AI Automation: архитектура внедрения ИИ в операционные процессы

AI automation — это не отдельный продукт и не «нейросеть вместо сотрудника». Это слой обработки неструктурированных данных и решений внутри уже существующего процесса: CRM, документооборота, поддержки, продаж или производства. Ценность появляется не от факта использования модели, а от того, что конкретный ручной шаг перестаёт требовать человека.

Граница ответственности должна быть явной с самого начала. Правила, которые можно записать как «если-то» — смена статуса после оплаты, расчёт скидки по прайсу, маршрутизация по региону — остаются в детерминированном коде. Модель отвечает за то, что требует понимания смысла: свободный текст письма, фото дефекта, голосовое обращение, неструктурированный документ.

Большинство пилотов AI automation умирает на переходе от чат-интерфейса к встроенному в процесс сервису. Демо показывает, что модель умеет отвечать; продакшен требует, чтобы система умела повторить запрос после сбоя, не терять события, соблюдать права доступа и не создавать дубликаты действий.

Второй частый провал — выбор технологии раньше процесса: компания покупает подписку на «AI-платформу», а затем ищет задачу под неё. Рабочий порядок обратный — сначала аудит процесса и данных, потом выбор архитектуры (workflow, интеграция, RAG, агент), и только затем модель.

Независимо от домена (CRM, документы, поддержка, продажи, производство) устойчивый паттерн один: событие → очередь → сервис оркестрации → сбор ограниченного контекста → вызов модели → валидация структурированного ответа по схеме → запись результата в систему-источник правды. Очередь отделяет медленный AI-вызов от пользовательской операции и позволяет безопасно повторять запросы.

Каждый сценарий получает собственный контракт данных и идемпотентный ключ, а не общий «универсальный агент». Классификация обращения, генерация черновика документа и next-best-action — это разные контракты с разными допустимыми полями, даже если под капотом используется одна модель.

На старте AI automation должна готовить черновики и рекомендации, а не выполнять необратимые действия. Отправка письма клиенту, изменение цены, закрытие сделки, остановка производственной линии — операции, которые требуют подтверждения человеком или жёсткого бизнес-правила поверх модели.

Автономию расширяют только после накопления статистики ошибок на реальных сценариях, а не по расписанию проекта. Нужны allowlist полей и действий, лимиты значений, фильтрация входа (защита от prompt injection), валидация выхода и журнал аудита с версией prompt, моделью и источниками контекста для каждого результата.

Технические метрики — задержка, доля валидных структурированных ответов, стоимость вызова, число повторов. Бизнес-метрики зависят от процесса: время обработки заявки, доля карточек с корректно заполненными полями, время подготовки документа, число ручных правок в черновике модели.

Безопасный путь — один процесс, контрольная группа и 2–4 недели сравнения с прежним способом работы. Если AI automation только переносит труд с написания текста на исправление плохих черновиков, сценарий не готов к масштабированию на соседние процессы.