Что такое искусственный интеллект простыми словами
Искусственный интеллект — это технологии, которые дают программе способность выполнять отдельные интеллектуальные операции: распознавать текст, речь и изображения, относить объект к категории, прогнозировать число или событие, генерировать текст, предлагать следующее действие. Такая программа опирается на закономерности, найденные в исторических данных, и работает там, где заранее прописать правило на каждый случай невозможно. Английское сокращение AI и русское ИИ означают одно и то же. В деловых задачах под искусственным интеллектом обычно понимают прикладные инструменты: оценку вероятности сделки, автоматическую классификацию обращений, поиск похожих документов, подсказку менеджеру по следующему шагу.
Понятный пример. В компанию приходят сотни обращений в день, дежурный оператор вручную ставит каждому тему, приоритет и ответственную группу. Модель, обученная на архиве обращений, заполняет эти три поля сама, а оператор проверяет спорные случаи. Смысл письма программа не понимает: она сверяет его с тысячами разобранных обращений.
Дальше: связь AI с машинным обучением и нейросетями, рабочий цикл решения, виды и технологии, сценарии в бизнесе, ограничения и подготовка к первому проекту. Смежные термины собраны в глоссарии BPMSoft.
Как AI связан с машинным обучением и нейросетями
Термины AI, машинное обучение, нейросети и генеративные модели часто используют как синонимы, из-за чего у бизнеса и у ИТ появляются разные ожидания от проекта. Разница простая: это разные уровни общности.
AI как общее направление
Искусственный интеллект — зонтичное понятие для всех способов заставить программу решать задачи, которые раньше требовали человека: от жестких правил до моделей, обученных на больших массивах данных. Из фразы «внедряем AI» еще нельзя понять, что будет работать: набор правил, обученная модель или языковая модель внешнего сервиса. Формулировку уточняют до старта, потому что от нее зависят требования к данным и способ проверки.
Машинное обучение
Машинное обучение (machine learning, ML) — способ получить работающую программу без написания правил вручную. Модели показывают исторические примеры с известным исходом, она находит закономерности и применяет их к новым записям. Модель оценки вероятности сделки обучают на закрытых продажах: какие доходили до оплаты и какие срывались. Качество зависит от истории: если записей мало или поля заполнялись формально, прогноз будет неустойчивым.
Нейросети и глубокое обучение
Нейросеть — вид моделей машинного обучения, построенный из множества связанных простых вычислительных элементов. Глубокое обучение — обучение нейросетей с большим числом уровней обработки, за счет чего программа справляется с текстом, звуком и изображениями. Для табличных данных — сумм, дат, справочных полей — нейросеть нужна редко: там выигрывают простые алгоритмы, понятнее в разборе ошибок.
Генеративный AI
Генеративные модели создают новый материал: текст, изображение, код, аудио. Большие языковые модели (LLM — large language model) обучены на огромных массивах текста и продолжают заданный фрагмент наиболее вероятным способом. В работе это черновик ответа клиенту или пересказ длинной переписки. Факты модель не проверяет и может уверенно выдать неверную деталь, поэтому ее ответ используют как заготовку под проверку человеком.
Отдельно выделяют агентный AI: такие решения получают цель и сами выбирают последовательность шагов. Подробнее — в блоке про виды AI.
| Термин | Простое объяснение | Пример в работе компании |
|---|---|---|
| Искусственный интеллект (AI, ИИ) | Общее название технологий, решающих задачи с интеллектуальными операциями | Пункт стратегии: «перевести разбор входящих обращений на AI» |
| Машинное обучение (ML) | Обучение программы на исторических примерах вместо ручных правил | Оценка вероятности закрытия сделки по похожим продажам |
| Нейросети, глубокое обучение | Модели для сложных данных: текста, звука, изображений | Распознавание сканов актов и накладных |
| Генеративный AI, LLM | Создание нового текста или изображения по запросу | Черновик ответа клиенту по тексту обращения |
| Агентный AI | Решение, которое получает цель и само выполняет цепочку шагов | Сбор данных по заявке из нескольких источников в карточку |
Строки связаны сверху вниз: агентное решение обращается к генеративной модели, та построена на нейросети, нейросеть обучается методами машинного обучения. В требованиях к проекту фиксируют нижний уровень: какая модель работает и кто отвечает за проверку ее ответов.
Как работает искусственный интеллект
Рабочий цикл AI-решения удобно смотреть на конкретной задаче: сервисная служба хочет, чтобы письмо сразу попадало нужной группе с верным приоритетом. Эти шаги проходит любой AI-проект.
Данные
Модель учится на истории, поэтому проект начинается со сбора и разбора накопленных записей: для задачи с обращениями нужны тексты писем, проставленные темы, приоритеты, группы ответственных и результат обработки. На этом шаге выясняется реальное состояние базы: сколько записей заполнено формально и за какой период история сопоставима с текущим процессом. Подготовка данных обычно занимает больше времени, чем обучение модели.
Алгоритм или модель
Специалист выбирает тип модели под характер задачи: предсказать значение справочного поля, рассчитать число, оценить вероятность события, найти похожие тексты, разбить базу на группы. Тип определяет и форму ответа: категория, число, вероятность, список похожих записей или текст.
Проверка результата
До запуска модель проверяют на данных, которых она не видела при обучении: как часто тема и группа определены верно и на каких письмах ошибок больше. Здесь же задается порог уверенности — ответы ниже порога уходят на ручной разбор, выше заполняются автоматически. Без такой проверки запуск превращается в эксперимент на живых клиентах.
Внедрение в процесс
Работающая модель приносит пользу, когда встроена в маршрут: запускается по событию, записывает результат в поле и передает его дальше. В сервисном сценарии прогноз срабатывает при регистрации письма, заполняет поля, направляет обращение группе и фиксирует, что предложила модель и что поставил оператор. Эти следы дают материал для переобучения. Как устроена автоматизация бизнес-процессов в корпоративных системах, разобрано отдельно.
Цикл замкнут: процессы меняются, вместе с ними меняются данные, и модель теряет точность. Поэтому в план сразу закладывают, кто и с какой периодичностью смотрит отчет по качеству и запускает переобучение.
Виды искусственного интеллекта
Виды AI различают по широте способностей и по характеру задачи: насколько система универсальна и что она делает в процессе компании.
Узкий AI
Узкий AI решает одну задачу в заданных границах: определяет приоритет обращения, распознает текст на скане, предсказывает сумму сделки. К этому виду относятся все работающие сегодня корпоративные AI-инструменты. Перенести модель на соседнюю задачу без переобучения невозможно: обученная на обращениях техподдержки, она ничего не скажет о заявках на закупку.
Общий AI
Общий AI — теоретическая концепция системы, способной справляться с любыми интеллектуальными задачами наравне с человеком и переносить опыт между областями. Рабочих реализаций такого уровня в коммерческой эксплуатации нет, обсуждение идет в исследовательской плоскости. В планах внедрения опираются на возможности узких моделей, которые проверяются на пилоте.
Предиктивный AI
Предиктивные модели отвечают на вопрос «что вероятно произойдет»: рейтинг лида, вероятность закрытия сделки, вероятность ухода клиента, ожидаемая нагрузка на поддержку. Работают они там, где накоплен архив однотипных записей. Ответ такой модели — оценка для расстановки приоритетов; гарантией исхода она не служит.
Генеративный AI
Генеративные решения создают текст или изображение по запросу: черновик письма, пересказ переписки, разбор проблемы по симптомам. Их ставят туда, где человек тратит время на первую версию документа, а проверка занимает минуты. Результат зависит от формулировки запроса, поэтому в процессах запрос собирают по шаблону, подставляя данные карточки.
Агентные решения
Агентный AI получает цель и сам выстраивает шаги: читает данные, обращается к сервису, вызывает языковую модель, записывает результат обратно. В корпоративных системах такой агент собирается из элементов бизнес-процесса, где вызов модели — один из шагов маршрута. Контроль здесь нужен жестче: чем больше шагов система делает сама, тем подробнее описывают, где она передает решение человеку.
В плане проекта вид AI полезно назвать словами заказчика: «прогноз по сделкам» — предиктивный сценарий, «подготовка ответа» — генеративный, «разбор входящих» — классификация. Это сразу задает, какие данные понадобятся и как измерять качество.
Основные технологии AI
За этими видами стоит несколько базовых технологий. Различать их по типу данных полезно: от этого зависит, что в компании можно автоматизировать.
Машинное обучение
Базовая технология для табличных данных: справочных полей, сумм, дат, статусов, признаков клиента. На ней построены скоринг, прогнозы, сегментация и оценка оттока. Нужна история за период, сопоставимый с текущими правилами работы: если полгода назад воронка состояла из других этапов, старые записи отбирают отдельно.
Обработка естественного языка (NLP)
NLP (natural language processing) — работа с текстом и речью: классификация писем по темам, выделение номера договора, определение тональности отзыва, поиск похожих по смыслу документов. Качество упирается в язык и терминологию: модель, обученная на общих текстах, хуже разбирает внутренние сокращения компании. Для русскоязычных задач это отдельный пункт проверки инструмента.
Компьютерное зрение
Работа с изображениями и видео: распознавание текста на сканах, проверка комплектности на фото, контроль качества на линии. В офисе задача обычно узкая — вытащить реквизиты из скана, чтобы карточка заполнялась без ручного ввода. Требования к съемке жесткие: качество зависит от освещения, разрешения и однотипности формы документа.
Рекомендательные системы
Рекомендательные модели подбирают продукты, которые с высокой вероятностью заинтересуют похожего клиента: если группа с близким профилем покупала определенный набор, он предлагается следующему клиенту из этой группы. Ограничение известно заранее — для новых товаров и клиентов без истории рекомендация неточна, такие случаи закрывают правилами.
Генеративные модели
Большие языковые модели создают текст по запросу и подключаются к системе через API — программный интерфейс обмена данными. Их ставят на подготовку черновиков, пересказ обсуждений, разбор свободного описания по полям карточки. Главное требование — контроль над тем, какие данные уходят в модель: размещение и условия согласуют со службой безопасности.
| Технология | Какие данные использует | Где применяется в компании |
|---|---|---|
| Машинное обучение на табличных данных | История сделок, обращений, платежей, справочные и числовые поля | Скоринг лидов, прогноз суммы, оценка оттока, сегментация |
| Обработка естественного языка (NLP) | Тексты писем, обращений, договоров, отзывов, расшифровки звонков | Классификация обращений, поиск похожих текстов, реквизиты |
| Компьютерное зрение | Сканы, фотографии, видеопоток | Распознавание документов, контроль качества и комплектности |
| Рекомендательные системы | История покупок и взаимодействий клиентов | Подбор продуктов, допродажи, персонализация рассылок |
| Генеративные модели (LLM) | Текст запроса и переданный контекст карточки или документа | Черновики ответов, пересказ переписки, разбор проблемы |
Таблица отвечает на первый вопрос AI-проекта: есть ли у компании данные нужного типа. Если история не ведется или тексты хранятся вне системы, начинать придется со сбора, и срок сдвигается на этот этап.
Где применяют искусственный интеллект
Чтобы оценить применимость AI, по каждому направлению называют задачу, данные для обучения и результат в работе сотрудника.
Продажи и маркетинг
Модели оценивают, какие лиды обрабатывать первыми, прогнозируют вероятность и сумму сделки, подбирают продукты к предложению и делят базу на группы для рассылок. Учатся они на закрытых сделках, истории покупок и активности клиентов, а результат виден в приоритетах менеджера. Ограничение — длина цикла сделки: если компания закрывает десяток сделок в год, истории для устойчивого прогноза не хватит.
Клиентский сервис
В сервисе AI закрывает первые минуты обработки: определяет тему и приоритет обращения, направляет его нужной группе, находит похожие решенные случаи. Данные для обучения уже лежат в архиве обращений, поэтому сервис часто становится первым направлением автоматизации. Оператор видит подставленные поля и подсказки, время уходит на разбор сложных случаев вместо ручной сортировки.
Производство, логистика и финансы
На производстве AI применяют для контроля качества по изображениям и прогноза отказа оборудования по датчикам, в логистике — для прогноза спроса, в финансах — для оценки кредитного риска и поиска подозрительных операций. Общее здесь одно: нужна длинная история измерений, а цена ошибки выше, чем в офисных задачах, поэтому решение работает в связке с проверкой специалиста.
Документы, ИТ-сервис и аналитика
С документами AI снимает ручной ввод: распознает сканы, вытаскивает реквизиты, сверяет договор с шаблоном. В ИТ-сервисе — классифицирует заявки и находит похожие инциденты; подробнее это устроено в решениях для управления ИТ-услугами. В аналитике модели дают прогнозные показатели рядом с фактическими и подсвечивают затянутые этапы процессов; работа с показателями разобрана в разделе про аналитику в CRM.
| Направление | Задача | Пример результата в системе |
|---|---|---|
| Продажи | Расставить приоритеты по лидам и сделкам | Рейтинг лида и оценка вероятности в карточке |
| Маркетинг | Разделить базу на группы и подобрать предложение | Группы контактов, список рекомендованных продуктов |
| Клиентский сервис | Ускорить разбор входящих обращений | Автозаполнение темы, приоритета и группы |
| Производство | Находить брак и предсказывать отказы | Отметка брака, заявка на обслуживание до поломки |
| Финансы | Оценивать риск и находить аномалии | Оценка риска, флаг нетипичной операции |
| ITSM | Маршрутизировать заявки и видеть нагрузку | Заявка у нужной линии, прогноз загрузки группы |
| Документооборот | Убрать ручной ввод и сверку | Реквизиты из скана в полях, отличия от шаблона |
| Аналитика | Дополнить факт прогнозом и найти отклонения | Прогноз на дашборде, список затянутых этапов |
Строки таблицы отличаются сложностью старта. Сервис, продажи и документооборот опираются на данные, которые компания уже накопила. Производство и финансы требуют отдельных источников и более долгой подготовки, поэтому первым проектом чаще берут направление из верхней части таблицы.
Как AI применяют в CRM, BPM и ITSM
В корпоративных системах AI живет внутри процессов: модель запускается по событию и записывает результат в поле карточки, а дальше по этому полю работают маршрутизация, отчеты и задачи сотрудникам. Отдельного «интерфейса искусственного интеллекта» пользователь не видит: он видит заполненные поля, подсказки и подсветку проблемных записей.
Скоринг лидов и прогноз по сделкам
Модель предиктивного скоринга оценивает вероятность события по истории раздела: готовность лида к покупке, перевод сделки в оплату. Результат виден в карточке как числовой рейтинг и сортирует очередь менеджера. Отдельные модели считают вероятность ухода клиента и по высокой степени оттока ставят задачу на удержание.
Классификация и маршрутизация обращений
При регистрации обращения по тексту письма прогнозируются сервис, приоритет и группа ответственных. Рядом с этими полями сотрудник видит варианты значений с вероятностью и может выбрать другое. Ручная сортировка на первой линии уходит, путь обращения до профильной группы сокращается.
Поиск похожих записей и подсказки
Модели похожести текстов находят обращения и статьи базы знаний, близкие по смыслу к запросу, даже если формулировки разные. Оператор получает подборку решенных случаев. Тот же механизм ловит дубликаты: два обращения об одном инциденте связываются между собой.
Генерация текста и контроль отклонений
Запрос к языковой модели встраивается в маршрут как обычный шаг: система собирает промпт из полей карточки, получает ответ и сохраняет его в поле. Так готовятся черновики ответов и разбор проблемы по симптомам. Накопленные данные о ходе процессов показывают этапы, где заявки регулярно задерживаются дольше нормы.
В CRM-платформе BPMSoft такие сценарии собраны в разделе «Модели машинного обучения»: преднастроенные модели для продаж и сервиса — предиктивный скоринг лидов и продаж, прогнозирование оттока контрагентов, рекомендации продуктов, сегментация контактов, прогнозирование сервиса, приоритета и группы ответственных обращения, поиск похожих обращений. На основе доступных типов моделей обучают собственные модели практически для любого объекта системы, а для сценариев с текстом в бизнес-процесс добавляется элемент «Работа с LLM»: он отправляет запрос к подключенной языковой модели и возвращает ответ в процесс, где результат используется дальше — low-code средствами или инструментами разработки.
Какие преимущества дает AI бизнесу
Польза от AI появляется там, где сотрудник тратит время на однотипные решения. Ниже — эффекты, которые видно на уровне рабочего дня команды.
- Скорость разбора входящих. Письма, заявки и документы получают категорию и приоритет в момент поступления, без ручной сортировки.
- Порядок в очереди задач. Оценка вероятности и рейтинг показывают, за какие записи браться первыми, когда заявок больше, чем рук.
- Меньше ручного ввода. Реквизиты из сканов и справочные поля заполняются автоматически, сотрудник проверяет результат вместо перепечатывания.
- Подсказка вместо поиска. Похожие обращения и черновик ответа система собирает сама; искать их по архиву вручную не приходится.
- Персонализация предложений. Подбор продуктов и сегменты строятся по фактической истории клиента вместо общего списка.
- Видимость отклонений. Затянутые этапы, нетипичные операции и риск ухода клиента видны до того, как станут заметны в квартальном отчете.
Общее условие: эффект появляется там, где решение встроено в процесс и у результата модели есть владелец. Прогноз в отдельном отчете, который никто не смотрит, на работу компании не влияет.
Ограничения и риски искусственного интеллекта
Ограничения AI связаны с его природой: модель выдает наиболее вероятный ответ по прошлым данным и не отвечает за правильность. Риски снимаются организационно — порогами, проверками и зоной ответственности человека.
Ошибки и галлюцинации
Предиктивная модель ошибается на нетипичных записях, языковая может сформулировать правдоподобный, но неверный факт. Такое поведение называют галлюцинацией: текст выглядит уверенно, при этом деталь выдумана. Поэтому ответ генеративной модели в деловых процессах становится черновиком под проверку.
Качество и устаревание данных
Модель наследует проблемы истории, на которой обучалась: дубли, пустые поля, значения для галочки. Добавляется устаревание: процессы меняются, и прогноз, точный год назад, расходится с фактом. Переобучение и отчет по качеству закладывают в проект сразу.
Приватность и безопасность
Данные клиентов, договоры и переписка относятся к чувствительной информации, и передача их во внешний сервис требует согласования. Проверяются состав передаваемых полей, место размещения модели, условия хранения запросов и права доступа к результатам. Требования к обработке персональных данных уточняются у юристов и службы безопасности до запуска.
Смещения в данных
Если в истории один сегмент клиентов представлен слабо, модель будет хуже работать именно на нем. Такое смещение незаметно в среднем показателе качества и видно только при разборе по группам, поэтому проверка в разрезе сегментов, регионов и каналов входит в приемку модели.
Роль человека
Решения с последствиями для клиента, сотрудника или денег компании остаются за человеком. Модель готовит материал: расставляет приоритеты, предлагает значение поля, пишет черновик. Для каждого сценария заранее записывают, что происходит при низкой уверенности и кто разбирает спорные случаи.
Как подготовить компанию к AI-проекту
Подготовка к первому AI-проекту мало отличается от любого проекта автоматизации: сначала задача и измеримый результат, потом данные, потом инструмент.
- Выбрать задачу. Подойдет операция, которая повторяется десятки раз в день, занимает время сотрудников и имеет понятный правильный ответ: сортировка обращений, приоритизация лидов, ввод реквизитов из документов.
- Проверить данные. За какой период накоплена история, насколько аккуратно заполнены поля и сопоставимы ли старые записи с текущим процессом.
- Определить метрику. До старта фиксируются два показателя: качество ответов модели и деловой результат — например, время до назначения ответственного по обращению.
- Назначить владельца. У результата модели должен быть человек, который смотрит отчет по качеству, собирает спорные случаи и принимает решение о переобучении.
- Проверить юридические ограничения. Состав данных, место обработки и условия передачи во внешние сервисы согласуются с юристами и службой безопасности.
- Запустить пилот. Модель работает на ограниченном участке в режиме подсказки: значения предлагаются, сотрудник решает, расхождения накапливаются для разбора.
- Обучить пользователей. Сотрудникам объясняют, что означает оценка модели и что делать при несогласии с подсказкой.
После пилота решение либо переводится в рабочий режим с автозаполнением полей выше порога уверенности, либо возвращается на доработку данных. Промежуточный итог — ответ на вопрос, хватает ли компании накопленной истории для выбранной задачи.
Чек-лист перед запуском AI
Вопросы ниже проходят до подписания договора на AI-проект. Каждый закрывается ответом «да» или «нет»: набор ответов «нет» показывает, где проект просядет.
- Задача сформулирована через операцию сотрудника, без опоры на название технологии?
- Известно, какой результат считается правильным и кто это подтверждает?
- История накоплена за период, сопоставимый с текущим процессом?
- Проверены дубли, пустые поля и формально заполненные значения?
- Выбраны две метрики: качество модели и показатель процесса?
- Назначен владелец результата модели?
- Описано, что происходит при низкой уверенности прогноза?
- Согласован состав данных для внешних сервисов?
- Запланированы переобучение и отчет по качеству с периодичностью?
- Пользователи знают, как читать оценку и куда сообщать об ошибках?
Проект, который проходит чек-лист, начинается с данных и заканчивается встроенным в процесс сценарием с назначенным владельцем. Порядок одинаков для скоринга лидов, разбора обращений и распознавания документов, поэтому первый успешный проект становится образцом для следующих.