От ручного транскрибирования к внутреннему ИИ: как команда Атома автоматизировала анализ данных

# Как транскрибатор для исследователей стал фундаментом внутреннего ИИ в компании Атом

Проблема, с которой столкнулись сотрудники компании Атом, казалась типичной для индустрии: огромное количество аудиозаписей тестов, интервью и встреч требовали обработки, но человек не успевал за объемом данных. Ручная расшифровка занимала слишком много времени и ресурсов, превращая ценные данные в цифровую пыль.

Чтобы изменить ситуацию, команда решила создать собственное решение. Что началось как простой транскрибатор для узкого круга специалистов, со временем выросло в полноценное направление прикладного искусственного интеллекта, обслуживающее все департаменты организации.

Рождение проблемы: часы записей и ручная работа

В процессе разработки электромобиля проводятся тысячи тестов в движении и статике. Команда HMX, занимающаяся пользовательским опытом (UX), фиксирует действия респондентов и их комментарии. Эти аудио- и видеозаписи становятся основным материалом для анализа. Без их расшифровки данные быстро теряют ценность, так как переслушивать десятки часов записей для поиска моментов непонимания интерфейса непрактично.

Существует несколько путей решения этой задачи: * Бесплатные сервисы: Ограничены по размеру файлов, а гарантии конфиденциальности внутренних данных часто отсутствуют. * Платные облачные решения: Обеспечивают безопасность, но создают зависимость от внешних провайдеров и постоянную статью расходов. Любое изменение тарифов может повлиять на бизнес-процессы. * Ручная расшифровка: Самый затратный метод по времени квалифицированных специалистов.

Учитывая эти риски и стоимость, команда решила создать прототип собственного сервиса.

Прототип, ставший продуктом

Первая версия транскрибатора была простой, но эффективной. Однако уже на раннем этапе стало очевидно, что потребность в автоматизации есть у каждого, кто занимается фиксацией бесед. Ограничения архитектуры «на коленке» не позволяли быстро внедрать новые функции.

В конце лета 2025 года был принят стратегический пересмотр подхода. Решение о развитии инструмента в полноценный продукт было принято исключительно на основе технического задания от непосредственных пользователей — исследователей. Ресурсы были сфокусированы на конкретных сроках и функционале. Результатом стал запуск первой версии через три месяца, за которыми последовал период стабилизации и внедрения новых регламентов безопасности.

*«Требования писали не мы, а те, кто будет пользоваться инструментом каждый день. Это, наверное, самое правильное, что мы сделали»*, — отмечает руководитель направления прикладного использования ИИ в Атоме, Майя Азарова.

Новые правила игры: регуляция и безопасность

Запуск сервиса на базе искусственного интеллекта выявил специфические вызовы, с которыми не сталкиваются при разработке обычных программных продуктов. Часть регуляторных требований к ИИ-сервисам была разработана именно в момент прохождения проверки самим сервисом, а не до него.

Это дало важные уроки для будущих проектов: 1. Время на согласования: Необходимо закладывать не меньше времени на юридическую и техническую проверку, чем на саму разработку. 2. Проактивный подход: К команде безопасности и юристам нужно обращаться с идеями на начальном этапе, а не с готовым продуктом.

Масштабирование внутри компании

Изначальная аудитория — UX-исследователи — со временем расширилась. Необходимость в точных записях собеседований потребовала доработок для отделов рекрутинга и HR-менеджмента. Позже функционал адаптировали под обычные рабочие встречи, что сделало инструмент массовым.

Следующие улучшения планируются для отдела продаж и постпродажного обслуживания, учитывая их специфические форматы разговоров.

Ценность инструмента проявляется в нескольких аспектах: * Ускорение принятия решений: Исследователи быстрее анализируют данные, выявляя закономерности. * Преемственность: Точные записи минут и фиксации ответственных лиц сохраняют контекст, когда сотрудники меняют работу или уходят в отпуск. * База знаний: Транскрипты становятся основой для внутренней базы знаний, предотвращая потерю уникального опыта.

Человеческий фактор и сопротивление

Одним из ключевых выводов стало недооценивание человеческого фактора. Хотя энтузиазм сотрудников по отношению к новым технологиям был высок, реакция оказалась неоднородной, когда речь заходила о передаче рутинных задач на ИИ.

Опыт показал необходимость вовлечения специалистов из области, чья работа трансформируется, на самых ранних этапах разработки. Простое объявление о внедрении технологий вызывает сопротивление, тогда как совместный поиск решений, где ИИ убирает именно те моменты, которые давно раздражают сотрудника, — побуждает к сотрудничеству.

Портфолио инструментов и метрики эффективности

Компания отказалась от идеи набора разрозненных сервисов в пользу портфолио внутренних инструментов. Разрозненные решения без единой базы знаний неэффективны.

Сейчас начинается этап оценки экономической эффективности. Важная метрика — это доля обработанных файлов, которые реально дошли до глубокого анализа и повлияли на решения. Также ведется работа над тем, чтобы видеть цену каждого сценария использования отдельно, избегая ситуации, когда внутренняя «бесплатность» маскирует затраты на токены.

Разрабатываются методики определения, где применение ИИ экономит время, а где «гонять большую модель» ради краткого содержания (саммари) встречи нерационально. Проведены семинары по подбору оптимальных моделей под конкретные задачи.

Выводы

Путь от простого транскрибатора к стратегическому направлению показал, что требования должны формировать пользователи, а не алгоритмы. Прототип, востребованный рынком, требует обязательной поддержки и интеграции в процессы. Сопротивление сотрудников — сигнал к тому, чтобы пересмотреть подход к вовлечению экспертов.

Следующий шаг для команды — углубленное изучение метрик и поиск точек, где человеческий труд все еще остается наиболее эффективным инструментом.

*Иллюстрация: процесс расшифровки аудиозаписи превращается в структурированный отчет для аналитики.*