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

Глава 2. Где возникает экономический эффект

Коротко о главе

· Эффект возникает в пяти местах: выручка, затраты, скорость, качество решений, управление рисками.

· Сэкономленное время само по себе не становится деньгами.

· Методику расчёта согласуйте с финансовым директором до старта проекта, иначе эффект невозможно будет подтвердить.

Любой разговор об ИИ-проекте в конце концов упирается в деньги, и это правильно. Деньги почти всегда находятся в одном из пяти мест: выручка, затраты, скорость, качество решений и управление рисками. Всё остальное — в той или иной мере производное от них.

Однако здесь есть неочевидный перекос. Во-первых — в финансовых ожиданиях, которые зачастую сильно завышены. Рост производительности сотрудника и рост прибыли компании — абсолютно разные по финансовой стоимости события. Как мы сказали ранее (см. главу 1), массовое использование ИИ пока не даёт роста EBIT у большинства компаний. Сэкономленное время сотрудников само по себе не превращается в деньги — оно либо уходит в дополнительный объём работы, либо позволяет отказаться от внешних расходов, либо просто растворяется в рабочем дне.

Во-вторых — в том, куда вкладываются деньги. Более половины бюджетов на генеративный ИИ уходит в продажи и маркетинг, а наибольшая финансовая отдача, по данным исследований, в бэк-офисе — там, где ИИ позволяет отказаться от внешнего аутсорсинга и упростить рутинные операции [45].

У каждого из пяти источников своя механика, свои типовые сценарии и свой способ измерения. Последний столбец подсказывает, когда эффект только кажется эффектом.

Первая линия поддержки. Эффект в затратах. Считается через стоимость обращения и долю обращений, закрытых без оператора. Проверяется просто, поэтому это частый первый проект.

Подготовка коммерческих предложений. Эффект в скорости и выручке. Опасность в том, что экономия времени менеджера превращается в деньги только при росте числа сделок, а не числа отправленных документов.

Закрытие месяца в бухгалтерии. Эффект в скорости и качестве. Измеряется днями закрытия и количеством корректировок. Экономия здесь чаще снимает сверхурочную нагрузку, чем сокращает штат — это реальный, но не денежный эффект, и его нужно называть честно.

Контроль качества на производстве. Эффект в потерях: доля брака, попавшего к клиенту, и стоимость возвратов. Здесь эффект попадает в финансовый результат быстрее всего: каждый не дошедший до клиента дефект — это сразу минус возврат.

Чтобы понять, с какого сценария начать, достаточно простой формулы:

Приоритет сценария = ценность × реализуемость × готовность данных.

Ценность оценивается в деньгах за год: объём операций × стоимость операции × ожидаемая доля улучшения.

Реализуемость — наличие интеграций, срок до первого измеримого результата, согласуемость с информационной безопасностью и юристами.

Готовность данных — есть ли нужные данные в одном источнике и можно ли им доверять.

Общее правило: в работу берутся сценарии с высокой оценкой по всем трём множителям. Сценарий с огромной ценностью и нулевой реализуемостью даёт ноль.

Это упрощённая версия формулы для быстрой прикидки. Полную матрицу приоритизации из шести взвешенных критериев — для отбора самого первого проекта — см. в главе 20.

Какой бы сценарий вы ни выбрали, у него есть пять обязательных KPI, и базовый уровень каждого фиксируется до пилота. Стоимость единицы операции — это полные расходы процесса, делённые на число операций; базой служит замер за 1–3 месяца до пилота. Время цикла — медиана от поступления до закрытия, и замерять её нужно по системе, а не по ощущениям.

Доля операций без участия человека берётся из журнала системы; до пилота она обычно близка к нулю. Долю ошибок и переделок определяют выборочной проверкой 100 случаев — и до пилота её замеряют той же методикой.

Пятый показатель — эффект, признанный финансовой службой: сокращение расходов или прирост выручки по методике, согласованной до старта. Он ключевой. Если финансовый директор не согласовал методику до пилота, после пилота он этот эффект не признает.

План на следующие 90 дней:

Шаг 1. Выберите три процесса с большим объёмом однотипных операций и понятным владельцем. Объём важнее сложности: эффект масштабируется количеством.

Шаг 2. Измерьте базовый уровень по пяти KPI выше. Согласуйте методику расчёта с финансовой службой письменно.

Шаг 3. Оцените каждый процесс по формуле ценность × реализуемость × готовность данных.

Шаг 4. Сформулируйте для победившего сценария критерий успеха и критерий остановки. Оба — в цифрах.

Важно!

· Определите, какой из пяти источников эффекта вы хотите получить, до выбора технологии.

· Проверьте, куда именно будет переведено высвобожденное время.

· Не начинайте проект, в котором нет ответа на вопрос «в какой строке отчётности мы увидим результат».

Как только дело доходит до расчёта эффекта, почти всегда выясняется неприятная вещь — нужных для него данных в компании попросту нет. Полную себестоимость операции, фактическое время цикла, долю ошибок заранее, как правило, никто не считает. Поэтому мы считаем сбор этих данных первой задачей проекта, а вовсе не формальностью, которую можно отложить «на потом».

Что понадобится как минимум? Выгрузка объёмов операций за 12 месяцев, фонд оплаты труда всех участников процесса, расходы на внешних подрядчиков и системные журналы с временными метками. Без этого любой разговор об эффекте превращается в обмен мнениями.

Ошибиться в финансовом расчёте можно по-разному, но эти три ошибки встречаются особенно часто:

1. Высвобожденное время учитывают как деньги, но не говорят, куда именно оно переведено.

2. Результат сравнивают с плохим базовым уровнем, который к тому же измерен иначе, чем сам результат.

3. В расчёте нет контрольной группы, и тогда обычное сезонное колебание легко выдать за успех ИИ.Ответственность за методику расчёта всегда остаётся у финансовой службы и владельца процесса. Модель может подготовить выгрузку и даже всё посчитать, но признать эффект — это управленческое решение, и принимает его именно человек. И лучше — на цифрах, а не на впечатлениях от удачной демонстрации.

Часть II. ИИ по функциям бизнеса

Бизнес не внедряет искусственный интеллект «вообще» — он внедряет его в маркетинг, продажи, клиентский сервис, HR, финансы, юридическую работу, обучение сотрудников и другие конкретные процессы. И здесь быстро выясняется, что одна и та же технология в соседних отделах ведёт себя совершенно по-разному: в маркетинге ускоряет контент, в бухгалтерии разбирает документы, в сервисе снимает с операторов типовые вопросы. Поэтому в каждой главе этой части мы смотрим на одно и то же — где возникает ценность, какие нужны данные, что остаётся за человеком и по каким метрикам понять, что всё это работает.

Читать эту часть удобно как карту точек входа: где ИИ даёт эффект быстрее всего, где ошибка обходится дорого и контроль нужен максимальный, а где можно начать с маленького пилота и постепенно расти дальше.

Читать эту часть удобно как карту точек входа: где ИИ даёт эффект быстрее всего, где ошибка обходится дорого и контроль нужен максимальный, а где можно начать с маленького пилота и постепенно расти дальше.

Глава 3. Маркетинг и бренд

Коротко о главе

· ИИ удешевляет варианты контента, но не позиционирование и не ответственность за бренд.

· Заметный ИИ-контент чаще снижает доверие, чем повышает: выигрывает управляемое качество, а не объём.

· Скорость и стоимость меряются сразу, влияние на выручку — только с контрольной группой.

Маркетинг — пожалуй, первое место, куда ИИ приходит в компанию сам, без всякого проекта внедрения: кто-то из команды уже пишет посты в чат-боте, а дизайнер генерирует картинки для соцсетей. Вопрос в другом — что из этого реально работает на бренд и продажи компании?

В маркетинге ИИ меняет экономику производства контента и глубину персонализации. Дешевеет создание вариантов: текстов, баннеров, видео, продуктовых изображений. Дорожает то, что нельзя автоматизировать: позиционирование, выбор идеи, проверка достоверности и ответственность за бренд.

Но есть и важное ограничение, и связано оно с людьми — с тем, как они воспринимают результат. По опросу 8 тыс. потребителей в восьми странах лишь 7% говорят, что заметный ИИ-контент повышает доверие к бренду, тогда как 31% — что снижает; 91% ожидают раскрытия факта использования ИИ [34]. Именно поэтому выигрывает управляемое качество, а «больше контента» само по себе ничего не даёт.

Сценарии ниже идут от самых сложных к самым простым. У каждого одной строкой — что понадобится и каким решением это обычно закрывается.

Продуктовый визуал по цифровым двойникам — варианты упаковки, языков и форматов без повторной съёмки. Сложность высокая: нужны 3D-модели, печатные файлы упаковки и бренд-стандарты; как правило, это проект с внешней студией.

Массовая адаптация одного креатива под каналы, форматы и рынки — больше вариантов на тот же бюджет. Сложность средняя: мастер-креатив и спецификации площадок, хватает генеративных редакторов.

Персонализация формулировок в email, push и SMS с обязательным A/B-тестом — рост CTR и конверсии рассылок. Сложность средняя: история рассылок с откликами, сегменты и согласия; нужна платформа персонализации.

Быстрая реакция на тренды — ролик или пост за часы в заранее согласованных рамках бренда, без длинного цикла согласований. Сложность средняя: бренд-гайд и одобренные рамки, внутренний ассистент.

Черновики контента и ТЗ дизайнерам с обязательной редактурой — короче цикл производства. Сложность низкая: голос бренда (tone of voice), фактура и база кейсов, ассистент на LLM.

Разметка и поиск по медиатеке, чтобы не переделывать существующие материалы. Сложность низкая: каталог материалов с метаданными, DAM с ИИ-разметкой.

Разбор отзывов, комментариев и обращений — приоритеты для продукта и коммуникации. Сложность низкая: отзывы, обращения и оценки, аналитика текстов.

Описания для маркетплейсов и каталога со сверкой характеристик по товарному справочнику или учётной системе — быстрее выкладка карточек. Сложность низкая: справочник характеристик, генеративный ассистент со сверкой.

Все восемь сценариев в одном бюджете не поднять, да и не нужно. Начинать разумно с последних четырёх — им не нужны ни внешняя студия, ни сложные интеграции.

Проблема: одной линейке товаров Unilever нужны тысячи картинок и роликов — под разные варианты, размеры и языки.

Решение: сделали цифровые двойники продуктов (3D-копии) и модульные съёмочные площадки. Перестроили процесс производства, а не только инструменты.

Результат: к запуску Closeup за три дня собрали более 100 материалов для четырёх рынков на десяти площадках одновременно. Собственная ИИ-студия компании для бьюти-брендов (Beauty AI Studio) ускоряет производство до 30%, досматриваемость роликов и кликабельность (CTR) выросли более чем вдвое [133]. По данным партнёров проекта, изображения делают в 2 раза быстрее и на 50% дешевле, а дублирование контента сократилось в соотношении 5:1 [99].

Условия успеха: единые стандарты бренда и готовые 3D-данные упаковки.

Ограничения: материалы компании и поставщика, независимой проверки нет; влияние на продажи не раскрыто.

Проблема: персонализировать удавалось лишь 20% email-рассылок Michaels, остальные уходили всем одинаковыми.

Решение: модель, обученная на текстах бренда, пишет и подбирает формулировки писем.

Результат: персонализированных рассылок стало 95%, кликабельность (CTR) писем выросла на 25%, SMS — на 41% [86]. Работа идёт с 2019 года [107].

Условия успеха: постоянные эксперименты вместо разовой генерации.

Ограничения: рост кликов не равен росту выручки; часть данных дал поставщик.

Проблема: посты для своих каналов готовились долго, ручной сбор фактуры стоил дорого.

Решение: ИИ-агент (программа, выполняющая цепочку шагов) на нескольких моделях ищет фактуру, пишет черновик и задание дизайнеру. Каждый материал обязательно проверяет и правит человек, сохраняя голос бренда.

Результат: за месяц теста цикл подготовки поста сократился на 70%, эксклюзивных публикаций стало в 2 раза больше, пост подешевел в среднем на 52% [123].

Ограничения: месяц наблюдения без контрольной группы; влияние на продажи не измеряли.

Как небольшому агентству пройти путь от выбора процесса до честной экономики первого года — с договором с клиентом, правами на материалы и разговором о скидке — показывает сквозной пример «Полдень» в главах 20–29.

Скорость и стоимость видны сразу. Время производства единицы контента меряется тайм-трекингом по этапам — фактура, текст, дизайн, согласование; базой служит медиана за 3 месяца до пилота. Стоимость единицы — это затраты на людей, лицензии и подрядчиков, делённые на число материалов, в среднем за квартал. Ориентир даёт кейс СберМаркетинга: минус 70% цикла и минус 52% стоимости поста [123].

Качество показывают два числа: доля черновиков, которые редактор вернул на доработку, и число ошибок факта при выборочной проверке 20 материалов в месяц по чек-листу. Оба нужно снять до внедрения — по той же методике, что и после.

С продажами сложнее. CTR и конверсию в заказ меряют только сравнением тестовой и контрольной групп: базой для CTR служит средний показатель за 6 отправок до пилота, для конверсии — среднее за квартал по атрибуции в CRM или аналитике. Если вы работаете с персонализацией или медиатекой, добавьте ещё два показателя — долю персонализированных кампаний (в кейсе Michaels до внедрения было 20% [86]) и долю повторно созданных материалов (ориентир — сокращение дублирования 5:1 [99]).

Общее правило: скорость и стоимость меряются сразу, эффект на выручку — только через сравнение с контрольной группой.

Внешние оценки (5–15% продуктивности маркетинга) описывают потенциал отрасли, а не гарантию для компании [86].

План на следующие 90 дней:

Шаг 1. Выберите один формат с высокой повторяемостью: например, посты в собственных каналах или карточки товаров. Зафиксируйте цикл, стоимость и число ошибок факта.

Шаг 2. Соберите бренд-пакет для модели: голос бренда, запрещённые формулировки, список проверяемых фактов, правила упоминания продуктов. Без него текст получится «средним по интернету».

Шаг 3. Запустите производство в связке «черновик от ИИ — редактура человеком — выпуск». Одновременно ведите A/B-тест формулировок в одном канале.

Шаг 4. Сравните цикл, стоимость, CTR и число ошибок с базовым уровнем. Решите, что масштабировать, а что оставить людям.

Каждый материал проходит шесть контрольных точек — бриф, черновик, право, визуал, раскрытие и публикацию, — и на каждой есть своё стоп-правило и свой ответственный. Нет брифа — нет генерации. Любая непроверяемая цифра удаляется. Утверждение о свойствах или цене без подтверждения снимается. Искажение продукта на визуале — переделка. Сомнение, нужна ли пометка о синтетическом контенте, трактуется в пользу раскрытия. А если цена или наличие в тексте расходятся с системой-источником, публикация останавливается. Полный чек-лист с ответственными по каждому этапу — в Приложении А (шаблон 9 «Чек-лист контроля качества контента»).

Важно!

· Примите и запишите политику раскрытия использования ИИ в коммуникациях.

· Не публикуйте цифры и утверждения о продукте без сверки с системой-источником.

· Эффект на выручку меряйте только через контрольную группу.

Хорошая новость: для маркетинга с ИИ не нужно ничего экзотического. Почти всё нужное у вас уже есть — бренд-гайд, медиатека, история кампаний с результатами, справочник характеристик товаров и согласия клиентов на рассылки. Плохая новость в том, что модели это нужно в порядке: бренд-гайд — в машиночитаемом виде, а не в красивом PDF, медиатека — с метаданными, а не папкой «Финал_финал_2». И отдельно про согласия: персонализация без них и без учёта 152-ФЗ приносит компании не выручку, а претензию регулятора.

Подключать придётся то, с чем маркетинг и так работает каждый день, — систему рассылок, аналитику, CRM, медиатеку (DAM) и кабинеты маркетплейсов. Готовы ли вы к этому, проверяется одним простым вопросом: может ли система сама, без менеджера, узнать актуальную цену и наличие товара? Если нет, модель будет уверенно писать о товаре, которого нет на складе, по цене, которая изменилась ещё вчера.

С продуктовыми изображениями правило ещё строже. Физически точную картинку дают только 3D-модели и печатные файлы упаковки — именно на них построен кейс с цифровыми двойниками [99]. Никакой промпт их не заменит.

И последнее, о чём обычно вспоминают слишком поздно. Промпты и версии материалов стоит хранить так же бережно, как макеты: кто автор, когда сделано, что именно создала модель. Когда клиент или регулятор спросит, откуда взялась фраза в рекламе, ответ должен лежать в архиве, а не в памяти уволившегося дизайнера.

Рисков у ИИ в маркетинге четыре, и ни один из них не технический — все они про репутацию и деньги.

Риск достоверности. Закон «О рекламе» требует, чтобы реклама была добросовестной и достоверной. Неверные характеристики, цена или условия покупки — уже нарушение (статья 5) [171]. И неважно, кто написал текст, копирайтер или нейросеть: отвечает тот, кто его опубликовал, то есть ваша компания.

Риск раскрытия. Общей обязанности маркировать ИИ-контент в России пока нет (глава 29), но аудитория своё мнение уже составила: 79% участников теста Ipsos считают, что компании должны честно говорить об использовании ИИ [72]. Если вы работаете на рынке ЕС, требования там строже — они тоже собраны в главе 29.

Риск доверия. Заметный ИИ-контент чаще снижает доверие к бренду, чем повышает его [34]. Парадокс в том, что заметить его не так просто: в слепом тесте 40% зрителей не отличили ролик, сделанный ИИ, от ролика, снятого людьми [72]. Так что раскрывать ли участие ИИ, решает бренд — технология за вас этот вопрос не закроет.

Риск однообразия. В эксперименте BCG с 758 консультантами модель улучшила результат творческой задачи на 40%, но разнообразие идей в группе упало на 41% [13]. Для бренда это прямая угроза: все начинают звучать одинаково. Поэтому идея и позиционирование остаются за людьми, а модель работает на вариациях.

Глава 4. Продажи и работа с клиентами

Коротко о главе

· ИИ меняет подготовку к разговору и дисциплину после него, а не сам разговор.

· Быстрые сценарии: подготовка к встрече, черновики писем, разбор 100% звонков, заполнение CRM.

· Цену, скидку и обещание клиенту определяет только человек и только по данным системы-источника.

Хороший продавец продаёт в разговоре, а время теряет до и после него — на поиск информации, письма и заполнение CRM, которое, как правило, откладывается до вечера пятницы. В продажах ИИ меняет не сам разговор с клиентом, а подготовку к нему и исполнительскую дисциплину после него. Автоматизируются поиск фактуры, разбор звонков, заполнение CRM, черновики писем и приоритизация сделок. Решение о цене, скидке или обещании клиенту остаётся за человеком.

При этом многое зависит от того, с чего вы начинаете. В серии рандомизированных экспериментов на крупной трансграничной торговой платформе эффект генеративного ИИ на продажи колебался от статистически неразличимого до 16,3% — в зависимости от того, насколько плохо задача решалась до этого; прирост шёл через конверсию, а не через размер корзины [9]. Поэтому, прежде чем ждать эффекта, честно ответьте себе — насколько хорошо мои менеджеры справляются с этой задачей сейчас? Без такого замера сравнивать будет не с чем.

Ниже — восемь сценариев, где ИИ уже работает в продажах. У каждого одной строкой — какой эффект ждать, насколько это сложно, что понадобится из данных и каким решением это обычно закрывается.

Автоматическая подготовка к встрече: сводка по клиенту, история обращений, открытые вопросы, риски сделки. Эффект — меньше времени на подготовку и выше доля встреч с релевантной повесткой; сложность низкая: CRM, история переписки и тикеты, хватает готового ассистента над CRM.

Разбор 100% звонков вместо выборки: соблюдение скрипта, возражения, обещания менеджера. Эффект — рост соблюдения скрипта и предметный коучинг; сложность средняя: записи звонков, согласия клиентов и чек-лист качества, нужен сервис речевой аналитики.

Приоритизация лидов и сделок по вероятности закрытия на исторических данных CRM. Эффект — время менеджеров перераспределяется на сделки с высокой вероятностью; сложность средняя: 12–24 месяца истории сделок с исходами, модель на данных CRM.

Черновики писем и коммерческих предложений с обязательной проверкой перед отправкой. Эффект — сокращение времени на письма; сложность низкая: шаблоны, прайс, кейсы и голос бренда, генеративный ассистент.

Автозаполнение CRM по итогам звонка: следующий шаг, сумма, стадия, дата. Эффект — полнота данных и меньше «сделок без следующего шага»; сложность средняя: транскрипты и схема полей CRM, интеграция ассистента с CRM.