Малый бизнес, большие возможности: Как использовать ИИ для роста без лишних затрат

ИИ не заменит хозяина: где появляется маржа

В 8:47 утра в мастерской «Ладья» одновременно происходят четыре вещи.

В рабочем чате появляется сообщение от клиента: «А можно такую же тумбу, только на двадцать сантиметров шире?» На почту приходит новая заявка — без размеров и фотографий. Поставщик ждёт подтверждения по шпону до десяти часов, иначе отдаст материал следующему заказчику. Илья, руководитель производства, открывает старую переписку, чтобы найти цену направляющих, которые уже использовали в похожем проекте.

Марина Орлова отвечает всем сразу, но ни одному вопросу не уделяет достаточно внимания. Клиенту она пишет: «Да, уточним и вернёмся с расчётом». Поставщику звонит, одновременно листая таблицу в телефоне. Наталья, администратор, пересылает Илье голосовое сообщение клиента и добавляет: «Посмотри, пожалуйста, что он вообще хочет». Илья через пять минут отвечает: «А размеры где?»

В 9:12 Марина произносит фразу, которую владельцы малого бизнеса в такие дни повторяют почти автоматически:

«Нам просто нужно больше клиентов».

Эта книга начинается с другого ограничения: искусственный интеллект должен помогать бизнесу зарабатывать время и деньги, а не добавлять ещё один экран, подписку и поток непроверенных ответов. Поэтому первым делом нужно найти не «самую умную» технологию, а участок, где уже сейчас утекает маржа. У Марины он оказался совсем не там, где она его искала.

Сначала кажется, что клиентов мало

Шестой год Марина владела «Ладьёй». Мастерская делала мебель на заказ для квартир и небольших загородных домов: тумбы, шкафы, столы и встроенные системы хранения. Репутация у неё была хорошая, но поток заказов шёл волнами. Две недели команда работала до позднего вечера, а затем несколько дней подряд в мастерской становилось непривычно тихо.

Спокойные дни Марина принимала за доказательство нехватки спроса. Когда заказов было мало, она открывала статистику рекламы, думала о новых публикациях и обсуждала скидки на отдельные изделия. Когда заказов становилось много, сама принимала звонки, считала стоимость, уточняла размеры, проверяла закупки и вечером отвечала тем, кому не успела днём.

Проблема была не в том, что она не замечала трудностей. Наоборот, она видела их слишком много сразу — и поэтому объясняла всё одной причиной.

Недостаточно заявок.

Причина звучала убедительно. В понедельник утром в календаре могли оставаться свободные часы. В четверг клиент запрашивал расчёт и исчезал. В пятницу Марина замечала, что производство не загружено на следующую неделю. Но между первой заявкой и готовым заказом было слишком много промежуточных шагов. Если хотя бы один из них задерживался, ситуация выглядела как отсутствие спроса.

В тот день Марина решила провести короткое совещание после обеда. Не для обсуждения искусственного интеллекта и не для выбора нового сервиса. Она хотела понять, почему трое взрослых людей заняты весь день, а ощущение денег в кассе не меняется.

«Нужно найти больше клиентов, — сказала она, открывая блокнот. — Иначе мы будем продолжать спорить о пяти минутах, пока цех стоит».

Наталья покачала головой.

«Я не спорю о пяти минутах. Я стараюсь нормально отвечать людям. Если отправлять всем один и тот же текст, они почувствуют, что с ними разговаривает робот».

«Мне не нужны роботы, — ответила Марина. — Мне нужны заказы».

Илья, до этого молча смотревший в телефон, поднял глаза.

«А мне нужны полные заявки. Иногда заказ уже есть, деньги внесены, а о важных деталях я узнаю только в цехе».

Марина записала в блокноте: «Заявок мало. Ответы медленные. Брифы неполные. Переделки».

Это был первый полезный список за день. Но пока он оставался всего лишь списком ощущений.

Скрытая цена обычного рабочего дня

Вечером Марина приехала домой позже обычного. На кухонном столе лежал ноутбук, рядом остывал чай. Она открыла переписку с клиентом, который утром спрашивал про шкаф под лестницу. В сообщениях было много фотографий, три голосовых сообщения и несколько фраз вроде «примерно вот так», «по ширине почти как здесь» и «срок нужен побыстрее».

Марина начала собирать из этого расчёт. Через двадцать минут ей пришлось вернуться к старой смете, чтобы вспомнить стоимость фурнитуры. Ещё через десять она поняла, что не знает, включена ли в цену доставка. В 22:18 клиент написал: «Добрый вечер, ну что, получилось посчитать?»

Марина посмотрела на часы и ответила: «Да, завтра утром всё уточню».

Она не считала этот эпизод потерей. Это был всего лишь ещё один рабочий вечер. Но именно из таких вечеров складывается скрытая стоимость бизнеса: время владельца, которое не отражается в отчётах; задержка, которую клиент не называет отказом; ошибка в расчёте, обнаруженная уже после согласования; ожидание поставщика, пока кто-то найдёт правильную цифру.

Чтобы увидеть эту стоимость, не нужно сразу покупать ИИ. Нужны четыре недели фактов.

На следующий день Марина, Наталья и Илья открыли журнал заявок, переписку, календарь производства и последние сметы. Они договорились не доказывать свою правоту, а считать одни и те же вещи одинаково.

Заявкой считали новый запрос с потенциальным заказом. Дубли, рекламные сообщения и вопросы от уже действующих клиентов вынесли отдельно. Первичным ответом считали не автоматическое «получили ваше сообщение», а первый ответ, после которого клиент понимал следующий шаг: что прислать, когда ждать расчёт или какие варианты доступны.

Конверсию считали как отношение оплаченных заказов к новым заявкам. Дополнительно отслеживали переход от коммерческого предложения к оплате, потому что одна общая цифра не показывала, на каком этапе исчезают люди.

Маржу определили как сумму, которая остаётся после прямых затрат на конкретный заказ: материалы, фурнитуру, подрядные операции и сдельную работу, непосредственно связанную с изделием. Аренду, налоги и общие расходы в эту величину не включали. Для первого эксперимента требовалась не идеальная бухгалтерская модель, а единый способ сравнивать недели.

За последние четыре недели у «Ладьи» получилось 160 новых заявок, 58 коммерческих предложений и 14 оплаченных заказов. Средний чек составлял 82 000 рублей, средние прямые затраты на заказ — 54 000, а средняя маржа — 28 000 рублей. Конверсия заявки в оплаченный заказ равнялась 8,75 процента. Медианное время до первого содержательного ответа составляло 2 часа 20 минут. В шести случаях потребовалась переделка или повторная работа из-за неполного либо неверно переданного задания.

Цифры не говорили, что бизнес разваливается. Но они показывали: рост числа заявок сам по себе может не решить проблему. Если добавить ещё пятьдесят запросов в месяц в тот же порядок работы, Наталья будет отвечать ещё позже, Илья получит больше неполных брифов, а Марина проведёт ещё больше вечеров с ноутбуком.

Затем команда составила диагностическую таблицу. В ней учитывали не только прямые ошибки, но и время, которое уходило на повторяющиеся действия.

Самый частый участок — повторяющиеся ответы и сбор исходных данных. За четыре недели таких эпизодов набралось 120, каждый занимал в среднем семь минут. При стоимости часа 600 рублей это давало около 8 400 рублей рабочего времени. В четырнадцати заявках не хватало обязательных данных, поэтому расчёт откладывался, а клиенту приходилось ждать следующего контакта. Возможная роль ИИ здесь — подготовить черновик ответа и список недостающей информации.

Возврат к тёплым заявкам и предложениям встречался 48 раз. На один случай уходило около девяти минут, что при той же стоимости часа составляло 4 320 рублей за четыре недели. Тринадцать предложений не получили повторного контакта в течение двух дней. Клиент мог остыть, а причина отказа оставалась неизвестной. ИИ мог бы составить список таких контактов и подготовить черновики последующих сообщений.

Поиск старых цен и характеристик материалов занимал в среднем одиннадцать минут и повторялся 28 раз. При стоимости часа 850 рублей это около 4 360 рублей. Четыре раза использовались устаревшие данные, из-за чего возникал риск занизить цену или задержать расчёт. В этом процессе ИИ мог искать сведения в утверждённом справочнике и каждый раз указывать источник.

Уточнение неполного брифа с производством встречалось 38 раз и отнимало примерно по четырнадцать минут. Стоимость такого времени составляла около 7 540 рублей. Девять заказов потребовали дополнительных вопросов, из-за чего сдвигалось планирование и росло число переписок. Здесь ИИ мог превращать согласованную переписку в структурированный бриф и отмечать пропуски.

Переделка из-за ошибки в передаче заказа случалась шесть раз. Каждый такой случай занимал в среднем 138 минут, а стоимость времени составляла около 11 730 рублей. В трёх случаях пришлось закупать дополнительные материалы. Мастерская теряла срок и часть маржи, а клиент получал неприятный сюрприз. Возможный вклад ИИ — проверять заполненность брифа до передачи в производство.

Наконец, поиск статуса заказа, файла или последней договорённости повторялся 30 раз. На один случай уходило около восьми минут, то есть примерно 2 800 рублей за четыре недели при стоимости часа 700 рублей. Двенадцати клиентам отвечали с задержкой, а работа владельца и администратора постоянно прерывалась. ИИ мог собирать краткую сводку по активным заказам.

В сумме набралось около 53 часов и примерно 39 150 рублей рабочего времени за четыре недели.

Это не означало, что «Ладья» гарантированно теряла ровно 39 150 рублей наличными. Часть этих часов всё равно была бы оплачена, а каждую свободную минуту невозможно автоматически превратить в новый заказ. Но 53 часа — это почти шесть с половиной рабочих дней. Их можно было потратить на расчёты, контроль качества, возвращение к клиентам или подготовку производства.

Марина сначала отнеслась к цифре настороженно.

«Мы же не можем просто сложить всё в одну сумму, — сказала она. — Один и тот же заказ проходит через несколько строк».

Илья ответил:

«Если считать один и тот же час дважды, нельзя. Но я отдельно записывал время на уточнение и отдельно — часы переделки. Уточнение не всегда приводит к переделке».

Это важная проверка. Диагностическая таблица не должна превращаться в красивое преувеличение проблемы. Если один сбой порождает несколько действий, их можно связать в одну цепочку, но нельзя выдавать одну и ту же потерю за три независимые.

Затем Марина пересчитала сценарий осторожнее. Если за первый месяц удастся вернуть хотя бы треть этих часов, получится около 17,5 часа. Если часть освободившегося времени пойдёт на возвращение к тёплым заявкам и принесёт один дополнительный оплаченный заказ, потенциальная маржа составит 28 000 рублей. Если дополнительного заказа не будет, сокращение переделок и задержек всё равно даст производственную ёмкость и более предсказуемые сроки.

Ни один из этих результатов не был обещанием. Это были проверяемые гипотезы.

Три роли, которые не заменяют владельца

После таблицы разговор об ИИ стал конкретнее. Марина больше не спрашивала: «Что искусственный интеллект может сделать для бизнеса?» Теперь её интересовало другое: «Какую строку мы можем проверить без риска для клиента и денег?»

Для малого бизнеса полезно различать три роли ИИ.

Помощник работает с уже имеющейся информацией и приводит её в удобный вид. Он может разобрать длинное сообщение, расшифровку голосового сообщения или переписку и собрать из них рабочий документ. Его задача — не принять решение, а убрать ручную сортировку.

Аналитик смотрит на накопленные данные и помогает увидеть закономерность. Он может сгруппировать причины отказов, сравнить время ответа по неделям или показать, на каком этапе чаще всего останавливаются заявки. Его результат нужно сверять с исходной таблицей: плохие данные не становятся хорошими только потому, что их обработал ИИ.

Ускоритель коммуникаций готовит черновики повторяющихся сообщений и напоминает о следующем контакте. Он не должен самостоятельно определять цену, срок и условия сделки. Человек проверяет текст, контекст и обещания перед отправкой.

В «Ладье» для каждой роли выбрали по одному ограниченному примеру.

Помощник: из переписки в бриф

Клиенты редко присылали информацию в порядке, удобном для производства. Они отправляли фотографии, потом меняли размеры, добавляли цвет, вспоминали о розетках и только в конце спрашивали о сроке.

Марина предложила проверять не всю переписку подряд, а только те заказы, по которым клиент уже подтвердил намерение получить расчёт.

Для такого разбора использовали запрос:

«Собери из текста рабочий бриф по заказу. Отдельно укажи: изделие, размеры, материал, цвет, фурнитуру, место установки, срок, бюджет, что клиент подтвердил и какие данные отсутствуют. Не додумывай сведения. Если информации нет, напиши “не указано”. В конце составь список вопросов клиенту».

Результат мог выглядеть так:

Изделие: тумба под раковину.

Подтверждено: напольная, две дверцы, светлый цвет, нужна влагостойкая поверхность.

Не указано: точная ширина, высота сифона, расположение коммуникаций, способ открытия дверец, желаемый срок.

Такой бриф не заменял разговор. Он сокращал путь от переписки к понятным вопросам. Наталье не приходилось перечитывать десять сообщений, а Илья сразу видел, каких данных не хватает для оценки.

Правило было простым: ИИ ничего не добавляет от себя, а человек проверяет бриф до передачи клиенту и в производство. Если в переписке есть имя, телефон, адрес или фотографии с личными данными, их нужно обезличить либо работать в соответствии с правилами компании и требованиями к защите персональных данных. Для первого эксперимента достаточно убрать фамилии, номера и адреса, оставив только сведения, относящиеся к заказу.

Аналитик: из журнала заявок в картину воронки

До этого Наталья знала, сколько сообщений получила за неделю, а Марина — сколько заказов оплатили. Между двумя числами оставалась догадка.

Они добавили в таблицу несколько полей: дату заявки, тип изделия, источник, время первого содержательного ответа, факт отправки предложения, факт повторного контакта, итог и причину остановки, если она была известна. Причину фиксировали только подтверждённую: «не устроил срок», «дорого», «выбрал другой вариант», «не ответил после предложения», «не хватило данных». Если клиент не отвечал, так и записывали — без попытки угадать.

После этого аналитическая роль ИИ могла выглядеть так:

«Проанализируй таблицу за четыре недели. Посчитай конверсию на этапах: заявка — содержательный диалог — коммерческое предложение — оплаченный заказ. Сгруппируй заявки без следующего шага. Отдельно покажи медианное время первого ответа и сравни его с заявками, которые дошли до предложения. Не делай выводов о причинах там, где причина не записана. Приведи десять строк, на которых основаны основные выводы».

В результате «Ладья» увидела не только 160 заявок и 14 заказов. Выяснилось, что после первого обмена сообщениями у 37 заявок не было назначенного следующего шага. В 13 случаях предложение отправили, но никто не вернулся к клиенту в течение двух дней. Это не доказывало, что все 13 заказов были потеряны. Зато показывало участок, который можно проверить.

Аналитик не сказал Марине, какую скидку дать и кому позвонить. Он помог превратить ощущение «люди пропадают» в измеримый вопрос: что происходит с заявками, у которых нет следующего контакта?

Ускоритель коммуникаций: из шаблона в черновик

Наталья защищала ручные ответы не из упрямства. Она действительно знала, что мебель на заказ нельзя продавать одним безличным сообщением. Клиенту важно почувствовать, что его задачу прочитали.

Но забота о клиенте не требует каждый раз заново набирать одни и те же семь предложений. Нужно отделить повторяемую часть от решения, которое требует человеческого участия.

Базовый черновик первого ответа мог выглядеть так:

«Здравствуйте. Чтобы назвать реальный диапазон стоимости и срок изготовления, пришлите, пожалуйста, три вещи: примерные размеры, фотографию места установки и желаемый материал или цвет. Если точных размеров пока нет, достаточно фото и приблизительной ширины. После этого мы скажем, каких данных ещё не хватает и когда сможем подготовить расчёт».

ИИ мог подставить в этот черновик тип изделия и вопрос из конкретной переписки. Наталья проверяла текст, убирала лишнее и отправляла его сама.

Для повторного контакта через два дня использовали другую заготовку:

«Здравствуйте. Возвращаюсь к расчёту по тумбе под раковину. Мы можем продолжить, если вопрос ещё актуален. Для точной оценки нам не хватает ширины изделия и фотографии коммуникаций. Если заказ пока отложен, тоже напишите, пожалуйста, чтобы мы не беспокоили вас повторно».

Такое сообщение не давило на клиента. Оно возвращало диалог и давало простой способ ответить. ИИ мог подготовить список тех, кому пора написать, и черновики сообщений. Но решение о контакте, тон и отправка оставались у Натальи.

Проверяли не только скорость. Смотрели, выросла ли доля заявок, по которым клиент прислал необходимые данные, уменьшилось ли время до первого содержательного ответа и не стало ли больше жалоб на шаблонность. Быстрый ответ, после которого человек не понимает, что делать дальше, улучшением не является.

Почему нельзя автоматизировать всё сразу

На том же совещании Марина, уже увлечённая найденными возможностями, предложила:

«А давайте сразу загрузим всю переписку. Пусть система сама ведёт клиента от заявки до оплаты, передаёт заказ Илье и напоминает поставщикам».

Идея казалась логичной — до первой нестандартной ситуации.

Клиент меняет материал после расчёта. Поставщик сообщает, что нужной фурнитуры нет. Размеры в сообщении и на фотографии не совпадают. Заказ похож на прошлый, но крепление будет другим. Клиент просит сделать быстрее, а производство физически не успевает. В каждом таком случае нужна ответственность человека, а не только правильно сформулированный ответ.

Илья сказал:

«Пусть сначала научится замечать, что в брифе нет размеров. Если он начнёт сам обещать сроки, мы потратим больше времени на исправления».

Наталья добавила:

«И мне нужно видеть, почему он предлагает именно такой ответ. Иначе я не смогу проверить, не обещает ли он лишнего».

Попытка автоматизировать всё сразу обычно ломается по четырём причинам.

Во-первых, непонятно, что считать успехом. Если одновременно менять ответы, расчёты, напоминания и передачу в производство, невозможно понять, что именно дало результат.

Во-вторых, у системы нет устойчивого источника правды. Если цены разбросаны по старым перепискам, таблицам и памяти владельца, ИИ будет уверенно собирать противоречивые данные.

В-третьих, возрастает цена ошибки. Черновик вопроса можно проверить за минуту. Ошибка в стоимости, сроке или комплектации может стоить клиентского доверия и всей маржи заказа.

В-четвёртых, команда не успевает изменить привычки. Новый инструмент начинает восприниматься как дополнительная обязанность, а не как способ сократить работу.

Узкий сценарий устроен иначе. У него есть один вход, один выход, один ответственный и одна цифра, по которой можно сравнить результат до и после.

Например, не «ИИ управляет продажами», а «в течение десяти рабочих дней ИИ готовит черновик первого ответа на заявки по тумбам и шкафам, Наталья проверяет его перед отправкой, а команда сравнивает время ответа и долю заявок с полными исходными данными».

Это уже не обещание революции. Это эксперимент.

Проверка реальности: выбрать три процесса

Теперь можно выполнить упражнение, которое Марина сделала вместе с командой. Оно занимает около двадцати минут, если под рукой есть переписка, календарь и журнал заказов.

Сначала возьмите не общее ощущение занятости, а конкретный период: последние десять рабочих дней или четыре недели. Запишите повторяющиеся действия, которые встречаются минимум три раза в неделю. Не ограничивайтесь продажами. Включите закупки, производство, контроль заказов и работу с файлами.

Для каждого действия зафиксируйте название задачи, частоту за период, среднее время на один случай, стоимость часа того, кто выполняет задачу, количество ошибок, возвратов и переделок, последствия задержки и показатель, который можно улучшить.

Стоимость часа не обязана быть идеальной. Для сотрудника можно взять полную стоимость рабочего часа для бизнеса, а для владельца — консервативную оценку часа, который можно было бы потратить на продажи, управление или работу с заказами. Главное — не менять методику от строки к строке.

Скрытая стоимость повторяющейся задачи считается так: частота за период, умноженная на время одного случая в часах и стоимость часа.

Если менеджер 40 раз в месяц тратит по восемь минут на однотипный ответ, а стоимость часа составляет 600 рублей, получится около 3 200 рублей рабочего времени. Если эти ответы ещё и задерживают сбор данных, отдельно добавьте последствия: число заявок без расчёта, среднее время ожидания и количество пропущенных повторных контактов.

После подсчёта не выбирайте задачу только по самой большой сумме. Проверьте её по четырём условиям.

Если задача повторяется, её легче описать и сравнить до и после. Если она встречается раз в месяц, сначала нужно понять, можно ли вообще получить устойчивый эффект.

Если ошибку в черновике можно исправить и проверить до отправки клиенту, задача подходит для первого эксперимента. Если неверный результат сразу меняет цену, договор, срок или безопасность изделия, автономность нужно исключить.

Если результат можно посчитать за семь–четырнадцать рабочих дней, задача подходит для пилота. Если эффект проявится только через год, сначала найдите более короткий показатель.

Если для задачи есть пример хорошего результата, ИИ будет легче направить. Это может быть одобренный ответ клиенту, заполненный бриф, правильная смета или список обязательных полей.

Работает простое дерево решений.

Если задача повторяется часто, имеет понятный результат, а ошибку можно исправить до отправки клиенту, рассмотрите ИИ как помощника или ускоритель коммуникаций.

Если задача повторяется, но вы не знаете, где именно возникает потеря, сначала используйте ИИ как аналитика и наведите порядок в данных.

Если задача требует решения о цене, сроке, скидке или исключении из правил, оставьте решение человеку, а ИИ используйте только для подготовки вариантов и проверки полноты.

Если задача редкая, стратегическая или связана с высокой ответственностью, не делайте её первым экспериментом. Сначала выберите более узкий и безопасный участок.

Если данные хранятся в разных местах и часто противоречат друг другу, не подключайте автоматическую обработку. Сначала определите один утверждённый источник и правило его обновления.

Три строки, которые Марина оставила в конце упражнения, выглядели так.

Первый процесс — подготовка первого ответа и сбор обязательных данных. Исходный показатель: 2 часа 20 минут до содержательного ответа, 120 повторяющихся эпизодов за четыре недели, 14 неполных заявок. Возможная проверка: сократить время ответа и увеличить долю заявок с полным набором данных.

Второй процесс — возврат к клиентам после отправки предложения. Исходный показатель: 48 предложений за четыре недели, 13 из них без повторного контакта в течение двух дней. Возможная проверка: довести долю предложений с зафиксированным следующим шагом до ста процентов, не ухудшив тон общения.

Третий процесс — передача согласованного заказа в производство. Исходный показатель: 38 уточнений и 6 переделок за четыре недели. Возможная проверка: сократить число брифов с пропущенными обязательными полями и отдельно отслеживать переделки.

Это не три задачи, которые нужно немедленно отдать ИИ. Это три участка с измеримой проблемой. Первый эксперимент «Ладья» решила начать с черновиков ответов и повторных контактов: здесь был небольшой риск, понятный владелец и короткий цикл проверки. Брифы для производства оставили на следующий этап, потому что сначала требовалось договориться о едином составе обязательных полей.

Что оставалось у человека

К концу недели Марина сформулировала для команды несколько правил.

ИИ не определяет, брать ли заказ. Он может показать, что в заявке не хватает данных, но не знает всей загрузки производства, репутации клиента и реальной сложности проекта.