Внедрение ИИ в бизнес: с чего начать и как не потерять деньги

Коротко

Собираетесь внедрять ИИ в компании и не знаете, с чего начать? Начните не с выбора модели или подрядчика, а с одной конкретной задачи, где легко проверить результат: типовой вопрос клиента, запись на приём, первичная обработка заявки. Большинство компаний тратит на ИИ больше, чем планировало, и не видит отдачи в прибыли, потому что делает наоборот: берёт сразу сложный участок или считает запуск пилота финалом проекта. Дальше по шагам разберём, что делать вместо этого.

Почему большинство пилотов не окупается

В исследовании McKinsey «The state of AI in 2026: On the road to ROI» опрошены 1719 руководителей и специалистов из 97 стран. Оно показывает разрыв между вложениями и отдачей. 93% компаний превысили запланированный бюджет на ИИ. При этом 62% уже перешли от разовых экспериментов к активному внедрению в повседневную работу, то есть дело не в том, что компании боятся пробовать. Проблема дальше: доля компаний, которые видят вклад ИИ в операционную прибыль (EBIT, прибыль до уплаты процентов и налогов), составляет всего 37%, и этот показатель почти не изменился за год (McKinsey, «The state of AI in 2026», 25.08.2026).

Получается: денег тратится больше плана, внедрений больше, а прибыли заметно больше не становится. По нашему наблюдению, разрыв между «мы внедряем ИИ» и «ИИ приносит деньги» часто возникает из-за одной ошибки: компания запускает пилот, показывает его на демонстрации руководству, и на этом активность заканчивается. Дальше никто не отвечает за то, работает ли инструмент в реальных условиях месяц спустя, не дорабатывает его под новые случаи и не считает, сколько он реально сэкономил. Пилот превращается в красивую презентацию, а не в рабочий процесс, который кто-то поддерживает.

Как выбрать первую задачу для ИИ

Не любая задача одинаково хорошо поддаётся автоматизации, и от выбора первой задачи зависит, окупится пилот или нет. По анализу a16z «Where Enterprises are Actually Adopting AI», удачные внедрения ИИ в бизнесе почти всегда объединяет несколько признаков. Задача рутинная и повторяется много раз в день, у неё чёткие правила, результат можно проверить, а рядом с системой есть человек, который может вмешаться и поправить ответ. Авторы отдельно отмечают: для пользы не нужна стопроцентная точность с первого дня, само ускорение работы уже даёт эффект, даже если часть случаев по-прежнему требует участия человека (a16z, «Where Enterprises are Actually Adopting AI», 08.04.2026).

Из этого правила выходит простой ориентир. Не берите сразу самый сложный участок бизнеса, где каждый случай уникален: разбор нестандартной жалобы с переговорами и исключениями обычно требует живого человека дольше, чем кажется на старте. Начните с того, что и так делается по одному и тому же сценарию сто раз в день: ответ на типовой вопрос о цене, запись клиента на приём, первичная обработка заявки с сайта. Такую задачу проще всего измерить: до внедрения она занимала, скажем, три минуты разговора оператора, после ИИ закрывает её за минуту, а человек подключается только в сложных случаях, которые система сама распознаёт и передаёт дальше.

Коротко о шагах

Если внедрение рассчитано не на день, держите в голове пять шагов: найти задачу с понятным результатом, посчитать её стоимость до внедрения, запустить пилот на части потока, назначить ответственного за пилот и каждый месяц сверяться с цифрой, от которой стартовали. Дальше подробно про каждый шаг с примерами по нишам.

Шаг 1. Найдите задачу с понятным результатом

Ищите процесс, где легко ответить на вопрос «сработало или нет»: заявка попала в CRM с правильными данными, клиент записан на нужное время к нужному специалисту, цена названа верно по действующему прайсу. Если результат нельзя проверить однозначно (например, «стал ли клиент лояльнее»), контролировать работу ИИ на этом участке будет намного сложнее, и первый пилот лучше на нём не строить.

Примеры такой задачи по разным нишам. В продажах это приём и первичная квалификация заявки с сайта: узнать, что нужно клиенту, назвать цену из прайса, завести карточку сделки в CRM. В клинике это запись на приём к свободному врачу и напоминание накануне визита. В управляющей компании ЖКХ это приём жалобы на отопление или воду с уточнением адреса и сразу заявка в систему учёта. Во всех трёх случаях результат проверяется одним взглядом в систему: заявка либо заведена верно, либо нет.

Шаг 2. Посчитайте задачу «до», прежде чем внедрять

Запишите три цифры: сколько сейчас стоит одно обращение (зарплата оператора за потраченное время), сколько их проходит через компанию за месяц и какая доля срывается или обрабатывается с опозданием. Без этих цифр позже нельзя будет доказать руководству и себе, что ИИ вообще что-то изменил: сравнивать станет не с чем.

Шаг 3. Запустите пилот на ограниченном потоке

Пустите через ИИ только часть обращений: например, заявки с сайта в нерабочее время, а не все звонки сразу. Остальное продолжает идти по-старому. Заранее договоритесь, по какому признаку поток делится: по времени суток, по каналу или по типу вопроса. Тогда сравнение будет честным. Так видно разницу между двумя потоками и легко откатиться назад, если что-то пошло не так, не останавливая работу всей компании.

Шаг 4. Назначьте человека, который отвечает за пилот после запуска

McKinsey в том же исследовании среди того, что помогает довести ИИ до отдачи, называет понятную ответственность за результат. Без владельца процесса никто не занимается доработкой сценариев после первой недели, не разбирает случаи, где ИИ ответил неточно, и не расширяет задачу на новые ситуации.

Шаг 5. Считайте результат каждый месяц, а не один раз на демо

Сравнивайте текущие показатели с цифрой из шага 2: сколько заявок обработано без человека, сколько ушло к оператору, сколько времени и денег это сэкономило за месяц. Если цифра не растёт несколько месяцев подряд, это сигнал вернуться к сценарию и пересмотреть его, а не сигнал бросать всю идею.

Пример расчёта пилота (цифры условные)

Компания принимает 400 заявок в месяц на первичную консультацию. Оператор тратит на каждую заявку в среднем 5 минут: уточнить вопрос, посмотреть цену в прайсе, завести карточку в CRM. Это условный пример для иллюстрации метода счёта, не данные реальной компании.

До пилота: 400 заявок по 5 минут дают примерно 33 часа работы оператора в месяц только на первичную обработку. Часть заявок в вечернее время и выходные вообще не обрабатывается вовремя и теряется, потому что оператор физически не сидит на линии круглые сутки.

Для пилота берут только часть потока: 120 заявок из 400, те, что приходят с сайта после закрытия офиса. На этом куске ИИ сам обрабатывает типовые случаи и заводит карточку в CRM, а оператор подключается, только когда клиент прямо просит человека или вопрос не укладывается в прайс. Экономия по этому куску потока получается примерно 10 часов работы оператора в месяц, и заявки вечером больше не ждут утра следующего дня. Это и есть тот параметр, который стоит сравнивать каждый месяц из шага 5: не абстрактное «стало лучше», а конкретные часы и заявки, доведённые до CRM без задержки на следующий рабочий день.

Дальше пилот расширяют постепенно: сначала добавляют выходные дни целиком, потом часть дневного потока. Только когда доля случаев, ушедших к оператору без причины, остаётся стабильно низкой несколько месяцев подряд, компания переходит на весь поток обращений. Такой порядок наращивания и есть ответ на вопрос «сколько времени займёт внедрение ИИ»: обычно не одна неделя на всё сразу, а несколько циклов измерения и донастройки, каждый по итогам предыдущего.

Делать своими силами или отдать интегратору

Для типовой задачи вроде записи клиентов или ответа на частые вопросы обычно не нужен отдельный разработчик: такой сценарий собирается в готовой панели без кода, силами самого владельца бизнеса или сотрудника, который знает процесс лучше любого подрядчика. Если же задача сложнее и требует редкой интеграции с внутренней системой компании, которой нет в стандартном наборе, это уже отдельная работа под конкретный случай, и здесь разумнее привлечь тех, кто уже настраивал похожие внедрения, чем тратить месяцы на пробы и ошибки внутри компании.

Граница между «сделаю сам за день» и «нужен отдельный проект» обычно проходит по одному вопросу: подключается ли к задаче система, которой нет в стандартном списке интеграций (нестандартная CRM, самописная база заказов, внутренний сервис учёта). Если такая система есть, разумно заранее обсудить объём работ с тем, кто будет её настраивать, а не пытаться подключить всё самостоятельно методом проб и ошибок. У команды и так хватает текущей работы, а недели экспериментов стоят денег.

Частые ошибки

• Брать для первого пилота самую сложную и нетиповую задачу компании, а не самую массовую и простую: на сложном участке сложнее и проверить результат, и объяснить руководству, что именно измерилось.
• Считать запуск пилота концом проекта, а не началом постоянной эксплуатации, которая требует поддержки: сценарии дорабатывают по итогам первых недель, а не оставляют в исходном виде навсегда.
• Не считать задачу «до» внедрения: тогда результат «после» нечем подтвердить перед руководством, и разговор об эффекте пилота превращается в спор на ощущениях.
• Запускать сразу на всём потоке клиентов без возможности откатиться на прежний процесс, если что-то пошло не так в первую же неделю.
• Ждать стопроцентной точности с первого дня вместо постепенного улучшения на реальных случаях использования: часть обращений первое время всё равно будет уходить к человеку. Это ожидаемо на старте, а не повод считать внедрение неудачным и сворачивать его раньше времени.

Что дальше

Разбираться во всём этом в одиночку не обязательно. Если задача типовая, вроде записи клиентов или ответов на частые вопросы, ИИ-сотрудника можно настроить в панели самому: без разработчика, по описанию должности и правил. Если же нужна редкая интеграция с вашей внутренней системой, которой нет в стандартном наборе, для этого есть отдельная услуга «Под ключ». Там сначала разбирают задачу, а объём работ и цену называют уже после разбора.

Что в итоге

• Пилот ИИ чаще всего не окупается не из-за самой технологии, а из-за выбора задачи и отсутствия поддержки после запуска.
• Первая задача должна быть рутинной, с чёткими правилами и проверяемым результатом, не самой сложной в компании.
• Стопроцентная точность не обязательна с первого дня: важно, что человек может подключиться и поправить.
• Без цифры «до» внедрения результат «после» нечем будет подтвердить.
• У пилота должен быть один ответственный человек, который следит за ним месяцами, а не один раз на демонстрации.

Источники

• McKinsey, «The state of AI in 2026: On the road to ROI», 25.08.2026
• a16z, «Where Enterprises are Actually Adopting AI», 08.04.2026