20 бизнес-процессов: где нужен ИИ, а где достаточно обычной автоматизации
Экспертный классификатор 20 бизнес-процессов: обычная автоматизация, LLM, RAG, гибридные решения и контроль человеком. Методика, ограничения и JSON.
Открытый классификатор ToxaDab · Версия 0.1.0
Не каждый бизнес-процесс требует ИИ. Если входные данные структурированы, а правила однозначны, начните с обычной автоматизации. LLM помогает работать со свободным текстом, RAG — отвечать по документам, а гибридный подход — сочетать понимание текста с проверяемыми действиями.
Статус: методические рекомендации. Это экспертная классификация типовых сценариев, а не результаты клиентских внедрений. Здесь нет измеренных процентов экономии или гарантий результата. Подход и сложность уточняются после изучения конкретных данных и систем.
20 процессов и способы проверки результата
Сначала выберите подход к задаче, затем проверьте его на обезличенной выборке. Метрики ниже — критерии будущей проверки, а не уже полученные результаты.
Показано 20 из 20 процессов
| Процесс / входные данные | Подход и сложность | Обоснование | Контроль человеком | Метрика проверки | Ограничение |
|---|---|---|---|---|---|
| PROC-001Передача заявки с сайта в CRMПродажи · Структурированные поля формы | Обычная автоматизацияСложность: Низкая | Поля и правила передачи заранее известны | Разбор ошибок и дублей | Доля успешно переданных заявок | Нужны доступный API и корректная обработка ошибок |
| PROC-002Разбор свободного текста заявкиПродажи · Описание потребности клиента | LLM + правила / APIСложность: Средняя | LLM извлекает смысл, правила проверяют поля | Проверка неоднозначных обращений | Точность извлечения обязательных полей | Нельзя додумывать отсутствующие контакты или условия |
| PROC-003Поиск дублирующихся клиентов в CRMПродажи · Телефон, email, идентификаторы | Обычная автоматизацияСложность: Средняя | Сопоставление выполняется по заданным правилам | Подтверждение неоднозначного объединения | Доля ошибочных объединений | Совпадение имени не доказывает идентичность клиента |
| PROC-004Подготовка резюме переписки с клиентомПродажи · История сообщений | Языковая модель (LLM)Сложность: Низкая | Требуется кратко передать содержание диалога | Проверка перед ответственными действиями | Доля фактически корректных резюме | Модель может пропустить важную договоренность |
| PROC-005Классификация входящих писемПоддержка · Тема и текст письма | Языковая модель (LLM)Сложность: Низкая | Категория определяется по смыслу сообщения | Проверка низкоуверенных случаев | F1 по согласованным категориям | Нужны примеры категорий и тестовая выборка |
| PROC-006Напоминания менеджерам о следующем контактеПродажи · Дата и статус сделки в CRM | Обычная автоматизацияСложность: Низкая | Срабатывание определяется датами и статусами | Настройка исключений | Доля своевременных напоминаний | Автоматическая отправка клиенту требует отдельных правил |
| PROC-007Ответы поддержки по базе знанийПоддержка · Вопрос клиента и утвержденные документы | Поиск по документам + LLM (RAG)Сложность: Средняя | Ответ должен опираться на найденные источники | Эскалация при отсутствии подтверждения | Доля ответов, подтвержденных источниками | Устаревшие документы приводят к неверным ответам |
| PROC-008Принятие решения по сложной претензииПоддержка · Жалоба, договор, история обслуживания | Решение принимает человекСложность: Высокая | Решение может иметь правовые и финансовые последствия | Решение принимает уполномоченный сотрудник | Доля решений без последующих исправлений | ИИ может готовить сводку, но не заменяет ответственного |
| PROC-009Формирование счета по подтвержденному заказуФинансы · Товары, количество, цены и реквизиты | Обычная автоматизацияСложность: Средняя | Расчет должен быть детерминированным | Контроль реквизитов и условий отправки | Доля счетов без исправлений | Нужны актуальные цены и правила учета |
| PROC-010Подготовка черновика договораДокументы · Утвержденный шаблон и условия сделки | LLM + правила / APIСложность: Высокая | LLM готовит текст, правила контролируют обязательные поля | Обязательное юридическое согласование | Количество существенных замечаний к черновику | Генерация текста не гарантирует юридическую корректность |
| PROC-011Извлечение реквизитов из документовДокументы · PDF, сканы, фотографии | LLM + правила / APIСложность: Средняя | OCR и извлечение полей дополняются проверкой формата | Проверка сомнительных значений | Точность извлечения по каждому полю | Качество зависит от изображения и типа документа |
| PROC-012Сравнение двух версий документаДокументы · Исходный и измененный тексты | Языковая модель (LLM)Сложность: Средняя | Нужно объяснить смысл изменений | Проверка существенных расхождений | Доля найденных существенных изменений | Точное текстовое сравнение лучше выполнять алгоритмически |
| PROC-013Поиск ответов во внутренних регламентахЗнания компании · Вопрос сотрудника и корпоративные документы | Поиск по документам + LLM (RAG)Сложность: Средняя | Нужен поиск по разрешенным документам с цитатами | Проверка спорных и чувствительных вопросов | Точность ответов с проверяемыми ссылками | Необходимы права доступа и контроль версий документов |
| PROC-014Еженедельный отчет по KPIАналитика · Проверенные числовые данные | Обычная автоматизацияСложность: Низкая | Расчет и вывод показателей задаются формулами | Контроль источников и аномалий | Совпадение отчета с исходными данными | LLM не нужна для вычисления заданных формул |
| PROC-015Текстовое объяснение изменений KPIАналитика · Проверенные показатели за два периода | Языковая модель (LLM)Сложность: Средняя | Нужно сформулировать понятную сводку изменений | Проверка причинно-следственных утверждений | Доля утверждений, подтвержденных данными | Изменение показателя само по себе не доказывает причину |
| PROC-016Оповещение о минимальном остатке товараСклад · Остаток и установленный порог | Обычная автоматизацияСложность: Низкая | Условие оповещения определяется числовым правилом | Пересмотр порогов и исключений | Доля пропущенных критичных остатков | Нужны своевременные данные складской системы |
| PROC-017Сопоставление предложений поставщиковЗакупки · Прайсы, письма, коммерческие предложения | LLM + правила / APIСложность: Средняя | LLM извлекает условия, правила нормализуют сравнение | Подтверждение выбора и закупки | Точность сопоставления цен и условий | Нужно учитывать валюту, НДС, доставку и комплектацию |
| PROC-018Подготовка краткой сводки резюме кандидатаHR · Резюме и требования вакансии | Языковая модель (LLM)Сложность: Средняя | Нужно извлечь подтвержденный опыт и навыки | Решение о найме принимает человек | Точность извлечения фактов из резюме | Нельзя подменять факты предположениями и допускать дискриминацию |
| PROC-019Расчет заработной платыФинансы · Табель, ставки, утвержденные правила | Обычная автоматизацияСложность: Высокая | Финансовые вычисления должны быть воспроизводимыми | Проверка и утверждение выплат | Количество расчетных ошибок | Требуется соблюдение действующих правил учета и права |
| PROC-020Окончательное решение о выдаче кредитаФинансы · Заявка и финансовые сведения | Решение принимает человекСложность: Высокая | Высокие финансовые и правовые риски | Решение по утвержденной процедуре | Доля решений, соответствующих установленным правилам | ИИ может помогать с документами, но автономное решение не рекомендуется |
Нет процессов с такой комбинацией фильтров. Измените условия или сбросьте фильтры.
Методика классификации
Единица классификации — типовой бизнес-процесс. Рекомендуемый подход определяется характером входных данных, требованиями к точности и последствиями ошибки. Это предварительная оценка: объём данных, интеграции, права доступа и реальные исключения могут изменить рекомендацию.
- Обычная автоматизация
rules - Вход структурирован, правила однозначны. Вычисления и действия воспроизводимы.
- Языковая модель (LLM)
llm - Требуется понимание или преобразование свободного текста. Факты и выводы проверяются.
- Поиск по документам + LLM (RAG)
rag - Ответ должен опираться на актуальные документы, доступные пользователю, с проверяемыми ссылками.
- LLM + правила / API
hybrid - LLM извлекает или формулирует информацию; правила и API проверяют значения и выполняют действия.
- Решение принимает человек
human - Высокий риск или неоднозначность. ИИ может помогать с материалами; ответственность за решение остаётся у человека.
Как определена сложность
- Низкая: один тип входных данных, понятный результат, без критичных действий во внешних системах.
- Средняя: несколько этапов, интеграции, проверка качества или регулярные исключения.
- Высокая: сложные права доступа, чувствительные данные, множество систем или существенные последствия ошибок.
Как проверить рекомендацию
- Опишите границы процесса и сформируйте обезличенную тестовую выборку с ожидаемыми результатами.
- Зафиксируйте текущий способ работы и критерий приёмки до запуска пилота.
- Сравните предложенный подход с текущим процессом, учитывая ошибки, время и стоимость.
- Разберите исключения и согласуйте условия передачи результата сотруднику.
Все сценарии предусматривают участие сотрудника. Фильтр «Человек принимает итоговое решение» выделяет два процесса с подходом human; в остальных строках конкретный контроль описан отдельно. Подразделения добавлены для навигации; один процесс может встречаться в нескольких командах.
Данные, версия и условия использования
Автор: Антон Даблешевич · ToxaDab. Версия 0.1.0 · 20 записей. Опубликовано: 2026-10-12.
Можно ссылаться на материал и использовать классификацию для предварительной оценки. Открытая лицензия на копирование и распространение файла пока не назначена.
При ссылке на материал укажите название, автора, версию и URL страницы. Изменения методики и измеренные результаты пилотов будут публиковаться в следующих версиях; текущая версия не содержит полевых испытаний.
Проверить процесс вашей компании
Классификатор помогает поставить первые вопросы. Быстрый аудит применяет эти критерии к вашим данным, системам и ограничениям. Результат — разбор процессов и план первого пилота; внедрение оценивается отдельно.
Посмотреть условия быстрого аудита →