Автоматизация бизнеса с помощью ИИ: что отдавать, а что не стоит

Почему вопрос «внедрять или нет» поставлен неверно

Самое убедительное наблюдение получилось случайно. Крупная торговая площадка внедряла ИИ в разные части своей работы и честно замеряла результат: покупателей делили на две группы, одной показывали работу ИИ, другой нет, и сравнивали продажи. Так проверили 7 процессов.

Результат на продажи дали 4 из 7. Разброс получился от «статистически не обнаружено» до плюс 16,3 %.

Одна компания. Одна платформа. Один период. Разные участки.

Вот почему это важно. Зрелость компании, бюджет и готовность команды у всех 7 процессов были одинаковые: это одна и та же компания в одно и то же время. Значит, разницу в результате дали сами участки, а не обстоятельства вокруг них.

Второе наблюдение. В исследовании 2025 года 5172 оператора поддержки получили ИИ-помощника. В среднем число решённых обращений в час выросло примерно на 15 %. Но средняя цифра прячет главное: новички стали работать и быстрее, и лучше, а у самых опытных скорость почти не изменилась, зато качество слегка просело.

Отсюда первый практический вывод, который экономит деньги ещё до старта.

Начинать не стоит с того участка, где работает ваш самый сильный сотрудник.

Это не значит, что такой участок нельзя автоматизировать. Это значит, что он плохо подходит на роль первого. Причина простая: сильный сотрудник и так работает близко к потолку, улучшать там почти нечего, и прирост получится самым маленьким из возможных. Риск при этом остаётся, его видно в замере выше. А первый проект нужен ровно для обратного: показать понятный результат и научиться на нём.

Дальше признаки по порядку.

4 признака участка, который стоит отдать

Все четыре проверяются до того, как потрачен первый рубль. Ни один не требует разбираться в технологиях.

• Повторяемость и объём. Эффект виден на потоке, а не на штучной работе. Проверка простая: посчитайте, сколько раз в неделю эта задача повторяется. Точного порога нет, но чем реже повторение, тем большую долю в стоимости занимают настройка и сопровождение. Автоматизация рутины работает именно за счёт повторений.
• Стабильность входа. Данные приходят в одном виде или каждый раз по-разному. Проверка: возьмите 20 последних случаев и посмотрите, насколько они похожи друг на друга. Если это 20 разных форматов, участок трудный.
• Проверяемость результата. Понятно ли за минуту, сделано правильно или нет. Если для проверки нужно отдельное разбирательство, участок трудный.
• Цена ошибки и кто её несёт. Ошибка внутри компании и ошибка, которая уходит клиенту или в подписанный документ, это разные участки с разными требованиями.

Есть и пятый признак, менее очевидный. В том же исследовании поддержки нашли, где именно возникает наибольшая польза: на умеренно редких задачах. Не на самых частых, где человек и так всё помнит, и не на уникальных, где примеров нет ни у кого. На тех, что встречаются достаточно редко, чтобы сотрудник не держал их в голове, и достаточно часто, чтобы по ним накопились примеры.

Это хорошая подсказка для выбора первого участка: ищите работу, из-за которой люди лезут в инструкцию.

4 признака участка, который отдавать не стоит

Этот раздел важнее предыдущего, и вот почему. Список «что можно автоматизировать» легко найти у любого поставщика. Список «где не получится» не пишет почти никто, а именно он экономит бюджет.

Задачу уже хорошо делает сильный специалист

Это продолжение вывода из начала статьи, и у него есть замер. 16 опытных разработчиков выполняли 246 реальных задач в проектах, над которыми работали в среднем по 5 лет. Доступ к ИИ увеличил время выполнения на 19 %, то есть они стали работать медленнее.

Выборка маленькая, и замер датирован июлем 2025 года, более свежего на эту тему нет. Но самое интересное не в цифре. До начала участники ожидали, что ускорятся на 24 %, а после эксперимента были уверены, что ускорились на 20 %. На деле они замедлились. Ощущение и замер разошлись почти на 40 пунктов.

Вывод отсюда не «ИИ не работает», а «на сильном участке на ощущения полагаться нельзя». Нужен замер.

Вход каждый раз разный

Исследование сентября 2026 года прогнало одни и те же документы через одну и ту же модель, меняя только одно: качество распознавания текста. Доля полностью верно разобранных документов упала с 0,87 до 0,49, то есть почти вдвое.

На другом наборе документов видно, что именно ломается. Поля система по-прежнему находит почти всегда, а вот значения в них читает неверно. Это опаснее явной ошибки: документ выглядит разобранным, а данные в нём неправильные. Как этот участок устроен изнутри, разобрано в статье про автоматизацию обработки документов.

Это и есть случай, когда на показе всё работало, а на вашей почте и ваших сканах перестало.

Проверка результата это отдельная работа

У проверки есть измеримый объём. В опросе специалистов морской отрасли 55 % сказали, что тратят не меньше часа в неделю на проверку и исправление результатов ИИ, а почти каждый пятый тратит 5 часов и больше.

Выборка там всего 60 человек, так что это ориентир, а не закон. Но направление понятное: проверка это отдельная работа, и её кто-то делает. Если на участке проверять дольше, чем сделать самому, экономии не будет.

Процесс держится на устных договорённостях

В опросе Хабра и Cloud.ru, где участвовали 173 человека, выяснилось, что все свои процессы формализовали 9 % компаний, а почти каждый пятый работает на устных договорённостях. Там же 32 % отметили, что описывать процессы мало кто готов.

Автоматизировать неописанный процесс нечем: нет предмета. Машине нужно объяснить, что делать, а объяснить можно только то, что кто-то сформулировал.

Последний признак стоит читать не как приговор, а как очередь работ: сначала описать, потом автоматизировать.

Отдельный вопрос: а нужен ли здесь ИИ

Про это почти не пишут, хотя задать его стоит первым. Не всякая автоматизация требует ИИ, и часто обычная программа справляется лучше.

Есть работа, где оба подхода замерили на одних и тех же задачах. Сравнивали обычный программный код, в котором порядок действий задан заранее, и ИИ, который решает, что делать, на каждом шаге.

Результат получился зеркальный.

Что показал замер

Там, где процесс предсказуем, обычная программа выигрывает по всем статьям. Точность у неё такая же, но результат повторяется всегда, а у ИИ совпадает в 95 % случаев. Отвечает она за 4,5 миллисекунды против 2 секунд у ИИ. То есть ИИ здесь ничего не улучшает, зато добавляет задержку и непредсказуемость.

Там, где вход неструктурированный, всё наоборот. На извлечении данных из счетов разбор по шаблонам справился с 20 % документов, а решение с ИИ с 80 %.

Три режима, между которыми стоит выбирать

Граница проходит по структурированности входа, а не по современности технологии. Из этого следуют три режима, и выбирать надо между ними, а не между «внедрять» и «не внедрять»:

Третий режим, полноценный ИИ-агент, нужен реже, чем о нём говорят. Смешанный режим выглядит скучнее двух остальных, и зря. Авторы исследования рекомендуют именно его для процессов, которые, по их словам, в продакшене встречаются почти всегда: основной ход работы задан кодом, а ИИ вызывается там, где надо распознать документ, разобрать свободный текст письма или классифицировать обращение.

Какой из трёх режимов подойдёт вашему процессу, видно по тому же признаку, с которого начинался разбор: насколько одинаково приходят данные на вход. Как устроено внедрение ИИ в существующие системы, мы разбираем на отдельной странице.

Сколько времени на самом деле экономится

Экономия от автоматизации процессов с помощью ИИ реальна, и она измерена. Вопрос в том, сколько от неё доходит до результата.

В исследовании участвовали 3200 сотрудников компаний с выручкой от 100 млн долларов, и все они активно пользуются ИИ. Сэкономленное время есть: 85 % сообщили, что экономят от 1 до 7 часов в неделю. Но почти 40 % сэкономленного возвращается обратно на переделку. А ясный положительный чистый результат стабильно получают 14 %.

Две оговорки, без которых эти числа читать нельзя. Первая: это самоотчёт, люди оценивали себя сами, а выше мы видели, насколько самооценка расходится с замером. Вторая: поле проводилось в ноябре 2025 года, и более свежего исследования на эту тему пока нет.

Любопытное дополнение дают поведенческие данные, где вместо опроса смотрели, что реально происходит на рабочих компьютерах: 443 млн часов активности, больше 1000 организаций. После начала использования ИИ время выросло во всех категориях приложений. Сильнее всего в чатах и почте.

Объяснение простое и не обидное. ИИ ускоряет создание черновика, но не ускоряет согласование этого черновика с людьми. Текст готов за минуту, а дальше его всё так же читают, правят и утверждают.

Отсюда практический вывод для замера: считать надо не сэкономленные часы, а чистый результат после проверки. В отдельном опросе руководителей у того же сервиса 50 % сказали, что эффект ИИ не измеряют вообще. Это делает спор «работает или нет» беспредметным в обе стороны.

Почему одни говорят «уже все внедрили», а другие не видят ничего

Вы наверняка слышали, что ИИ внедрили уже все. При этом вокруг полно компаний, где ничего не внедрено. Оба утверждения верные, просто они про разные выборки. Обе цифры ниже российские, так что они про ваш рынок.

Опросы крупного бизнеса дают высокие доли. В исследовании 52 компаний из топ-500 по выручке 86 % используют или пилотируют большие языковые модели, а 53 % вывели решения в промышленную эксплуатацию.

Сплошное обследование крупных и средних организаций, проведённое в 2025 году и опубликованное в марте 2026, даёт другую картину: ИИ применяют 4,8 %.

Противоречия между цифрами нет. В первом случае опросили 52 компании из самой верхушки рынка, во втором обследовали подряд все крупные и средние организации. Когда вам говорят «уже все внедрили», речь идёт о первой выборке, а ваша компания, скорее всего, во второй.

Внутри этого числа есть разбивка, которая важнее всего остального. У организаций с 501 работником и больше ИИ применяют 14,9 %. У организаций со 100 работниками и меньше это 4,1 %. Разрыв в 3,6 раза.

Практический смысл такой. Если вы небольшая компания и вам кажется, что вы отстали, отстали вы не от рынка, а от его верхушки. Это разные вещи, и догонять их надо по-разному.

Где проекты останавливаются, тоже измерено. В опросе российских специалистов 41 % сказали, что проекты не доходят до пилота, а 16 % сказали, что проекты останавливаются уже в эксплуатации, после внедрения.

И первая причина остановки не техническая. «Неясно, что автоматизировать», 28 %, первое место с отрывом. Дальше идут сложность интеграции 19 % и подготовка данных 18 %.

То есть больше всего проектов умирает ровно на том вопросе, которому посвящена эта статья.

Ещё одно число пригодится при планировании: 43 % отметили, что удачный кейс трудно перенести в соседнюю функцию. Решение, которое заработало в поддержке, не переезжает в финансы само.

С чего начать

Если из всей статьи оставить одно действие, то вот оно.

Возьмите один участок работы и проверьте его по 4 признакам: как часто повторяется, насколько одинаково приходят данные, можно ли быстро проверить результат, кто отвечает за ошибку.

Дальше 3 вещи, которые стоит записать до начала работ:

• Одно число, которое вы умеете считать уже сегодня. Обращений в час, документов в день, минут на заявку. Если считать его вы научитесь только вместе с внедрением, сравнивать будет не с чем.
• 20 последних случаев с этого участка. Настоящих, с опечатками и неудобными исключениями, а не отобранных.
• Имя человека, который принимает результат. Не отдел и не комитет.

Это занимает от нескольких дней до пары недель и отвечает на вопрос, который иначе выяснится через полгода. Что происходит после того, как участок выбран, разобрано в статье про внедрение ИИ в бизнес: порядок работ, пилот и как понять, что он удался.