Статьи · 22 октября 2026

Внедрение ИИ в бизнес: с чего начать и сколько стоит

Почти каждый собственник уже слышал, что ИИ «надо внедрять». Мало кто понимает, что именно внедрять, во что это обойдётся и как понять, что деньги не ушли впустую. Разбираем по шагам, без обещаний «сократим расходы в 10 раз».

Почему «внедрить ИИ» — плохая постановка задачи

ИИ не внедряют в бизнес целиком, как не внедряют «компьютеризацию». Его встраивают в конкретный процесс: разбор входящих заявок, подготовку договоров, поиск по регламентам, ответы клиентам. Если начать с вопроса «где бы нам применить нейросеть», почти всегда получается чат-бот, которым через месяц никто не пользуется.

Правильный вопрос звучит иначе: какая работа у нас повторяется каждый день, отнимает время у людей и при этом подчиняется понятным правилам? Вот там ИИ и окупается.

Что показывают исследования: граница возможностей ИИ неровная

Одно из самых аккуратных исследований на эту тему провели в 2023 году учёные Гарвардской школы бизнеса, Уортона, MIT Sloan и Уорика вместе с Boston Consulting Group. В эксперименте участвовали 758 консультантов BCG, это около 7% всех рядовых консультантов компании. Их случайным образом разделили на группы: одни решали реалистичные рабочие задачи без ИИ, другие с доступом к GPT-4, третьи с GPT-4 и коротким инструктажем по работе с ним.

Авторы назвали главный вывод «зубчатой технологической границей». ИИ хорошо справляется с одними задачами и плохо с другими, причём со стороны эти задачи выглядят одинаково сложными. Где проходит граница, по описанию задачи заранее не понять.

На задачах внутри границы эффект был большим. Консультанты с ИИ выполнили в среднем на 12,2% больше подзадач, справились на 25,1% быстрее, а качество их работы по оценке проверяющих оказалось более чем на 40% выше, чем у группы без ИИ. Сильнее всего выросли те, кто изначально работал слабее: у нижней половины по результатам входного теста прирост составил 43%, у верхней 17%.

Одну задачу исследователи специально подобрали так, чтобы она выглядела посильной для ИИ, но лежала за границей. Нужно было найти верный ответ, сопоставив цифры из таблиц с деталями из интервью. Без ИИ правильное решение нашли около 84,5% участников, с ИИ примерно 60–70%. В среднем доля верных ответов упала на 19 процентных пунктов. При этом рекомендации тех, кто работал с ИИ, проверяющие оценили выше, в том числе у тех, чей вывод оказался неверным.

Что это значит для вашей компании

Опасность не в том, что ИИ ошибается. Ошибаются и люди. Опасно то, что ошибку ИИ не видно по оформлению: текст гладкий, структура правильная, вывод уверенный. Аудиторы знают это давно: аккуратно оформленный отчёт ещё не означает, что цифры в нём сходятся.

Отсюда практическое правило. Не стоит решать по описанию задачи, «справится ИИ или нет». Это проверяется только на пилоте, на ваших документах и с заранее известными правильными ответами. Где результат подтвердился, ИИ можно доверить больше. Где нет, за ним остаётся черновик, а решение и проверку цифр делает человек.

Одна оговорка. Эксперимент проводили в 2023 году на GPT-4, с тех пор модели изменились, поэтому конкретные проценты не стоит переносить на сегодняшний день один в один. Нам здесь важнее сам вывод: граница неровная и проходит не там, где её ожидаешь.

С чего начать: пять шагов

1. Найдите один процесс. Не «отдел продаж», а «менеджер вручную переносит заявку с сайта в CRM и 1С». Чем уже, тем лучше.
2. Посчитайте, сколько он стоит сейчас. Сколько раз в день повторяется, сколько минут занимает, сколько ошибок бывает. Без этой цифры потом нельзя будет понять, был ли эффект.
3. Проверьте данные. ИИ работает с тем, что у вас уже есть: документами, письмами, выгрузками из 1С. Если данные разбросаны по личным папкам сотрудников, первым шагом будет навести порядок, а не покупать модель.
4. Сделайте пилот. Ограниченный по объёму и сроку: один процесс, реальные данные, понятный критерий успеха. Пилот должен работать на ваших документах, а не на демонстрационных: только так видно, где для вашего процесса проходит граница возможностей ИИ.
5. Масштабируйте только то, что сработало. Если пилот дал результат, его доводят до рабочей системы, подключают к остальным программам и обучают людей. Если нет — вы потеряли немного и узнали много.

Где ИИ в бизнесе даёт результат быстрее всего

• Документы. Заполнение договоров, актов, счетов и КП по шаблонам, извлечение реквизитов и сумм из PDF и сканов, сверка условий.
• Поиск по внутренним знаниям. Регламенты, инструкции, ГОСТы и переписка есть почти в каждой компании, но найти нужный пункт быстро не может никто. ИИ-поиск отвечает на вопрос и показывает, из какого документа взят ответ.
• Разбор входящего потока. Письма, заявки, обращения в поддержку: модель определяет, что это, кому передать и что ответить в типовых случаях.
• Продажи и CRM. Ассистент, который заносит итоги звонка в карточку клиента, готовит предложение и напоминает о следующем шаге.
• Отчётность. Сводки по продажам, остаткам и дебиторке, которые собираются сами из 1С и приходят руководителю утром, а не через неделю.

Когда начинать с ИИ не нужно

Честно о случаях, где деньги лучше потратить по-другому:

• задачу решает обычная автоматизация без нейросети, например правило в 1С или интеграция двух систем;
• процесс случается раз в месяц, и автоматизировать его дороже, чем делать руками;
• нет данных, на которых модель могла бы работать;
• ошибка стоит очень дорого, а проверять результат за ИИ некому.

Хороший подрядчик скажет это на первой встрече, даже если потеряет заказ.

Почему большинство пилотов не дают эффекта

В 2025 году исследователи проекта NANDA из MIT Media Lab выпустили отчёт «The GenAI Divide». Он основан на разборе более 300 публичных внедрений, интервью с представителями 52 организаций и опросе 153 руководителей. Главная цифра отчёта разошлась по новостям: по оценке авторов, ощутимую отдачу приносят лишь около 5% интегрированных пилотов генеративного ИИ, а остальные не показывают измеримого эффекта в P&L.

К этой цифре стоит относиться осторожно. Успешным авторы считали внедрение, о заметном и устойчивом эффекте которого сказали сами пользователи или руководители, то есть это самооценка, а не данные отчётности. Отдачу смотрели через шесть месяцев после пилота, и в разделе об ограничениях авторы сами пишут, что для сложных корпоративных систем этого срока может не хватить. Респондентов набирали на отраслевых конференциях. Так что 95% неудач стоит читать не как закон, а как сигнал: пилот без понятной цели и метрики почти наверняка окажется в этих 95%.

Интереснее другие наблюдения отчёта.

• Обычный чат-бот приживается, «корпоративный ИИ» нет. Официальную подписку на языковую модель купили около 40% компаний, а сотрудники более чем 90% компаний регулярно пользуются личными ИИ-сервисами для работы. Люди охотно берут инструмент, который помогает им самим, и бросают громоздкие системы, которые не встроены в их работу.
• Главная причина пробуксовки в том, что системы не учатся. Они не запоминают контекст компании и повторяют одни и те же ошибки. Среди опрошенных руководителей 66% хотят, чтобы система училась на обратной связи, и 63% хотят, чтобы она сохраняла контекст.
• Деньги идут не туда, где самая быстрая отдача. По ориентировочной оценке авторов, около половины бюджетов на генеративный ИИ уходит в продажи и маркетинг. А лучшую окупаемость часто дают задачи бэк-офиса: документы, финансовые операции, закупки. В примерах из отчёта крупные компании экономили от 2 до 10 млн долларов в год на сокращении аутсорсинга обработки документов и клиентского сервиса.
• Внешние решения доходят до работы чаще собственных. Пилоты с внешними партнёрами, которые настраивали инструмент под процесс компании, доходили до эксплуатации примерно в 67% случаев, собственные разработки примерно в 33%. Мы сами подрядчик, поэтому приводим эту цифру с оговоркой: речь в отчёте не о любом подряде, а о решениях, которые подстраиваются под процесс и учатся на нём.

Для российского малого и среднего бизнеса вывод тот же, что в пяти шагах выше. Начинать стоит с узкого и измеримого процесса, чаще всего в документах и учёте, а не с «ИИ для отдела продаж». И сразу закладывать, как система будет учитывать правки сотрудников.

Из чего складывается стоимость

Цена внедрения ИИ «под ключ» зависит не от того, насколько «умная» модель, а от пяти вещей:

• Объём процесса. Один тип документов или двадцать, один отдел или вся компания.
• Состояние данных. Чистые выгрузки из 1С обрабатывать дёшево, сканы разного качества — дороже.
• Интеграции. Подключение к 1С, CRM, почте, сайту. Часто это больше половины работы.
• Где работает модель. Облачная модель дешевле на старте. Развёртывание на собственном сервере дороже, но данные не покидают компанию.
• Поддержка. Модели, шаблоны документов и сами процессы меняются, систему нужно сопровождать.

Поэтому работа обычно делится на этапы с отдельной ценой: короткая диагностика процесса, пилот на одном участке, полноценное внедрение и поддержка. Так вы платите за следующий этап, только когда увидели результат предыдущего. Конкретную сумму можно назвать после того, как понятны процесс, данные и системы, к которым нужно подключиться.

Как понять, что внедрение окупилось

Вернитесь к цифрам из второго шага. Сколько времени процесс занимал до пилота и сколько после, сколько стало ошибок, сколько людей теперь заняты другой работой. Если базовых цифр не было, оценить эффект не получится, поэтому измерять «до» нужно обязательно.

Частые вопросы

Придётся ли менять 1С или CRM?

Нет. ИИ подключают к системам, которые уже работают. Менять учётную систему ради нейросети почти никогда не нужно.

Куда уходят данные компании?

Зависит от решения. Если данные чувствительные, модель разворачивают на сервере компании, и документы никуда не передаются.

Сколько длится пилот?

Обычно несколько недель. Точный срок зависит от процесса и от того, насколько быстро получится доступ к данным.

Источники

1. Dell'Acqua F., McFowland E. III, Mollick E. R., Lifshitz-Assaf H., Kellogg K. C., Rajendran S., Krayer L., Candelon F., Lakhani K. R. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper 24-013, 2023. DOI: 10.2139/ssrn.4573321. Журнальная версия: Organization Science, 2026, т. 37, № 2, с. 403–423, DOI: 10.1287/orsc.2025.21838. Цифры в статье приведены по рабочей версии 2023 года.
2. Challapally A., Pease C., Raskar R., Chari P. The GenAI Divide: State of AI in Business 2025. MIT Media Lab, Project NANDA, 2025. Сайт проекта: projectnanda.org.