Как ИИ-агенты помогают казахстанскому бизнесу экономить до 40% времени сотрудников

ИИ-агенты могут ускорить онбординг на 70%, сократить проверку контрактов на 4 часа и высвободить до 40% рабочего времени сотрудников. Таких помощников можно создать на платформе Aventa от QazCode – самостоятельно или с помощью команды экспертов, которые строят ассистента под конкретный процесс.

Digital Business узнал у Product Owner платформы Алины Ивановой, в каких сферах кастомные агенты уже окупаются и как владельцу бизнеса внедрить ИИ без типичных ошибок.

«Бизнес приходит к нам с конкретной болью»

– Изначально Aventa позиционировали как платформу, которая помогает бизнесу создавать ИИ-агентов без ИТ-знаний. Сегодня вы предлагаете и готовые решения под конкретные задачи. Почему решили изменить стратегию?

– Платформа по-прежнему востребована – как правило, у крупных компаний с высоким уровнем цифровой зрелости. Но от рынка стал поступать еще один сигнал. Бизнес приходит не с запросом «как внедрить ИИ для сотрудников», а с болью. Например, юридическая команда тонет в типовых согласованиях контрактов, HR тратит полдня на одни и те же вопросы, а закупщики часами ищут информацию по контрагентам. Им нужно точечное решение.

Проанализировав метрику активации, увидели: часть клиентов регистрировались, получали доступ к платформе – и останавливались. Они не знали, с чего начать автоматизацию. Был нужен кто-то, кто разберется во внутренних процессах и скажет, куда есть смысл подключить ИИ, а где это нерационально.

Например, в небольших командах на возврат инвестиций может понадобиться больше времени. Экономический эффект от внедрения ИИ-агента напрямую зависит от масштаба задач, поэтому важно  выбирать сценарии, где автоматизация дает заметный эффект.

Исключение – процессы, в которых задействованы высококвалифицированные специалисты с очень дорогим временем: юристы, финансовые аналитики, compliance-менеджеры, эксперты-рисковики, инженеры. Даже в небольшой команде из 10-30 сотрудников агент может окупиться за счет экономии времени и снижения ошибок.

Именно так появился второй трек Aventa – вертикальные агенты для тех, кто приходит с конкретной задачей и хочет быстрый измеримый результат. И обязательно с кастомным экспертным подходом.

40% времени тратили на поиск деталей – теперь этим занимается ИИ-агент

– Сколько времени уходит от первого обращения клиента до внедрения агента?

– В среднем 2-3 месяца – все зависит от запроса. Если компания приходит с конкретной болью, сразу раскладываем процесс по этапам, смотрим, где можно применить агентов, и быстро собираем решение. Если запрос абстрактный, проводим диагностическую работу, формируем кейс и выбираем процесс для автоматизации. Это занимает дополнительное время.

Демо-версию можно собрать за несколько дней, если заказчик предоставит нужные данные. Пилот занимает от одного до трех месяцев.

За это время успеваем:

• получить данные;
• протестировать;
• исправить ошибки;
• рассчитать ценность для клиента;
• определиться, масштабировать ли решение дальше.

Иногда пилотная версия не нужна: клиент видит выгоды на этапе демо и сразу переходит к внедрению коммерческого решения.

– Расскажите о проекте, где клиент пришел с абстрактным запросом, а команда Aventa помогла сформулировать конкретную задачу.

– Обратилась крупная производственная компания. Первичный запрос был стандартный и размытый: хотим ИИ, слышали, что это эффективно, в каких-то отделах уже пробуют его внедрять. Но конкретного процесса, который нужно автоматизировать, не было.

Пригласили на встречу представителей разных департаментов. Первые идеи у заказчиков были масштабные: создать ИИ-агента, который будет анализировать производственную цепочку, выявлять риски и делать прогнозы.

Провели короткие интервью с сотрудниками разных департаментов, чтобы узнать, как устроен рабочий день, где теряется время и какие задачи выполняются вручную. Так вышли на подразделение, которое занимается складскими закупками. Задали простой вопрос: «Что вы делаете, когда срочно нужна деталь?» Выяснилось, что специалисты по обслуживанию оборудования тратят до 40% рабочего времени на то, чтобы понять, какие запчасти есть на складе. Звонят кладовщикам, ищут данные в таблицах, сверяются с ERP-системой, собирают информацию вручную из разных источников.

По итогам анализа предложили агента, который решает две задачи:

• Быстрый доступ к остаткам на складе.

Сотрудник спрашивает в диалоговом окне, есть ли нужная деталь, а агент ищет информацию во всех источниках и дает ответ.

• Прогноз закупок.

Когда агент показывает информацию по деталям, он одновременно анализирует предыдущие закупки и подсказывает: что нужно закупить заранее, какие позиции скоро закончатся, и где возможен риск простоя.

Сейчас проект на этапе пилота.

HR-боты и ассистенты по закупкам: какие агенты нужны бизнесу

– Какие типы ИИ-агентов и для каких процессов внедряете чаще всего?

– От HR-ботов до юридических аналитиков и ассистентов по закупке. Успешные кейсы объединяет один паттерн: большой объем данных, повторяемость процессов и высокая цена ошибки.

Выделю три процесса, которые автоматизируем чаще всего:

• HR и внутренние коммуникации. 

Особенно востребовано в компаниях с большим штатом. Агент отвечает на вопросы сотрудников, помогает с заявками и ускоряет онбординг до 70%. Это позволяет HR-специалистам экономить около 1,5 часов в день.

• Юридические и GR-процессы. 

Агенты анализируют договоры на соответствие шаблонам и требованиям, ищут риски, поднимают прецеденты из архива, отслеживают изменения регуляторики. По отдельным кейсам на проверке одного контракта удавалось экономить до 4 часов.

• Закупки и compliance. 

Агент становится базой знаний: шаблоны, процедуры, проверка заявки до подачи, работа с контрагентами, остатками и внутренними политиками. Экономия может составить до 3 часов на сотрудника.

Если говорить об отраслях, сегодня особенно активны финансы, ритейл, телеком и добывающий сектор. Разумеется, всегда остается риск ошибки. Но при хорошем качестве данных можно добиться 95-98%точности ответов ИИ-агента.

– Как оценивается эффективность агента?

– Сначала фиксируем текущее состояние – точку А: сколько времени занимает процесс, какие ошибки и риски он предполагает, а также какая на него приходится нагрузка. Потом обозначаем желаемый результат и после запуска пилота сверяемся с этими данными.

Операционные метрики видны через 2-4 недели после запуска пилотной версии – это доля запросов, закрытых с помощью агента, среднее время их обработки и количество эскалаций (число перевода заявок или задач на более высокий уровень из-за их сложности и нехватки ресурсов – здесь и далее прим. Digital Business).

Бизнесовые метрики фиксируют через 2-3 месяца стабильной работы. К ним относятся стоимость одной операции, высвобожденное время сотрудников и NPS (степень лояльности) в клиентских сценариях.

Еще один класс метрик часто недооценивают – качество принятых решений. Особенно актуально для юридических и финансовых функций: агент дает рекомендацию на основе прецедентов. А еще можно измерить, насколько снизилось количество спорных или отмененных решений и сократились риски.

За какой срок окупится ИИ-агент

– Как новая стратегия отразилась на стоимости продукта? 

– Если клиенту нужна платформа, действует лицензионная модель – около $20-30 за активного пользователя в месяц. Облачная версия подключается быстро и без дополнительных вложений в инфраструктуру. За On-Premise нужно заплатить отдельно один раз.

Кастомный агент оценивается поверх этих параметров и индивидуально. Все зависит от сложности процесса и интеграций. Но в этом есть и плюс: когда считаем стоимость кастомного агента вместе с клиентом, окупаемость перестает быть абстракцией. В типовых сценариях она занимает 6-12 месяцев. В процессах с большим потоком операций и «дорогими» ошибками – быстрее.

– Какие, по вашим наблюдениям, требования сегодня чаще всего предъявляет бизнес к создателям ИИ-агентов?

– Есть несколько параметров, соответствие которым считаем конкурентным преимуществом.

Во-первых, локальная инфраструктура. Для многих крупных клиентов принципиально важно, чтобы данные не покидали Казахстан. Это помогает избежать рисков, связанных с трансграничной передачей данных.

Во-вторых, языковая и регуляторная локальность. Важно, чтобы компания работала на казахском и русском языках, понимала специфику местного делопроизводства, внутренних документов и нормативной среды.

В-третьих, готовность заходить с пилотной версией. Для клиента это способ оценить ценность решения без больших бюджетных рисков.

В-четвертых, экспертиза в процессах. Поднять инструмент – это одно. Понять процесс клиента, встроиться в архитектуру, учесть безопасность, специфику клиентской среды и систем, данные и реальные ограничения – совсем другое. Проходили это много раз и знаем, где бизнес переоценивает возможности ИИ, а где, наоборот, недооценивает эффект.

– Как компании подготовиться к внедрению ИИ-агента?

– Выбрать правильный процесс. Не надо начинать с самого громкого и сложного кейса. Лучше брать повторяющийся, измеримый процесс с понятной стоимостью ошибки или эффектом разгрузки экспертов.

Подготовить данные и базу знаний. Собрать воедино и оцифровать регламенты, архив решений, шаблоны, документы, базы. Агент работает с данными клиента – чем они качественнее, тем лучше результат.

Назначить внутреннего владельца процесса. Это должен быть человек, которому действительно важно решить проблему – в команде называем эту роль «чемпионом». Если такого нет, проект останавливается.

И, повторюсь, зафиксировать точку А. Без этого невозможно оценить эффект от внедрения.