Когда автоматизация — ошибка: 30 кейсов и паттерны плохих решений

Автоматизация как молоток, которым бьют по всему подряд

На Reddit появился пост от владельца агентства, которое строит AI-агентов и автоматизации для стартапов и традиционного бизнеса. За год — 30+ завершённых проектов в e-commerce, юриспруденции, медицине, недвижимости и B2B-услугах. Его вывод: около 40% клиентов не были готовы автоматизировать вообще ничего.

Не потому что у них не было бюджета. Не потому что задачи были слишком сложными. А потому что они хотели, чтобы технология решила проблему, которая технологией не решается.

Я вижу этот паттерн постоянно. И хочу разобрать его системно.

Паттерн первый: автоматизация хаоса

Самый распространённый случай. Компания приходит и говорит: «Хотим автоматизировать наши операции». Спрашиваешь: «Какие конкретно?» — и получаешь расплывчатое описание, которое меняется от сотрудника к сотруднику.

Автор поста описывает это точно: операции держатся на одном человеке, который знает, где что лежит, и на Google Drive, который не организовывали с 2021 года. Они хотят, чтобы AI починил то, что по сути — проблема людей и процессов.

Автоматизация — это код, который перемещает данные из точки A в точку B по правилам. Если входные данные непоследовательны — на выходе будет мусор. Если правила нечёткие — автоматизация будет делать нечёткие вещи. Никакой «интеллект» не компенсирует сломанный входной слой.

Маркер ошибки: вы не можете описать процесс пошагово на бумаге. Каждый раз, когда пытаетесь, получается по-другому.

Решение: стандартизируйте процесс вручную минимум на 30 дней. Задокументируйте каждый шаг. Только после этого думайте об автоматизации.

Паттерн второй: автоматизация задач, которые меняются слишком часто

Есть процессы, которые выглядят рутинными, но на деле пересматриваются каждую неделю. Правила обработки лидов, которые зависят от текущей стратегии продаж. Шаблоны ответов клиентам, которые меняются после каждого совещания. Критерии приоритизации тикетов, которые пересматривает PM по настроению.

Автоматизировать такое — значит создавать систему, которую придётся переписывать постоянно. Стоимость поддержки превысит стоимость ручного выполнения через месяц-два.

Маркер ошибки: за последние 3 месяца правила выполнения задачи менялись больше 3 раз.

Решение: сначала стабилизируйте процесс. Если он не стабилизируется — возможно, он и не должен быть автоматизирован. Это нормально.

Паттерн третий: автоматизация того, что требует контекста и суждения

AI-модели хороши в распознавании паттернов, генерации текста и классификации. Они плохи в угадывании того, каким должен быть ваш бизнес-процесс. Когда LLM подключают к клиентскому workflow, модель обрабатывает примерно 20% системы. Остальные 80% — жёсткий детерминированный код: маршрутизация данных, обработка ошибок, логирование, фолбэки на случай, когда модель ошибётся. Потому что она ошибётся.

Но есть задачи, где даже 20% AI недостаточно. Где нужен человек, который понимает контекст: историю отношений с клиентом, политическую обстановку внутри компании, нюансы тона в переписке. Автоматизировать такое — значит получать формально правильные, но фактически неуместные результаты.

Маркер ошибки: при ручном выполнении задачи вы регулярно принимаете решения, которые трудно формализовать в виде правил.

Решение: автоматизируйте подготовительную часть (сбор данных, черновик), но оставьте решение человеку.

Паттерн четвёртый: автоматизация бесполезных задач

Самый коварный паттерн. Задачу никто не хочет делать вручную — не потому что она рутинная, а потому что она бессмысленная. Отчёт, который никто не читает. Уведомление, которое все игнорируют. Синхронизация данных между системами, которыми никто не пользуется.

Автоматизация таких задач — это не оптимизация. Это перевод бесполезной работы из категории «человек тратит время» в категорию «система тратит ресурсы». Проблема не исчезает, она просто становится невидимой.

Маркер ошибки: если убрать эту задачу полностью на две недели, никто не заметит.

Решение: убейте задачу. Не автоматизируйте — удалите.

Что объединяет лучшие автоматизации

Автор поста выделяет один общий фактор у самых успешных проектов: клиент уже описал свой процесс на бумаге до начала работы. Он знал, какие входные данные. Знал ожидаемые выходные данные. Знал, где процесс ломается и как часто.

Команда просто переводила это в софт.

Худшие проекты — противоположность. Клиент говорил «хочу автоматизировать операции», но не мог пошагово объяснить, что это значит. Команда тратила дни на discovery, пытаясь задокументировать workflow, который не существовал в последовательной форме.

Практический чеклист: автоматизировать или нет

Прежде чем автоматизировать что-либо, ответьте на пять вопросов:

• Могу ли я описать процесс пошагово? Если нет — сначала стандартизация.
• Менялись ли правила за последние 3 месяца? Если да — сначала стабилизация.
• Требует ли задача человеческого суждения? Если да — автоматизируйте подготовку, не решение.
• Заметит ли кто-то, если задачу просто перестать делать? Если нет — удалите задачу.
• Есть ли чистые входные данные? Если нет — сначала наведите порядок в данных.

Если хотя бы на один вопрос ответ неудовлетворительный — автоматизация преждевременна.

Почему это важно именно сейчас

С ростом доступности инструментов вроде n8n, Make, Zapier и AI-агентов порог входа в автоматизацию резко снизился. Это прекрасно для тех, кто знает, что автоматизирует. И опасно для тех, кто автоматизирует наугад.

Самые дорогие ошибки в автоматизации — не технические. Это ошибки в выборе: что автоматизировать, а что — нет. Технологию легко поменять. Потерянное время на автоматизацию не того — не вернуть.

Бизнесы, которые получили максимальную отдачу от автоматизации в этом году, — не те, у кого был самый большой бюджет. А те, у кого были самые чистые процессы. Технология была простой частью. Навести порядок в операциях — вот что было настоящей работой.