к ИИ. Агент должен использовать только те источники и сведения, которые необходимы для конкретной задачи, а компания — понимать, какие данные обрабатываются, по каким правилам и кто имеет к ним доступ
Корпоративная платформа компании «Технологии Доверия», которой пользуются более 2 000 сотрудников, тоже работает на моделях во внутреннем контуре. В ТеДо исходят из того, что запреты на использование внешних ИИ-сервисов не работают, и сотрудникам нужна защищенная среда для работы с конфиденциальными данными.
Ответственность за результат не передается ИИ
Во всех кейсах ИИ готовит проект, а решение принимает сотрудник. В сценарии Copilot в 1С ИИ-агент Beeline AI самостоятельно читает требования, находит необходимые документы, проверяет комплектность и готовит пояснительную записку. Сотрудник при этом сохраняет ключевую роль: проверяет итоговый комплект и подписывает его. Это пример практической автоматизации, в которой скорость достигается без отказа от человеческого контроля.
В клиентском сервисе «585 Золотой» за качество ответов отвечает команда поддержки: сотрудники регулярно проверяют диалоги ИИ по чек-листу и по результатам дорабатывают базу знаний. В диалогах, которые переходят к оператору, ИИ-суфлер предлагает варианты ответа, но решение принимает сотрудник.
В клиентском сервисе «585 Золотой» за качество ответов отвечает команда поддержки: сотрудники регулярно проверяют диалоги ИИ по чек-листу и по результатам дорабатывают базу знаний. В диалогах, которые переходят к оператору, ИИ-суфлер предлагает варианты ответа, но решение принимает сотрудник.
ИИ быстрее масштабируется через сотрудников, чем через функции
По оценке ТеДо, при масштабировании ИИ на технологии приходится около 10% усилий, на данные 20%, на людей и процессы 70%.
Полная автоматизация одной функции — это точечная операция: она требует месяцев внедрения, но меняет только один процесс. Доступ к ИИ для всех сотрудников работает иначе — эффект возникает сразу в тысячах небольших решений, которые люди принимают каждый день, в каждом отделе одновременно. Поэтому организация ускоряется не тогда, когда автоматизирован один процесс, а когда думать быстрее с помощью ИИ может каждый
Илья Хорлин
Партнер технологической практики ТеДо
В кейсе Mosaix для HR-службы крупного девелопера результат дали обучение, рабочие сессии и пилоты: команда протестировала анализ собеседований и построение KPI-карт, а затем перевела эти сценарии в HRMosaic — единую среду AI-ассистентов для регулярной работы. HR-специалисты получили возмож ность самостоятельно развивать новые сценарии, а ИТ подключалась на этапе интеграции зрелых решений. Время на рутинные задачи сократилось на 35%.
Во всех представленных кейсах эффект появился там, где ИИ встроили в конкретный процесс, закрепили за ним понятные метрики и оставили за сотрудниками контроль качества. Компании продолжают расширять число сценариев и переводят ИИ из отдельных проектов в повседневную работу.
Во всех представленных кейсах эффект появился там, где ИИ встроили в конкретный процесс, закрепили за ним понятные метрики и оставили за сотрудниками контроль качества. Компании продолжают расширять число сценариев и переводят ИИ из отдельных проектов в повседневную работу.
Смотрите также