Внедрение ИИ в бизнес: полное руководство

Внедрение ИИ в бизнес — это перенос части операций и решений из ручного контура в машинный с измеримым эффектом в отчёте о прибылях и убытках, а не установка нейросети «чтобы была». В проектах, которые я видел, до промышленной эксплуатации доходит примерно один пилот из пяти, и умирают остальные не из-за слабых моделей, а из-за того, что ИИ поставили не в тот процесс. Ниже — карта того, что вообще можно отдать машине, критерии выбора первого процесса и три модели работы, между которыми выбирает фаундер.

Внедрение ИИ в бизнес: что это значит на языке денег

Внедрение ИИ — это перевод повторяющихся операций и решений в машинный контур, при котором меняется маршрут процесса и появляется эффект в выручке, себестоимости или скорости оборота. Всё, что маршрут не меняет, — не внедрение, а эксперимент с бюджетом на обучение персонала.

Разница практическая, а не терминологическая. Компания купила корпоративный доступ к языковой модели, руководители пишут в ней письма и тексты презентаций — маршрут не изменился ни на шаг: те же люди, те же согласования, та же длина цикла. Компания поставила модель в контур обработки входящих заявок, и заявка больше не ждёт менеджера утром — маршрут изменился, и это уже внедрение ИИ в процессы, даже если модель самая простая из возможных.

Я считаю внедрение состоявшимся, когда одновременно выполнены три условия:

• Маршрут процесса изменился. Часть шагов исчезла, часть выполняется без участия человека, человек подключается на исключениях, а не на потоке.
• Есть метрика до и после. Замер сделан на том же процессе, теми же единицами: часы ручной работы, доля ошибок, срок ответа, конверсия этапа, стоимость обработки одного документа.
• Есть владелец в структуре. Не «ИТ поддерживает», а конкретный руководитель, у которого этот процесс в KPI и который теряет премию, если контур встал.

Внедрение ИИ в рабочие процессы: что это меняет в конкретном дне

Проверяйте эффект не по презентации, а по календарю сотрудника. Если после внедрения ИИ в бизнес-процессы у человека освободилось два часа в день, но эти два часа никуда не переложены — экономии в деньгах нет, есть только более комфортная работа. Эффект появляется, когда освободившийся ресурс закрывает узкое место: тот же отдел берёт больше заявок, тот же юрист проверяет больше договоров, тот же инженер закрывает больше заявок на изменения.

Рост — это не «больше», рост — это «точнее». ИИ не делает компанию умнее, он делает выбранный процесс дешевле или быстрее. Если процесс выбран не тот, вы получите очень эффективное движение не в ту сторону.Владимир Герасимов

Что вообще можно отдать машине: пять классов задач

Любая задача, которую обсуждают под словом «ИИ», попадает в один из пяти классов: восприятие, генерация, предсказание, решение, оркестрация. Класс определяет, какие данные нужны на входе, сколько стоит ошибка и как быстро окупится контур. Это первая карта, которую я рисую на встрече с фаундером: без неё разговор скатывается в перечисление модных инструментов.

Внедрение генеративного ИИ: самый быстрый и самый обманчивый класс

Внедрение генеративного ИИ окупается быстрее остальных классов и разочаровывает чаще остальных. Быстрее — потому что не нужен исторический массив с исходами: достаточно образцов и регламента. Разочаровывает — потому что генерация даёт черновик, а не результат, и без шага проверки экономия времени съедается редактурой.

Правило, которое я применяю: генеративный контур ставится только туда, где есть дешёвый и быстрый способ проверить результат. Ответ клиенту в поддержке проверяется за секунды. Коммерческое предложение на сто миллионов — нет. Поэтому в первом заходе генерация идёт в массовые типовые тексты, а не в документы, где цена ошибки измеряется контрактом.

Внедрение ИИ в бизнес-решения: где машина выбирает, а не пишет

Класс «решение» — это внедрение ИИ в бизнес-решения, которые сегодня принимает человек по регламенту: кому дать отсрочку, какую заявку взять в работу первой, какой заказ отправить на ручную проверку. Здесь эффект больше, чем в генерации, потому что убирается не только время, но и разброс качества между сотрудниками.

Условие входа жёсткое: критерий решения должен быть формализуем. Если пять руководителей отвечают по-разному на вопрос «по какому признаку мы отклоняем заявку», модель не спасёт — она зафиксирует хаос и сделает его быстрее. Сначала формализация, потом машина. Пятый класс, оркестрация, — это уже территория агентов, и как они устроены внутри, я разбираю в материале про ИИ-агентов и ассистентов для бизнеса.

Где ИИ не нужен: проверка на обычную автоматизацию

Половина задач, которые приносят под словом «ИИ», решается обычной автоматизацией — правилом, скриптом, шаблоном в CRM или настройкой прав. Такое решение дешевле в несколько раз, работает предсказуемо и не требует эксплуатации модели. Прежде чем обсуждать внедрение ИИ, я всегда прогоняю задачу через один вопрос: можно ли записать правило словами «если — то» так, чтобы новый сотрудник выполнил его без ошибок.

Если можно — нужна автоматизация. ИИ оправдан там, где правило записать нельзя или оно постоянно меняется. Четыре признака задачи, где машинное обучение действительно даёт то, чего не даёт скрипт:

• Вход неструктурирован. Скан, фотография, живая речь, письмо, написанное человеком в свободной форме, — правило по такому входу не пишется.
• Формулировки вариативны. Одно и то же клиент выражает двадцатью способами, и список синонимов в справочнике не закрывает поток.
• Нужна оценка вероятности. Ответ не «да/нет», а «вероятность срыва срока по этой поставке выше средней» — это территория предсказания.
• Правило меняется быстрее, чем его успевают переписывать. Каждое изменение регламента требует правки кода — модель переучивается на новых данных дешевле.

Вопрос «нужен ли нам ИИ» я переформулирую иначе: внедрение ИИ в бизнес-компанию оправдано там, где остаётся объём ручной работы после того, как всё формализуемое уже автоматизировано. Компания, у которой не настроены базовые статусы и уведомления, получит от модели меньше, чем от двух недель работы над регламентом, — и это честный ответ, который я даю на первой же встрече.

Обратная ошибка тоже встречается: компания годами доводит регламенты и откладывает машинный контур до «когда наведём порядок». Порядок не наступает никогда — процессы живые. Разумная граница такая: формализуйте вход и выход процесса, а всё, что внутри и не поддаётся жёсткому описанию, отдавайте модели. Сравнение конкретных инструментов и того, что умеют готовые нейросети без разработки, я вынес в отдельный материал про внедрение нейросетей.

Уровни зрелости 0–4: где компания находится на самом деле

Зрелость по ИИ определяется не количеством инструментов, а тем, сколько решений уже принимается машиной без ручного подтверждения. Я использую пятиступенчатую шкалу — она нужна, чтобы не продавать компании уровня 0 архитектуру уровня 3, и чтобы фаундер понимал, какой скачок реально сделать за один цикл.

Практический вывод: за один цикл компания честно проходит один уровень. Прыжок с нуля на третий не случается — я не видел ни одного исключения. Если вендор обещает уровень 3 за квартал компании уровня 0, он продаёт вам инфраструктуру, которую некому будет эксплуатировать.

Отдельная ловушка — уровень 1, на котором застревает большинство. Он выглядит как прогресс: люди пользуются, что-то ускоряется, в отчётах появляется слово «ИИ». В деньгах он не виден вообще, потому что ни один процесс не изменил маршрут. Внедрение ИИ в компании начинается не с обучения сотрудников, а с выбора процесса, который согласны перестроить.

Главная ошибка: компании внедряют ИИ не в тот процесс

Процесс для первого внедрения почти всегда выбирается по трём неправильным причинам: он самый заметный, он самый больной или его громче всех просят. Правильная причина одна — на нём быстрее всего можно измерить эффект и он не остановит компанию, если контур на неделю встанет.

За этой ошибкой стоит та же логика, из-за которой компании масштабируют не то: усилие вкладывается туда, где громче сигнал, а не туда, где выше отдача на единицу вложенного. С ИИ это стоит дороже обычного, потому что цена входа воспринимается как разовая, а на деле контур требует эксплуатации: мониторинга, дообучения, обновления регламента.

Критерии выбора первого процесса: четыре множителя

Первый процесс выбирается по четырём параметрам, которые перемножаются, а не складываются: объём × повторяемость × цена ошибки × доступность данных. Если хотя бы один множитель близок к нулю — процесс не подходит, каким бы привлекательным он ни казался.

Четвёртый множитель обнуляет проекты чаще остальных. Данные почти всегда «есть» — до момента, когда их просят выгрузить. Дальше выясняется, что в CRM статусы ставились как придётся, в 1С поле заполнялось произвольно, а причины отказов записаны текстом в свободной форме. Это не повод отказаться от ИИ, но это меняет план: сначала контур сбора, потом модель.

• Процесс описан хотя бы на уровне «вход — шаги — выход — кто отвечает».
• Есть замер до: часы, стоимость операции, доля ошибок, срок.
• Известно, кто принимает результат и по какому признаку считает его приемлемым.
• Понятно, что происходит при отказе контура: процесс возвращается к ручному режиму без остановки бизнеса.
• Есть человек, готовый быть владельцем — не «куратором», а тем, у кого это в целях.
• Согласован горизонт оценки: 8–12 недель до первого честного вывода.

Почему пилоты умирают: три причины из трёх

Пилот умирает по трём причинам, и почти всегда по всем сразу: у него нет владельца, нет метрики и нет интеграции. Технология в этом списке отсутствует — за последние годы я не видел ни одного проекта, который остановился бы потому, что модель не смогла.

Нет владельца

Проект ведёт энтузиаст: директор по ИТ, аналитик, иногда сам фаундер. Пока он держит внимание, всё живёт. Он уходит в отпуск или переключается на другую задачу — контур останавливается, и никто этого не замечает две недели. Владелец — это не тот, кто интересуется, а тот, кто отвечает за метрику процесса и получает по ней оценку.

Нет метрики

Замер «до» не сделан, поэтому доказать эффект нечем. Дальше начинается спор мнений: одни говорят «стало лучше», другие — «мы просто научились иначе работать». В такой ситуации проект закрывают при первом сокращении бюджета, потому что защищать нечего. Метрика ставится до старта, на бумаге, с числом.

Нет интеграции

Контур живёт в отдельном окне: сотрудник копирует данные туда, копирует результат обратно. Это работает ровно до конца пилота. Промышленный режим требует, чтобы результат приходил в ту систему, где человек и так работает, — и здесь начинается настоящая работа, про которую я подробно пишу в материале об интеграции ИИ в существующие системы.

• Не запускать пилот без письменного ответа на вопрос «какое число мы улучшаем и на сколько».
• Не назначать владельцем внешнего подрядчика — подрядчик не может отвечать за процесс внутри компании.
• Не собирать демо на копиях данных, которые в реальности никто не готовит с такой чистотой.
• Не растягивать пилот дольше трёх месяцев: если за это время нет вывода, вывод отрицательный.
• Не оценивать результат голосованием пользователей — оценивать метрикой процесса.

Отдельно скажу про сроки. Первый контур собирается за 6–14 недель, но выйти в устойчивую эксплуатацию — это ещё один цикл: правила исключений, мониторинг качества, регламент обновления. Как эти циклы раскладываются по шагам и кто за что отвечает на каждом, я разбираю в статье про этапы и дорожную карту внедрения.

Внедрение ИИ в управление: три контура вместо одного

Внедрение ИИ в управление отличается от операционной автоматизации тем, что машина здесь работает не с потоком, а с картиной: она собирает разрозненные данные в одно представление и подсвечивает отклонения раньше, чем они дойдут до отчёта. Эффект измеряется не сэкономленными часами, а скоростью и качеством управленческих решений.

Я делю внедрение ИИ в процессы компании на три контура — у каждого своя логика окупаемости:

Порядок между контурами обычно один: операционный, потом управленческий, потом продуктовый. Компании, начинающие с продуктового, чаще всего строят витрину для инвестора и рынка, а не источник денег. Компании, начинающие с управленческого, упираются в качество учёта — оно вскрывается на первой же попытке собрать сквозной показатель.

Управленческий контур — это ещё и место, где ИИ меняет распределение внимания руководителя. Планирование ресурсов, оценка сроков и раннее выявление проблемных задач разбираются отдельно в материале про ИИ в управлении проектами: там логика ближе к предсказанию, чем к генерации.

Три модели работы: своими силами, вендор, советник и команда

Разработка и внедрение ИИ идут по одной из трёх моделей, и выбор между ними определяется не бюджетом, а тем, есть ли у компании внутренняя экспертиза и насколько процесс критичен. Ошибка модели стоит дороже ошибки в технологии: она проявляется через полгода, когда менять что-то поздно.

Третью модель я и практикую: сначала находится точка, где ИИ даёт деньги, и только потом собирается решение — своей командой или смешанной, в зависимости от задачи. Разница с классическим подрядом в том, что подрядчик отвечает за поставленную задачу, а советник — за то, что задача поставлена правильная. Когда своя система действительно нужна, а когда хватит готового сервиса, я разбираю в статье про разработку ИИ.

«Внедрение ИИ под ключ» — что скрывается за формулировкой

«Внедрение под ключ» означает, что подрядчик берёт на себя техническую часть: модель, интерфейс, интеграцию, запуск. Опасность в том, что за скобками остаётся ровно то, что определяет результат: выбор процесса, изменение регламента, обучение владельца и приёмка по метрике. Ключ выдаётся от двери, которую компания не собиралась открывать.

Выбирать исполнителя по выступлению тоже не стоит: форум по внедрению ИИ в бизнес показывает витрину готовых решений, а вам на этом этапе нужен диагноз собственных процессов, а не чужой демонстрационный стенд.

Проверка простая — задайте потенциальному исполнителю три вопроса. Первый: по какой метрике вы согласны принимать результат. Второй: что мы делаем, если через месяц выяснится, что процесс выбран неверно. Третий: кто с нашей стороны должен стать владельцем и чему его нужно научить. Исполнитель, который отвечает на все три конкретно, будет полезен. Тот, кто отвечает про технологию, — продаст вам инфраструктуру.

Внедрение ИИ в организациях, где считают не прибыль

Логика выбора процесса одинакова для бизнеса и для организаций, где нет P&L, но метрика эффекта другая: вместо маржи — пропускная способность, срок и доля ошибок. Внедрение ИИ в организации бюджетного контура, в школы и в строительные компании строится по тем же четырём множителям, просто в знаменателе стоит не рубль выручки, а час специалиста или день простоя.

• Внедрение ИИ в корпорациях. Ограничение — не технология, а согласования и контур безопасности. Здесь почти всегда сначала запускается изолированная среда, а первый процесс выбирается там, где данные не покидают периметр. Срок до эффекта длиннее в полтора–два раза за счёт процедур.
• Внедрение ИИ в строительстве. Работают классы «восприятие» и «предсказание»: проверка комплектности документации, контроль соответствия по фото, прогноз срыва сроков по истории поставок. Подробнее — в разборе ИИ в проектировании и строительстве.
• Внедрение ИИ в школы и вузы. Внедрение ИИ в образовательный процесс даёт эффект в двух местах: подготовка материалов преподавателем и проверка типовых работ. Внедрение ИИ в учебный процесс на стороне студента — отдельная тема, ближе к дисциплине, чем к технологии; практическую сторону я разбираю в материале про ИИ для учебных проектов.

Что общего у всех трёх контекстов: решение принимается коллегиально, а значит владельца назначить сложнее, чем в бизнесе. Поэтому в организациях чаще заводят отдельный проект развития и внедрения ИИ с выделенным руководителем — иначе задача растворяется между подразделениями. Отраслевую специфику — где эффект уже подтверждён, а где пока нет — я разбираю в отдельном материале про внедрение ИИ по отраслям.

Что сделать до того, как звать исполнителей

До первого разговора с подрядчиком компания должна прийти с тремя вещами: список процессов-кандидатов, замер по каждому и имя владельца. Без этого любой разговор превращается в презентацию возможностей, а решение принимается по симпатии к демонстрации.

1. Выписать процессы-кандидатыПять–семь участков, где много однотипных операций. Не «отдел продаж», а «обработка входящей заявки от письма до внесения в CRM».
2. Замерить каждыйОбъём операций в месяц, часы, стоимость операции, доля ошибок, срок. Достаточно оценки по двум неделям наблюдения — точность важнее методологической красоты.
3. Прогнать через четыре множителяОбъём, повторяемость, цена ошибки, доступность данных. Отбрасывать всё, где хотя бы один параметр близок к нулю.
4. Проверить данные рукамиЗапросить реальную выгрузку за квартал и посмотреть её глазами. Этот шаг снимает половину иллюзий и экономит месяцы.
5. Назначить владельца и метрикуОдин руководитель, одно число, один срок оценки. Формулировка вида «сократить среднее время обработки заявки с 40 до 15 минут за 10 недель».
6. Определить сценарий откатаЧто делает подразделение, если контур недоступен день. Наличие ответа отличает промышленный проект от эксперимента.

Дальше начинается собственно проект — с архитектурой, командой и сроками. Перед стартом имеет смысл посмотреть, где такие проекты чаще всего ломаются: правовой контур, данные, персонал, зависимость от поставщика. Двенадцать типовых способов потерять деньги я собрал в материале про риски и проблемы внедрения ИИ — это чтение на полчаса, которое стоит дешевле любого из описанных сценариев.

Частые вопросы

Внедрение ИИ в рабочие процессы — что это такое простыми словами?

Внедрение ИИ в рабочие процессы — это когда часть операций и решений выполняет машина, а человек подключается только к исключениям. Ключевой признак: маршрут процесса изменился, а не просто сотрудникам выдали доступ к нейросети. Если после запуска шаги остались теми же самыми, внедрения не произошло — произошла покупка инструмента.

С чего начать внедрение ИИ в компании, если раньше ничего не делали?

Начинать нужно с выбора одного процесса, а не с выбора технологии. Выпишите пять–семь участков с большим количеством однотипных операций, замерьте по каждому объём, часы и долю ошибок, а затем прогоните их через четыре множителя: объём, повторяемость, цена ошибки, доступность данных. Процесс, который проходит по всем четырём, и есть кандидат на первый контур.

Сколько времени занимает внедрение ИИ в бизнес-процессы?

Первый работающий контур на одном процессе собирается за 6–14 недель — это оценка по проектам, которые я видел. Выход в устойчивую эксплуатацию требует ещё одного цикла: правила обработки исключений, мониторинг качества, регламент обновления модели. Компании, которые обещают результат за две недели, обычно показывают демонстрацию на подготовленных данных.

Чем внедрение генеративного ИИ отличается от предсказательных моделей?

Внедрение генеративного ИИ не требует исторического массива с исходами — достаточно образцов «как правильно» и регламента проверки, поэтому оно окупается быстрее. Предсказательные модели требуют истории за 12–36 месяцев, зато дают эффект там, где важно вмешаться заранее: отток, спрос, дефект, срыв срока. Генерация выдаёт черновик, предсказание — вероятность, и путать их при постановке задачи дорого.

Нужен ли отдельный проект развития и внедрения ИИ или хватит задачи в ИТ-плане?

Для одного процесса отдельная программа не нужна: достаточно задачи с владельцем, метрикой и сроком. Отдельный проект развития и внедрения ИИ имеет смысл заводить с третьего–четвёртого контура, когда появляются общие данные, единый мониторинг и нужен регламент изменений. В крупных структурах и корпорациях программу заводят раньше — не ради технологии, а чтобы у задачи был выделенный руководитель.

Стоит ли идти на форум по внедрению ИИ в бизнес, чтобы выбрать подрядчика?

Форум по внедрению ИИ в бизнес полезен для картины рынка, но плохая опора для выбора задачи: там показывают витрину готовых решений, а решение принимается по симпатии к демонстрации. Сначала нужен диагноз собственных процессов и критерий приёмки по метрике, и только потом разговор с исполнителями. С готовым замером и понятной метрикой любой разговор с подрядчиком становится в разы содержательнее.

Чем внедрение ИИ в бизнес-компанию отличается от внедрения в школы и госструктуры?

Логика выбора процесса одинаковая, разная только метрика эффекта: в бизнесе считают стоимость операции и маржу, в бюджетных организациях — пропускную способность, срок и долю ошибок. Внедрение ИИ в образовательный процесс даёт эффект в подготовке материалов и проверке типовых работ, внедрение ИИ в учебный процесс на стороне студента — тема скорее дисциплины, чем технологии. Сроки в организациях с коллегиальным решением длиннее в полтора–два раза за счёт согласований.

Кто в компании должен отвечать за внедрение ИИ в управление?

Владельцем должен быть руководитель того процесса, который меняется, а не ИТ-директор и не внешний подрядчик. У владельца метрика процесса стоит в целях, и он теряет в оценке, если контур встал. ИТ отвечает за инфраструктуру и доступы, подрядчик — за техническую часть, но за результат в деньгах отвечает бизнес-руководитель.

А если ИИ нам не нужен — как это понять до траты бюджета?

Проверьте, записывается ли правило словами «если — то» так, чтобы новый сотрудник выполнил его без ошибок. Если записывается — задача решается обычной автоматизацией, дешевле и надёжнее. ИИ оправдан там, где вход неструктурирован, формулировки вариативны, нужна оценка вероятности или правило меняется быстрее, чем его успевают переписывать. Сказать «здесь ИИ не нужен» — нормальный результат разбора, и в моей практике он встречается регулярно.

Читать дальше

Этапы и дорожная карта внедрения ИИ

Семь этапов от аудита процессов до промышленной эксплуатации. План на 90 дней, кто за что отвечает, где обычно рвётся.

Стоимость внедрения ИИ и расчёт ROI

Реальные вилки бюджетов по типам задач, структура сметы, скрытые статьи и формула, по которой считается эффект в рублях.

ИИ-агенты и ассистенты для бизнеса

Чем агент отличается от чат-бота, где он окупается, как устроен внутри и что ломается при внедрении в процессы.

Внедрение ИИ по отраслям

Производство, медицина, ритейл, логистика, HR, финансы, стройка, госсектор — где ИИ даёт эффект, а где пока нет.

Риски и проблемы внедрения ИИ

Двенадцать способов потерять деньги на ИИ, правовой контур в России и практика безопасной разработки.

Разработка ИИ

Когда нужна своя ИИ-система, а когда хватит готовой. Архитектура, стек, команда, сроки и как ставить задачу подрядчику.