Как производственной компании внедрить ИИ в бизнес-процессы и сократить расчёт сметы с полутора часов до десяти минут

Александр Гасов поставил перед собой задачу перейти от личного использования ChatGPT к системному применению искусственного интеллекта в компании «Эдем». Вместе с собственником и топ-менеджерами он разобрал рабочие процессы компании и внедрил ИИ в расчёт смет, проведение планёрок и обновление регламентов.

Ситуация

Компания «Эдем» производит и устанавливает натяжные потолки в Ижевске и Перми. Александр Гасов ранее был её генеральным директором и сам выстраивал систему управления. Сейчас он работает с компанией как внештатный консультант и помогает внедрять новые решения.

К этому моменту искусственный интеллект уже стал для Александра личным рабочим помощником. Он использовал его в собственных и консалтинговых задачах, но внутри компании ИИ ещё не был частью регулярных процессов. Расчёты, договорённости после встреч и изменения в регламентах по-прежнему зависели от ручного переноса информации между сотрудниками и документами.

Чтобы изменить эту практику, к обучению подключились собственник и ключевые топ-менеджеры «Эдема». Раз в неделю они вместе смотрели одно занятие, а затем выбирали идеи, которые можно сразу проверить на процессах компании.

Запрос участника

Александр сформулировал задачу так:

«Задача была именно внедрить искусственный интеллект как системное решение, а не как чат, с которым можно общаться».

Команде было недостаточно предложить сотрудникам открыть ChatGPT и самостоятельно искать ему применение. Нужно было выбрать конкретные процессы, описать правила их выполнения и передать ИИ отдельные операции, которые влияют на время сотрудников, количество ошибок и скорость подготовки документов.

Что на самом деле стояло за запросом

Главным ограничением был не недостаток инструментов. Александр уже использовал ИИ, но отдельные диалоги с чат-ботом не меняли устройство работы компании.

Чтобы получить повторяемый результат, нужно было научиться рассматривать ИИ как часть процесса: определить входные данные, последовательность действий, требования к результату и точки, в которых работу проверяет человек. Затем — связать этот сценарий с таблицами, документами и системой управления задачами.

План обучения

Команда выстроила работу вокруг задач компании:

Составить реестр бизнес-процессов.
Найти процессы, в которых компания теряет время или деньги из-за ручных операций и ошибок.
Описать, как выбранный процесс должен выполняться без потерь.
Передать ИИ разработанную методологию и собрать рабочий сценарий.
Встроить решение в инструменты, которыми уже пользуются сотрудники.
Проверить результат в текущей работе и перейти к следующему процессу.

Первой точкой применения стал расчёт смет. При составлении реестра сотрудники разных подразделений назвали его одним из самых болезненных процессов компании.

Что удалось изучить и применить

Связать прайс, смету, коммерческое предложение и договор

Компания выполняет технически сложные потолочные проекты, а цены на комплектующие могут меняться примерно раз в две недели. Раньше прайс главного инженера и сметы существовали отдельно. Три сметчика вручную переносили цены в расчёты, поэтому могли поставить неверную стоимость или занести её не в ту позицию. Часть потерь обнаруживалась только после завершения объекта и снижала маржинальность сделки.

Команда описала методологию расчёта и с помощью ИИ собрала связанную систему таблиц. Теперь изменения в прайсе главного инженера автоматически попадают в нужные позиции сметы.

Автоматизация охватила ещё два этапа. Из готовой сметы система формирует коммерческое предложение без внутренней детализации расчёта, которую не должен видеть клиент. После заключения сделки она готовит смету в форме приложения к договору. Сметчику и менеджеру по продажам больше не нужно переносить эти данные вручную.

Превратить планёрки в протоколы и задачи

До изменений договорённости после встреч могли оставаться в ежедневниках или в памяти участников. У компании не было единого реестра протоколов и регулярного способа проверить, что произошло с поставленными задачами.

Теперь Granola фиксирует встречу, а созданный командой скилл превращает запись в протокол. Через связку ChatGPT, MCP и YouGile протокол сохраняется в отдельной ветке встреч топ-менеджмента, а задачи распределяются по руководителям.

Перед следующей планёркой система собирает повестку: показывает, что обсуждали в прошлый раз, какие задачи выполнены, какие остаются в работе и к каким вопросам нужно вернуться.

Такая же логика действует на встречах внутри подразделений. Руководитель компании и собственник видят, состоялась ли планёрка, какие показатели обсуждали, какие решения приняли и как руководитель передал команде договорённости топ-менеджмента. Для этого им не нужно лично присутствовать на каждой встрече.

Обновлять регламенты после рабочих обсуждений

В Obsidian команда собрала реестр бизнес-процессов и регламенты для точек взаимодействия между подразделениями: передачи заявок на производство, снабжение, отгрузку и других операций, в которых информация может прийти не вовремя, не по тому каналу или не в той форме.

Раньше изменение нужно было вручную перенести из обсуждения в документ. На практике регламенты часто не обновлялись и переставали отражать текущую работу.

Теперь Granola фиксирует принятое на планёрке решение, скилл определяет связанный бизнес-процесс, а система находит нужную заметку в Obsidian и дополняет её. В регламенте сохраняется история изменений: сотрудники видят, что действовало раньше и какое правило действует сейчас.

Obsidian синхронизирован с документами на Google Drive. Сотрудник может запросить через ChatGPT актуальный регламент или форму, не разыскивая файл вручную в папках.

Результат

Среднее время расчёта одной сметы сократилось с полутора часов до десяти минут. По оценке Александра, объём около 150 смет, который раньше распределялся между тремя сметчиками, теперь обрабатывает один специалист.

Компания ещё не решила, сокращать ли двух сметчиков или использовать освободившуюся мощность для увеличения объёма работ. Поэтому экономия фонда оплаты труда не включена в результат. Денежный эффект от устранения ошибок также предстоит рассчитать: для сравнения пока нет полной истории потерь.

При этом обучение уже изменило три группы процессов:

Расчёт сметы, подготовку коммерческого предложения и приложения к договору;
Фиксацию планёрок, распределение задач и подготовку следующей повестки;
Обновление регламентов и поиск рабочих документов.

Команда внедрила эти решения, изучив примерно половину записи. Следующими она планирует автоматизировать оценку обратной связи сотрудникам, сбор финансовой отчётности и подготовку управленческих дашбордов. Эти решения пока находятся в планах.

Главным результатом Александр считает новую практическую способность команды: руководители научились искать процесс с потерями, описывать его логику и собирать вокруг неё ИИ-решение. Скиллы, плагины и работа с кодом перестали восприниматься как инструменты только для IT-специалистов.

Общий вывод

Этот кейс показывает: искусственный интеллект повышает производительность не тогда, когда сотрудники просто получают доступ к чат-боту, а когда компания выбирает конкретный процесс, описывает правила его выполнения и встраивает ИИ в ежедневную работу.

Если обучение проходит на текущих задачах компании, первые решения можно внедрять ещё до завершения всей программы. В «Эдеме» такой подход уже сократил расчёт сметы с полутора часов до десяти минут и превратил отдельные эксперименты с ИИ в повторяемые рабочие сценарии.

Следующий кейс · Алина Николаева