ИИ в бизнесе: сценарии внедрения. План на ближайшие 90 дней: практическое руководство

Вступление от авторов

Эта книга родилась из разговора, который раз за разом повторялся у нас с коллегами, партнёрами, слушателями программ MBA и ДПО: «Про ИИ говорят из каждого утюга, мы даже уже что-то попробовали сами, но до сих пор не до конца понятно — как ИИ эффективно использовать в моём бизнесе?»

И за этим вопросом, судя по всему, стоит уже не столько профессиональное любопытство, сколько серьёзная усталость. Сотни презентаций и роликов на онлайн-платформах просмотрены, все курсы пройдены и сертификаты получены, тестовый чат-бот или агент уже где-то запущен, бюджет потрачен, а то и перерасходован, — а внятного экономического эффекта не видно. Или как его правильно оценить? И в любом случае — что со всем этим делать дальше?

Нам особенно запомнилась аналогия, которую привёл один из слушателей программы ДПО. Он сравнил внедрение ИИ в своём бизнесе с дрессировкой любимой собаки:

«Вот я сижу на курсе, слушаю и вижу, что у других собаки могут бегать, прыгать, приносить палочку — столько всего умеют. А моя сидит рядом и ничего этого не может. Она хорошая, я её очень люблю, забочусь о ней. Но от этого она не начинает приносить мне палочку… После модуля я чётко осознал, что моя собака тоже так сможет — её точно можно всему научить. Но пока она по-прежнему сидит рядом и ничего этого не делает. Так с чего начать? И что делать дальше?»

Он не сомневается в том, что дрессированные собаки умеют приносить палочку, — это он уже видел. Он задаётся вопросом, как научить свою. А дрессировка — дело сугубо практическое: с какой команды начать, как понять, что команда усвоена, когда хвалить, а когда менять подход. Смотреть на чужих собак на площадке тут уже мало.

С ИИ в бизнесе ровно то же самое. Чужих успехов вокруг хватает, а методики для своей компании нет: с какого процесса начать, как измерить результат, когда масштабировать, а когда вовремя остановиться. Поэтому мы писали не обзор возможностей ИИ, а практическое руководство — для руководителя или собственника бизнеса, занятого, ответственного за результат и совершенно не обязанного разбираться в технической архитектуре языковых моделей. Чтобы он мог быстро, почти как в справочнике, найти то, что нужно для решения: какой результат реально получить, как его измерить и где у ИИ-проекта конечная точка.

Литературы об искусственном интеллекте уже достаточно много, но практически вся она умещается в два основных направления.

Первый — это популярные книги о будущем и ИИ: интересно читать, но невозможно применить на практике.

Второй — «техническая литература» для разработчиков ИИ: применимо, но сложно для восприятия того, кто принимает решение о бюджете или отвечает за развитие бизнеса.

А вот между этими направлениями — почти пусто. Но ведь управленческое решение принимается как раз в этом промежутке: какой процесс взять первым, сколько это стоит, что потребуется от внутренних служб компании (ИТ, юристы и т. д.), а главное — как понять спустя 3 месяца, что есть эффект от внедрения и как его оценить.

Вот именно эту «пустоту» мы и пытаемся заполнить своей книгой.

Мы старались максимально убрать из книги всё лишнее. Книга устроена как понятный навигатор по знаниям, а не как нудное повествование. Каждая глава отвечает на пять ключевых вопросов: где ИИ создаёт ценность (в отдельной функции бизнеса или для всей отрасли), какие решения реально внедрить за тот бюджет, который есть, и какой эффект ожидать, а также как его измерить, и с чего же начать в ближайшие 90 дней.

Главы о функциях и отраслях (части I–III) построены по одинаковой схеме, а главы о малом бизнесе и практике внедрения (части IV и V) написаны свободнее — вокруг вопросов, которые чаще всего задаёт себе собственник бизнеса. Поэтому книгу не обязательно читать подряд. Руководитель отеля может открыть главу о гостиницах и сервисе, коммерческий директор — главу о продажах, а владелец компании без собственного ИТ-отдела — часть о малом и среднем бизнесе. Методологические главы — о выборе первого проекта, данных, технологии, подрядчике, пилоте, экономике и рисках — будут одинаково полезны всем, независимо от роли в компании или отрасли.

В конце книги мы приводим шаблоны: карта возможностей, паспорт пилота, матрица выбора поставщика, оценка рисков, расчёт эффекта, регламент работы сотрудников с генеративным ИИ, ИИ-стратегия на одну страницу, служебная записка на запуск пилота, чек-лист контроля качества контента и карточка встречи. Их можно взять за основу для своих документов.

В ней не будет истории искусственного интеллекта, объяснения устройства и работы нейронных сетей или прогнозов о том, каким станет мир через десять или двадцать лет. В ней также нет места рассуждениям о том, поработит ли искусственный интеллект человечество и когда это произойдёт.

Ещё в ней нет пустых обещаний. Мы старались не приводить ни одного процесса или цифры без указания источника данных и условий применимости. Там, где убедительных данных нет, мы прямо это говорим. Это скучнее, чем эффектные проценты роста, которые мы часто видим в презентациях, но намного полезнее для тех, кто будет запускать свой проект и тратить реальный бюджет.

И ещё одно: мы не утверждаем, что ИИ заменит людей, и не рассуждаем о том, как он это сделает. Мы описываем другое — как любой сотрудник, будь он директор или менеджер, может отдать ИИ часть своей работы: черновики, поиск и расшифровку информации, классификацию, сверку данных. А ответственность за конечное решение всегда остаётся у человека — и уж тем более в жёстко регулируемых отраслях (медицина, юриспруденция и др.).

Чтобы сэкономить ваше время, мы предлагаем три практических совета для чтения:

Первый: начните с главы о выборе первого проекта. Она задаёт способ мышления, который используется дальше во всей книге.

Второй: читайте книгу, держа свой конкретный бизнес-процесс в голове. Абстрактный вопрос «что нам дал бы ИИ» не имеет правильного ответа. Вопрос «что даст ИИ в обработке наших 12 000 обращений в месяц» — имеет.

Третий: не переносите цифры из книги напрямую на свою компанию. Любая приведённая нами величина — это ориентир из чужого контекста. Ваш базовый уровень измеряется до пилота, только на ваших данных, и только он даёт право говорить об эффекте в конце.

Для собственника компании без своего ИТ-отдела мы рекомендуем короткий маршрут: главы 1–2, затем часть IV (главы 17–19), затем главы 20, 24, 26, 28 и 29. Остальные главы — справочник по вашей функции или отрасли: их удобно открывать, когда дойдёт дело до конкретного процесса.

Цифры в книге взяты из источников разного качества, и мы не хотим, чтобы вы читали отчёт вендора так же, как контролируемый эксперимент (правда сказать, таких ещё относительно немного). Поэтому в заголовке каждого кейса стоят две пометки: уровень доказательности и масштаб компании — например, «Кейс 12 · B · крупный бизнес».

A — исследование с контрольной группой или раскрытой методикой, судебное решение, документ регулятора. На такие цифры можно опираться как на ориентир.

B — названная компания сама публично раскрыла цифры о своём внедрении (отчёт, доклад, пресс-релиз, корпоративный блог), или событие описано независимыми СМИ. Цифры есть, методика замера не раскрыта или не проверена.

C — материал поставщика, интегратора или консультанта; кейс без названия клиента; самоотчёт без методики; неопубликованные данные партнёра книги. Сюда же мы отнесли собственные кейсы авторов: мы знаем их изнутри, но вы не можете проверить наши цифры, и просить верить на слово было бы нечестно.

Правило применения простое: в бизнес-кейс для своей компании переносятся только ориентиры уровня A, и то как гипотеза для пилота. Всё остальное — повод задать вопросы, а не готовые цифры для плана.

Кейсом мы называем только реальное внедрение или событие в конкретной организации. Модельные расчёты, опросы и типовые конфигурации подписаны как таковые и в счёт кейсов не входят. Если компания не раскрыла результатов в цифрах, в кейсе это сказано прямо. Масштаб определён по выручке, как в российских критериях МСП: малый бизнес — до 800 млн, средний — до 2 млрд, крупный — больше; для зарубежных компаний — по сопоставимому масштабу; вузы и другие некоммерческие организации помечены как «крупная организация». Полный реестр кейсов с уровнем, масштабом, классом проекта (глава 20) и источником — в Приложении Г.Срок годности данных

Технологии в этой области меняются быстрее, чем выходят книги. Цены на вычисления падают, модели обновляются, регулирование вводится поэтапно и по-разному.

Поэтому в книге разделены два слоя. Первый — методология: как выбирать процесс, считать эффект, организовывать пилот, управлять рисками. Она устойчива. Второй — конкретные названия сервисов, тарифы и сроки регулирования. Они приведены с датой и ссылкой, и их актуальность следует перепроверять на момент чтения книги. Все правовые положения всегда требуют согласования с юристом применительно к вашей конкретной ситуации: книга не является юридической консультацией.

Рукопись готовилась с использованием генеративных языковых моделей (Perplexity, Claude от Anthropic, Gemini от Google), и мы обязаны об этом сказать. ИИ помогал нам в поиске и предварительном отборе источников, подготовке черновиков отдельных фрагментов текста, таблиц и формулировок, а также в редактуре и проверке внутренней согласованности глав.

Тем не менее все факты, цифры и ссылки, приведённые в книге, мы проверили самостоятельно; окончательные формулировки, выводы и рекомендации — наша авторская ответственность.

Мы придерживаемся здесь того же принципа, который рекомендуем в этой книге бизнесу: ИИ — инструмент, а автор и ответственный за результат — только человек.

Отдельная благодарность — компании GPTunneL, платформе для корпоративного использования генеративного ИИ. Обезличенные данные о кейсах внедрения ИИ в малом и среднем бизнесе (глава 17) предоставлены GPTunneL как партнёром проекта; эти материалы не публиковались ранее и приведены в книге с оговорками о методике расчёта.

Если после прочтения нашей книги вы выберете хотя бы один свой бизнес-процесс, измерите его текущее состояние и запустите один пилот с понятным критерием успеха — книга сделала свою работу. Всё в ней написано только ради того, чтобы вы, наш дорогой читатель, сделали этот шаг. И тогда наш труд был не напрасен, а ваше время потрачено не зря.

Андрей Ветлужский

Андрей Ветлужский — директор Центра цифровых образовательных технологий Высшей школы бизнеса НИУ ВШЭ, сооснователь платформы СВОД (svodx.ru).

Более 20 лет в ИТ и управлении с фокусом на бизнес-результат. Руководит ИИ-проектами: цифровые аватары, чат-боты поддержки, локальные модели для обучения, ИИ-агенты для поиска и сбора лидов. До этого работал на стороне бизнеса — в медицине, ИТ-консалтинге, FMCG и финансах.

Николай Соколов

Николай Соколов — руководитель проектов по ИИ-трансформации и цифровым продуктам (AI PM), AI-инженер Центра цифровых образовательных технологий Высшей школы бизнеса НИУ ВШЭ, сооснователь платформы СВОД (svodx.ru).

Часть I. ИИ как инструмент результата

Вокруг ИИ сегодня множество мифов, и несколько из них особенно живучи. Одни видят в нём технологическую сенсацию, которая вот-вот полностью всё изменит, другие — набор сложных инструментов «исключительно для айтишников». Но эти мифы не дают сформулировать главный вопрос: даст ли ИИ понятный и измеримый результат в моей компании?

Поэтому мы сознательно не строим книгу вокруг сравнения моделей, платформ и вендоров и не рассуждаем о цифровой экономике. Для бизнеса важны абсолютно приземлённые вещи — выручка, издержки, скорость процессов, качество сервиса и решений. Технология, которая не встраивается в эту логику, остаётся красивой демонстрацией возможностей (помните про дрессированную собачку?), и не более того.

ИИ для нас — инструмент результата. Он помогает писать тексты, разбирать документы, прогнозировать спрос, снимать рутину и готовить решения. Но оценивать мы с вами его должны только по одному признаку: насколько объективно улучшился реальный процесс и можно ли этот эффект повторить.

В этом ключе построена вся книга. Сначала — где ИИ создаёт ценность в функциях и отраслях бизнеса, затем — в чем особенности малого и среднего бизнеса, и, наконец, как пройти путь от первого замера до результата, который признает финансовый директор или собственник компании.

Глава 1. Что в этой книге понимается под ИИ

· Под словом «ИИ» скрываются пять технологий с разной ценой и риском: машинное обучение, генеративные модели, компьютерное зрение, речь и агенты.

· Выбирать нужно не «ИИ вообще», а уровень автоматизации: классификация, черновик для сотрудника или автономный ответ.

· Любой проект начинается с данных и ответа на вопрос, где результат проверяет человек.

Когда на совещании звучит «давайте внедрим ИИ», каждый, как правило, представляет себе что-то своё: один — чат-бот на сайте, другой — инструмент прогноза спроса, третий — «умные» камеры на складе. И все по-своему правы, потому что под словами «искусственный интеллект», или просто «ИИ», в деловом разговоре скрываются пять разных групп технологий — с разной стоимостью, разной степенью зрелости и абсолютно разными рисками. Смешивать их опрометчиво — под одним и тем же словом может обсуждаться и проект за 200 тыс. , и проект за 50 млн. Поэтому, прежде чем решать, нужен ли ИИ моему бизнесу, стоит разобраться, о какой именно технологии ИИ идёт речь.

Рассмотрим подробнее пять групп ИИ-технологий:

1. Машинное обучение на структурированных данных. Прогноз спроса, оценка риска, вероятность оттока, антифрод. Технология зрелая, требует истории данных и даёт численный результат, который легко проверить.

2. Генеративный ИИ на больших языковых моделях. Черновик текста, ответ по документам, извлечение данных, перевод, резюме звонка. Внедряется быстрее всего, но выдаёт правдоподобные ошибки и потому требует проверки.

3. Компьютерное зрение. Контроль качества на производстве, распознавание документов, аналитика в торговом зале. Нужны размеченные изображения и стабильные условия съёмки: смена камеры или освещения бьёт по точности сильнее всего.

4. Речевые или голосовые технологии: распознавание речи, синтез, голосовые роботы, речевая аналитика. Им нужны записи разговоров и интеграция с телефонией, а результат сильно зависит от качества записи — и от того, как клиент воспримет разговор с роботом.

5. Интеллектуальная автоматизация и агенты: сценарии, где модель не только отвечает, но и выполняет последовательность действий в системах компании. Ошибка здесь — уже не неудачный текст, а действие с последствиями.

Чтобы не запутаться в этих пяти группах, мы свели их в одну таблицу: что делает каждая технология, для каких задач подходит, что ей нужно на входе и в чём её главный риск.

Эту таблицу удобно держать под рукой, когда вам в очередной раз предлагают «внедрить ИИ».

Общее правило: обработка чисел — задача машинного обучения, текста — генеративного ИИ, изображений — компьютерного зрения, речи — речевых технологий, действий в системах — агентов или мультиагентных систем.

Это правило мы умышленно несколько упростили для лучшего запоминания, но на практике вы чаще встретитесь с сочетанием нескольких типов ИИ-технологий в рамках одного проекта. Тем не менее нам показалось важным привести его здесь, чтобы дать базовое понимание, что, обсуждая проект с ИИ, мы можем, например, одновременно говорить и про генеративные модели, и про компьютерное зрение, называя их одним термином «ИИ».

Возьмём одну конкретную задачу — обработку входящего обращения клиента — и разберём три разных уровня реализации, объединённых одним термином «ИИ».

Уровень 1. Классификация. Модель определяет тему обращения и направляет его нужной группе. Нужны размеченные обращения за 6–12 месяцев. Ошибка стоит дёшево: неверная маршрутизация исправляется человеком (технология — машинное обучение).

Уровень 2. Черновик ответа. Языковая модель находит фрагменты базы знаний и предлагает оператору текст. Оператор правит и отправляет. Ошибка модели не доходит до клиента (технология — генеративные модели).

Уровень 3. Автономный ответ. Модель отвечает клиенту без человека. Ошибка сразу доходит до клиента (технология — генеративная модель с поиском по базе знаний; если система ещё и выполняет действия в учётных системах, это уже агент).

Во всех трёх случаях технологию называют «ИИ», но управленческие последствия у них принципиально разные — от дешёвой ошибки маршрутизации до ответа, который уходит клиенту без проверки. Поэтому выбирать стоит конкретный уровень автоматизации для конкретного типа обращений. Начинать — с классификации и черновиков под контролем оператора, а автономные ответы доверять системе только в узких, типовых и хорошо регламентированных запросах, где цена ошибки приемлема.

Массовое использование ИИ уже произошло, финансовый эффект — еще нет. В опросе McKinsey 2026 года почти девять из десяти респондентов сообщили, что их организации регулярно применяют ИИ хотя бы в одной функции, при этом 37% относят к ИИ хотя бы часть EBIT (операционной прибыли до вычета процентов и налогов), и эта доля за год практически не изменилась [92].

Разрыв между использованием и эффектом — главный факт, из которого исходит эта книга. Он означает, что вопрос «внедрять или не внедрять ИИ» уже не стоит. Более актуален другой вопрос — как получить измеримый результат именно в моей компании? Вот на него мы пытаемся ответить.

План на следующие 90 дней:

Шаг 1. Составьте список того, что в компании уже называют ИИ. Обычно обнаруживается несколько несвязанных инициатив, купленных разными подразделениями.

Шаг 2. Разнесите их по пяти типам технологий из таблицы выше. Для каждой зафиксируйте: какая задача, чей процесс, какие данные, кто проверяет результат.

Шаг 3. Уберите дубли и инициативы без владельца процесса. Оставьте не более трёх процессов.

Шаг 4. По каждому оставшемуся процессу определите базовый уровень процесса в цифрах. Без этого замера дальнейшее обсуждение эффекта беспредметно.

Важно!

· Не обсуждайте «ИИ вообще»: для каждой инициативы называйте технологию, процесс и задачу.

· Для каждой инициативы определите владельца процесса и способ проверки результата человеком.

Любой ИИ-проект начинается с простого вопроса — какие данные у меня уже есть и можно ли им доверять? Технологии различаются требованиями к данным, но принцип у всех один — модель не создаёт достоверные данные из ничего. Она использует то, что организация уже накопила, — документы, обращения клиентов, записи звонков, транзакции и журналы операций. Поэтому качество ИИ-решения почти всегда ограничено качеством данных и процессов, на которых оно построено.

Для задач машинного обучения нужны цифровые данные за достаточный период — например, история продаж, обращений, отказов или просрочек. Важно, чтобы данные были связаны с фактическим результатом: у обращения есть тема и итог обработки, у лида — статус в CRM, у заказа — дата и сумма. Для многих прикладных сценариев требуется размеченная история за 6–12 месяцев, хотя необходимый период зависит от частоты событий, сезонности и сложности задачи. Если в CRM нет актуальных статусов или сотрудники ведут данные по-разному, модель просто выучит ошибки процесса.

Для генеративного ИИ и RAG-систем главный актив — актуальная база знаний: регламенты, договорные шаблоны, описания продуктов, прайс-листы и другие документы, на которые модель опирается при подготовке ответа. Файлов обычно хватает, проблема в их состоянии — документы дублируются, противоречат друг другу, не имеют владельца, содержат устаревшие цены или существуют только в плохих сканах. Больше информации модель надёжнее не сделает — она просто будет уверенно пересказывать противоречивые или уже не действующие правила.

Для задач компьютерного зрения нужны изображения или видео с понятной разметкой — например, снимки товара с отмеченным дефектом или фотографии документов с выделенными полями. Помимо объёма и разметки, важны стабильные условия съёмки: ракурс, освещённость, камера, фон. Модель, обученная на качественных фотографиях из одного цеха или магазина, может работать заметно хуже в другом, где меняются камера, свет или расположение объекта. Поэтому проверять систему на пилоте нужно в реальных условиях — в том самом цехе, где ей предстоит работать.

Для речевых сценариев — расшифровки звонков, контроля качества диалогов, голосовых помощников — требуются записи разговоров, корректные метаданные и интеграция с телефонией. Вместе с аудио полезно сохранять дату, тип обращения, результат разговора и данные CRM. Тогда ИИ сможет связать содержание разговора с бизнес-результатом — продажей, жалобой или отказом клиента. Правовые основания обработки записей, правила доступа, сроки хранения и порядок обезличивания персональных данных нужно определить заранее.

Агентным системам мало базы знаний или истории операций — агенту нужен контролируемый доступ к рабочим системам: CRM, ERP, почте, базе документов. Именно доступы делают агента полезным, и именно они создают наибольший риск: система может сама создать заявку, изменить статус клиента, отправить сообщение или запустить платёж. Поэтому права даются по принципу минимально необходимых, а все действия фиксируются в журнале: что сделал агент, на основании каких данных, когда, кто это утвердил и, главное, можно ли действие отменить.

Общее правило: ИИ не создаёт порядок в данных автоматически — он делает существующий порядок или беспорядок быстрее, масштабнее и убедительнее.

Компания без актуальных регламентов, единой базы знаний и дисциплины ведения данных рискует получить от модели не надёжного помощника, а аккуратно и доступно сформулированный хаос.

Главная особенность генеративных моделей — способность формировать правдоподобный, связный и уверенно звучащий ответ даже тогда, когда он основан на неверных, неполных или устаревших данных. Такое явление называют галлюцинацией. В отличие от обычного технического сбоя, галлюцинация редко выглядит как ошибка: модель не сообщает, что не уверена, а может привести убедительное объяснение, несуществующую ссылку, неверное правило или придуманный факт. Опасна не столько сама ошибка, сколько то, что её не замечают — пока ответ не ушёл клиенту, не лёг в договор или в управленческое решение.

Общее правило: чем дороже или необратимее последствие ошибки, тем ближе человек должен находиться к моменту принятия и исполнения решения.

В задачах классификации обычно достаточно выборочного контроля: руководитель или специалист регулярно проверяет часть решений модели, оценивает точность и корректирует правила при обнаружении систематических ошибок. В задачах подготовки черновиков контроль должен происходить до внешнего действия: сотрудник читает, исправляет и утверждает текст перед отправкой клиенту, публикацией, внесением в документ или передачей в другую систему. В задачах, где ИИ может самостоятельно выполнить действие, нужен более строгий режим: заранее определённые границы полномочий, подтверждение человеком для критичных операций, возможность отмены, журнал всех действий и постоянный мониторинг отклонений.