Внедрение ИИ в бизнес: с чего начать и когда пора

Когда внедрение ИИ в бизнес окупается, а когда рано

ИИ окупается там, где одно и то же действие повторяется много раз, и его результат можно проверить машинально. Обработка заявок, разбор документов, первая линия поддержки, сверка данных между системами. Чем однообразнее работа и чем чаще она случается, тем быстрее считается эффект.

У каждой из этих задач своя экономика: разбор документов окупается не так, как первая линия поддержки, и порог объёма у них разный. Да и не всякую работу вообще стоит отдавать нейросети — иногда честнее оставить процесс как есть.

Тут есть любопытный парадокс. Попробовать ИИ успели почти все, а вот подойти к нему системно — единицы. Смотрите сами: генеративный ИИ хотя бы в одной функции используют 71 % крупных российских компаний. А внятная стратегия развития ИИ есть лишь у 26 % из тех, кто уже выделил на него бюджет, — это данные MTS Web Services по опросу более 700 организаций. Для сравнения: по облачным технологиям стратегию имеют 44 %. Инструмент в руках уже есть, а плана, что с ним делать, чаще всего нет.

Цена ошибки заслуживает отдельной оговорки, и она же первый признак, что рано. Если решение машины ведёт к судебному иску или потере лицензии, сначала нужен человек в контуре, а уже потом разговор про автоматизацию. Там, где ошибку видно сразу и стоит она недорого, порог входа совсем другой: пилот можно ставить на живой процесс и смотреть, что получится.

Остальные признаки собраны рядом — по ним готовность видно за десять минут.

Что считать отсутствием данных

Договориться об этом стоит заранее, потому что спорят обычно именно об этом. Случаев три, и решения у них разные:

• данных нет — процесс нельзя выгрузить: он живёт в головах сотрудников и в переписке, которую никто не собирал. Только здесь проект откладывают целиком;
• данных мало — выгрузка есть, но короткая. Начинают с готовой модели и промптов, собственную настройку откладывают;
• процесс не нужен — автоматизировать хотят то, что стоило бы отменить. Иногда самый честный результат разбора звучит как «этот отчёт никто не читает уже год». Так тоже бывает, и это дешевле любого внедрения.

С чего начать: один процесс, а не стратегия

С чего же начать на практике? Тут работает одно простое правило, которое экономит кучу денег и нервов. Порядок важнее выбора инструмента: сначала один процесс, который болит и измеряется, и только потом стратегия. Она пишется, когда есть работающий контур и понятно, сколько он стоил и что принёс.

Соблазн обратный. Треть организаций (33 % по тому же опросу MTS Web Services) намерены сначала разработать стратегию ИИ. Логика понятная: крупная тема, хочется рамки. Проблема в том, что стратегия, написанная до первого внедрения, опирается на предположения о сроках, стоимости и качестве данных. Все три предположения обычно неверны, и выясняется это на первом же проекте.

Наш процесс устроен наоборот. Сначала бесплатный разбор, созвон на 15–30 минут, где мы смотрим процессы и данные. Потом пилот на одном процессе: маленькая рабочая версия, которая крутится на настоящих данных заказчика. Стоимость пилота засчитывается в цену дальнейшей разработки, поэтому решение «идём дальше или нет» принимается по факту, а не по презентации. Дальше — разработка полного функционала и ежемесячная поддержка: модель дообучают на новых данных, иначе она деградирует вместе с процессом.

Выбирая первый процесс, полезно смотреть не на масштаб, а на частоту. Внедрение ИИ в бизнес-процессы почти всегда выгоднее начинать с самого скучного участка: там, где сотрудник делает механическую работу и где результат сравним с эталоном.

Первый процесс лучше брать внутренний. Ошибка в разборе входящих заявок видна вам. Ошибка в ответе клиенту видна клиенту.

Что должно быть готово до старта

Хорошо, вы решились начать. Что нужно иметь на руках? На удивление немного — всего две вещи: данные в машиночитаемом виде и человек, отвечающий за результат. Всё остальное — оборудование, модели, интеграции — спокойно решается по ходу.

Данные не обязаны быть идеальными. Они обязаны существовать в виде, который можно выгрузить. Экспорт заявок из CRM за полгода лучше, чем красивая аналитика в дашборде, к которой нет доступа.

Последняя строка — самая частая причина, по которой проекты буксуют. Когда за результат никто не отвечает персонально, обсуждение уходит в бесконечное согласование, а модель тем временем устаревает.

Готовность инфраструктуры волнует заказчиков сильнее, чем стоило бы. Вопрос, нужны ли нам свои серверы, на старте почти всегда решается ответом «нет»: пилот крутится там, где дешевле, а переезд в свой контур делается потом, если данные того требуют. Обратный порядок (сначала закупить оборудование, потом искать задачу) встречается часто и стоит дорого.

Чего действительно не хватает чаще всего, так это доступа. Выгрузку обещают за неделю, а получают через полтора месяца, потому что данные лежат в системе, которую поддерживает подрядчик, ушедший два года назад. Планируя внедрение ИИ в бизнес, этот срок стоит закладывать заранее и запрашивать доступ в первый день, а не когда дойдёт очередь.

Разметку пропускают чаще всего: она выглядит лишней работой. Без неё нельзя ответить, стало ли лучше: сравнивать не с чем, и спор о результате превращается в спор о том, как его мерить.

Как понять, что пилот удался

Пилот удался, если вы можете назвать одно число до и одно после. Всё остальное — впечатления, а по впечатлениям решение о бюджете не принимают.

Число выбирается до старта и записывается одной строкой. Время обработки заявки. Доля документов, разобранных без человека. Количество обращений, закрытых первой линией. Важно, чтобы его умели считать сегодня, до всякого ИИ: иначе сравнивать будет не с чем, и спор о результате превратится в спор о методике измерения.

Допустимую долю ошибок фиксируют там же, до старта. У людей она тоже не нулевая, и это полезно вспомнить. Если оператор ошибается в трёх процентах случаев, а модель — в двух, разговор о том, что машина иногда ошибается, закрыт цифрами. Без такого замера обсуждение уходит в анекдоты: кто-то видел, как модель ошиблась, и этого достаточно, чтобы проект остановили.

Стоимость эксплуатации считают не только по запросам к модели, но и по времени людей, которые проверяют её работу первые недели. Обычно на проверку уходит заметная часть экономии, и это нормально: она снижается по мере того, как растёт доверие к решению.

Проверьте напоследок, что решением вообще пользуются. Бывает, что метрики хорошие, а сотрудники продолжают делать по-старому, потому что интерфейс неудобен или ответ приходит слишком медленно. Такой пилот формально успешен и фактически мёртв.

От чего считать окупаемость

А теперь про деньги: от чего вообще считать выгоду? Правильный ответ — от сокращения затрат, а не от роста выручки. И цифры это подтверждают: в российских компаниях 90 % финансового эффекта от ИИ даёт именно снижение издержек — это данные того же исследования «Яков и Партнёры» и Яндекса. Сам эффект при этом получают уже 78 % компаний, на 10 пунктов больше, чем в 2023 году. ИИ потихоньку перестаёт быть экспериментом и становится рабочим инструментом экономии.

Первым поэтому берут процесс, где легко посчитать сэкономленные часы, а не тот, где ожидается рост продаж. Рост продаж зависит от десятка факторов, и вклад ИИ в него не вычленить.

Только не ждите чудес. Масштаб эффекта сильно зависит от отрасли: в передовых вклад ИИ в EBITDA доходит до 8 %, но в среднем по миру картина скромнее. По данным McKinsey, ИИ хотя бы в одной функции используют 88 % организаций, а вот заметное влияние на прибыль видят лишь 39 %, и у большинства оно и вовсе ниже 5 %. Разрыв огромный, и он как раз про то, что технологию берут, а пользоваться ею толком не научились.

Держите эти цифры в голове, когда подрядчик обещает вам удвоение показателей. Внедрение ИИ для бизнеса — это обычно проценты, а не разы. Разы случаются там, где до этого не было автоматизации вообще.

По срокам ориентир такой: пилот измеряется неделями, а разработка ИИ-агентов целиком укладывается в два-три месяца: 4–6 недель на пилот и ещё месяц-два на сборку. Если подрядчик называет полгода до первого работающего контура, скорее всего, он собирается сначала построить платформу, а потом решать задачу.

Почему пилоты не доезжают до продакшена

Почему же красивое демо так часто не доживает до реальной работы? Причин всего три, и все они обидно приземлённые: данные оказались другими, критерий успеха не записали, решение некому было принять внутри компании. Обратите внимание — модель в этом списке даже не значится. Исследование MIT в рамках проекта NANDA разобрало корпоративные внедрения генеративного ИИ и обнаружило, что 95 % пилотов не дают измеримого возврата, при том что речь идёт о вложениях в 30–40 млрд долларов. Авторы отчёта отдельно оговариваются: разрыв определяет не качество моделей и не регулирование, а подход.

Оговорку обычно теряют при пересказе, и цифра начинает звучать как приговор технологии. Это неверное прочтение.

Отчёт говорит, что технология работает, а внедряют её неправильно.

Разрыв говорит о простом. Инструмент берут раньше, чем решают, зачем он.

Прогноз Gartner про агентные системы устроен так же: более 40 % проектов агентного ИИ будут отменены или приостановлены к концу 2027 года. Причины названы прямо: растущие расходы, неясная бизнес-ценность, слабый контроль рисков. Опрошено более 3400 организаций.

Тут, кстати, легко запутаться в словах, а путаница стоит денег: ИИ-агент — это уже не тот чат-бот, что просто отвечает на вопросы, и берут его далеко не всегда оправданно. Да и цена такого агента гуляет от десятков тысяч до миллионов — смотря какая задача и сколько систем он трогает.

Что останавливает проекты на практике.

Пилот делали на выдуманных данных

Демо собрали на примерах, которые подготовил подрядчик. На настоящих данных качество падает, потому что настоящие данные грязные, неполные и в трёх разных форматах. Лечится единственным способом: пилот сразу крутится на выгрузке заказчика, даже если она некрасивая.

Не договорились, что считать успехом

Проект закончился, все довольны, но никто не может сказать, стало ли лучше. Критерий надо записать до старта и одной строкой: «время обработки заявки падает с сорока минут до десяти». Не «повысить эффективность».

Некому передать

Пилот работал у подрядчика, в компании его никто не подхватил. Через месяц процесс изменился, модель перестала попадать, и решение тихо перестали открывать. Поэтому поддержка — не допродажа, а часть работы: без дообучения на новых данных решение живёт примерно квартал.

Эту формулировку мы вынесли на сайт: «ИИ пробовали, но дальше демо и презентаций дело не пошло». Она там, потому что мы слышим её постоянно.

Своими силами или с подрядчиком

Большинство компаний не строят ИИ сами. По данным «Якова и Партнёров» и Яндекса, примерно три четверти берут готовые решения внешних партнёров и столько же донастраивают готовые модели, не меняя их принципиально. Собственная разработка с нуля — редкость, и обычно она оправдана там, где модель и есть продукт.

Своя команда окупается, когда ИИ становится частью того, что вы продаёте: рекомендации внутри сервиса, скоринг, генерация контента для пользователей. Тогда качество модели — это конкурентное преимущество, и отдавать его наружу странно.

Подрядчик уместнее, когда ИИ работает внутри процессов: автоматизация процессов, агенты, помощник для поддержки. Задачи типовые, и платить за формирование своей команды ради них дорого. Внедрение AI в бизнес в таком виде занимает недели, а найм ML-инженера — месяцы.

Скажем прямо, когда подрядчик не нужен. Если задача решается готовым сервисом с подпиской и ваш процесс не требует интеграции с внутренними системами, берите сервис. Мы в таких случаях так и говорим на разборе, и это честнее, чем продать проект, который не окупится.

Если ИИ нужен для одного отчёта раз в месяц, дешевле оставить как есть. Автоматизация редких процессов почти никогда не окупается: экономия часов слишком мала, а поддержка стоит одинаково.

Смешанный вариант встречается чаще двух крайних. Подрядчик собирает первый контур и передаёт его вместе с документацией, а дальше компания развивает решение сама и зовёт его только под новые задачи. Так знание остаётся внутри, а платить за постоянную команду не приходится.

Малому бизнесу тут сложнее всех. По данным НИУ ВШЭ, 66,3 % инноваций на базе ИИ приходится на крупные организации, и лишь 1,2 % — на малые предприятия. Дело не в технологиях, а в том, что у малой компании реже находится процесс с нужной частотой повторений.

Что дальше

Если у вас есть процесс, который отнимает время и повторяется каждый день, приходите на бесплатный разбор — это созвон на 15–30 минут. Мы смотрим сам процесс и данные по нему и говорим прямо: здесь ИИ даст результат за столько-то недель, а вот здесь он избыточен и дешевле оставить как есть. Никакой презентации готовить не нужно, достаточно показать задачу.