Как внедрять GenAI в операционную работу

Код оказался удобной средой для моделей не вопреки своей сложности, а благодаря компиляторам, линтерам, тестам и воспроизводимым запускам. Каждый инструмент быстро сообщает, где нарушен синтаксис, контракт или логика. В продажах, поддержке и управлении такой сигнал редок, результат может проявиться через месяц, а контрфактический сценарий нельзя повторить. Поэтому автономность определяется не интеллектом модели, а качеством среды, в которой её действие можно проверить.

Попытка описать процесс тоже не гарантирует готовности. В эксперименте команды Бондаря опытные сотрудники поддержки составили регламент, но он объяснил только около 20% фактических решений операторов. Остальное жило в неформальных знаниях, переписке и профессиональном суждении. Прежде чем автоматизировать работу, приходится выделить устойчивые этапы, определить входы и выходы, восстановить исключения и решить, какое поведение действительно считается правильным.

В поддержке недостаточно научить бота отвечать: он должен решить проблему клиента, вовремя эскалировать случай и проходить контроль качества. В бухгалтерии, наоборот, расчёт и правила лучше оставить детерминированному коду, а модель использовать для разбора неоднородных документов, классификации транзакций и поиска связанного договора. При этом экономику надо считать вместе с перепроверкой, исправлениями, штрафами и уже существующей частотой человеческих ошибок.

В маркетинге дефицитом часто оказывается не производство текста, а дни ожидания между продактом, редактором, юристом и дизайнером. Модель полезнее как ранний проверяющий, который переносит правила ближе к автору, чем как бесконечная фабрика контента. В проектировании зданий безопаснее поручить GenAI перебор вариантов и поиск точек экономии, а прочность и соответствие нормам проверять обычными инженерными расчётами, чем просить систему создать объект целиком.

Бондарь советует не встраивать LLM в существующий фрагмент работы, а брать ответственность за вертикальный срез процесса от входа до клиентского результата. Так видны настоящие узкие места: ускоренный этап может просто передать очередь дальше, а обязательная ручная проверка — уничтожить экономию. Иногда главный эффект GenAI-проекта возникает ещё до модели, когда анализ обнаруживает лишнее согласование, заброшенную разметку или правило, которое давно никто не использует.

Практическая проверка состоит из четырёх вопросов: какую метрику меняем, насколько изменится сквозной результат при идеальной автоматизации, как сегодня обнаруживается плохое качество и не станет ли контроль дороже эффекта. Human in the loop сам по себе не спасает систему: уставший специалист превращается в формального контролёра. Работают команды, где владелец воспринимает каждую ошибку агента как собственную и может изменить регламент, контекст, ограничитель или маршрут эскалации.