Внедрение ИИ в реальную работу компании – это почти никогда не история про «поставили модель, и всё заработало». Куда чаще это путь, состоящий из месяцев настройки, сотен правок и постепенного привыкания людей к новому инструменту. Именно об этом – кейс японской железнодорожной компании JR West и разработчика языковых моделей ELYZA.
Что вообще происходило
JR West – один из крупных железнодорожных операторов Японии. Её подразделение, занимающееся работой с клиентами, обрабатывает большой поток обращений: жалобы, вопросы, запросы. Каждое такое обращение нужно не только разобрать, но и задокументировать – составить краткое резюме, зафиксировать суть разговора, передать информацию дальше.
Именно на этом этапе – постобработке обращений – и сосредоточились. Задача звучит просто: пусть ИИ автоматически формирует краткое изложение каждого контакта с клиентом. Но между «звучит просто» и «работает на потоке у ста сотрудников» – дистанция, которую большинство компаний недооценивает.
Почему потребовалась долгая настройка, а не просто «подключить и использовать»
Генеративные модели умеют резюмировать тексты – это факт. Но резюме, которое устраивает разработчика модели на демонстрации, и резюме, которое устраивает живого оператора колл-центра на восьмом часу смены, – это разные вещи.
В работе с клиентами есть своя специфика: отраслевая лексика, внутренние форматы записей, нюансы формулировок, которые важны именно в этом контексте. Модель, обученная на общих данных, поначалу выдаёт результаты, которые технически корректны, но практически неудобны – их всё равно приходится переделывать вручную.
Именно поэтому ELYZA и команда JR West не просто «запустили» систему, а занялись тем, что принято называть операционной доводкой: итеративной настройкой модели под конкретные задачи и конкретных пользователей. Проще говоря – модель обучали на реальных примерах, собирали обратную связь от сотрудников, вносили правки, снова проверяли.
Сто человек – это не просто «масштаб»
Отдельный момент, который стоит отметить: инструмент был внедрён в работу порядка ста сотрудников. Это важно, потому что именно на таком масштабе начинают проявляться проблемы, незаметные при пилотном тестировании на пятерых.
Разные люди работают по-разному. Кто-то быстро адаптируется к новому инструменту, кто-то сопротивляется, кто-то использует его не так, как предполагалось. Чтобы система действительно прижилась – а не просто формально числилась «внедрённой» – пришлось уделить внимание не только самой модели, но и процессу: как сотрудники взаимодействуют с системой, где возникают трения, что мешает использовать инструмент регулярно.
Это, кстати, один из самых недооценённых аспектов внедрения ИИ в корпоративную среду. Техническая часть – лишь половина работы. Вторая половина – это организационная: обучение, сопровождение, адаптация процессов.
Итог: минус 50% времени на постобработку
После всей этой работы – настройки модели, доработки под специфику задач и выстраивания процесса использования – время, которое сотрудники тратили на постобработку обращений, сократилось примерно вдвое.
Это ощутимый результат. Особенно если учесть, что речь идёт не о замене людей, а о снятии рутинной нагрузки: вместо того чтобы вручную формулировать резюме каждого разговора, оператор получает готовый черновик и лишь проверяет его. Работа остаётся за человеком – но становится заметно менее трудоёмкой.
Что здесь можно взять как урок
История JR West и ELYZA – не про прорывную технологию. Генеративные модели для суммаризации текста существуют уже несколько лет. Это история про то, как технология встраивается в реальную работу.
Несколько наблюдений, которые читаются между строк:
- Модель – это не продукт, а отправная точка. Без адаптации под конкретную задачу даже хорошая модель даёт посредственные результаты в реальных условиях.
- Масштабирование требует отдельного внимания. То, что работает для десяти человек, не всегда работает для ста – и наоборот.
- Операционная поддержка важна не меньше, чем техническая. Внедрение ИИ – это изменение рабочего процесса, а не просто установка программы.
- Результат измеряется в реальных метриках. Не в «точности модели на бенчмарке», а в том, сколько времени люди тратят на конкретную задачу.
В более широком контексте: именно такие кейсы – без громких заявлений, но с конкретными цифрами и честным описанием процесса – постепенно формируют понимание того, как ИИ на самом деле работает в корпоративной среде. Не как волшебная кнопка, а как инструмент, который требует вложений – и при правильном подходе их окупает.
