AI автоматизация на бизнеса: защо пилотите се провалят

SIPOC матрицата, трите .md файла и човешкият контрол показват защо AI пилотите се провалят в реалните бизнес операции.

Според Никола Тотухов, основател на компанията за AI трансформация Invisio, платените акаунти за AI сами по себе си не решават бизнес проблеми без точни параметри и структурирана информация. Разговорът му с Георги Малчев в подкаста Xplore Marketing (епизод 253), публикуван на 29 октомври 2026 г., тръгва точно оттук.

Темата е проста на пръв поглед и коварна на практика: какво наистина трябва да се случи в бизнеса, преди технологията да донесе резултат, а не само демонстрация? Отговорът, който дава Тотухов, е почти обратен на очакванията — автоматизацията започва не с инструмента, а с процеса.

Какво всъщност означава “AI-ready” за един бизнес?

Най-честият проблем, който Тотухов и екипът му срещат при средни и големи компании, е изненадващо прост: “Искаме AI, но не знаем какво да оптимизираме.” Платен абонамент за езиков модел не решава нищо, ако компанията няма точни параметри и структурирана информация за собствените си процеси.

Преди всякакъв разговор за автоматизация идва въпросът за данните. Без точна и подредена информация няма добра автоматизация — има само по-бързо произвеждане на грешки. Това важи и за фирми, които вече плащат за абонаментен модел на AI инструменти, без да са подготвили процесите си зад тях.

Трансформацията, казва Тотухов, тръгва от управлението и процесите, не от самите инструменти. Купуването на технология без ясна цел и структура е просто извинение за липса на управленска яснота, а не стратегия.

SIPOC матрицата: как AI разбира бизнес процеса?

За да стане един процес разбираем за езиков модел, Invisio използва SIPOC матрица — съкращение от Supplier (доставчик), Input (вход), Process (стъпки), Output (резултат) и Customer (потребител). Разписвайки процеса по тези пет елемента, екипът превръща мъгляво бизнес описание в нещо, което AI системата реално може да изпълни.

Компанията работи и с матрица за оценка на сложност, която измерва броя стъпки и входни канали в процеса. Тя помага да се отдели кое може да свърши вътрешният екип сам и кое изисква външна разработка. Автоматизацията на бизнеса няма добро извинение да остане само идея на хартия.

Кога процесът е готов за автоматизация, а кога не?

Ключовият урок: AI системите не бива да влизат директно в реална бизнес среда. Първо идва прототип. Той показва дали процесът наистина върви от вход към изход по предвидим начин, или крие изключения, които никой не е записал на хартия.

Какво показва урокът от 120 000 съобщения месечно?

Най-конкретният пример в разговора е автоматизацията на клиентското обслужване за над 120 000 съобщения месечно в Amazon — мащаб, при който дори малък процент грешки се превръща в сериозен проблем. Тотухов подчертава, че 100% автономност крие рискове: грешка, която изглежда дребна в тест, може да стане скъпа в реална операция с хиляди клиенти.

Именно прототипът на реален обем разкрива скритите бизнес изключения — ситуациите, за които никой във фирмата не се е сетил да спомене, защото “никога не се случват”. На практика те се случват достатъчно често, за да струват пари, ако не са предвидени.

Трите .md файла, които дават на AI правилния контекст

За да работят с AI системи по структуриран начин, екипите на Invisio и Тотухов използват три отделни .md (Markdown) файла за всеки проект. Единият описва контекста на задачата, вторият — стила и поведението, което се очаква от модела, а третият съдържа конкретни примери за добър и лош резултат.

Именно референтният файл с добър и лош пример подобрява резултата най-осезаемо — моделът вижда не само какво трябва да направи, но и какво да избягва. Разликата между Global Instructions (настройки на цялата работна среда) и Project Instructions (специфични за конкретна задача) пести и време: промпт от 200 думи се свива до едно изречение, а това пести и токени, и пари.

MCP или директен API — кога удобството отстъпва пред сигурността?

Model Context Protocol (MCP) е протокол, който позволява на AI модела да се свързва директно с инструменти като Meta Ads, Google Ads или Semrush. Удобството е очевидно, но Тотухов посочва и цената му: MCP инструментите допускат между 8% и 12% грешки при работа с по-големи масиви от данни.

За задачи, където сигурността и точността са критични, по-надеждният път остава програмният код и директните API заявки — по-бавен за изграждане, но предвидим. Изборът между MCP и API на практика е избор между скорост на внедряване и контрол над риска.

Защо 83,8% автономност е по-добра от 100%?

Устойчивата автоматизация, според Тотухов, не цели пълна самостоятелност на AI системата. В конкретния пример с клиентското обслужване реалната автоматизация достига 83,8% автономност — числото, което екипът на Invisio смята за здравословен диапазон от 80 до 85%. Останалите случаи, по-сложните и по-рисковите, минават през човек.

Този принцип “human in the loop” работи като застраховка, не като спирачка. Малкият бизнес, който иска да изгради собствени AI системи, трябва да инвестира в развитие на таланта в екипа си, за да може да разпознава точно тези рискови случаи, преди да се превърнат в скъпа грешка.

Тотухов говори и за “harness” — рамка, която обединява базата от знания на компанията, контекста на задачата и връзката с различните модели. Добре изграден harness намалява зависимостта от най-новия и най-скъпия frontier модел, защото системата компенсира с добра структура там, където самият модел не е най-мощният на пазара.

В разговора се споменава и изследване на MIT за спад в мозъчната активност при хора, които копират резултати от AI безкритично — форма на “алгоритмична леност”. Противодействието е критично мислене при работа с модела: неутрални въпроси вместо насочващи, вътрешен дебат на самия модел преди краен отговор и проверка на фактите през поне два независими източника.

Какво може да научи малкият бизнес от тази AI трансформация?

Изводът от разговора между Тотухов и Малчев не е технически, а управленски. AI автоматизация работи, когато процесът е описан точно, рисковите случаи остават под човешки контрол, а инструментът се избира според задачата, не според модата.

За собственик на малка или средна фирма това означава три конкретни стъпки: първо, подредете процеса в проста логика от вход към изход, преди да търсите технологично решение. Второ, тествайте с прототип на реален обем, преди да разчитате изцяло на автоматизация. Трето, оставете човек на критичните точки — не защото AI не работи, а защото цената на грешката там е твърде висока, за да се остави на случайността.

AI автоматизация работи, когато процесът е описан точно, рисковите случаи остават под човешки контрол, а инструментът се избира според задачата, не според модата.

Този принцип “human in the loop” работи като застраховка, не като спирачка.

▶

Източници

• Как бизнесът внедрява AI? | Никола Тотухов – Епизод 253, Xplore Marketing Podcast (Xplora BG) — Епизод с Никола Тотухов (основател на Invisio) и водещ Георги Малчев, публикуван на 29.10.2026