ИИ в операционке: агенты в Slack, черновики писем и заявки на гранты — как внедрять

Большинство разговоров об ИИ в бизнесе сосредоточены на разработке и создании контента. Но есть огромный пласт применений, который остаётся менее очевидным: операционка. Переписка, задачи, внутренняя документация, заявки, планирование — всё то, что занимает часы каждую неделю у каждого сотрудника.

Сал Хан, основатель Khan Academy, описывает конкретную практику: «Мы только что одобрили все коннекторы к разным ИИ. Теперь наши ИИ могут заходить в Slack и в Gmail, в документы и так далее».

Принцип: ИИ-черновик, человек-решение

Первый и главный принцип внедрения операционных ИИ-агентов: ИИ готовит, человек решает.

«Не давайте ИИ делать что-то без вашего ведома. Не разрешайте постить в соцсети, не позволяйте отправлять письма. Пусть ИИ напишет черновик письма, а вы проверите».

Это принципиальная граница. Агент, имеющий доступ к почте и автоматически отправляющий письма без проверки, создаёт риски: неточная информация, неправильный тон, неверный адресат. Агент, готовящий черновик для проверки — это усилитель, а не автопилот.

На практике это означает разные уровни автономии для разных задач:

Автономный агент (минимальный риск): мониторинг, сбор информации, напоминания. Агент читает входящие и сигнализирует о непрочитанных важных письмах. Агент следит за дедлайнами в Slack. Агент собирает обновления из разных каналов в дайджест. Агент-черновик (средний риск): любая исходящая коммуникация. Агент пишет черновик ответа на письмо, человек редактирует и отправляет. Агент готовит первую версию заявки, человек доводит до финала. Только аналитика (требует внимания): рекомендации, которые влияют на решения о людях, контрактах, публичных позициях компании. ИИ анализирует данные и предлагает выводы, но финальное решение — только за человеком.

Конкретные сценарии Khan Academy

Грантовые заявки. «Нам приходится писать много заявок в благотворительные фонды, школам по поводу контрактов. Теперь можно провести встречу, сохранить все заметки и получить первый черновик заявки. Мы не отправляем его как есть, но через 10 минут после встречи у тебя уже есть черновик. Раньше на это уходила неделя, а то и две».

Это типичная задача, где ИИ даёт максимальный эффект: структурированный текст на основе собранных данных. Грантовая заявка имеет предсказуемую структуру. ИИ заполняет её по заметкам встречи. Человек вычитывает, добавляет нюансы, учитывает контекст отношений с конкретным фондом.

Управление задачами. «Я каждый день разговариваю с одним или несколькими ИИ-ассистентами. Они заходят в мой Slack и мой Gmail и говорят: "Вот тут я кое-что для тебя набросал, посмотри". Раньше 20–30% просьб просто забывалось. Я делал то, о чём меня просили, только когда начинали дёргать».

Это простая, но ценная задача: ИИ как внешняя память и система приоритизации. Не «я решаю», а «я напоминаю тебе, что ты пообещал».

Ресёрч и фактчекинг. «ИИ резко сократил мне время на ресёрч. Я не принимаю ответы в том виде, в котором он их выдаёт — прошу показать источник, смотрю, что это официальный источник, и только тогда снимаю видео».

Это важная практика работы с ИИ-информацией: всегда верифицировать через первичный источник перед публикацией. ИИ ускоряет поиск, но не заменяет проверку.

Как управлять стоимостью

Khan Academy тратит около $1,2 млн в год на Anthropic. «Буквально сегодня у нас было собрание компании, и я попросил не использовать модель Opus для всего подряд. Пользуйтесь более лёгкими моделями или своими личными аккаунтами, если хотите выбрать ресторан на вечер».

Это типичная проблема при масштабном внедрении: сотрудники используют самую мощную (и дорогую) модель для всех задач без разбора. Решение — явная политика: какие задачи требуют флагманской модели, какие — более дешёвой.

Практическое правило: используйте мощную модель, когда качество критично и задача нетривиальна (стратегический документ, сложный анализ, важное письмо). Используйте дешёвую модель или инструменты поиска для рутины (напоминания, форматирование, быстрые справки).

Также полезно разделить бюджет: личные задачи (ресторан, путешествие) — личный аккаунт сотрудника. Рабочие задачи — корпоративный аккаунт с контролем расходов.

Что блокирует внедрение в большинстве компаний

Технически интегрировать ИИ-агентов со Slack или Gmail несложно. Что обычно блокирует — это не технология, а организация.

Неясные границы ответственности. Если агент отправил неправильное письмо — кто несёт ответственность? Нужен чёткий ответ до внедрения. Отсутствие культуры проверки ИИ. Сотрудники либо боятся использовать ИИ (не хотят ошибиться), либо доверяют ему слишком сильно (отправляют черновики без проверки). Нужны явные нормы. Несоответствие процессов. ИИ-агенты хорошо работают с чёткими, структурированными задачами. Плохо работают с неформализованными процессами. Внедрение ИИ — хороший повод формализовать процессы. Privacy и compliance. В некоторых отраслях и юрисдикциях передача рабочей переписки внешним ИИ-провайдерам требует юридической проверки. Это решаемо, но требует времени.

Операционная автоматизация — не самая sexy часть ИИ-внедрения, но часто именно там самый быстрый и измеримый ROI. Сотрудник, которому ИИ экономит час в день — это 250 часов в год, которые можно направить на работу, которую человек делает лучше машины.