17 ноября в МВЦ «Крокус Экспо» открылась CleanExpo Moscow 2026 — международная выставка оборудования и средств для профессиональной уборки, санитарии, гигиены, химической чистки и стирки. Она продлится до 19 ноября. Утром в программе Академии CleanExpo я выступил с темой «ИИ в клининге: масштабирование без увеличения штата, реальные кейсы внедрения автоматизации».
Когда говорят об искусственном интеллекте в клининге, обычно представляют машину, которая самостоятельно моет пол. Но есть ещё одна часть работы: принять заявку, уточнить площадь объекта, подготовить расчёт, согласовать выезд, собрать отчёт. Именно здесь программные ИИ-агенты могут стать полезными уже сегодня.
Мировой рынок уже голосует за автоматизацию
По данным Международной федерации робототехники (IFR), в 2024 году продажи профессиональных уборочных роботов, учтённые в её исследовании, превысили 25 тысяч единиц — на 34% больше, чем годом ранее. Основное применение — уборка полов. В опубликованном в сентябре 2026 года обзоре IFR профессиональная уборка вновь занимает третье место среди направлений сервисной робототехники. Общие поставки профессиональных сервисных роботов в 2025 году приблизились к 250 тысячам, увеличившись на 24%. Последние две цифры относятся ко всему сегменту профессиональных сервисных роботов, а не только к клинингу.
Масштаб виден и на уровне производителей. Tennant сообщает примерно о 13 тысячах своих автономных машин в составе глобального парка решений на платформе BrainOS. Это данные самой компании, а не независимая оценка эффективности. Но они показывают, что автономная уборка давно вышла за пределы выставочного прототипа.
Российская повестка тоже становится предметной: организаторы CleanExpo Moscow анонсировали на выставке свыше 40 моделей роботов-уборщиков от более чем 20 компаний. На таком фоне следующий вопрос закономерен: если автоматизируется движение машины по объекту, почему обработка заявки на этот объект всё ещё должна зависеть от того, когда освободится менеджер?
Пять задач для ИИ без покупки робота
Программный агент — это система, которая по заданным правилам работает с информацией и выполняет разрешённые действия в подключённых сервисах. Её результатом может быть заполненная карточка заявки, черновик предложения или задача диспетчеру. Для этого нужны интеграции, актуальные данные и понятные границы полномочий.
Первый сценарий — приём заявок. Агент уточняет тип помещения, площадь, периодичность уборки и особые требования, собирает ответы в карточку и передаёт менеджеру. Нестандартный запрос должен попадать к человеку, а не получать придуманную цену.
Второй — подготовка коммерческих предложений. На основе утверждённых тарифов и правил расчёта система собирает черновик с перечнем работ и исключениями. Сложные объекты, скидки и итоговую стоимость проверяет ответственный сотрудник. Практическая ценность — меньше повторного ввода данных и забытых условий.
Третий — помощь диспетчеру. Агент сводит сообщения об опозданиях, заменах и дополнительных работах, выделяет срочные обращения и создаёт задачи. Руководитель получает список исключений, требующих решения, вместо необходимости перечитывать все рабочие чаты.
Четвёртый — обучение сотрудников. Помощник ищет ответы в утверждённых инструкциях компании, объясняет последовательность действий и помогает проверить знание регламента. Рекомендации по химии и безопасности должны опираться на инструкции производителя и технолога: свободная импровизация модели здесь недопустима.
Пятый — отчётность и обратная связь. Агент собирает сведения о выполненных работах, группирует жалобы, напоминает о незакрытых обращениях и готовит сводку по объекту. При этом фотография чистого пола сама по себе не доказывает соблюдение всех требований к уборке — контроль качества остаётся отдельной процедурой.
Считать нужно время и ошибки
Мой подход — начинать с одной повторяемой задачи и сравнивать результат до и после внедрения. Например, измерить время первого ответа, время подготовки предложения, число потерянных обращений и долю черновиков, которые приходится переделывать. В расчёт эффекта нужно включать стоимость интеграций, сопровождения и проверки человеком.
Простой условный пример: при 100 заявках в месяц сокращение обработки каждой на 12 минут высвобождает 20 часов. Это арифметика для оценки пилота, а не обещание результата и не клиентский кейс. Если проверка ответов агента съедает те же 20 часов, экономии нет.
Название моего выступления — о масштабировании без увеличения штата — прежде всего относится к административной нагрузке. ИИ не отменяет потребность в людях на объектах и не гарантирует рост бизнеса прежним составом. Он может помочь команде обслуживать больше обращений без пропорционального роста ручной работы.
Для клининга ближайшая возможность — связать заявки, документы и работу на объекте так, чтобы информация не терялась между ними. Начать можно с одного процесса. А решение о расширении принимать по измеренному результату.
Сергей Семёнов, основатель и генеральный директор RECOMO AI

