Власник невеликого бізнесу починає ранок з того, що на робочому ноутбуці відкриті три Excel з різними версіями остаточного звіту, у Telegram лежать скріни з монобанку і статуси Нової Пошти, у пошті - листи з цифрами від бухгалтера і менеджера, у папці ФОП - PDF, які ніхто не зводив в одну таблицю. Команда питає, що з продажами за тиждень, і відповідь збирають руками з п'яти місць. Хтось кидає фото накладної, хтось пересилає виписку, хтось каже, що в його файлі інша сума. До обіду вже є четверта версія таблиці, і ніхто не певен, яка з них робоча. Частина оплат прийшла в особистий кабінет ФОП, а менеджер тим часом пообіцяв клієнту строки по Новій Пошті з іншого чату. І в цій купі, яку власник щодня проклинає, лежить найдорожче, що є в його компанії: усі розмови з клієнтами, усі обіцянки, усі цифри і всі розбіжності між ними. Це неструктуровані дані, і до появи генеративного ШІ з ними можна було зробити рівно одне - найняти людину, яка перечитає. Тепер їх читає модель, і читає всі.
Головна думка цього тексту в одному реченні. Генеративний ШІ зараз найкраще у світі справляється з двома речами, які власник відчуває щодня: структурувати неструктуровані дані і знаходити в них цінність. Тому шлях до робочого корпоративного ШІ у будь-якій компанії однаковий: збір даних, аналіз, вибудовування продукту, а коли агентів стає більше за одного - ще й контроль того, що вони зробили. Саме так виглядає контур корпоративного ШІ: дані всередині робочого простору, аналіз поверх них, політики і журнал дій зверху. І саме тому цієї осені продукти, побудовані за цим шляхом, виходять на ринок один за одним: у США їх викотили OpenAI і Salesforce, в Україні такий продукт для малого й середнього бізнесу ми розробляємо на базі maiya.ws. Нижче розкладу шлях по кроках на реальних прикладах, і починаю з того, що вже працює.
Перший приклад - дзвінки. У агрокомпанії відділ продажів приймав сотні дзвінків, кожен записувався телефонією, і на цьому все закінчувалось: записи лежали як архів, який ніхто ніколи не відкривав. Ми зібрали ці записи в один робочий простір, поставили транскрибування і навчили модель діставати з кожної розмови структуру: хто дзвонив, чи це бухгалтер контрагента, чи клієнт просив написати у месенджер, чи вже пішло повідомлення, до якого менеджера контакт має потрапити далі, і резюме на два рядки з часом дзвінка. На виході з шуму вийшла таблиця, а з таблиці продукт: гарячий контакт іде до правильного менеджера того ж дня, а власник уперше побачив, про що насправді говорять з його компанією по телефону. Найдовше ми крутили саме правила витягування полів, бо модель спочатку плутала бухгалтера з власником і писала резюме на пів сторінки. Модель була та сама з першого дня, змінювалась структура, яку ми з неї вимагали.
Другий приклад - наукові тексти. У фармацевтичному проєкті фармаконагляд зобов'язаний стежити за публікаціями про побічні ефекти препаратів, і щотижня у світі виходять сотні статей, які людина мусить переглянути очима. Ми описали агенту один раз, що саме шукати, за якими критеріями відсіювати і в якій формі звітувати, і поставили цю повторювану задачу на розклад: раз на тиждень агент сам проходить базу публікацій і віддає фахівцю структурований звіт із сигналами, які варто перевірити. Сировина - тексти в довільній формі, аналіз - їх відбір і класифікація, продукт - щотижневий документ, який фахівець приймає або відхиляє за пʼять хвилин.
Третій приклад - зустрічі, і це вже моя компанія. Кілька років найважливіші домовленості народжувались на живих переговорах і за кавою на конференціях, там, де ніхто нічого не фіксував, і за три дні деталі розмивались. Тепер кожна зустріч записується компактним диктофоном, транскрипт потрапляє в робочий простір, і я можу спитати, що ми вирішили з партнером минулого вівторка, або зібрати всі свої обіцянки за тиждень у список задач. Ранковий звіт модель складає сама з календаря, пошти і вчорашніх транскриптів. Рекламний кабінет підключений напряму, і питання, які кампанії просіли, я ставлю звичайною мовою і отримую відповідь з реальних цифр. Сайт, на якому ви це читаєте, веде агент через власний контур керування: чернетку він готує сам, а погодження і публікацію окремо підтверджую я, і кожна дія лягає в журнал.
Четвертий приклад - тижневі продажі, тобто та сама ранкова купа з першого абзацу. Тут шлях виглядає буденно, і в цьому його сила. Спочатку збір: ви вирішуєте, які саме джерела заходять у робочий простір - виписки, статуси доставок, листи, таблиці продажів, нотатки з Telegram. Потім аналіз: модель розкладає цей матеріал, зводить цифри, показує розбіжності між джерелами і ставить біля кожного числа посилання, звідки воно взяте. Потім продукт: команда отримує артефакт, яким користується завтра вранці - тижневий звіт, список дій, шаблон відповіді клієнту, чернетку рішення для наради. Цінність зʼявляється на третьому кроці, а тримається на перших двох. Якщо пропустити збір і одразу просити зробити стратегію, отримаєте текст. Якщо пройти шлях до кінця, отримаєте рішення, яке команда може перевірити по джерелах.
У всіх чотирьох прикладах спільне одне, і саме це відрізняє контур від чату. Чат відповідає з того, що людина в нього скопіювала. Контур відповідає з даних компанії, які модель читає сама: дзвінки транскрибуються, листи підключаються скринькою, а не пересиланням, Excel лежить у спільній папці, а не в особистому файлі менеджера, чати ведуться там, куди агент має доступ. Перевірка, чи цей крок у вас зроблено, одна: назвіть пʼять найбільших потоків інформації у компанії і чесно скажіть, скільки з них модель може прочитати без людини посередині. У більшості компаній відповідь близька до нуля, і це головна знахідка першого тижня будь-якого впровадження.
Далі те, що зʼявляється, щойно агентів стає більше за одного, і про що я писав у матеріалі про доступ агента до пошти й процесів. Питання власника після перших пілотів звучить так: у нас уже три агенти в різних чатах, хто бачить, що вони зробили. Один пише в ChatGPT з корпоративної пошти, другий у Copilot на робочому ноутбуці, третій підключив бота в Telegram, і права доступу ніхто не звів. Поки відповідь розмазана по особистих акаунтах, контуру немає, є розсип чатів, а відповідальність розчиняється між людьми, які відкрили бота на пробу і забули про права. Єдина точка контролю в масштабі малого бізнесу - це одна таблиця і одна звичка. У таблиці: які агенти взагалі існують у компанії, які джерела кожен з них бачить, хто має право читати, хто має право писати, де стоїть підтвердження перед дією. Звичка - раз на тиждень дивитись журнал, що саме агент прочитав і що написав, так само, як ви дивитесь виписку з банку. У матеріалі про ШІ-менеджера інтернет-магазину ми лишали людині кнопку відправки і статус оплачено. На рівні компанії лишаємо людині політики доступу, барʼєри між командами і журнал дій. Принцип з тексту про банк і Дію той самий: ширину прав рахуєте ви, і підтвердження там, де рухаються гроші й доступи, лишається за людиною.
Тепер про те, як цей шлях цієї осені став продуктом. 10 вересня OpenAI випустила ChatGPT for Financial Services - галузевий ШІ-кабінет для інвестиційного банкінгу на моделі GPT-6 Astra, зібраний з Morgan Stanley та Evercore. Головне в ньому - дані всередині: бази Daloopa, PitchBook, LSEG News і Crunchbase вже проіндексовані в кабінеті, команда банку починає працювати з ними без окремих контрактів, модель робить аналіз і збирає продукт у шаблонах фірми в Excel, Word і PowerPoint, кожна цифра має посилання на джерело, а зверху лежать політики: SSO, рольовий доступ RBAC, експорт логів у власний аудит і інформаційні барʼєри між робочими просторами. Того ж дня Salesforce показала Trusted Enterprise AI Harness з шістьма шарами Context, Agency, Action, Governance, Security, Models і AI Control Plane - єдину точку контролю, де компанія реєструє всіх агентів, своїх і сторонніх, задає їм політики, спостерігає за поведінкою і бачить вартість кожного. І модель у обох пакетах зроблена змінною деталлю: GPT-6 Astra вже працює в Microsoft Copilot, де адміністратор поруч вмикає Claude, а робочий простір, дані й політики лишаються ті самі. Це рівно ті кроки, які ми пройшли на дзвінках агрокомпанії і на публікаціях для фармацевтів: дані всередині, аналіз з посиланнями на джерело, продукт у формі, яку людина приймає, і журнал зверху.
В Україні ми той самий шлях складаємо у продукт для малого й середнього бізнесу на базі maiya.ws. Логіка та ж, що в кабінеті для банкірів, лише замість PitchBook і LSEG підключаються системи, з якими живе український власник: CRM, телефонія, месенджери, сайт, облік. Власник створює агентів під конкретні задачі - звернення клієнтів, записи, замовлення, документи, нагадування, аналітику і звіти - і кожен агент працює з реальними даними компанії, а не з тим, що йому скопіювали в чат. База знань тримає актуальні правила і ціни, щоб агент відповідав з ваших умов, а не з загальних. І головне, що я переніс сюди з досвіду про три агенти в трьох чатах: одна панель, де видно всіх агентів, їхні запуски і результати, тобто та сама єдина точка контролю, лише в масштабі магазину, салону чи сервісного центру, а не корпорації. Той самий контур, що в OpenAI і Salesforce, за ціною, яку витримує ФОП.
Правило на завтра для власника й операційного керівника звучить приземлено. Візьміть одну живу купу неструктурованого: тижневі продажі з Excel, листів і Telegram. Зведіть її в один структурований звіт під очима людини, яка відповідає за цифри. Позначте, які джерела зайшли в контур, хто має право читати, хто має право писати, де лишається підтвердження перед дією. Подивіться журнал: що саме зробив агент, перш ніж ви ухвалили рішення. Якщо сума зійшлася з монобанком і з таблицею менеджера, лишаєте звіт як робочий продукт команди. Якщо ні, повертаєтесь до збору даних і правите джерела, бо красивіший запит до моделі при поганих джерелах дає лише красивіший текст. Потім беріть наступну купу. Так контур росте разом із звичкою команди, а анонси нових моделей стають для вас новиною про заміну однієї деталі.
Генеративний ШІ виявився найкращою системою для перетворення неструктурованих даних на цінність, і тому виграш отримує компанія, яка першою зібрала свої дзвінки, листи й документи туди, куди модель має доступ, навчила модель діставати з них структуру, зробила з цієї структури продукт, яким команда користується щодня, і поставила зверху підтвердження людиною там, де рухаються гроші. Модель у цій конструкції - змінна деталь, і компанія, яка почала з даних, обходить ту, яка почала з вибору моделі, навіть якщо модель у другої розумніша. Для власника це означає почати цього тижня з однієї купи даних і одного звіту. Для інвестора це означає ставити на компанії, які володіють контекстом і контролем, тобто даними своїх клієнтів і журналом дій своїх агентів, бо саме там осідає вигода, поки самі моделі дешевшають і стають взаємозамінними.