1️⃣ Когда процесс уже прост, стабилен и хорошо описывается правилами. Например, если задача сводится к «если А, делаем Б», правила почти не меняются, а входные данные структурированы. В таких кейсах достаточно классической автоматизации или простых модели на CPU, генеративный ИИ и агенты лишь добавят сложности, почти не увеличивая ценность.

2️⃣ Если обращений мало, процесс редкий или нерегулярный. На маленьких объемах стоимость внедрения, поддержки и инфраструктуры может перекрыть потенциальную экономию на человеко-часах. Проще оставить задачу специалисту или встроить ее в уже существующий бизнес-процесс без генеративного ИИ.

3️⃣ Когда не хватает данных. Для качественной работы ИИ (и классического, и генеративного) нужны тексты обращений, история решений, базы знаний, регламенты. Если все это живет в головах сотрудников и устаревших файлах, сначала придется наводить порядок и оцифровывать знания.

Чтобы разобрать свой процесс или кейс, записывайтесь на консультацию. Обсудим контекст, ограничения и какие форматы автоматизации возможны.

Flexar.ai

Как безопасно передавать ИИ внутренние данные компании?

Есть класс задач, где ИИ справляется без внутренних данных компании. Например, поправить орфографию, сгенерировать идею или шаблонный ответ по общим правилам, автоматизировать реакцию на смену статуса в BPM или RPA. Здесь не нужны факты о компании: моделям хватает публичных знаний и контекста из самого запроса.

Как только процесс упирается в корпоративные нормы и фактические данные из систем компании, без внутреннего контекста не обойтись. Иногда достаточно минимального контекста. Например, кусок договора, карточка контрагента, выдержка из регламента.

✂️Чем точнее настроен контекст и права, тем надежнее работает ИИ. Поэтому на практике корпоративные знания передают модели с помощью нескольких методов. Например, численные и оперативные данные можно подать через прямые запросы к API или SQL, а текстовые знания — через RAG.

Flexar.ai