Как ИИ-агенты повышают KPI сотрудников

«Вы не потеряете работу из-за ИИ. Скорее всего, вы потеряете её из-за человека, который использует ИИ». Так Дженсен Хуанг, глава Nvidia, описывает новую реальность рынка труда. Нейросети уже не просто помогают закрывать отдельные задачи. Они постепенно меняют норму производительности внутри команд.

Сотрудник с ИИ-агентом быстрее ищет информацию, пишет код, готовит отчёты, отвечает клиентам и меньше времени тратит на рутину. Сотрудник без агента в такой среде выглядит как человек с блокнотом рядом с коллегой, который работает в CRM, BI-системе и базе знаний одновременно.

Для бизнеса главный вопрос уже не в том, заменит ли ИИ людей. Практичнее спросить иначе: какие KPI можно поднять, если встроить ИИ-агентов в реальные рабочие процессы, а не просто открыть сотрудникам доступ к чат-боту.

ИИ-агент — это не чатик для вдохновения

Обычная нейросеть отвечает на вопрос. ИИ-агент работает ближе к младшему сотруднику: получает задачу, подтягивает контекст, ищет данные, предлагает следующий шаг, формирует черновик и передаёт результат человеку или другой системе.

В поддержке агент помогает оператору собрать контекст обращения и подготовить ответ. В продажах он может сформировать коммерческое предложение, обновить CRM и подобрать аргументы под конкретного клиента. В HR — помочь новичку найти правила, инструкции и нужные контакты. В аналитике — превратить вопрос руководителя на обычном языке в запрос к данным и короткий вывод. В разработке — дописать код, подготовить тесты, найти ошибку или объяснить чужой модуль.

Чтобы такой агент работал не как отдельный чат, а как часть инфраструктуры, ему нужен доступ к моделям и бизнес-системам через API. Через SpeShu.AI, например, можно подключать разные модели к поддержке, CRM, аналитике, базам знаний и внутренним рабочим инструментам. Тогда один агент отвечает за первичную классификацию обращений, второй готовит черновик ответа, третий собирает отчёт, а четвёртый проверяет результат перед отправкой человеку.

KPI при этом растут не магически. Сотрудник просто перестаёт тратить часы на поиск, копирование, формулировки и первичную обработку информации. Освободившееся время превращается в скорость, качество и объём.

Что уже получилось за рубежом

Один из самых известных кейсов — исследование внедрения генеративного ИИ у 5 172 сотрудников клиентской поддержки. После доступа к AI-ассистенту производительность выросла в среднем на 15%, если считать по числу решённых обращений в час.

Самый сильный эффект получили новички и менее опытные сотрудники. Для них агент стал способом быстрее перенять паттерны работы сильных коллег: как формулировать ответы, где искать данные, какие действия выполнять дальше.

• Klarna пошла дальше и встроила ИИ в поддержку и внутренние процессы. Компания сообщала, что 87% сотрудников используют генеративный ИИ каждый день, а внутренний ассистент Kiki к маю 2024 года ответил более чем на 250 000 вопросов сотрудников. Для KPI это важный сигнал: знания перестают лежать в разрозненных документах, чатах и инструкциях. Они становятся доступными прямо в момент задачи.

• Morgan Stanley внедрил ИИ-ассистентов для финансовых советников. По данным OpenAI, почти все команды советников в управлении активами используют такие инструменты ежедневно. Адаптация превысила 98%, а доступность нужных документов выросла с 20% до 80%. Агент не заменил банкира, а снял с него часть поиска и подготовки, чтобы больше времени оставалось на работу с клиентами.

• Deloitte развернула собственную платформу PairD для сотрудников в Европе и на Ближнем Востоке. В публичных материалах говорится о масштабе в 100 000 сотрудников. Инструмент используют для анализа, ресёрча, кода и подготовки материалов. В аудите Deloitte UK доля сотрудников, которые обращаются к PairD хотя бы раз в месяц, выросла примерно до 75%, а число промптов с апреля 2024-го по февраль 2025-го превысило 1,1 млн.

Эти кейсы показывают главное: эффект появляется не там, где сотрудникам просто «дали ChatGPT». Он появляется там, где агент встроен в процесс и работает на измеримую метрику: скорость ответа, число обработанных задач, время поиска документа, качество онбординга или количество подготовленных материалов.

Российские компании тоже дают сотрудникам ИИ-помощников

В России самый понятный пример — клиентская поддержка. «Т-Технологии» запустили ИИ-копайлотов для операторов первой линии. Они анализируют сообщения и звонки, собирают контекст, помогают формулировать ответ и подсказывают следующий шаг. По данным компании, скорость решения клиентских вопросов с таким помощником может вырасти до 10%, а чат-бот поддержки закрывает около 45% клиентских запросов.

Сбер в 2026 году представил GigaChat Enterprise — корпоративную платформу для создания персонализированных ИИ-агентов внутри контура компании. В релизе Сбера заявлено, что такие агенты могут сокращать время на рутинные задачи до 70%.

«Северсталь» пошла через внутреннюю инициативу сотрудников. В корпоративном конкурсе участники создали более 200 прототипов ассистентов для ежедневных задач. Для крупных компаний это сильный подход: люди на местах лучше внешнего консультанта понимают, какой процесс тормозит работу и где агент может дать быстрый эффект.

В российских условиях при внедрении появляется ещё один практический слой — оплата и документы. Если компания подключает внешние AI API, важно, чтобы расходы можно было провести официально. SpeShu.AI закрывает эту часть: API оплачивается с российского счёта, а компания получает закрывающие документы. Для бизнеса это не мелочь, а условие нормального внедрения, особенно если агенты становятся частью рабочих процессов.

Какие KPI можно поднять с помощью ИИ-агентов

• Первый KPI — скорость обработки задач. В поддержке это среднее время ответа, время закрытия обращения и число тикетов на оператора. В продажах — скорость подготовки КП, количество обработанных лидов и время заполнения CRM. В аналитике — срок подготовки отчёта. В разработке — время до первого рабочего прототипа, количество закрытых задач в спринте и скорость написания тестов.

• Второй KPI — качество. Агент может проверять ответ оператора на полноту, подсказывать забытые вопросы, сверять документ с регламентом, находить расхождения в отчёте или предупреждать о рисках в договоре. Здесь важно не отдавать финальное решение машине, а использовать её как второго проверяющего.

• Третий KPI — онбординг. Новичок обычно тормозит не потому, что не хочет работать, а потому что не знает, где лежит нужная информация. ИИ-агент по базе знаний, регламентам и внутренним документам снижает зависимость от наставника. Сильные сотрудники меньше отвлекаются, новички быстрее выходят на рабочий темп.

• Четвёртый KPI — загрузка экспертов. В любой компании есть люди, к которым постоянно приходят с одинаковыми вопросами. Если агент отвечает на типовые запросы по базе знаний, эксперт подключается только к сложным кейсам. Это не всегда видно в недельном отчёте, но хорошо заметно по календарям, скорости согласований и количеству прерванных рабочих фокусов.

• Пятый KPI — выручка на сотрудника. Это главный показатель для руководителя. Если менеджер с агентом обрабатывает больше лидов, оператор закрывает больше обращений, аналитик быстрее готовит выводы, а разработчик быстрее доводит функцию до релиза, компания получает больше результата без пропорционального расширения штата.

Как внедрять, чтобы KPI действительно выросли

Плохой сценарий выглядит просто: компания покупает доступ к нейросети для всех сотрудников и ждёт, что производительность сама вырастет. Обычно так появляются хаотичные эксперименты, красивые презентации и несколько энтузиастов, но не управляемый эффект.

Начинать нужно с одного процесса. Например, первая линия поддержки, подготовка коммерческих предложений, онбординг новичков, поиск по базе знаний, анализ звонков, подготовка отчётов или написание тестов. Для каждого процесса нужно зафиксировать один-два KPI до внедрения, а затем сравнить их после.

Дальше агенту нужен контекст. Если он не подключён к базе знаний, CRM, документам, истории обращений или BI-системе, он будет давать общие ответы. А общий ответ редко повышает KPI. Бизнесу нужен агент, который знает продукт, регламенты, клиентов, цены, ограничения и формат результата.

Именно здесь полезна технологическая база, которая позволяет подключать разные модели под разные задачи. Через API SpeShu.AI можно собрать пайплайн, где лёгкая модель классифицирует обращение, более сильная готовит ответ, а отдельный агент проверяет его перед отправкой человеку. Такой подход дешевле и управляемее, чем отправлять все задачи в одну дорогую модель.

Третий шаг — контроль качества. У Klarna был громкий успех с автоматизацией поддержки, но позже компания столкнулась с критикой качества и начала возвращать больше человеческого участия в клиентский сервис. Это важный урок: ИИ-агент должен усиливать сотрудника, а не становиться единственной точкой контакта там, где нужны эмпатия, ответственность и нестандартное решение.

Поэтому агенту нужно заранее определить границы. Он может подготовить черновик, найти регламент, предложить следующий шаг, но в спорных ситуациях должен передавать задачу человеку. Так компания получает рост скорости, но не теряет контроль над качеством.

Главная идея

ИИ-агент нужен не для того, чтобы заменить отдел «цифровыми сотрудниками». Его задача — убрать из работы механическую часть.

Пусть менеджер продаёт, а не переписывает одно и то же коммерческое предложение. Пусть оператор решает сложные ситуации, а не ищет регламент в десяти вкладках. Пусть аналитик объясняет бизнесу выводы, а не вручную собирает таблицу. Пусть разработчик думает над архитектурой, а не тратит полдня на шаблонные тесты.

Если компания хочет внедрить агентов в реальные процессы, важно начинать не с модели, а с KPI: что именно должно ускориться, улучшиться или стать дешевле. Модель, API и инструменты подбираются уже под этот процесс.

В российских условиях для подключения моделей можно использовать API SpeShu.AI. Он даёт доступ к разным нейросетям, позволяет оплачивать использование с российского счёта и получать закрывающие документы, следует из документации.

Если нужно понять, как подключить API под конкретный процесс, в SpeShu.AI с этим помогает Мария — живой специалист, который разбирает задачу и подсказывает следующий шаг.