Как находить бизнес-процесс для ИИ: эксперименты в Codex вместо схемы на доске
ИИ-процесс редко получается придумать с первого раза на доске. Можно красиво нарисовать стрелки, роли и автоматизацию, но настоящая форма работы проявляется только тогда, когда агент сталкивается с живыми входными данными: письмом, таблицей, заявкой, договором, задачей в репозитории, комментариями клиента.
Поэтому сильная ИИ-автоматизация начинается не с большой схемы, а с маленького опыта. Берем повторяемый кусок работы, даем Codex понятную задачу, ограничиваем доступ, просим сохранить результат в проверяемом виде и смотрим, где агент помогает, где путается, где ему не хватает данных, а где нужен человек.
Microsoft Power Automate Process Mining показывает эту логику в классическом процессе: карта строится не из воображения, а из фактических действий, узлов и переходов. Для ИИ это еще важнее. Модель может удивительно хорошо сделать один шаг и неожиданно провалиться на соседнем. Значит, процесс нужно открывать серией коротких экспериментов.
Что здесь меняется
Обычная автоматизация ищет стабильный маршрут: если пришел документ, сделай действие. ИИ-процесс ищет рабочую границу: что агент может делать сам, что делает только после проверки, что нельзя отдавать модели вообще.
В статье OpenAI про agent loop Codex хорошо видна практическая сторона: агент получает задачу, читает контекст, действует, проверяет и возвращает результат. Это не одна магическая команда, а цикл. И именно цикл помогает понять реальную форму процесса.
Главное:Не спрашивайте: "какой бизнес-процесс можно автоматизировать ИИ". Спросите иначе: какой маленький фрагмент работы можно дать агенту сегодня, как проверить результат и что мы узнаем после одной попытки.
Карта эксперимента
| Шаг | Что делает человек | Что делает Codex | Что проверяем |
|---|---|---|---|
| Вход | выбирает один типовой материал | читает файл, письмо, таблицу или задачу | хватило ли данных |
| Действие | задает границы и формат | собирает черновик, таблицу, diff или отчет | где ошибся и почему |
| Проверка | сравнивает с ожиданием | показывает основания и измененные файлы | можно ли повторить |
| Решение | выбирает следующий шаг | фиксирует правило или улучшение | стоит ли автоматизировать |
Такая таблица полезнее большого слайда. Она быстро показывает, где процесс живой. Например, агент хорошо разбирает входящие заявки, но плохо отличает важный сигнал от рекламного шума. Или хорошо готовит черновик письма, но требует ручной проверки фактов. Или отлично собирает сводку, но не должен сам отправлять ее клиенту.
Task mining в Power Automate устроен похожим образом: сначала фиксируются действия пользователя, потом становятся видны кандидаты на автоматизацию. С Codex это можно делать легче: не обязательно сразу включать тяжелую платформу. Достаточно завести журнал экспериментов.
Как применить это в Codex
Рабочий запрос к Codex должен быть маленьким и проверяемым:
- Возьми один типовой материал.
- Опиши, какие поля, решения и исключения в нем есть.
- Собери черновой процесс в виде таблицы.
- Отметь места, где нужна проверка человека.
- Предложи один следующий эксперимент.
Важная деталь: Codex не должен сразу "строить систему". Его первая роль - исследователь процесса. Пусть он найдет повторяемые действия, пропуски в данных, ручные проверки и места, где решение нельзя отдавать модели.
Где граница
Эксперимент не заменяет ответственность. В NIST AI Risk Management Framework риск рассматривается как часть проектирования и использования AI-системы. Для практики это означает простую вещь: чем ближе агент к деньгам, клиентам, юридическим решениям или публикации, тем раньше нужно ставить проверку.
Хороший итог такой работы - не "мы внедрили ИИ", а список открытых процессов: что агент делает стабильно, что делает только под присмотром, где не хватает данных, где нужен человек, какой следующий эксперимент даст максимум пользы.
Какой навык собирается: находить ИИ-процесс через короткие проверки, а не придумывать его как красивую схему.