Внедрение ИИ в компании перестало быть экзотикой: инструменты стоят почти у всех, а измеримую отдачу получают немногие. По данным опроса McKinsey, почти 60% маркетологов пользуются ИИ несколько раз в неделю, но извлекать ценность из сквозных процессов начали меньше 10%. Разрыв между тем, как часто ИИ применяют, и тем, как редко он дает результат, авторы назвали разрывом между использованием и ценностью.
Российская картина повторяет ту же логику. 71% крупных компаний уже используют генеративный ИИ хотя бы в одной функции бизнеса. При этом стратегию развития ИИ имеют только 26% компаний, которые вообще выделяют на него бюджет. Внедряют массово, а осмысленно встраивают в работу единицы.
За этим разрывом стоит одно управленческое решение. Компания либо докручивает ИИ поверх старого процесса, либо перестраивает сам процесс под новые возможности. От этого выбора и зависит, увидит ли бизнес отдачу или получит быстрый, но пустой инструмент.
У массового внедрения простой деловой мотив: снизить затраты и вырастить выручку.
«Бизнес воспринимает генеративный ИИ прежде всего как инструмент повышения эффективности и роста доходов: 87% компаний, использующих генеративный ИИ, ожидают сокращения прочих операционных затрат, а 83% — роста выручки за счет повышения ценности продукта и улучшения клиентского опыта».
Максим Болотских, партнер «Яков и Партнеры».
Для руководителя всё выглядит как движение вперед. Растет доля сотрудников, освоивших нейросети, множатся подключенные сервисы, в отчетах прибавляется строк про автоматизацию. Эти метрики внедрения легко перепутать с отдачей: они растут от активности, а бизнес-результат при этом может стоять на месте. Именно здесь и прячется разрыв — компания считает освоение технологии, тогда как деньги приносит только перестроенный вокруг нее процесс.
Тот же двойной мотив виден и в глобальном опросе. Маркетологи ценят ИИ и как драйвер роста (53%), и как источник экономии (47%). Ожидания высокие, а бюджеты идут в новые модели и сервисы: компания подключает доступ к технологиям и ждет быстрого эффекта на привычных задачах.
Но за воодушевлением прячется тревога. 87% участников опроса воодушевлены возможностями ИИ, при этом 57% тревожатся за собственную роль — авторы исследования назвали это разрывом между восторгом и тревогой. Восторг подталкивает попробовать инструмент. Тревога мешает трогать саму работу.
Так и получается поверхностный сценарий: ИИ подключают к процессу, который остается прежним. Отдача при этом приходит крохотная — одна операция идет чуть быстрее, а вся цепочка вокруг работает по-старому. Компания честно внедрила технологию, но встроила ее в маршрут, который под нее не рассчитан, поэтому обещанная отдача остается на бумаге.
Чаще всего внедрение упирается в чат-бот. В 80% российских компаний применение ИИ ограничено чат-ботами, и лишь в 9% системы работают автономно. Еще 11% автоматизировали один блок процессов, но он не связан с остальными звеньями, поэтому данные из него забирают вручную. Автоматизирован только вход в процесс, тогда как сама цепочка работы держится на ручных действиях.
Признак докрутки простой: процесс остался прежним, а ИИ лишь ускорил ручную операцию.
«Если он получает ответ, выделяет его мышкой, копирует и вручную вставляет в CRM, Excel или почту, это провал. Это наглядно показывает нам, что процесс остался старым. Просто человек стал быстрее набирать текст».
Игорь Никитин, основатель сервиса WMT.
У выбора в пользу докрутки есть организационная причина — тревога. 77% тех, кто пользуется ИИ активнее всего в исполнительских ролях, сильнее прочих видят риск для своей роли. Наверху этой тревоги почти не замечают: в разговорах руководители редко признают ее в командах, хотя ее испытывают 76% рядовых сотрудников. Пока изменение работы пугает исполнителя и остается невидимым для руководителя, безопаснее оставить процесс как есть.
Тревога доходит и до самого верха. 96% руководителей высшего звена воодушевлены ИИ, но 71% тревожатся, а 80% видят риск для собственной роли. Складывается двойной тормоз: внизу изменения пугают исполнителя, наверху — первое лицо. В такой обстановке проще добавить безопасный инструмент, чем перекроить процесс.
Итог предсказуем. Точечный чат-бот дает только локальное ускорение. Одна операция идет быстрее, а общий цикл работы не сокращается, потому что вся цепочка вокруг осталась прежней. Отсюда и разрыв из начала: инструмент есть почти у каждого, а ценность из сквозных процессов достается единицам.
Измеримый эффект появляется там, где ИИ встроен в конкретный рабочий процесс с понятной метрикой. Например, в РБК генеративный ИИ вошел в ежедневный конвейер редакции: расшифровку интервью, ввод текста, работу с материалами на иностранных языках. Выгода от внедрения составляет не менее 10 млн рублей в год. Автоматизация ввода текста экономит сотрудникам редакции до часа рабочего времени в день.
Масштаб упущенного эффекта велик. По оценкам, генеративный ИИ способен повысить эффективность маркетинговых расходов на 5–15%. В денежном выражении потенциал достигает $463 млрд в год. Но точечное внедрение отдельных чат-ботов не даст такого результата. Чтобы приблизиться к этим цифрам, компаниям придется перестраивать рабочие процессы под ИИ.
Разница в том, куда встраивают ИИ. В РБК его включили в конкретный процесс — расшифровку и подготовку материалов. Результат удалось измерить в рублях и часах. Если ИИ остается отдельным инструментом вне рабочего процесса, эффект оценить сложно: привычный порядок работы не меняется. Поэтому ключевой вопрос при внедрении звучит так: какой процесс изменит нейросеть и как измерить результат? Выбор конкретной модели здесь вторичен.
Найти такой процесс проще, чем кажется. Ориентир — рутинные операции с большим объемом однотипной работы и понятным результатом: расшифровки, ввод и разметка данных, первичная обработка документов и запросов. Там ИИ снимает измеримые часы, а эффект виден в тех же единицах, в которых компания уже считает работу — в рублях, часах, доле ошибок. Скучный бэк-офис окупается быстрее модного чат-бота: в нем легко замерить «до» и «после».
Результат сильнее зависит от данных и настройки, чем от мощности самой модели. Так, Банк «Синара» применил большие языковые модели для обработки нотариальных запросов и дообучил их под задачу. До настройки модель справлялась плохо — для банковской работы это брак. Первые же эксперименты подняли точность до 90%, а после тонкой настройки показатель довели до 96%. Главным ограничением там оказалось качество исходных документов, а не сама нейросеть.
По всей экономике внедрение упирается в деньги и подготовку. Главный барьер — высокие затраты, на них указывают 58% организаций; при этом 48% крупных и средних компаний не видят в ИИ потребности. Рядом с затратами исследователи называют слабую ИКТ-инфраструктуру, нехватку квалифицированных специалистов и дефицит собственных массивов данных. За формулировкой «нет потребности» нередко скрывается другое: нет подготовленных данных и ясного понимания, где ИИ даст эффект.
Из этого набора и складывается настоящая цена внедрения. Рост точности «Синары» дала работа с качеством исходных данных и настройка модели под конкретную задачу. Более мощная нейросеть сама по себе такого показателя не дает — ей нужен подготовленный материал и понятная постановка задачи. Поэтому большие языковые модели окупаются там, где данные вокруг них приведены в порядок. Просто взять модель помощнее для этого недостаточно.
Здесь и проходит граница между докруткой и перестройкой на техническом уровне. Докрутка берет готовую модель и надеется, что она справится с сырыми данными как есть. Перестройка сначала приводит в порядок сами данные, форматы и правила их сбора и только потом ставит поверх модель. Первый путь упирается в потолок качества исходников, второй — этот потолок поднимает.
Только 28% компаний реально перестраивают команды и процессы под ИИ — остальные просто накладывают его поверх старого. Единица перестройки — это сквозной процесс: то, как работа устроена от начала до конца. Поменять точечную операцию внутри старой цепочки недостаточно.
Так поступили в «Додо Пицце». Раньше качество на точках проверял тайный покупатель — выборочно и редко. SteadyControl связал микрофоны на кассах, видеокамеры и внутреннюю систему DODO IS в один контур — нейросети стали постоянно разбирать речь и видеопоток по стандартам вместо разовых визитов. Компания перестроила сам способ контроля, вместо того чтобы добавить еще один инструмент поверх прежнего.
Результат считается на конкретных показателях. Соблюдение стандартов кухни и зоны выдачи выросло на 13% и достигло 92%, а сотрудники прибавили в эффективности 40%. Две пилотные пиццерии уже через несколько месяцев приносили от 190 тыс. рублей больше выручки в блоке дополнительных продаж. Дело здесь не в самой покупке технологии. Эффект появился потому, что контроль качества стал непрерывным процессом, встроенным в каждую смену.
Перестройка начинается с одного сквозного процесса, у которого есть ясная метрика и владелец, и разворачивается от пилота к масштабированию только после того, как эффект подтвержден на цифрах. Такой порядок отсекает главный риск: компания не платит за большую систему до того, как убедилась, что новый способ работы действительно дает результат. На пилоте проверяют гипотезу: перестроенный процесс работает лучше прежнего. Мощность самой нейросети здесь второстепенна.
Перестройка редко идет снизу. Она задевает привычный порядок работы и требует решения на уровне первых лиц — тех, кто отвечает за процесс целиком. Без такого владельца изменения упираются в границы отдельного участка: исполнитель тревожится за свою роль, а руководитель не видит, где именно работа меняется. Поэтому отдачу получают те самые единицы: они меняют способ, которым делается работа. ИИ встает в новый процесс как его часть. Надстройка поверх старого маршрута такого эффекта не создает — она лишь ускоряет отдельные движения внутри прежней логики.
Раньше всего разрыв между докруткой и перестройкой виден в маркетинге: там короткая обратная связь — результат почти любой кампании считается сразу. Здесь быстрее всего заметно, кто перестроил процесс, а кто лишь ускорил отдельные задачи.
Например, в США финтех Chime вел внедрение ИИ как поэтапную перестройку организации, а не как выкатку технологии. Сначала прошла нормализация: сотрудникам открыли доступ к ИИ-инструментам, их эксперименты поощряли. Затем началась перестройка ключевых маркетинговых функций и снятие операционных ограничений — ИИ встроили в поддержку клиентов, креатив, адаптацию и персонализацию. Цикл запуска кампаний сократился примерно с десяти недель до четырех, объем тестирования вырос втрое, а отдача от рекламных расходов — на 18%.
Порядок Chime повторяем в любой отрасли. Сначала команда получает доступ к инструментам и право экспериментировать — это снимает часть тревоги и помогает увидеть, где ИИ действительно полезен. Потом отобранные сценарии закрепляют в перестроенных функциях, убирая ручные согласования и лишние передачи данных между людьми. Сама технология при этом остается прежней, меняется устройство работы вокруг нее. В этом вся суть перестройки.
На уровне рынка приз достается тем же единицам. Лишь 6% маркетинг-руководителей называют использование генеративного ИИ зрелым — именно они уже получили 22% прироста эффективности. Инвестиции при этом растут почти у всех: 72% лидеров планируют увеличить бюджеты, тогда как годом раньше это реально сделали 49%. Вопрос лишь в том, во что пойдут эти деньги — в новый инструмент или в перестройку процесса. Разрыв между зрелыми 6% и остальными как раз и показывает, что бюджет сам по себе отдачи не гарантирует.
Начинать стоит с вопроса, какой процесс менять — только потом стоит выбирать модель. О том же говорит структура успеха. По оценке «Почты России», в успехе цифровой трансформации 70% приходится на процессы, организационную среду и культуру, 20% — на данные и лишь 10% — на сами алгоритмы и модели. Модель — меньшая часть уравнения, хотя внимание чаще уходит именно на нее.
«Когда ты ставишь агента на старый процесс, который выстроен для человека, смысла нет».
Дмитрий Чудинов, заместитель гендиректора по цифровой трансформации «Почты России».
Смысл появляется тогда, когда компания сначала меняет сам процесс, а модель подбирает уже под него. Логика та же, что стоит за числами выше: технология — это лишь малая часть, а решают процессы, данные и люди.
Начать можно с одного процесса, результат которого уже измеряется. Сначала нужно описать весь путь от начала до конца и найти этапы, где сотрудники выполняют работу или переносят данные вручную. Затем под эти задачи подбирают модель и необходимые данные. Так ИИ встраивается в рабочий процесс и решает конкретную задачу, а не диктует компании новый порядок работы.
Перестройка процесса не всегда означает сложную ИИ-систему. Иногда это смена самого способа обмена информацией внутри команды. Часть совещаний и устных статусов можно заменить короткими асинхронными видео с автоматической расшифровкой в текст — так в «Глабикс» устроен обмен рабочими обновлениями. Решение мелкое, но оно перестраивает сам процесс: информация становится доступной в удобное время и остается документом, к которому можно вернуться. ИИ здесь помогает, ведь встроен в переустроенный процесс, а не наложен на старый сверху. Тогда компания и попадает в те самые единицы компаний, у которых внедрение ИИ приносит измеримую отдачу.
Из-за разрыва между использованием и ценностью: по данным McKinsey, почти 60% маркетологов пользуются ИИ несколько раз в неделю, но извлекать ценность из сквозных процессов начали меньше 10%. Компания докручивает ИИ поверх старого процесса: одна операция идет чуть быстрее, а вся цепочка вокруг работает по-старому, поэтому обещанная отдача остается на бумаге.
Докрутка — это когда ИИ подключают к процессу, который остается прежним. Признак простой: сотрудник получает ответ нейросети, выделяет его мышкой и вручную вставляет в CRM, Excel или почту — человек просто стал быстрее набирать текст. Перестройка меняет сам сквозной процесс: убирает ручные согласования и лишние передачи данных, а ИИ встает в новый процесс как его часть.
С вопроса, какой процесс менять, — и только потом выбирать модель. Взять один процесс, результат которого уже измеряется: описать весь путь от начала до конца, найти этапы, где сотрудники выполняют работу или переносят данные вручную, и под эти задачи подобрать модель и данные. По оценке «Почты России», в успехе цифровой трансформации 70% приходится на процессы и культуру, 20% — на данные и лишь 10% — на сами алгоритмы и модели.
На рутинных операциях с большим объемом однотипной работы и понятным результатом: расшифровки, ввод и разметка данных, первичная обработка документов и запросов. В РБК генеративный ИИ вошел в ежедневный конвейер редакции — выгода составляет не менее 10 млн рублей в год, а автоматизация ввода текста экономит сотрудникам до часа рабочего времени в день.
Результат сильнее зависит от данных и настройки, чем от мощности самой модели. Банк «Синара» дообучил языковые модели под обработку нотариальных запросов: первые эксперименты подняли точность до 90%, а тонкая настройка — до 96%. Главным ограничением оказалось качество исходных документов, а не сама нейросеть. Более мощная модель без подготовленных данных такого показателя не дает.
«Додо Пицца» перестроила контроль качества: нейросети постоянно разбирают речь и видеопоток по стандартам — соблюдение стандартов выросло на 13% и достигло 92%, эффективность сотрудников — на 40%, пилотные пиццерии прибавили от 190 тыс. рублей выручки. Финтех Chime сократил цикл запуска кампаний с десяти недель до четырех, втрое увеличил объем тестирования и поднял отдачу от рекламных расходов на 18%.
Из-за тревоги за собственную роль: ее испытывают 57% маркетологов и 76% рядовых сотрудников, а среди самых активных пользователей ИИ риск для своей роли видят 77%. Руководители в разговорах редко признают эту тревогу в командах, при этом 80% руководителей высшего звена видят риск и для собственной роли. Пока изменение работы пугает исполнителя и остается невидимым для руководителя, компания выбирает безопасную докрутку вместо перестройки.
