За последние несколько лет искусственный интеллект перестал быть экспериментальной технологией и постепенно превратился в полноценный рабочий инструмент. Компании уже используют нейросети для создания контента, поиска и обработки информации, анализа данных, клиентской поддержки и автоматизации различных внутренних задач.
Но чем больше появляется сценариев применения AI, тем чаще бизнес сталкивается с другим вопросом: достаточно ли использовать ChatGPT как отдельный инструмент или для решения задач компании уже нужна более сложная архитектура с ИИ-агентами?
Универсального ответа нет. В одних компаниях искусственный интеллект остается помощником сотрудников и позволяет быстрее справляться с рутинной работой. В других AI постепенно становится частью ИТ-инфраструктуры: специализированные агенты взаимодействуют друг с другом, получают информацию из корпоративных систем и участвуют в автоматизации целых процессов.
При этом одна из распространенных ошибок — начинать внедрение AI с выбора технологии, а не с анализа конкретной бизнес-задачи. В итоге компании либо создают сложные решения там, где можно было обойтись одним инструментом, либо, наоборот, пытаются автоматизировать комплексный процесс с помощью обычного чат-бота.
За 19 лет работы над интернет-магазинами и интеграционными решениями для ритейла и производственных компаний мы сталкивались с разными подходами к цифровизации бизнес-процессов. Поэтому большинство примеров в этой статье будут связаны с e-commerce, хотя сами принципы применимы и в других отраслях.
1. Первый уровень: обычная LLM без данных компании
Языковая модель, например ChatGPT или DeepSeek, сама по себе не является системой управления бизнесом или полноценным «цифровым сотрудником», который знает, как устроены внутренние процессы компании.
По сути, это универсальная интеллектуальная система, способная выполнять поставленные перед ней задачи на основе данных, использованных при обучении, и контекста, который передает ей пользователь.
Если человек обращается к нейросети, которая никак не связана с внутренними системами компании, модель не может самостоятельно зайти в CRM, получить информацию из базы данных или проверить актуальные сведения в корпоративных сервисах. Ответ формируется на основе имеющихся у модели знаний и информации, переданной непосредственно в запросе.
Благодаря этому нейросеть умеет:
понимать смысл текстовых запросов;
готовить подробные и структурированные ответы;
объяснять сложные темы более простым языком;
превращать отдельные мысли и факты в связный текст.
Для большого количества ежедневных рабочих задач этого вполне хватает. Нейросети можно использовать для подготовки деловых писем, переводов, черновиков коммерческих предложений, инструкций и других материалов. Они ускоряют поиск информации, помогают сформулировать мысль и подготовить контент. В каком-то смысле это можно сравнить с более удобным и продвинутым способом работы с информацией: вместо самостоятельного изучения множества источников пользователь быстрее получает необходимую выжимку и основу, которую затем может доработать.
Современные модели также умеют создавать изображения для статей, презентаций, социальных сетей и рекламных материалов. Но если бизнесу необходимо выпускать большое количество визуалов в едином стиле, соблюдать брендбук и сохранять визуальную целостность материалов, одного стандартного инструмента уже может быть недостаточно — потребуются дополнительные настройки и контроль.
Главное ограничение такого подхода заключается в том, что модель ничего не знает о реальном состоянии процессов внутри конкретной компании.
Она не видит текущие складские остатки, статусы заказов, реальные договоренности с клиентами и другие данные, которые постоянно меняются. Модель также не знает внутренних регламентов и ограничений бизнеса, если они заранее не переданы ей в контексте или через интеграции.
Например, покупатель спрашивает интернет-магазин, есть ли конкретный товар в наличии и когда его смогут доставить. Если AI никак не связан с учетной системой, он не знает реального остатка и графика поставок. Поэтому модель сможет дать только общий ответ или, что хуже, попытается заполнить недостающую информацию предположениями.
В таком сценарии AI не принимает решения и не воспринимает бизнес как единую систему. Компания получает инструмент, который помогает быстрее генерировать ответы и выполнять отдельные операции, но сам по себе он не управляет процессами, не устраняет системные ошибки и не заменяет бизнес-логику.
Именно здесь становится заметно основное ограничение обычной LLM: недостаточно просто подключить модель. Чтобы AI действительно участвовал в работе компании, его необходимо интегрировать непосредственно в процессы и контур принятия решений.
Второй уровень: LLM + внутренние данные бизнеса
Следующий этап — предоставить AI доступ к внутренним данным компании.
И здесь возникает немало терминологической путаницы. Подобные решения называют AI-ассистентами, агентами и другими терминами. Общепринятой классификации пока нет, поэтому границы между понятиями достаточно условны. Кроме того, подключение корпоративных данных нередко называют «дообучением» модели, хотя на практике полноценное обучение на информации конкретной компании требуется далеко не всегда.
Чаще используется другой принцип: в момент выполнения запроса модель получает необходимый контекст через интеграции с CRM, ERP, 1С, корпоративными базами знаний, товарными каталогами, логистическими системами и другими сервисами.
То есть AI не обязательно должен заранее «выучить» всю информацию о компании. Вместо этого система получает доступ к актуальным данным тогда, когда они действительно необходимы.
Например, клиент хочет узнать, где находится его заказ. В этом случае модель уже не должна пытаться сформировать наиболее вероятный ответ. Система может обратиться к CRM, проверить данные логистики, получить текущий статус доставки, посмотреть историю взаимодействия с клиентом и на основании этой информации подготовить ответ.
Именно на этом этапе использование AI начинает давать бизнесу более ощутимый практический результат. Сотруднику не нужно самостоятельно переключаться между несколькими системами, собирать данные и сопоставлять информацию вручную. Нейросеть может взять на себя поиск, сбор и интерпретацию сведений из разных источников, при этом окончательные решения по-прежнему остаются за человеком или установленной бизнес-логикой.
Однако возникает новое ограничение: качество работы AI напрямую связано с качеством корпоративных данных.
Если информация распределена между множеством таблиц, дублируется, противоречит друг другу или обновляется несвоевременно, искусственный интеллект не сможет стабильно выдавать корректный результат. AI не устраняет существующий информационный хаос автоматически — скорее он начинает воспроизводить его в большем масштабе.
Особенно заметна эта проблема в e-commerce. Если характеристики товаров заполняются в разных форматах, часть карточек содержит неполные сведения, а актуальные правила возврата находятся сразу в нескольких документах, модели приходится работать с противоречивым контекстом. В результате вместо сокращения количества ошибок бизнес получает еще один уровень, который приходится дополнительно контролировать.
Поэтому в зрелых проектах внедрение AI обычно начинается не с подключения модели, а с подготовки процессов и данных. Сначала необходимо привести в порядок внутреннюю структуру, источники информации и правила работы, а уже затем использовать искусственный интеллект как дополнительный инструмент автоматизации.
Третий уровень: AI-агенты и архитектура процессов
На следующем уровне усложняется уже не сама языковая модель, а система, которая выстраивается вокруг нее.
Если на предыдущем этапе AI преимущественно обращался к корпоративным источникам и помогал сотруднику находить необходимую информацию, здесь формируются полноценные цепочки взаимодействия между несколькими специализированными компонентами. Именно такие решения сегодня чаще называют AI-агентами или мультиагентными системами, хотя четкой и единой терминологии в этой области пока нет.
Когда запрос поступает в такую систему, модель не обязательно сразу начинает формировать ответ. Сначала определяется, какую именно задачу необходимо выполнить: обратиться к CRM, найти корпоративный регламент, получить информацию из базы знаний или просто подготовить текст.
После этого запрос распределяется между агентами, внутренними инструментами и сервисами компании. Каждый компонент отвечает за определенную часть общего процесса.
Например, первый агент может принять и классифицировать обращение клиента. Второй — получить информацию из CRM. Третий — проверить внутренние регламенты и ограничения. Четвертый — сформировать итоговый ответ. Еще один компонент может дополнительно проверить результат перед тем, как он будет отправлен пользователю.
При этом сами агенты — только часть подобной системы.
Архитектура может включать интеграции с CRM, ERP, 1С, складскими решениями, базами знаний и логистическими сервисами. Отдельный оркестратор отвечает за то, какие инструменты необходимо использовать для конкретного запроса и в каком порядке к ним обращаться. Дополнительно учитываются бизнес-правила компании: условия предоставления скидок, возвраты, SLA, права доступа и другие ограничения.
Перед отправкой пользователю результат может проходить отдельную проверку. Если же ситуация связана с финансовыми последствиями, нестандартными условиями или высокой стоимостью потенциальной ошибки, система передает решение сотруднику.
Все действия при этом могут фиксироваться в логах. Благодаря этому компания может понять, какие данные использовала система, какие шаги выполнила и почему в итоге был сформирован конкретный ответ.
Поэтому в сложных проектах редко используется одна универсальная модель, отвечающая абсолютно за все. Чем больше задач одновременно передается одной LLM, тем сложнее становится контекст и тем выше риск некорректного результата. По этой причине функции разделяют между специализированными агентами, а их действия дополняют правилами и проверками.
Один из распространенных вариантов — связка из агента-исполнителя и агента-проверяющего. Первый выполняет задачу или формирует ответ, а второй оценивает полученный результат перед его использованием.
Например, AI в службе поддержки интернет-магазина может самостоятельно получить информацию о заказе, посмотреть историю клиента, найти подходящий регламент возврата и подготовить для менеджера готовый ответ. Но решение о возврате денег, изменении условий заказа или компенсации должно приниматься в соответствии с установленными правилами компании.
Особенно важно разделять эти функции там, где действия AI могут привести к финансовым или репутационным последствиям.
Если система самостоятельно предложит покупателю возврат средств, который не предусмотрен правилами магазина, это уже не просто ошибка в тексте — такое решение может привести к реальным потерям для бизнеса. Поэтому в зрелой AI-архитектуре задача искусственного интеллекта заключается прежде всего в том, чтобы собрать данные, проверить регламенты и подготовить необходимую информацию. А само решение принимается в рамках заранее определенной бизнес-логики или передается ответственному сотруднику.
Именно в этом заключается одно из основных различий между обычным использованием ChatGPT и полноценной AI-системой, встроенной в работу компании.
Где AI реально дает пользу
Наиболее эффективно искусственный интеллект работает с процессами, которые уже понятны, структурированы и регулярно повторяются.
Нейросети способны значительно усилить системную работу, но гораздо хуже справляются с процессами, в которых изначально нет порядка.
Если одна и та же задача возникает регулярно и каждый раз выполняется примерно по одинаковому сценарию, ее можно частично или полностью автоматизировать. Особенно хорошо этот подход работает в клиентской поддержке, обработке заказов, работе с контентом, корпоративными базами знаний, аналитикой и поиском информации.
При этом далеко не для каждой задачи действительно нужен AI.
Иногда проблему проще решить с помощью стандартной автоматизации, настройки CRM или обычных бизнес-правил без подключения языковой модели. Такое решение может оказаться дешевле, надежнее и значительно проще в дальнейшей поддержке.
Многие неудачные проекты по внедрению AI развиваются по одному сценарию: компания внедряет новую технологию, но процессы при этом остаются неструктурированными. В результате нейросеть либо практически не влияет на эффективность, либо создает дополнительные точки контроля и новые потенциальные ошибки.
Вместо вывода
Одна из главных ошибок при внедрении AI — воспринимать языковую модель как готовое самостоятельное решение.
Бизнес состоит не только из диалогов с пользователями. Это система связанных между собой процессов, данных, регламентов, ограничений и правил, по которым принимаются решения.
Поэтому LLM не стоит рассматривать как универсального «цифрового сотрудника» или основу всей архитектуры. Языковая модель является одним из компонентов AI-инфраструктуры и начинает приносить бизнесу реальную пользу тогда, когда встроена в существующие процессы, связана с корпоративными системами и работает в рамках понятного контура принятия решений.
Поэтому при внедрении искусственного интеллекта важнее спрашивать не «какую модель нам выбрать», а «насколько наши процессы готовы к автоматизации».
Есть ли у компании актуальные и структурированные данные? Описаны ли внутренние правила? Понятно ли, какие действия AI может выполнять самостоятельно, какие должна дополнительно проверять система, а где решение обязательно остается за человеком?
Если этого нет, ChatGPT остается удобным инструментом для работы с информацией. Если есть — искусственный интеллект действительно может стать частью операционной системы бизнеса.
Но чем больше появляется сценариев применения AI, тем чаще бизнес сталкивается с другим вопросом: достаточно ли использовать ChatGPT как отдельный инструмент или для решения задач компании уже нужна более сложная архитектура с ИИ-агентами?
Универсального ответа нет. В одних компаниях искусственный интеллект остается помощником сотрудников и позволяет быстрее справляться с рутинной работой. В других AI постепенно становится частью ИТ-инфраструктуры: специализированные агенты взаимодействуют друг с другом, получают информацию из корпоративных систем и участвуют в автоматизации целых процессов.
При этом одна из распространенных ошибок — начинать внедрение AI с выбора технологии, а не с анализа конкретной бизнес-задачи. В итоге компании либо создают сложные решения там, где можно было обойтись одним инструментом, либо, наоборот, пытаются автоматизировать комплексный процесс с помощью обычного чат-бота.
За 19 лет работы над интернет-магазинами и интеграционными решениями для ритейла и производственных компаний мы сталкивались с разными подходами к цифровизации бизнес-процессов. Поэтому большинство примеров в этой статье будут связаны с e-commerce, хотя сами принципы применимы и в других отраслях.
1. Первый уровень: обычная LLM без данных компании
Языковая модель, например ChatGPT или DeepSeek, сама по себе не является системой управления бизнесом или полноценным «цифровым сотрудником», который знает, как устроены внутренние процессы компании.
По сути, это универсальная интеллектуальная система, способная выполнять поставленные перед ней задачи на основе данных, использованных при обучении, и контекста, который передает ей пользователь.
Если человек обращается к нейросети, которая никак не связана с внутренними системами компании, модель не может самостоятельно зайти в CRM, получить информацию из базы данных или проверить актуальные сведения в корпоративных сервисах. Ответ формируется на основе имеющихся у модели знаний и информации, переданной непосредственно в запросе.
Благодаря этому нейросеть умеет:
понимать смысл текстовых запросов;
готовить подробные и структурированные ответы;
объяснять сложные темы более простым языком;
превращать отдельные мысли и факты в связный текст.
Для большого количества ежедневных рабочих задач этого вполне хватает. Нейросети можно использовать для подготовки деловых писем, переводов, черновиков коммерческих предложений, инструкций и других материалов. Они ускоряют поиск информации, помогают сформулировать мысль и подготовить контент. В каком-то смысле это можно сравнить с более удобным и продвинутым способом работы с информацией: вместо самостоятельного изучения множества источников пользователь быстрее получает необходимую выжимку и основу, которую затем может доработать.
Современные модели также умеют создавать изображения для статей, презентаций, социальных сетей и рекламных материалов. Но если бизнесу необходимо выпускать большое количество визуалов в едином стиле, соблюдать брендбук и сохранять визуальную целостность материалов, одного стандартного инструмента уже может быть недостаточно — потребуются дополнительные настройки и контроль.
Главное ограничение такого подхода заключается в том, что модель ничего не знает о реальном состоянии процессов внутри конкретной компании.
Она не видит текущие складские остатки, статусы заказов, реальные договоренности с клиентами и другие данные, которые постоянно меняются. Модель также не знает внутренних регламентов и ограничений бизнеса, если они заранее не переданы ей в контексте или через интеграции.
Например, покупатель спрашивает интернет-магазин, есть ли конкретный товар в наличии и когда его смогут доставить. Если AI никак не связан с учетной системой, он не знает реального остатка и графика поставок. Поэтому модель сможет дать только общий ответ или, что хуже, попытается заполнить недостающую информацию предположениями.
В таком сценарии AI не принимает решения и не воспринимает бизнес как единую систему. Компания получает инструмент, который помогает быстрее генерировать ответы и выполнять отдельные операции, но сам по себе он не управляет процессами, не устраняет системные ошибки и не заменяет бизнес-логику.
Именно здесь становится заметно основное ограничение обычной LLM: недостаточно просто подключить модель. Чтобы AI действительно участвовал в работе компании, его необходимо интегрировать непосредственно в процессы и контур принятия решений.
Второй уровень: LLM + внутренние данные бизнеса
Следующий этап — предоставить AI доступ к внутренним данным компании.
И здесь возникает немало терминологической путаницы. Подобные решения называют AI-ассистентами, агентами и другими терминами. Общепринятой классификации пока нет, поэтому границы между понятиями достаточно условны. Кроме того, подключение корпоративных данных нередко называют «дообучением» модели, хотя на практике полноценное обучение на информации конкретной компании требуется далеко не всегда.
Чаще используется другой принцип: в момент выполнения запроса модель получает необходимый контекст через интеграции с CRM, ERP, 1С, корпоративными базами знаний, товарными каталогами, логистическими системами и другими сервисами.
То есть AI не обязательно должен заранее «выучить» всю информацию о компании. Вместо этого система получает доступ к актуальным данным тогда, когда они действительно необходимы.
Например, клиент хочет узнать, где находится его заказ. В этом случае модель уже не должна пытаться сформировать наиболее вероятный ответ. Система может обратиться к CRM, проверить данные логистики, получить текущий статус доставки, посмотреть историю взаимодействия с клиентом и на основании этой информации подготовить ответ.
Именно на этом этапе использование AI начинает давать бизнесу более ощутимый практический результат. Сотруднику не нужно самостоятельно переключаться между несколькими системами, собирать данные и сопоставлять информацию вручную. Нейросеть может взять на себя поиск, сбор и интерпретацию сведений из разных источников, при этом окончательные решения по-прежнему остаются за человеком или установленной бизнес-логикой.
Однако возникает новое ограничение: качество работы AI напрямую связано с качеством корпоративных данных.
Если информация распределена между множеством таблиц, дублируется, противоречит друг другу или обновляется несвоевременно, искусственный интеллект не сможет стабильно выдавать корректный результат. AI не устраняет существующий информационный хаос автоматически — скорее он начинает воспроизводить его в большем масштабе.
Особенно заметна эта проблема в e-commerce. Если характеристики товаров заполняются в разных форматах, часть карточек содержит неполные сведения, а актуальные правила возврата находятся сразу в нескольких документах, модели приходится работать с противоречивым контекстом. В результате вместо сокращения количества ошибок бизнес получает еще один уровень, который приходится дополнительно контролировать.
Поэтому в зрелых проектах внедрение AI обычно начинается не с подключения модели, а с подготовки процессов и данных. Сначала необходимо привести в порядок внутреннюю структуру, источники информации и правила работы, а уже затем использовать искусственный интеллект как дополнительный инструмент автоматизации.
Третий уровень: AI-агенты и архитектура процессов
На следующем уровне усложняется уже не сама языковая модель, а система, которая выстраивается вокруг нее.
Если на предыдущем этапе AI преимущественно обращался к корпоративным источникам и помогал сотруднику находить необходимую информацию, здесь формируются полноценные цепочки взаимодействия между несколькими специализированными компонентами. Именно такие решения сегодня чаще называют AI-агентами или мультиагентными системами, хотя четкой и единой терминологии в этой области пока нет.
Когда запрос поступает в такую систему, модель не обязательно сразу начинает формировать ответ. Сначала определяется, какую именно задачу необходимо выполнить: обратиться к CRM, найти корпоративный регламент, получить информацию из базы знаний или просто подготовить текст.
После этого запрос распределяется между агентами, внутренними инструментами и сервисами компании. Каждый компонент отвечает за определенную часть общего процесса.
Например, первый агент может принять и классифицировать обращение клиента. Второй — получить информацию из CRM. Третий — проверить внутренние регламенты и ограничения. Четвертый — сформировать итоговый ответ. Еще один компонент может дополнительно проверить результат перед тем, как он будет отправлен пользователю.
При этом сами агенты — только часть подобной системы.
Архитектура может включать интеграции с CRM, ERP, 1С, складскими решениями, базами знаний и логистическими сервисами. Отдельный оркестратор отвечает за то, какие инструменты необходимо использовать для конкретного запроса и в каком порядке к ним обращаться. Дополнительно учитываются бизнес-правила компании: условия предоставления скидок, возвраты, SLA, права доступа и другие ограничения.
Перед отправкой пользователю результат может проходить отдельную проверку. Если же ситуация связана с финансовыми последствиями, нестандартными условиями или высокой стоимостью потенциальной ошибки, система передает решение сотруднику.
Все действия при этом могут фиксироваться в логах. Благодаря этому компания может понять, какие данные использовала система, какие шаги выполнила и почему в итоге был сформирован конкретный ответ.
Поэтому в сложных проектах редко используется одна универсальная модель, отвечающая абсолютно за все. Чем больше задач одновременно передается одной LLM, тем сложнее становится контекст и тем выше риск некорректного результата. По этой причине функции разделяют между специализированными агентами, а их действия дополняют правилами и проверками.
Один из распространенных вариантов — связка из агента-исполнителя и агента-проверяющего. Первый выполняет задачу или формирует ответ, а второй оценивает полученный результат перед его использованием.
Например, AI в службе поддержки интернет-магазина может самостоятельно получить информацию о заказе, посмотреть историю клиента, найти подходящий регламент возврата и подготовить для менеджера готовый ответ. Но решение о возврате денег, изменении условий заказа или компенсации должно приниматься в соответствии с установленными правилами компании.
Особенно важно разделять эти функции там, где действия AI могут привести к финансовым или репутационным последствиям.
Если система самостоятельно предложит покупателю возврат средств, который не предусмотрен правилами магазина, это уже не просто ошибка в тексте — такое решение может привести к реальным потерям для бизнеса. Поэтому в зрелой AI-архитектуре задача искусственного интеллекта заключается прежде всего в том, чтобы собрать данные, проверить регламенты и подготовить необходимую информацию. А само решение принимается в рамках заранее определенной бизнес-логики или передается ответственному сотруднику.
Именно в этом заключается одно из основных различий между обычным использованием ChatGPT и полноценной AI-системой, встроенной в работу компании.
Где AI реально дает пользу
Наиболее эффективно искусственный интеллект работает с процессами, которые уже понятны, структурированы и регулярно повторяются.
Нейросети способны значительно усилить системную работу, но гораздо хуже справляются с процессами, в которых изначально нет порядка.
Если одна и та же задача возникает регулярно и каждый раз выполняется примерно по одинаковому сценарию, ее можно частично или полностью автоматизировать. Особенно хорошо этот подход работает в клиентской поддержке, обработке заказов, работе с контентом, корпоративными базами знаний, аналитикой и поиском информации.
При этом далеко не для каждой задачи действительно нужен AI.
Иногда проблему проще решить с помощью стандартной автоматизации, настройки CRM или обычных бизнес-правил без подключения языковой модели. Такое решение может оказаться дешевле, надежнее и значительно проще в дальнейшей поддержке.
Многие неудачные проекты по внедрению AI развиваются по одному сценарию: компания внедряет новую технологию, но процессы при этом остаются неструктурированными. В результате нейросеть либо практически не влияет на эффективность, либо создает дополнительные точки контроля и новые потенциальные ошибки.
Вместо вывода
Одна из главных ошибок при внедрении AI — воспринимать языковую модель как готовое самостоятельное решение.
Бизнес состоит не только из диалогов с пользователями. Это система связанных между собой процессов, данных, регламентов, ограничений и правил, по которым принимаются решения.
Поэтому LLM не стоит рассматривать как универсального «цифрового сотрудника» или основу всей архитектуры. Языковая модель является одним из компонентов AI-инфраструктуры и начинает приносить бизнесу реальную пользу тогда, когда встроена в существующие процессы, связана с корпоративными системами и работает в рамках понятного контура принятия решений.
Поэтому при внедрении искусственного интеллекта важнее спрашивать не «какую модель нам выбрать», а «насколько наши процессы готовы к автоматизации».
Есть ли у компании актуальные и структурированные данные? Описаны ли внутренние правила? Понятно ли, какие действия AI может выполнять самостоятельно, какие должна дополнительно проверять система, а где решение обязательно остается за человеком?
Если этого нет, ChatGPT остается удобным инструментом для работы с информацией. Если есть — искусственный интеллект действительно может стать частью операционной системы бизнеса.