ИИ в бизнесе

Когда ИИ нужен бизнесу, а когда только мешает

12 сентября 20266 минКонстантин Акаёмов

Купить ИИ сегодня можно за 990 ₽ в месяц. Довести его до работы удаётся единицам. Дело почти никогда не в технологии — дело в том, что задачу выбрали неправильно. Ниже цифры, по которым видно, где ИИ окупается, где он бесполезен и как проверить свою задачу до того, как платить подрядчику.

С чего начинается разочарование

Крупные компании с ИТ-отделом, бюджетом и людьми внедряют ИИ второй год подряд. Вот что у них получается на самом деле.

Чем самостоятельнее система, тем шире пропасть между «попробовали» и «работает». У простых ассистентов до работы доходит больше половины пилотов. У автономных агентов — каждый третий из тех, кто вообще начал.

Деньги при этом приходят ещё реже. По глобальному опросу McKinsey, ИИ хотя бы в одном направлении регулярно используют 89% компаний, но заметное влияние на прибыль отмечают 37%, а рост EBIT на 5% и больше — 6%.

И самое неожиданное. Когда у 86 компаний малого и среднего бизнеса спросили, что мешает начать, бюджет главным барьером не назвал никто. Назвали другое: непонятно, какой процесс автоматизировать первым и кто за него отвечает.

Источники: McKinsey, State of AI 2026; SpeShu.AI, июнь 2026, глубинные интервью с 86 компаниями МСБ.

Проваливается не искусственный интеллект. Проваливается выбор задачи.

Четыре признака задачи, где ИИ окупается

Если задача отвечает всем четырём условиям, шансы высокие. Если проваливается хотя бы одно — это повод остановиться и подумать ещё раз.

• Повторяется десятки раз в неделю. Автоматизация окупается объёмом. То, что случается трижды в месяц, дешевле делать руками.
• Под неё есть машинные данные. Звонки, расходы рекламных кабинетов, время ответа на заявку — всё, что пишет система, а не человек по памяти.
• Ошибка дёшева и обратима. Неудачный черновик письма переписывают. Отправленный не тому клиенту договор — уже нет.
• Результат считается в деньгах. Не «стало современнее», а «стоимость визита упала с 1 250 до 1 080 ₽».

Данные решают больше, чем модель

Выбор модели волнует подрядчиков. Результат определяют данные. Полезно заранее понимать, какому числу можно верить, а какому нет.

Показательный разрыв: мониторинг в том или ином виде используют почти 80% российских компаний, а ИИ для поиска аномалий в этих же данных — 16%. Данные собраны, но никто не смотрит, что в них изменилось.

Источник: Nexign, 2026.

Пять ситуаций, где ИИ только мешает

1. Процесс не описан

Если два менеджера обрабатывают заявку по-разному и оба считают себя правыми, автоматизировать нечего. Получится быстрый хаос вместо медленного, зато за деньги.

2. Данные живут в таблицах и в голове

Модель не создаёт факты. Она обрабатывает те, что есть. Когда половина цифр появляется в конце месяца по памяти сотрудника, любой прогноз будет уверенным и неверным.

3. Цена ошибки высокая и необратимая

Деньги, договоры, медицина, сроки по закону. Здесь ИИ уместен как помощник, который готовит решение, но не как тот, кто его принимает. Разница не в технологии, а в том, кто отвечает за результат.

4. Задача редкая

Внедрение стоит денег и требует сопровождения. Пять случаев в месяц этого не окупят никогда, какой бы удачной ни была демонстрация.

5. ИИ вместо управленческого решения

Самый частый и самый дорогой случай. Менеджеры не перезванивают по заявкам — покупают бота. Бот отвечает быстрее, но продажи не растут, потому что проблема была в том, что никто не отвечает за скорость реакции. Технология не заменяет управление, она его обнажает.

6. Никто не знает, куда уходят данные

Отдельный случай, который вскрывается позже остальных: внедрение работает, всех устраивает, а через кого именно ваши переписки ходят к модели — не знает никто. Вопросы, которые стоит задать подрядчику до подписания, я собрал в отдельной статье.

Типовые задачи: где да, где осторожно, где нет

Шесть вопросов, которые проверяют задачу за неделю

Задайте их себе или подрядчику до того, как подписывать договор. Если больше двух ответов звучат неуверенно, начинать рано.

1. Сколько раз в неделю это происходит и сколько времени занимает сейчас?
2. Какие данные для этого нужны и кто их создаёт: система или человек?
3. Как мы поймём через месяц, что стало лучше? В каких цифрах?
4. На какой части потока проверим, прежде чем переводить всё?
5. Что произойдёт, если система ошибётся, и кто это заметит?
6. Кто будет это обслуживать, когда подрядчик закончит работу?

Как это выглядит, когда сделано по-человечески

Сначала измеряют: куда уходят деньги, где теряются клиенты, какие цифры вообще достоверны. Потом выбирают одну задачу с высокой частотой и дешёвой ошибкой и запускают её на части потока, сравнивая с тем, что было. И только потом расширяют.

Скучный порядок. Зато в нём видно, что именно дало результат, а что просто совпало с сезоном. Начинается он с простого вопроса — откуда на самом деле приходят клиенты.

С чего начать измерение, можно прикинуть самому: калькулятор потерь покажет, сколько денег уходит на обращения, до которых никто не дошёл.