Внедрение ИИ по отраслям: 18 индустрий и что там реально работает
Карта по 18 индустриям: главный процесс-кандидат, типовой эффект, что мешает и какая зрелость. Отрасль определяет не «какой ИИ», а цену ошибки и требования к объяснимости — от этого зависят срок и бюджет.
Внедрение ИИ в отрасли различается не технологией, а ценой ошибки и требованиями к объяснимости. Модель, которая прогнозирует спрос на складе, и модель, которая подсказывает врачу диагноз, устроены похоже — отличается то, что происходит, когда модель ошиблась, и кто за это отвечает. Ниже — карта по 18 индустриям: главный процесс-кандидат, типовой эффект, что мешает и какая в отрасли зрелость.
Отрасль определяет не «какой ИИ», а цену ошибки
Когда фаундер спрашивает про сферы внедрения ИИ, он почти всегда ждёт список технологий: тут компьютерное зрение, тут языковая модель, тут прогнозирование. Это неверная рамка. Технологический набор в 2026 году примерно одинаков для всех: распознавание, генерация, извлечение структуры из неструктурированного, прогноз по временным рядам, агентские сценарии. Отрасль задаёт другое — сколько стоит одна ошибка модели и что нужно предъявить, чтобы решение приняли.
Из этого следует практический вывод. В отраслях с дешёвой ошибкой (маркетинг, часть продаж, внутренние тексты) ИИ окупается быстро, потому что достаточно, чтобы модель была права чаще человека. В отраслях с дорогой ошибкой (медицина, металлургия, суды, банковский комплаенс) скорость внедрения определяется не качеством модели, а тем, сколько времени займёт построить вокруг неё контур проверки, протоколирования и ответственности. И этот контур обычно стоит дороже самой модели.
Оценки выше — это диапазоны из проектов, которые я видел, а не отраслевая статистика. Но закономерность устойчивая: чем выше цена ошибки, тем меньше в смете доля «интеллекта» и тем больше доля обвязки. Если подрядчик считает вам только модель — он считает 20–40% реальной стоимости. Как устроена смета целиком, я разбираю в материале про стоимость внедрения ИИ и расчёт ROI.
Отрасль не отвечает на вопрос «какой ИИ внедрять». Она отвечает на вопрос «что будет, когда он ошибётся» — и именно это определяет бюджет и срок.Владимир Герасимов
Карта: 18 отраслей, процесс-кандидат и зрелость
Ниже — сводная таблица. «Процесс-кандидат» — это тот процесс, с которого я рекомендую начинать в отрасли: там уже есть данные, есть измеримый результат и есть владелец процесса, который заинтересован в результате. «Зрелость» — насколько в отрасли есть работающие практики, а не только презентации.
| Отрасль | Процесс-кандидат №1 | Типовой эффект | Главный ограничитель | Зрелость |
|---|---|---|---|---|
| Промышленность и производство | Контроль качества по изображению, прогноз отказа оборудования | Снижение брака и внеплановых простоев на 10–25% | Данные с линии не размечены, у ОТК нет цифрового следа | Средняя |
| Металлургия и цветной лом | Оценка сортности и засора при приёмке, оптимизация плавки | Снижение потерь на приёмке и перерасхода реагентов | Физически грязная среда, спор с поставщиком по каждой партии | Низкая |
| Строительство и проектирование | Проверка комплектности проекта, автосметы, стройконтроль по фото | Сокращение цикла проверки документации в 2–4 раза | Юридическая ответственность за подпись под проектом | Средняя |
| Логистика и транспорт | Планирование маршрутов, прогноз спроса на складе, разбор ТТН | Снижение пустого пробега и страхового запаса на 8–20% | Данные разнесены по WMS, TMS и почте водителей | Высокая |
| Продажи | Квалификация входящих, разбор звонков, подготовка КП | Рост конверсии в сделку на 10–30% при том же трафике | CRM заполняется формально, часть сделок живёт в мессенджерах | Высокая |
| Маркетинг | Генерация и тестирование креативов, атрибуция, сегментация | Снижение стоимости лида, рост скорости гипотез в 3–5 раз | Оценка качества упирается в вкус, а не в метрику | Высокая |
| HR и кадры | Первичный скрининг резюме, разбор интервью, ответы на вопросы сотрудников | Сокращение времени найма на 20–40% на массовых позициях | Риск дискриминации и требование объяснить отказ | Средняя |
| Бухгалтерия и финансы | Распознавание первички, сверка, классификация проводок | Сокращение ручного ввода на 40–70% в закрытии периода | Цена ошибки — доначисление, нужна 100% прослеживаемость | Средняя |
| Закупки | Сравнение КП, поиск аналогов, контроль условий договора | Экономия 3–8% закупочного бюджета за счёт сопоставимости | Номенклатура не нормализована, один и тот же товар в пяти названиях | Средняя |
| Документооборот | Извлечение реквизитов, маршрутизация, поиск по архиву | Сокращение времени согласования на 30–50% | Сканы низкого качества, версии документов не связаны | Высокая |
| ЖКХ | Обработка обращений жителей, прогноз аварий на сетях | Снижение доли ручной диспетчеризации на 30–60% | Телеметрии мало, история аварий ведётся в журналах | Низкая |
| Банки | Скоринг, антифрод, поддержка клиента, комплаенс-проверки | Снижение доли ручного разбора обращений на 40–60% | Требование объяснимости решения перед регулятором и клиентом | Высокая |
| Медицина и здравоохранение | Помощь в описании исследований, разбор медкарт, маршрутизация пациента | Сокращение времени описания исследования на 20–40% | Ответственность врача, персональные данные, регистрация ПО | Средняя |
| Фарма и разработка лекарств | Отбор молекул-кандидатов, разбор литературы, планирование испытаний | Сокращение ранней стадии поиска на месяцы | Стоимость ложной гипотезы измеряется годами клиники | Средняя |
| Образование | Проверка работ, персональные траектории, ассистент преподавателя | Высвобождение 20–40% времени преподавателя от рутины | Списывание, оценка авторства, отсутствие бюджета на эксплуатацию | Средняя |
| Наука | Обзор литературы, обработка экспериментальных данных, гипотезы | Сокращение цикла обзора с недель до дней | Требование воспроизводимости и цитируемости источника | Средняя |
| Госуправление, суды и налоговая | Классификация обращений, подготовка проектов документов, аналитика по типовым делам | Снижение нагрузки на аппарат на 20–40% по типовым категориям | Требование объяснимости и запрет на делегирование решения | Низкая |
| Туризм | Подбор и упаковка туров, динамическое ценообразование, поддержка | Рост конверсии подбора и снижение нагрузки на менеджеров | Данные о наличии и цене живут у поставщиков, а не у вас | Средняя |
Дальше — подробнее по тем отраслям, где деньги считаются быстрее всего, и по тем, где чаще всего ошибаются с выбором первого шага. Общая логика выбора первого процесса, вне зависимости от индустрии, разобрана в статье про ИИ в бизнесе на языке P&L — здесь я её не повторяю.
Внедрение ИИ на производстве и в промышленности: начинать с брака и простоя
Внедрение ИИ на предприятии окупается там, где уже есть измеримая потеря в рублях: брак, внеплановый простой, перерасход сырья. Это три процесса, где эффект видно в отчётности цеха, а не в презентации. Всё остальное — чат-боты для сотрудников, «умные» дашборды, помощник для отчётов — даёт эффект, но его сложно защитить перед финансовым директором.
Внедрение ИИ в промышленности упирается в одну и ту же стену: данные с линии есть, но они не размечены и не связаны с результатом. Камера снимает деталь, ОТК ставит отметку в бумажном журнале, а связи между кадром и вердиктом нет. Первые 4–8 недель проекта — это не обучение модели, а построение цифрового следа: кто, что и когда признал браком. В проектах, которые я видел, снижение доли брака после выхода в промышленную эксплуатацию попадает в диапазон 10–25%, но только при условии, что контролёр принял систему как помощника, а не как надзирателя за собой.
Металлургия и приёмка цветного лома
Внедрение ИИ в металлургической промышленности идёт по двум разным сценариям, и их путают. Первый — технологический: оптимизация режима плавки, прогноз химсостава, снижение перерасхода. Он требует качественной телеметрии и почти всегда упирается в то, что исторические данные писались для отчёта, а не для анализа. Второй — коммерческий: оценка сортности и засора на приёмке.
Именно поэтому внедрение ИИ на предприятиях цветного лома — отдельная история. Там спор с поставщиком идёт по каждой партии, и решение приёмщика напрямую конвертируется в деньги. Модель, которая по фото и весу даёт независимую оценку засора, снимает не столько ошибку, сколько субъективность и договорённости на площадке. Цена ошибки здесь двусторонняя: занизили — потеряли поставщика, завысили — потеряли маржу. Поэтому такой контур почти всегда работает в режиме «второе мнение», а не автоматического решения.
Самая частая ошибка — начать с прогноза отказа оборудования, потому что это красиво звучит. Для предиктивного обслуживания нужна история отказов за несколько лет с привязкой к режимам работы. Если её нет, модель учится на 6–12 событиях и предсказывает шум. Контроль качества по изображению даёт данные быстрее и окупается раньше.
Разберу вашу линию, отчётность по браку и простоям и назову один процесс, с которого стоит начать, — с оценкой эффекта в рублях и сроком до первого результата.
Продажи и маркетинг: самая короткая окупаемость
Внедрение ИИ в продажи окупается быстрее, чем в любой другой отрасли, потому что здесь цена ошибки минимальна, а данные уже собраны — записи звонков, переписка, CRM. Модель, которая ошиблась в квалификации лида, стоит компании одного лишнего звонка. Модель, которая ошиблась в описании КТ-снимка, стоит несопоставимо дороже. Отсюда разница в скорости: первый контур в продажах я видел работающим за 4–8 недель, в медицине — за 6–12 месяцев.
Внедрение ИИ в отдел продаж имеет смысл начинать с трёх точек: квалификация входящих обращений до передачи менеджеру, автоматический разбор звонков по чек-листу и сборка коммерческого предложения из карточки сделки. Первая точка убирает у менеджеров 20–40% нерелевантных контактов. Вторая заменяет выборочный контроль руководителя на сплошной. Третья сокращает время от заявки до КП с дней до часов — и именно это чаще всего двигает конверсию.
- Ставят бота на сайт и считают, что ИИ в отделе продаж есть.
- Меряют «количество обработанных диалогов» вместо конверсии в сделку.
- Не трогают CRM, поэтому модель учится на пустых полях.
- Не назначают владельца — через два месяца никто не знает, работает ли контур.
- Сначала чинят фиксацию данных, потом ставят модель.
- Метрика — конверсия из обращения в оплату и время до первого касания.
- Контур работает внутри CRM, а не рядом с ней.
- У процесса есть владелец — РОП, а не ИТ-департамент.
Внедрение ИИ в маркетинг — самая зрелая и самая переоценённая зона одновременно. Генерация креативов и текстов даёт кратный рост скорости гипотез, но не даёт роста продаж сама по себе: если предложение не работает, ИИ просто быстрее производит то, что не работает. Реальные деньги в маркетинге я видел не в генерации, а в сегментации и атрибуции — там, где модель отвечает на вопрос «кому и когда», а не «какими словами».
Бэк-офис: бухгалтерия, документооборот, закупки, HR
Бэк-офис — самая недооценённая зона. Здесь нет выручки, поэтому проекты годами не получают бюджета, хотя окупаются они предсказуемее производственных: объём ручной работы известен, стоимость часа известна, эффект считается арифметикой.
Бухгалтерия и финансы
Внедрение ИИ в бухгалтерию — это распознавание первички, сверка с контрагентами и классификация проводок. Эффект в проектах, которые я видел: сокращение ручного ввода на 40–70% и сжатие закрытия периода на несколько дней. Ограничитель один и жёсткий — цена ошибки равна доначислению, поэтому автоматическое проведение без подтверждения человеком не проходит ни в одном контуре, который я согласовывал. Модель готовит, бухгалтер утверждает; выигрыш идёт от скорости подготовки, а не от отказа от контроля.
Отдельная категория запросов — вроде «внедрение ИИ в бухгалтерию РК2026»: люди привязывают задачу к конкретному релизу учётной системы или регламенту отчётного периода. Логика здесь та же, что и везде: сначала выясняем, какая доля операций типовая и повторяемая, потом смотрим, какой контроль требует регламент, и только потом обсуждаем модель.
Документооборот и закупки
Внедрение ИИ в документооборот — самый быстрый в бэк-офисе результат: извлечение реквизитов из сканов, автоматическая маршрутизация на согласование, семантический поиск по архиву. Сокращение времени согласования на 30–50% достигается без изменения регламента — меняется только скорость прохождения этапов.
Внедрение ИИ в закупках даёт эффект в другой точке: сопоставимость. Основная потеря в закупках не в переплате за конкретную позицию, а в том, что одна и та же номенклатура заведена под пятью названиями и сравнить предложения нельзя. Модель, которая нормализует номенклатуру и приводит коммерческие предложения к единой структуре, возвращает 3–8% бюджета просто за счёт того, что становится видно, кто дешевле.
HR и кадры
Внедрение ИИ в HR-процессы стоит начинать с массовых позиций, где поток резюме измеряется сотнями в месяц. Там первичный скрининг и разбор структурированного интервью сокращают время найма на 20–40%. Внедрение ИИ в кадры — это ещё и вторая, менее заметная зона: ответы на типовые вопросы сотрудников про отпуска, справки и регламенты, которые сжирают время кадровой службы.
Где я не рекомендую применять модель в найме: автоматический отказ кандидату без участия человека. Отказ придётся объяснять, а объяснить решение модели по резюме без специально построенного контура объяснимости невозможно. Это тот случай, когда ограничение не техническое, а репутационное и юридическое.
- Процесс повторяем. Одна и та же операция происходит больше 200 раз в месяц.
- Есть цифровой след. Входы и результат уже хранятся в системе, а не в голове сотрудника.
- Ошибка обратима. Неверный результат можно поймать на следующем шаге, а не в суде.
- Есть владелец. Конкретный руководитель заинтересован в сокращении именно этой рутины.
- Эффект считается в часах или рублях. Не «повысим качество», а «снимем 900 часов ручного ввода в квартал».
За одну встречу соберём объём операций по бухгалтерии, документообороту и закупкам и получим вилку эффекта в часах и рублях — до того, как обсуждать подрядчиков.
Медицина, здравоохранение и фарма: цена ошибки максимальная
Внедрение ИИ в медицину отличается от всех остальных отраслей одним: решение принимает врач и отвечает за него врач, поэтому любая модель здесь работает как «второе мнение», а не как источник вердикта. Это не ограничение переходного периода — это конструктивное требование, и его надо закладывать в архитектуру с первого дня.
Внедрение ИИ в здравоохранение реально работает в трёх местах: помощь в описании инструментальных исследований, структурирование медицинских карт и маршрутизация пациента до приёма. Первое сокращает время описания на 20–40% и не меняет ответственность. Второе превращает неструктурированные записи в данные, на которых потом можно строить всё остальное. Третье снимает нагрузку с регистратуры и колл-центра — там цена ошибки низкая, поэтому это самая быстрая точка входа для клиники.
ИИ в медицине: разработка решений здесь всегда дороже и дольше, чем ожидает заказчик, — не из-за моделей, а из-за персональных данных, требований к регистрации медизделия и необходимости валидации на локальной популяции пациентов. Модель, обученная на чужих данных, на вашем оборудовании и вашей выборке ведёт себя иначе. Валидация — это не формальность, а отдельный этап проекта.
Фарма: разработка лекарств, ИИ и цена ложной гипотезы
Разработка лекарств ИИ-методами ускоряет самую раннюю стадию — отбор молекул-кандидатов, разбор публикаций, планирование экспериментов. Экономия измеряется месяцами на этапе поиска, но не сокращает клинические фазы: там сроки задаются протоколом, а не вычислениями. Цена ошибки в фарме уникальна тем, что ложноположительная гипотеза обнаруживается через годы и стоит бюджета целой программы. Поэтому модели здесь оценивают не по точности, а по тому, насколько они сужают воронку без потери настоящих кандидатов.
В регулируемых отраслях я советую разделять два вопроса: «может ли модель это сделать» и «может ли организация это принять». Первый решается за недели. Второй — за месяцы, и решается он не с ИТ, а с медицинским директором, юристом и главным бухгалтером. Если второй вопрос не задан на старте, пилот доедет до демонстрации и умрёт там. Почему это происходит регулярно, я разбираю в материале про риски и проблемы внедрения ИИ.
Образование и наука: много энтузиазма, мало эксплуатации
Внедрение ИИ в образование даёт эффект в двух точках: проверка типовых работ и персонализация траектории обучения. Первое высвобождает 20–40% времени преподавателя, второе повышает удержание студента в платных программах. Внедрение ИИ в сферу образования тормозит не технология, а бюджет на эксплуатацию: пилот делают на грант или энтузиазме, а денег на поддержку контура в следующем году не закладывают.
ИИ в образовании: проекты, которые доживают до второго года, устроены одинаково — у них есть один измеримый показатель (время проверки, доля доведённых до конца курсов, стоимость обучения одного студента) и один ответственный, у которого этот показатель в KPI. Проекты «внедрим ИИ на кафедре» без такого показателя закрываются вместе с грантом.
Внедрение ИИ в науку — это в первую очередь работа с литературой и данными: обзор публикаций, извлечение параметров экспериментов, первичная обработка результатов. Ограничитель специфический: научный результат должен быть воспроизводим и прослеживаем до источника. Модель, которая даёт правильный ответ, но не показывает, откуда он, в научном контуре бесполезна. Отсюда требование — ссылки на источник в каждом ответе, иначе инструмент не пройдёт внутреннюю проверку.
Госсектор, суды, налоговая и ЖКХ: объяснимость важнее точности
В госсекторе внедрение ИИ ограничено не качеством моделей, а принципом: решение, затрагивающее права человека, не может быть делегировано алгоритму. Поэтому здесь работают только вспомогательные сценарии — классификация и маршрутизация обращений, подготовка проектов типовых документов, аналитика по массиву однотипных дел.
Внедрение ИИ в судах обсуждается именно в этой рамке. Реалистичный контур — это помощь аппарату: поиск по практике, подготовка проекта процессуального документа по шаблону, выявление типовых категорий дел, где решение предсказуемо. Внедрение ИИ в судебную систему в смысле «алгоритм выносит решение» не обсуждается всерьёз ни в одной юрисдикции, и это правильно: цена ошибки — судьба человека, а требование к объяснимости абсолютное. Периодически встречаются и узкие запросы — например, про внедрение ИИ, совещание в Московском областном суде и подобные отраслевые обсуждения; содержательно они всегда сводятся к одному и тому же вопросу о границе между помощью аппарату и принятием решения.
Внедрение ИИ в налоговой со стороны государства — это в первую очередь выявление аномалий в отчётности и типизация обращений. Со стороны бизнеса зеркальная задача: предсказать, какие операции вызовут вопросы, и подготовить обоснование заранее. Вторая задача коммерчески интереснее и обычно окупается через сокращение времени юристов и бухгалтерии на подготовку ответов.
Внедрение ИИ в ЖКХ упирается в данные. Обработка обращений жителей работает сразу — это классическая задача классификации и маршрутизации, эффект 30–60% ручной диспетчеризации. Прогноз аварий на сетях требует телеметрии, которой в большинстве хозяйств нет: история аварий ведётся в журналах, а датчики стоят на 5–15% участков. Без телеметрии предиктивный сценарий превращается в статистику по возрасту труб — это полезно, но это не ИИ.
В ту же категорию «регламент важнее модели» попадают запросы про метрологию и стандартизацию — например, внедрение ИИ в ФБУ «Тюменский ЦСМ» и аналогичные региональные центры. Задача там прикладная: разбор протоколов испытаний, контроль полноты документов, подготовка заключений по шаблону. Сценарий рабочий, но любой результат модели должен быть прослеживаем до пункта методики — иначе его нельзя предъявить.
Стройка, логистика, банки и туризм: где ИИ уже норма
Внедрение ИИ в проектирование даёт самый ощутимый эффект на проверке, а не на генерации. Модель за минуты находит коллизии, несоответствия спецификации и пропущенные разделы — то, на что нормоконтроль тратит дни. Но подпись под проектом ставит человек, и это не изменится. Подробный разбор — в отдельном материале про ИИ в проектировании и строительстве, включая сметы и стройконтроль по фотофиксации.
Внедрение ИИ в логистику — одна из самых зрелых зон. Планирование маршрутов, прогноз спроса для управления запасом, автоматический разбор транспортных документов дают снижение пустого пробега и страхового запаса на 8–20%. Ограничитель здесь не в моделях: данные разнесены по WMS, TMS, 1С и почте, и половина проекта уходит на то, чтобы собрать их в один контур. Как это делается технически, я разбираю в статье про интеграцию ИИ в существующие системы.
Внедрение ИИ в банковскую деятельность — самая зрелая отрасль по факту: скоринг, антифрод, поддержка клиентов и комплаенс работают в промышленном режиме. Специфика в том, что каждое решение нужно уметь объяснить регулятору и клиенту, поэтому банки платят за объяснимость столько же, сколько за точность. Для среднего бизнеса это полезный ориентир: если ваша отрасль движется к регулированию, стройте объяснимость сразу, а не после.
Разработка модели ИИ для туризма — это чаще всего подбор и упаковка предложения плюс динамическое ценообразование. Эффект даёт не генерация описаний туров, а скорость подбора под запрос клиента и удержание маржи при изменении спроса. Главная сложность отраслевая: данные о наличии и цене живут у поставщиков, и качество модели ограничено качеством их выгрузок.
Общая карта показывает направление. На встрече мы находим вашу точку X — процесс, где ИИ даст деньги первым, — и определяем, что нужно построить вокруг него, чтобы результат приняли внутри.
Как пользоваться этой картой
Отраслевая карта нужна не для того, чтобы выбрать технологию, а чтобы понять, сколько обвязки потребует ваша индустрия и в каком порядке идти. Порядок действий одинаков для всех 18 отраслей — меняется только вес третьего и четвёртого шага.
- Найти процесс с деньгамиВзять из таблицы процесс-кандидат по своей отрасли и проверить, что в вашей компании он действительно дорогой: посчитать часы, брак или потери в рублях за квартал.
- Определить цену ошибкиОтветить письменно: что произойдёт, если модель ошибётся в 1 случае из 20, кто это заметит и на каком шаге. Если ответа нет — процесс пока не готов.
- Оценить требование к объяснимостиПонять, кому и что придётся предъявить: клиенту, регулятору, аудитору, суду. От этого зависит архитектура и половина бюджета.
- Проверить цифровой следУбедиться, что входные данные и результат уже фиксируются в системе. Если нет — первый этап проекта не про ИИ, а про фиксацию данных.
- Назначить владельца процессаНе ИТ-директора, а руководителя, чей показатель улучшится. Без него контур не доживёт до второго квартала.
- Заложить эксплуатациюПосчитать стоимость поддержки на год вперёд: мониторинг качества, дообучение, реакция на изменение процесса. Пилоты умирают именно здесь.
Дальше начинается работа по общей схеме — она не отличается по отраслям, и я описал её в материале про этапы и дорожную карту внедрения ИИ. Если хотите сначала посмотреть, как отраслевые сценарии выглядели в реальных проектах и какие из них не окупились, — это в разборе кейсов и примеров внедрения ИИ. А если задача формулируется как «нужен помощник, который сам делает шаги в процессе», а не «нужна модель, которая что-то распознаёт», — смотрите, как устроена разработка ИИ-агентов для бизнеса.
Один процесс, один измеримый показатель, один владелец, шесть–четырнадцать недель до первого результата в проде. Отрасль меняет цену ошибки, требования к объяснимости и срок согласования — но не меняет эту формулу. Компании, которые начинают с «стратегии ИИ» вместо одного процесса, через год имеют стратегию и не имеют результата.
Частые вопросы
Быстрее всего ИИ окупается в продажах, маркетинге, документообороте и логистике — там уже есть накопленные цифровые данные, а цена ошибки модели низкая и обратимая. Первый работающий контур в этих зонах я видел за 4–8 недель. В медицине, металлургии, судах и банковском комплаенсе те же задачи требуют 6–12 месяцев, потому что основная часть работы уходит не на модель, а на контур проверки и ответственности.
С контроля качества по изображению или с разбора причин простоев — это процессы, где потеря уже измерена в рублях и где данные накапливаются быстро. Прогноз отказа оборудования выглядит привлекательнее, но требует истории отказов за несколько лет с привязкой к режимам работы; без неё модель учится на десятке событий и предсказывает шум. Первые 4–8 недель проекта на производстве обычно уходят не на обучение модели, а на построение цифрового следа: связь между кадром, режимом и вердиктом ОТК.
Тем, что решение принимает и подписывает врач, поэтому модель работает как второе мнение, а не как источник вердикта. Это конструктивное требование, а не временное ограничение: архитектуру нужно строить под него с первого дня. Дополнительно добавляются персональные данные, требования к регистрации программного обеспечения как медизделия и валидация на локальной выборке пациентов — модель, обученная на чужих данных, на вашем оборудовании ведёт себя иначе.
Распознавание первичных документов, сверка с контрагентами и предварительная классификация проводок. В проектах, которые я видел, это снимает 40–70% ручного ввода и сжимает закрытие периода на несколько дней. Автоматическое проведение без подтверждения человеком не проходит: цена ошибки равна доначислению, поэтому модель готовит, а бухгалтер утверждает. Выигрыш идёт от скорости подготовки, а не от отказа от контроля.
Нет. Решение, затрагивающее права человека, не делегируется алгоритму ни в одной юрисдикции, и это разумно: цена ошибки — судьба человека, а требование к объяснимости абсолютное. Реалистичные сценарии в судебной системе и госуправлении вспомогательные: поиск по практике, подготовка проектов типовых документов, классификация и маршрутизация обращений, аналитика по массивам однотипных дел. Эффект в таких контурах — снижение нагрузки на аппарат на 20–40% по типовым категориям.
Потому что их запускают на грант или энтузиазм отдельного преподавателя и не закладывают бюджет на эксплуатацию. Внедрение ИИ в сферу образования выживает там, где у проекта есть один измеримый показатель — время проверки работ, доля доведённых до конца курсов, стоимость обучения одного студента — и один ответственный, у которого этот показатель стоит в KPI. Без показателя и владельца проект закрывается вместе с финансированием.
Отсутствие телеметрии. Обработка обращений жителей — классификация и маршрутизация — работает сразу и снимает 30–60% ручной диспетчеризации. А прогноз аварий на сетях требует датчиков и истории отказов, тогда как в большинстве хозяйств история ведётся в журналах, а телеметрия стоит на небольшой доле участков. Без данных предиктивный сценарий вырождается в статистику по возрасту труб — это полезно, но это не ИИ.
Это привязка общей задачи к конкретной организации, учётной системе или регламенту отчётного периода. Содержательно они не меняют логику: сначала считаем, какая доля операций типовая и повторяемая, потом смотрим, какой контроль требует регламент, и только потом обсуждаем модель. Для метрологии и стандартизации прикладные сценарии — разбор протоколов испытаний, контроль полноты документов, подготовка заключений по шаблону, где каждый результат прослеживается до пункта методики.
Сильно, но не из-за модели. В регулируемых отраслях 60–80% бюджета уходит на контур проверки, протоколирования и объяснимости, а не на сам ИИ. Одна и та же задача — извлечение данных из документов — в маркетинге и в банковском комплаенсе отличается по стоимости в разы именно из-за требований к прослеживаемости. Если подрядчик считает вам только модель, он показывает 20–40% реальной стоимости проекта.