Как ИИ помогает в рабочих процессах

Искусственный интеллект сегодня — это не только масштабные проекты. Его могут использовать в работе отдельные небольшие команды и отдельные специалисты. Такие сотрудники не ждут готовых решений сверху, а сами внедряют ИИ в процессы, чтобы автоматизировать рутину, найти возможности для оптимизации рабочих процессов и освободить время для более сложных задач.

В Яндексе такие истории становятся частью корпоративной культуры. Наши кейсы — иллюстрация того, что для достижения результата важно иметь четкое понимание цели и умение задать ИИ правильный вопрос, поскольку он может помочь и с базовыми элементами программирования.

Вера Кузнецова, HR-директор Яндекс Вертикалей (Авто.ру, Яндекс Путешествия, Яндекс Недвижимость и Аренда) рассказывает как команды компании из маркетинга, исследований и тестирования, самостоятельно интегрировали ИИ в свои рабочие процессы. Их истории — это примеры внутренней инициативы, которая не только решает операционные задачи, но и создает среду, где каждый может поэкспериментировать и улучшить свои процессы. Возможно, их опыт подскажет кому-то идею для собственного небольшого, но значимого улучшения, начать которое можно с простого вопроса: "Какие из процессов в периметре своей работы хотелось бы делегировать?". Так длительные опросы, мониторинги, прогнозирование и исследования сокращаются до нескольких сообщений и освобождают ресурсы для более интересных и значимых проектов.

"Отвечатор Захар" для тестировщиков

Команде тестирования постоянно приходится с нуля формировать список проверок для каждой входящей задачи. Внешние LLM-чаты тут мало могут помочь, поскольку без знаний проекта дают лишь общие советы и игнорируют реальные пользовательские пути и существующие тест-кейсы. В результате теряются важные сценарии, а тестировщики тратят силы на доработки.

Команда тестировщиков собрала агента, который подключён к внутренней системе управления тестированием. Он индексирует тест‑кейсы и компонует знания о продукте. На основе этого программа помогает составить черновик чек-листа и указывает, какие кейсы нужно обновить. В процессе настройки стало понятно, что наличие достаточного контекста гораздо важнее того, насколько умна LLM. Также в агенте предусмотрена возможность редактировать информацию, чтобы пользователи могли дополнять чек-лист. В итоге экономия времени составляет до 30 минут на задачу, а качество чек‑листов (Precision/Recall) стало выше.

Суммаризатор тикетов поддержки

На командах технической поддержки лежит большая ответственность по оперативному реагированию на инциденты. Здесь очень важен качественный обмен сведениями без потери информации, особенно в моменты передачи дежурства между менеджерами. Многим наверняка знакомо чувство лёгкого ступора, при виде длинных цепочек комментариев в социальных сетях.

Руководитель команды технической поддержки сектора продаж Яндекс Аренды Вячеслав Погорелый, нашёл решение, которое позволяет сжать десятки сообщений до нескольких ключевых предложений. Для этого он создал интеграцию Яндекс Трекера с ProcessiUm. При формировании тикета ИИ-ассистент на базе моделей семейства Alice AI обрабатывает описание и создаёт первый комментарий‑резюме. Каждый новый комментарий суммаризируется, а сводка обновляется в реальном времени. Запуск ассистента позволил существенно сократить время новой смены на ознакомление и понимание контекста проблемы.

ReplAi — "синтетические респонденты" для тестирования креативов

Артём Ситников, трафик-менеджер группы SEO Яндекс Путешествий, мечтал об инструменте, который позволит увеличить объёмы тестирования маркетинговых гипотез и рекламных креативов без ущерба для бюджета и сроков запуска. На идею о создании "синтетических респондентов" его вдохновили учёные из Стэнфорда. Для решения задач Артём создал сервис на базе трёх ИИ-инструментов. Первый выступает в роли "респондента" и детально отвечает на вопросы о креативе. Вторая LLM-модель семантического поиска — как эксперт оценивает ответы по шкале Ликерта. В финале третий ассистент помогает суммаризировать результаты, выделяя важные аспекты. ReplAi предназначен для быстрой валидации гипотез. Можно протестировать 10 идей за час, отсеять 8 слабых и вынести на дорогую фокус-группу только 2 самые перспективные. На этапе бета-тестирования сервис показывает 80% сходства с голосованием реальных пользователей, что близко к целевым показателям. Экономия за счёт проекта составила более 3 млн рублей маркетингового бюджета на один блок исследования.

"Умный" мониторинг новостей

Сегодня, ежедневный поток новостных сообщений превосходит возможности любого человека самостоятельно за ними. Информации просто слишком много. Для экспертов работающих в сфере коммуникаций важно не упустить значимые инфоповоды и в целом следить за повесткой. Виктория Захарова, менеджер стратегических проектов Яндекс Вертикалей, решила автоматизировать процесс регулярного оповещения по целевым и наиболее важным темам, поскольку стандартные инструменты мониторинга не обеспечивали достаточного покрытия и оперативности.

Для решения проблемы Виктория разобралась, как автоматизировать процессы и собрала ИИ-агента, который выполняет последовательную цепочку действий. Первым шагом агент раз в час "читает" 76 телеграм‑каналов и 48 RSS‑лент, складывая новости в базу данных с заголовками, основным содержанием и ссылками на источники. Дважды в день, внутренняя AI-модель категоризирует до 5000 новостей, а затем формирует структурированный дайджест в Telegram. Это позволяет экономить несколько часов рабочего времени в день на каждого члена команды.

Комплексная автоматизация для аудитора объявлений на Авто.ру

Сергей Кочетков, менеджер по перформанс-маркетингу Авто.ру, ежедневно изучает тысячи опубликованных дилерских объявлений и проводит оптимизацию и анализ рекламных кампаний сервиса в Яндекс Директ, счёт которых которых идёт на десятки. Его цель – отфильтровать неэффективные макеты и дать продавцам рекомендации по улучшению объявлений. Вручную эта работа занимает десятки часов в месяц.

Для автоматизации этих процессов Сергей задействовал набор скриптов на Python и с помощью n8n собрал ИИ-агента, который по заданным KPI проверяет массив данных из рекламных кампаний. Агент находит сегменты, которые показывают наименьшую эффективность, корректирует настройки и тестирует их, после чего формирует отчёт. В результате вместо пяти часов в неделю теперь на это уходит лишь несколько минут.

Другой проект автоматизации создан для аудита складских запасов дилера. Раньше менеджерам приходилось проверять его вручную. Для этого требовалось просмотреть сотни страниц с объявлениями и проверить описание, фотографии, характеристики и другие параметры. Эта работа занимали до двух недель. Написанный Сергеем ии-агент автоматически собирает статистику по объявлениям дилера, после чего проверяет описания, фотографии и прочие параметры с помощью нейросетей. Итоги оформляются в отчёт и презентацию с результатами. Автоматизация этого процесса позволила сократить срок выполнения задачи с 2-х недель до 1-2 дней.

ИИ в качественных и количественных исследованиях

В работе исследователей одним из самых объёмных и трудозатратных элементов остаётся суммаризация и кодировка открытых ответов респондентов, участвующих в опросах. Самостоятельная работа отнимает очень много времени, а отдавать её внешним подрядчикам дорого, и не всегда результат получается нужного качества.

Игорь Гладышкевич из отдела маркетинговых исследований Яндекс Вертикалей вместе с руководителем отдела Валентиной Самсоновой собрал инструмент на базе нескольких нейросетей, который способен обрабатывать тысячи открытых ответов. Сейчас время разметки сократилось с 25 часов до 10 минут. Это лишь первый шаг на пути интеграции ИИ-помощников в исследовательские процессы. Команда также использует внешние инструменты для качественных опросов, где искусственный интеллект выступает модератором беседы. При всех нынешних барьерах, которые существуют например рисковыми и чувствительными данными, процесс перехода исследователей на ИИ-инструменты уже не остановить.

Эти проекты – пример инициатив, разработанных участниками команд из разных частей Яндекс Вертикалей самостоятельно. Часть из них уже легла в основу воркшопов и AI-мастерских на которых авторы обмениваются своим опытом с другими сотрудниками и помогают им запустить собственные.