В новостях недавно промелькнула модель нового типа: она отвечает не фразами, а категорией и процентом уверенности — да/нет, срочно/обычно, счёт/предложение. Звучит как техническая деталь, но для нас это один из самых практичных сигналов последних месяцев. Потому что если посмотреть, чего малые компании на самом деле ждут от AI, то это почти никогда не беседа. Это решение.
Большинство реальных задач — это классификация, а не текст
Когда мы вместе с клиентом раскладываем процессы, повторяется один и тот же рисунок. Это письмо — в продажи или в поддержку? Есть ли в нём заказ? Этот счёт — дубликат или новый расход? Подходит ли кандидат по минимальным требованиям? Этот отзыв — жалоба, на которую нужно ответить сегодня? Ни один из этих вопросов не требует красивого абзаца. Требуется одна метка и понимание, насколько система в ней уверена.
Спросить то же самое у разговорной модели можно, и это работает — но дороже, медленнее и размытее. В ответ вы получаете предложение, которое потом нужно разбирать, причём каждый раз в чуть иной формулировке. Классифицирующий подход даёт структуру: фиксированный набор вариантов, числовую уверенность, предсказуемую стоимость. Именно это и нужно, когда результат уходит дальше в автоматический процесс, а не на глаза человеку.
Процент уверенности — то, что делает автоматизацию безопасной
По нашему опыту главная разница между системой, которая говорит «это жалоба», и той, которая говорит «это жалоба, уверенность 0,58». В первом случае вы либо доверяете всему, либо ничему. Во втором можно провести границу: выше порога задача идёт дальше сама, ниже — попадает к человеку.
Значит, автоматизацию не нужно начинать решением «всё или ничего». Пусть машина сначала берёт на себя очевидные случаи — а их обычно большая часть объёма — а спорные остаются людям. Так вы получаете экономию времени, не жертвуя качеством. И поскольку граница записана числом, её можно спокойно сдвинуть позже, когда увидите поведение системы на своих реальных данных.
С чего начать: одна неделя, один процесс
Советуем максимально скучное начало. Выберите одно повторяющееся решение, которое кто-то в команде принимает вручную каждый день. Соберите пару сотен реальных примеров за последние месяцы — письма, формы, счета, что угодно. Выпишите категории, между которыми реально выбирают, и обязательно добавьте вариант «неясно». Затем попросите человека разметить эти примеры руками. Это тот нудный шаг, который все хотят пропустить, и именно он решает, получится проект или нет.
Дальше просто: пропустите те же примеры через модель и сравните с разметкой человека. Теперь у вас есть цифра, а не ощущение. Если точность достаточна, первый месяц держите систему в «режиме подсказки» — машина предлагает метку, человек подтверждает одним кликом. И только когда подтверждение станет формальностью, включайте автоматику для уверенных случаев. После этого измеряйте две вещи: какая доля объёма проходит без участия человека и сколько ошибок доходит до клиента.
Где граница
Подход не универсален. Если категории меняются каждый месяц или их тридцать и половина перекрывается, проблема не в модели — процесс просто ещё не выстроен. Сначала наведите порядок в процессе. Также мы не советуем автоматизировать решения, необратимо касающиеся клиента: расторжение договора, отказ по претензии, изменение цены. Здесь машина может сортировать и объяснять, но решение принимает человек, а у клиента должен остаться понятный путь для оспаривания. Это не наша излишняя осторожность — того же ждут и европейские правила.
А если объём действительно маленький — пара десятков случаев в неделю — честный ответ такой: автоматизация себя не оправдает. Тогда лучший инструмент — хороший чек-лист.