ИИ убил мои отмазки

Все попробовали. Большинство разочаровались.

Посмотрите вокруг. В каждом втором посте про бизнес — нейросети. На каждой конференции — доклад про ChatGPT. В каждом офисе — хотя бы один человек, который уже всё это протестировал. И при этом большинство компаний работают ровно так же, как работали два года назад. Без роста. Без ускорения. С теми же проблемами.

Почему?

Потому что ИИ продали как революцию. А купили как таблетку. Выпил — и всё прошло. Конкуренты позади. Клиенты идут. Деньги растут. Но таблетка не сработала. И теперь те же люди говорят: мы попробовали, нам не подошло.

У меня почти двадцать лет в маркетинге и 859 кейсов с реальными клиентами. Я наблюдал три волны технологического энтузиазма — появление социальных сетей, мобильный маркетинг и теперь ИИ. Каждый раз паттерн одинаковый: инструмент настоящий, ожидания нереальные, разочарование предсказуемое.

Но есть кое-что, что отличает нынешнюю волну от предыдущих. ИИ — не просто новый канал или новая платформа. Это первый инструмент, который реально меняет соотношение скорости и качества в интеллектуальном труде. Написать стратегию. Проанализировать конкурентов. Сгенерировать варианты текста. Разобрать отзывы клиентов. Всё это ускоряется в пять, десять, иногда двадцать раз.

И именно поэтому цена неправильного применения — выше, чем когда-либо прежде. Если вы ускорили не то — вы быстрее движетесь не туда.

Разберём, где именно ломается большинство. Шесть ошибок, которые воспроизводятся снова и снова — в агентствах, корпорациях, стартапах и образовательных центрах.

Цифры, которые никто не хочет слышать

Прежде чем разбирать ошибки — данные. Не оптимистичные прогнозы венчурных фондов, а реальные цифры о том, что происходит прямо сейчас с теми, кто уже внедрил ИИ.

Источник

Что измеряли

Результат

MIT Sloan Management Review, 2024

300+ реальных внедрений ИИ в бизнесе

95% — нулевая отдача на инвестиции

RAND Corporation, 2024

ИИ-проекты vs обычные IT-проекты

80%+ проваливаются — вдвое хуже IT

Gartner, 2026

Проекты без AI-ready данных

60% будут закрыты до получения результата

S&P Global, 2025

Компании, внедрявшие ИИ в 2023–2025

42% свернули большинство инициатив

Gartner, 2026

Руководители маркетинга

Только 23% фиксируют явное улучшение

Boston Consulting Group, 2024

ROI от ИИ в зависимости от зрелости процессов

Разрыв в 4,5x между готовыми и неготовыми

Это не пессимизм — это ориентиры. Если вы знаете, где ломается большинство, вы можете не ломаться там же. Посмотрим на каждую из шести ошибок детально.

Ошибка первая. Автоматизировали не то

Представьте прожектор. Мощный, современный, дорогой. Вы включаете его в тёмной комнате, где царит полный беспорядок. Что вы увидите? Беспорядок. В высоком разрешении, в ярком свете, во всех деталях. Прожектор сработал отлично. Но легче от этого не стало.

Именно это происходит с большинством внедрений ИИ.

Самая частая картина. Бизнес буксует. Продажи не растут. Клиенты уходят. Руководитель решает: надо автоматизировать. Берёт ИИ и автоматизирует операции — то, что под рукой и что легко поддаётся автоматизации. Отчёты генерируются за минуты. Контент выходит каждый день. Письма пишутся в три раза быстрее. Но продажи не растут. Клиенты продолжают уходить.

Потому что узкое место было не в операциях.

Оно было в стратегии. Или в продукте. Или в том, что никто в компании не понимал, кто целевой клиент и почему он вообще должен выбрать именно вас. ИИ ускорил не то. И теперь хаос происходит быстрее и в большем объёме.

Откуда берётся эта ошибка

Логика, которая приводит к ней, выглядит разумно на поверхности. Компания видит, что тратит много времени на операционные задачи. ИИ хорошо справляется с операционными задачами. Значит, внедряем ИИ в операции.

Проблема в том, что время на операции — это симптом. Не болезнь. Болезнь — это неработающая воронка продаж, или продукт, который не попадает в запрос рынка, или ценообразование, которое отпугивает нужных клиентов. Когда вы автоматизируете симптом, болезнь остаётся. Просто симптом теперь проявляется быстрее.

Консультант Лилак Буллок провела аудит двенадцати провальных внедрений ИИ у реальных клиентов в 2024 году. Первый и главный паттерн, который она зафиксировала: через шесть недель после внедрения технический воркфлоу работает, а бизнес-метрика не двигается. В одиннадцати из двенадцати случаев причина была одна — проблема находилась в стратегии или в продажах, а автоматизировали операции.

Кейс: когда ИИ ускорил движение не туда

В 2024 году я работал с digital-агентством из десяти человек. Руководитель потратил два месяца на внедрение ИИ в производство контента. Результат впечатлял: команда стала выпускать материалы в четыре раза быстрее. Контент-план на месяц закрывался за три дня вместо двенадцати.

Через квартал мы сели и честно посмотрели на цифры. Клиентов не прибавилось. Выручка не выросла. Загрузка команды снизилась — не потому что стало меньше работы, а потому что работа заканчивалась раньше, а новых проектов не было.

Мы провели разговор, который должны были провести раньше. Что является узким местом в этом бизнесе прямо сейчас? Ответ оказался очевидным, как только его произнесли вслух: продажи. Отдел продаж состоял из одного человека — самого руководителя, который в среднем тратил на активные продажи от силы час в день. Остальное время уходило на управление, клиентские встречи и производство.

ИИ ускорил производство, которое и так справлялось. Но в воронку почти никто не заходил. Два месяца работы — ноль роста выручки. Не потому что ИИ плохой. Потому что автоматизировали не то.

Как найти настоящее узкое место

Есть три вопроса, которые дают честный ответ быстрее любого аудита:

Если бы прямо сейчас у вас было вдвое больше входящих лидов — ваша команда справилась бы с ними без потери качества? Если нет — узкое место в производстве или доставке. Туда смотрим.

Если бы ваша команда работала вдвое быстрее — продажи выросли бы? Если нет — узкое место в маркетинге, воронке или самом предложении. Туда смотрим.

Если бы стоимость привлечения одного клиента упала вдвое — вы смогли бы масштабировать бизнес? Если нет — узкое место в продукте, удержании или экономике юнита. Туда смотрим.

Ответ на эти три вопроса даёт карту. ИИ направляется туда, где на вопрос отвечают «да».

Правило первое:

Прежде чем автоматизировать — найдите реальное узкое место. Не то, что кажется узким. Не то, что легче всего автоматизировать. То, где замедление больнее всего бьёт по бизнес-результату.

Ошибка вторая. ИИ на хаос

Небольшая анимационная студия. Историю подробно разобрал Digiday в 2024 году. Основатель студии поверил в ИИ как в спасение бизнеса, который находился под давлением из-за роста конкуренции и снижения маржи. Он внедрил генеративные инструменты везде: ИИ-войсоверы заменили актёров озвучки, ИИ-изображения — иллюстраторов, ИИ-тексты для блога — копирайтеров. Быстро. Дёшево. Масштабируемо.

Через несколько месяцев студия ушла в банкротство.

Что произошло в деталях. ИИ-войсоверы убрали живую энергию из ключевого этапа производства — именно того, за что студию выбирали клиенты в нишевом B2B-сегменте. Блог, который должен был строить репутацию экспертов в сложных научных темах, начал цитировать несуществующие исследования. Компания, которая продавала умение объяснять сложное понятно и достоверно, публиковала красиво оформленную бессмыслицу. Несколько клиентов заметили фактические ошибки и написали в социальных сетях. Репутация рухнула быстрее, чем обычно, — потому что производительность выросла и ошибки тиражировались масштабнее.

Это не история про плохой ИИ. Это история про то, что происходит, когда мощный инструмент накладывают на неподготовленную основу — без описанных процессов, без стандартов качества, без системы проверки.

Масштаб операционных рисков

По данным Gartner за 2026 год, 64% компаний, развернувших ИИ-агентов в продуктивной среде, столкнулись хотя бы с одним значимым сбоем в течение первого года работы. Специалисты по управлению рисками оценивают последствия вирусного ИИ-инцидента в 10 миллионов долларов и выше — с учётом юридических претензий, репутационных потерь и операционных последствий.

IBM Institute for Business Value в исследовании 2024 года выделил три главных последствия «ИИ на хаос»: ускоренное производство ошибочного контента, размытие ответственности между ИИ и человеком, и потеря доверия клиентов быстрее, чем компания успевает обнаружить источник проблемы.

Принцип Garbage In — Garbage Out в эпоху ИИ

В индустрии данных есть старая формула: мусор на входе — мусор на выходе. С ИИ это правило работает с одним опасным дополнением.

Мусор на выходе теперь выглядит профессионально.

Он структурирован. Оформлен. Написан без орфографических ошибок. У него есть заголовки, подзаголовки, маркированные списки. Он форматирован под корпоративный стиль. Его можно принять за правду и опубликовать без проверки. Именно это и произошло с анимационной студией.

Раньше некачественный контент был виден сразу — его выдавали опечатки, неструктурированность, очевидные ошибки. Сейчас некачественный контент выглядит как качественный. Единственный способ отличить одно от другого — экспертная проверка. А именно её часто убирают первой, когда внедряют ИИ.

Три контрольных вопроса

До того как внедрить ИИ в любой процесс, задайте три вопроса:

Если этот процесс ускорится в пять раз — кто именно будет проверять качество каждого результата, и как выглядит эта проверка на практике?

Есть ли у вас письменно зафиксированный стандарт того, что считается хорошим результатом в этом процессе?

Что произойдёт с клиентом или репутацией, если ИИ ошибётся и это не будет замечено в течение двух недель?

Если хотя бы на один из этих вопросов нет чёткого ответа — внедрение преждевременно.

Правило второе:

Прежде чем включить ИИ в процесс — убедитесь, что процесс описан, стандарт качества зафиксирован, а человек с правом проверки назначен. Иначе вы ускоряете не работу, а ошибки.

Ошибка третья. Ценообразование не перестроили до ускорения

История, которую я наблюдал несколько раз в разных вариациях — и каждый раз с одинаковым финалом.

Агентство внедряет ИИ. Производительность вырастает: контент выходит быстрее, отчёты готовятся за часы вместо дней, брифы пишутся за минуты. Команда та же. Клиенты те же. Но скорость — другая.

Крупнейший клиент замечает, что работа делается быстрее, и задаёт логичный вопрос: если вы теперь тратите меньше времени, почему я плачу столько же? Агентство оказывается в ловушке. Возразить нечего — потому что модель ценообразования была построена на часах, а часы сократились.

В аудите Лилак Буллок одно из агентств утроило выпуск контента после внедрения ИИ. Та же команда. Те же клиенты. Но в три раза больше материала за тот же срок. Звучало как победа. Но через квартал крупнейший клиент заметил скорость и попросил снизить ретейнер. Выручка агентства упала на 30%.

Данные рынка: тренд уже идёт

По данным Gartner за 2026 год, 38% американских digital-агентств уже перешли хотя бы на одном направлении с почасовой оплаты на оплату за результат. Ещё 29% получают прямое давление от клиентов со ссылкой на ИИ-производительность. Полностью value-based pricing охватывает 14% всех агентских услуг в США — рост на 9 процентных пунктов с 2024 года.

Средний срок окупаемости ИИ-инструментов сократился с 7,8 месяца в 2024 году до 4,2 месяца в 2026-м. Клиенты это считают и делают выводы. Тренд нельзя игнорировать: рынок движется в сторону оплаты за результат, а не за время.

Как выглядит разрыв в деньгах

Показатель

Модель: оплата за часы

Модель: оплата за результат

Договорная ставка

$3 000 / мес

$4 500 / мес

Часов до ИИ

40 ч / мес

Не учитывается

Часов после ИИ

15 ч / мес

Не учитывается

Давление клиента после ИИ

Снизить до $1 125

Отсутствует

Маржа агентства после ИИ

Падает в 2,7 раза

Растёт

Стимул улучшать качество

Нет (больше часов = больше денег)

Да (результат = доход)

Как перейти: три шага до ускорения

Ключевое слово — до. Переговоры о модели ценообразования с клиентом, который уже видел вашу новую скорость, — это переговоры с позиции слабости. Переговоры до внедрения — это разговор о будущей ценности, а не объяснение, почему цена не должна снизиться.

Зафиксируйте базовые показатели клиента: текущий охват, количество лидов, конверсию, стоимость привлечения. Это исходный уровень, от которого будет считаться результат.

Договоритесь о целевых показателях и горизонте: за шесть месяцев мы обеспечиваем X% рост лидов. Оплата привязана к этому результату. Инструменты — ваш выбор.

Установите базовый ретейнер плюс performance-часть. Базовый ретейнер покрывает постоянные издержки. Performance-часть даёт клиенту ощущение справедливости, а агентству — стимул.

Правило третье:

Переходите на value-based pricing до того, как ускорились. Не после. Клиент, который уже видел вашу скорость, будет использовать её как аргумент для снижения цены. Клиент, с которым вы перестроили модель до ускорения, видит только рост результата.

Ошибка четвёртая. Нет экспертизы — нет результата

Нейросеть не научит вас маркетингу. Она усилит то, что уже есть в голове. Если есть знания — умножит их в десять раз. Если знаний нет — умножит незнание. И выдаст его красиво оформленным, уверенным тоном.

Это опасно именно потому, что выглядит убедительно.

Данные о разрыве в компетенциях

Исследование маркетинговых команд 2026 года показало тревожную картину:

Показатель

Результат

Маркетологи, получившие специализированное обучение работе с ИИ

17%

Маркетологи, не получившие никакого обучения вообще

32%

Описывают своё обучение как «слишком общее для практики»

20%

Рост успешности проектов при обучении до внедрения

+43%

Точность промптов после спецобучения (данные IBM, 2024)

+56%

Скорость внедрения у обученных vs необученных (IBM, 2024)

+38%

31 из каждых 100 маркетологов работают с ИИ-инструментами практически без подготовки. Ещё 20 прошли обучение, которое сами считают бесполезным. Итого — больше половины рынка работает с мощным инструментом вслепую.

Один инструмент — два мира

Возьмём конкретный пример. Два маркетолога. Один инструмент. Одна секунда на ответ. Разные результаты.

Маркетолог без экспертизы пишет:

Напиши продающий текст для главной страницы моего digital-агентства.

Маркетолог с опытом пишет:

Ты — директор по маркетингу B2B digital-агентства с опытом работы 15 лет. Проанализируй три главных страха потенциального клиента агентства в момент, когда он читает сайт и думает о том, стоит ли обратиться. Для каждого страха — сформулируй конкретный аргумент, который снимает возражение. Оформи как вступительный блок для главной страницы сайта агентства. Тон — уверенный, без корпоративных клише, с конкретикой.

Первый получит шаблон. Второй — инструмент продаж.

Но вот что важно: второй смог написать этот запрос только потому, что знает, как работают продажи в digital-агентстве. Знает, какие страхи у клиентов. Умеет переводить это знание в правильную постановку задачи. ИИ обработал задачу — он не придумал её.

Парадокс уверенности

Есть ещё один аспект, о котором говорят редко. ИИ не только усиливает знания — он усиливает уверенность в себе. Человек, который немного разбирается в теме, получает от ИИ красиво структурированный ответ и начинает думать, что разбирается глубоко.

В маркетинге это особенно опасно. ИИ хорошо знает общие закономерности — то, что написано в тысячах статей и учебников. Но он не знает специфику вашего рынка, вашей аудитории, вашей истории с конкретными клиентами. Когда человек без экспертизы слышит уверенный ответ ИИ, он принимает обобщение за истину применительно к своей ситуации.

Результат: стратегии, которые звучат правильно и не работают. Тексты, которые выглядят профессионально и не продают. Решения, которые кажутся обоснованными и приводят не туда.

Что значит «уметь работать с ИИ» в маркетинге

Это не набор горячих клавиш и не умение написать «действуй как». Это три вещи:

Знать, какую роль давать модели в зависимости от задачи. Аналитик, критик, копирайтер, стратег, редактор, devil's advocate — это разные режимы, и каждый даёт разный результат.

Уметь ставить задачу через контекст. Не «напиши текст», а «вот ситуация, вот что я знаю о клиенте, вот что важно для аудитории, вот результат, который нужен».

Знать, где ИИ ошибается именно в вашей теме. В маркетинге это чаще всего местная специфика, актуальность данных (модель не знает последних изменений рынка) и нюансы аудитории конкретного региона.

Правило четвёртое:

Инвестируйте в обучение до внедрения. Три часа изучения того, как правильно работать с ИИ именно в вашей задаче, дают больше, чем три месяца попыток угадать правильный запрос методом проб и ошибок.

Ошибка пятая. Коллекционирование вместо внедрения

Есть отдельная категория людей, которые не разочаровались в ИИ — потому что так и не дошли до результата, чтобы разочароваться.

Они коллекционируют. Новый инструмент, новый промпт, новая подписка. Тест, восторг, скриншот в Telegram, обсуждение с командой — и следующий тест. Каждую неделю появляется что-то новое. Движение есть. Прогресса нет.

Разрыв между расходами и результатами

В 2026 году глобальные расходы на ИИ-инструменты в маркетинге достигли 48,8 миллиарда долларов. Средняя команда среднего бизнеса тратит 3 400 долларов в месяц на ИИ-инструменты — против 1 200 долларов в первом квартале 2025 года. Рост почти в три раза за год.

По данным Martech Alliance 2025 года, средний маркетолог подписан на 7,3 ИИ-инструмента, но регулярно использует только 1,8. Четыре из пяти оплаченных инструментов — коллекция, а не рабочий стек.

При этом только 23% маркетинговых руководителей фиксируют явное улучшение кампаний от ИИ. Деньги на инструменты утроились. Результат — у каждого четвёртого. Разрыв между вложениями и отдачей не сокращается — он растёт.

Почему коллекционирование так привлекательно

Это не лень. Это рациональное поведение в условиях неопределённости — только с неправильным результатом.

Тестировать новый инструмент — приятно и безопасно. Это даёт ощущение движения. Восторг открытия. И никакого риска: нет обязательства, нет ответственности за результат, нет необходимости менять сложившиеся процессы. Если инструмент не понравился — просто переходишь к следующему.

Внедрение — другое. Это выбор одного инструмента и отказ от остальных. Это несколько недель без видимого результата, пока процесс перестраивается. Это риск, что не сработает — и тогда придётся объяснять, почему потратили время. И именно этого риска большинство избегает, снова переходя к очередному тесту.

Но результат есть только там, где есть внедрение. Не там, где есть тест.

Диагностика: найдите свой коллекционный долг

Возьмите чистый лист и честно ответьте на два вопроса. Не примерно, а с конкретными числами:

Сколько ИИ-инструментов или подходов вы протестировали за последние двенадцать месяцев?

Сколько из них встроены в ваш регулярный рабочий процесс и дают измеримый результат прямо сейчас?

Разрыв между первым и вторым числом — это ваш коллекционный долг. Время, деньги и внимание, потраченные без отдачи. У большинства людей, с которыми я работаю в агентском и образовательном бизнесе, первая цифра — от десяти до двадцати. Вторая — один или два.

Как выглядит настоящее внедрение

Это не «я попробовал и понравилось» и не «иногда использую». Внедрение выглядит так:

Есть конкретный процесс: что делается, кем, на каком шаге появляется ИИ.

Есть базовая метрика: сколько это занимало раньше, каков был результат.

ИИ встроен в процесс постоянно: не «иногда спрашиваю», а каждый раз, на конкретном шаге.

Через восемь недель — сравнение: время до против после, качество до против после.

Всё остальное — тестирование. Тестирование ценно. Но результат даёт только то, что доведено до конца.

Правило пятое:

Остановитесь. Выберите один процесс, который нужно улучшить. Выберите один инструмент. Дайте себе восемь недель на внедрение с измеримым результатом. Только после этого — следующий инструмент. По данным Школы управления СКОЛКОВО, компании, которые начинают с одного пилота и доводят его до результата, получают ROI в 3–5 раз выше тех, кто запускает несколько направлений параллельно.

Ошибка шестая. Убрали человека из процесса

Агентство в Касабланке — тот самый TechNetExperts из следующей главы — попробовало автоматизировать письма клиентам. Не все письма, только регулярные обновления по проектам. Шаблоны были хорошие. ИИ их заполнял быстро.

Один из ключевых клиентов написал в ответ: «Ваши письма стали как от службы поддержки банка». Эксперимент закрыли в ту же неделю.

Это не значит, что нельзя использовать ИИ в коммуникациях. Это значит, что в конкретных задачах присутствие живого человека — это и есть продукт. И там, где клиент платит за отношения, автоматизация отношений разрушает то, за что платят.

Два уровня человеческого контроля

Gartner в 2026 году описывает эволюцию от одной модели надзора к другой: