Когда корпоративное внедрение проходит успешно, я понимаю это в первые две недели.

Люди не просто входят в систему. Они входят, закрывают тикеты поддержки, обработанные ночью их ИИ-агентами, подтверждают последующие действия, отправленные лидерам продаж, пока они спали, находят новые сценарии использования и самостоятельно настраивают больше агентов. От команды начинают поступать вопросы вроде «он может делать и это?» вместо «почему он этого не делает?». Это тот самый магический момент, когда понимаешь, что клиенту нравится продукт и он уже на него полагается — так же, как они каждый день используют WhatsApp.

Создаваемая ценность значительна: она выражается в заметной экономии времени и затрат, а также в ощутимом росте показателей CSAT и общей операционной эффективности. Влияние на бизнес просто слишком велико, чтобы его не заметить.

Но когда все идет не так, сигнал столь же очевиден.

Они подписывают контракт, выпускают пресс-релиз о своей крупной ИИ-трансформации, а затем… люди заходят в систему и по сути ничего не делают. Агент обрабатывает лишь часть того, что должен был обрабатывать. Большая часть команды по-прежнему выполняет задачи вручную. Не завершаются интеграции с CRM, ERP или системой тикетов. Сначала заходят раз в день, потом раз в неделю, а затем перестают. Не нужно быть провидцем, чтобы понять, что в следующем году они скажут что-то вроде «это просто не соответствует тому, как мы работаем», и контракт не будет продлен.

Разница между этими двумя исходами почти никогда не сводится к технологии.

Технология работает. ИИ-агент готов. Но не готово предприятие.

Вот почему. Многие компании думают, что внедрение ИИ-агента — это просто подключить ChatGPT к своим системам, и все, магия, он сам начнет работать. Это не так. Каждая интеграция между ИИ и вашей CRM, ERP, системой тикетов, каналами коммуникации и так далее — это отдельная сложная инженерная задача. Нет никакой магии, при которой ИИ автоматически подключается к 200 внутренним системам.

Люди также часто думают, что сложная часть — это модель ИИ. Уже нет. ИИ-модели все больше становятся товаром массового рынка. Можно за секунды переключиться с ChatGPT на Claude, Gemini или любую другую модель, а современные open source-модели работают примерно за 1%~2.5% стоимости frontier labs, обеспечивая около 90%~96% качества, а в отдельных нишевых доменах — иногда даже более 100%. В моделях нет защитного рва. Защитный ров — в интеграциях, и каждая отдельная интеграция — это шаг вперед, который требует реальной работы.

Защитный ров есть и в знаниях, которые эти системы питают.

Сначала ваши знания должны быть пригодны к использованию

Даже если вы правильно настроите все интеграции, результат агента хорош лишь настолько, насколько хороши знания, которые вы ему даете. Data is king, качество данных — это золотая жила. Такие компании, как Mercor, построили бизнес на найме отраслевых экспертов по высоким ставкам именно для создания высококачественных данных, на которых ИИ может обучаться. У большинства обычных компаний нет миллионов долларов, чтобы вкладывать их в это, но у них есть не менее ценный актив: годы накопленных знаний о том, как на самом деле работает их бизнес. Проблема лишь в том, что эти знания почти никогда не находятся там, где должны быть.

Подумайте о том, как знания действительно перемещаются внутри компании. Сотрудник проводит дни, исследуя сложную проблему клиента, наконец решает ее и отвечает через WhatsApp. В следующий раз, когда та же проблема возникает у другого сотрудника для другого клиента, он начинает с нуля и тратит еще несколько дней, чтобы дойти до решения. Какая трата времени.

Кроме того, все, что знает компания, обычно разбросано повсюду в виде естественного языка: в письмах, PDF, документах на локальном диске у кого-то, в файлах в облаке компании, полных дублей и конфликтующих версий… В телефонных звонках, которые однажды состоялись и никогда не записывались. В головах бывших сотрудников и их удаленных данных, где передача знаний так и не произошла.

Теперь все эти знания можно записывать, организовывать, управлять ими, использовать и применять с помощью ИИ.

Чтобы сделать это правильно, знания нужно рассматривать как инфраструктуру. Каждый документ, из которого агент черпает информацию, должен быть загружен в базу знаний, обновляться и быть под контролем доступа. Агентам, работающим с клиентами, видят только то, что должны видеть клиенты; внутренним агентам доступна полная картина.

Представьте это как онбординг нового сотрудника. Вместо того чтобы просто выдать ему набор файлов Google Drive и пересылать цепочки писем в надежде, что за месяц он усвоит нужную информацию, вы с первого дня точно определяете, что он знает.

База знаний также должна уметь обрабатывать все, что ей подбросит предприятие: PDF, таблицы, голосовые заметки, изображения, документы на нескольких языках. Когда что-то меняется, знания должны обновляться без перестройки с нуля. Это должно быть так же просто, как передать это агенту и позволить ему автоматически заменить старые знания везде и сразу.

Одна из крупнейших в Азии групп недвижимости, управляющая сотнями жилых и коммерческих объектов, сталкивалась именно с такой проблемой. У нее были документы по комплаенсу, договоры аренды, процедуры обслуживания для конкретных зданий, правила эскалации к подрядчикам, а данные были разбросаны по разным системам и на разных языках. Годами никто не создал единую структуру и четкую границу между знаниями, которыми можно делиться внешне, и знаниями, которые должны оставаться внутренними.

Раньше им требовались часы, чтобы ответить на запрос арендатора. После внедрения agentic AI любой фрагмент информации стал извлекаться менее чем за 30 секунд. Время первого ответа сократилось с 12 часов до менее 60 секунд, а удовлетворенность арендаторов почти удвоилась в течение 90 дней после развертывания.

Однажды я слышал, как сотрудник этой группы сказал, что даже спустя 20 лет он все еще не может запомнить 50% SOP, потому что он постоянно меняется, тогда как ИИ способен запомнить все и корректно ответить на все в течение 2 секунд после «поглощения» информации.

Тот же самый массив знаний. Наконец-то пригодный к использованию.

Продажи на 99% состоят из follow-up, и агент — тоже

Правильно организованные знания — это внутренняя задача. Внешняя задача — связать каждую беседу агента с системами, на которых действительно работает ваш бизнес.

Я скажу вам то, что большинство людей не напишут в LinkedIn: продажи на 99% — это follow-up. До того как я создал Jurin AI, я каждый год собирал около 800 to 1200 визитных карточек. Я связывался менее чем с 2%. Дело не в том, что я не хотел делать остальные 98%, — сам процесс просто мучителен. Нужно найти время, чтобы вручную ввести данные человека, вспомнить, где вы встретились и о чем именно говорили, а затем составить личное сообщение. К тому времени, как вы до этого добираетесь, момент уже упущен.

Теперь представьте, что это делает агент. Вы встречаете человека, а система уже знает, кто он, что он публиковал на прошлой неделе и что связано с тем, что вы строите. Follow-up уходит в тот же день, персонализированный, пока разговор еще свеж. Каждый лид. Не только те, кого вы вспомнили.

Это не улучшение на 10%. При правильной реализации это 50x выручки или 200x прибыли в некоторых отраслях, лежащие кучей визиток, до которых никто не дошел. Вот где ИИ становится «game changer».

Когда вы можете вспомнить каждый прошлый разговор и продолжить ровно с того места, где остановились… это и есть самую сердцевину миссии Meta — «bring the world closer together».

Та же логика действует и внутри предприятия. Когда потенциальный клиент спрашивает о цене, сам разговор может быть простым, но процесс под ним — нет: это существующий аккаунт или новый? Кто-то уже общался с ним раньше? Какой регион отвечает за отношения? Есть ли открытая сделка в воронке? Нуждается ли эта скидка в согласовании? Есть ли предыдущие тикеты поддержки? Кто-то уже ведет этот запрос? Чем больше человеческих слоев, тем сильнее накапливается неэффективность — экспоненциально; ИИ же просто масштабируется линейно без усилий.

ИИ-агент может пройти через все это, но только если он подключен к системам, где есть эти ответы. Salesforce, HubSpot, SAP, Oracle, ваша система тикетов, ваша ERP — любая комбинация, на которой работает ваше предприятие, должна быть интегрирована до того, как агент сможет делать все это. После того как интеграции на месте, агент проверяет CRM, подтягивает реальную историю, направляет к нужному владельцу, записывает взаимодействие и планирует follow-up. Разговор происходит, а ИИ захватывает все процессы до, во время и после.

Все ваши взаимодействия должны быть в одном месте

Но захват процессов работает только в том случае, если вы видите полную картину. А большинство предприятий этого не могут, потому что разговоры происходят в разных местах, принадлежащих разным людям, и эти люди не знают, что сказал другой.

Например, у аккаунт-менеджера есть история WhatsApp. Отдел продаж видит CRM. Поддержка видит тикет. Финансы видят счет. Клиент предполагает, что любой сотрудник компании знает все, что он когда-либо говорил кому-либо из них.

Если предприятие внедряет агента в такую фрагментацию и ожидает от него высокой эффективности, этого не произойдет.

Каждый канал, с которым взаимодействует клиент, будь то email, WhatsApp, Slack, телефон, CRM или система тикетов, должен быть объединен в одну систему. Когда это сделано, у агента появляется полная картина: что было обещано на прошлой неделе, что еще открыто, кто разговаривал с клиентом этим утром и что именно сказал. Он продолжает разговор с полным контекстом, независимо от того, где тот начался.

У той самой группы недвижимости, о которой я упоминал ранее, разные аккаунты LINE, WhatsApp, WeChat и почтовые ящики работали отдельно для каждого объекта. Когда все каналы были объединены и подключены, агент знал здание, арендатора, историю и нерешенные вопросы. Наконец-то у него появилась полная картина.

Дайте агенту нужный уровень автономности для каждого процесса

Вы не выдаете новому сотруднику корпоративную кредитную карту в первый день. Но и не заставляете его каждый раз просить разрешения, чтобы ответить на письмо. У агентов та же логика.

Есть процессы, которые вы хотите поручить агенту end-to-end: ответ клиенту, обновление записи, закрытие тикета, перенос доставки. Есть и такие, которые нужно отдать на проверку человеку до отправки чего-либо наружу. Агент выполняет подготовительную работу: собирает данные, готовит ответ и отмечает исключения, а окончательное решение принимает человек.

Ключевое — заранее определить, какой уровень автономности вы даете каждому агенту до запуска корпоративного ИИ.

У e-commerce-бизнеса, который обрабатывает 3,000 заказов в день, агенты могут получить полную автономность для изменения подписок, изменения доставки и одобрения отмен. Но возвраты выше определенной суммы все еще идут человеку. На определение всех правил и разрешений уходит меньше дня. Но если настроить это правильно, у вас не будет необработанных запросов после рабочего времени, и вы сэкономите себе семь цифр, а также массу головной боли, ежегодно.

Вот что на самом деле нужно корпоративным ИИ-агентам

Тот самый магический момент, о котором я говорил в начале, когда люди заходят в систему и обнаруживают, что работа уже сделана, и спрашивают «он может делать и это?», не возникает случайно. Он возникает, когда знания структурированы и пригодны к использованию, когда агент подключен к системам, на которых реально работает бизнес, когда все каналы объединены в одну систему и когда кто-то заранее и сознательно решил, что именно агенту разрешено делать до его запуска.

С технической точки зрения все это несложно, если вы на правильной платформе. Но все это требует от предприятия решений, которых оно избегало.

Те компании, которые делают эту работу, получают не просто работающего агента. Они получают гораздо более ясное представление о том, как на самом деле устроен их бизнес: документированные процессы, чистые знания и интегрированные системы.

Оказывается, предпосылки для хорошего внедрения корпоративного ИИ и предпосылки для хорошо управляемой компании — это одно и то же.