AI внутри процесса: где он окупается, а где нет

Про AI в бизнесе есть два разных разговора, и обычно ведут не тот. Первый — про модели и промпты. Второй — про то, встал ли AI в рабочий процесс или остался демонстрацией. Окупаемость решается во втором.

Ниже — три сценария из моей практики, где AI встал в процесс, и два, за которые я не берусь. С честной пометкой, что именно в каждом случае измерено, а что нет.

Почему пилоты не доходят до результата

Отраслевые данные тут на удивление единодушны: три независимых исследования указывают в одно и то же место.

Gartner (опрос 822 руководителей, сентябрь–ноябрь 2023): не менее 30% генеративных AI-проектов будут заброшены после стадии proof of concept к концу 2025 года. Причины перечислены прямо: плохое качество данных, недостаточный контроль рисков, растущие издержки и неясная бизнес-ценность.

MIT в отчёте «The GenAI Divide: State of AI in Business 2025» (150 интервью с руководителями, опрос 350 сотрудников, разбор 300 публичных внедрений): около 95% пилотов не дают измеримого влияния на прибыль. Формулировка причины важнее самой цифры — дело не в качестве моделей: универсальные инструменты хороши для одного человека, но буксуют в компании, потому что не учатся у рабочего процесса и не подстраиваются под него.

McKinsey (глобальный опрос, 1 993 респондента из 105 стран, публикация 05.11.2025): AI хотя бы в одной функции используют 88% организаций, но влияние на прибыль на уровне компании фиксируют только 39%, и у большинства из них это меньше 5% EBIT. Отличие тех, у кого получилось, — перестройка процесса, а не выбор модели.

Вывод один: AI окупается там, где он встроен в конкретный поток работы, и не окупается там, где он приложен сбоку.

Три сценария, где AI встал в процесс

Про каждый честно указываю, что измерено, а что нет.

1. Пересборка контента: механическая часть работы

AI-репурпосер: один эпизод подкаста превращается в десятки производных единиц контента. AI берёт на себя расшифровку, нарезку и черновые формулировки — то есть механику, а решение о том, что публиковать, остаётся за человеком.

Что измерено: по данным клиента, работа над эпизодом сократилась с 12 часов до одного. Это самый чистый случай из трёх, потому что процесс был однотипным, повторяемым и с понятной единицей измерения — эпизод.

2. Первая линия обращений

AI-агент как первая линия для сервиса игровых и цифровых услуг: разбирает входящие заявки, отвечает на повторяющиеся вопросы, передаёт человеку то, что требует решения.

Что измерено: по отзыву заказчика — агент снимает большую часть первичной рутины и отвечает быстрее. Процентов я не называю, потому что их мне не давали, а выдумывать не буду.

3. AI внутри продукта: подбор и копайлот

В партнёрской платформе — подбор партнёров по базе компаний и копайлот, который отвечает и действует, опираясь на данные платформы, а не на общие сведения о мире.

Что измерено: ничего. Функциональность реализована и работает, но метрики эффекта у меня нет, и выдавать реализацию за результат я не стану. Привожу этот сценарий как пример архитектуры: AI, подключённый к состоянию продукта, а не к абстрактному чату.

Общее у всех трёх — AI работает внутри уже существующего потока работы и на собственных данных. Ровно то, отсутствие чего MIT называет причиной провала остальных. Как это устроено технически — на странице ИИ-агентов, конкретные процессы — в автоматизации.

Два сценария, за которые я не берусь

Важная оговорка: это не мои провалы, а случаи, где я отказываюсь начинать. Основание — аргументы ниже и данные выше, а не собственная неудачная попытка.

Первый: «внедрить AI», где не назван процесс. Когда задача сформулирована как инструмент, а не как поток работы, измерять нечего — и это ровно та «неясная бизнес-ценность», которую Gartner ставит в список причин заброшенных проектов. Пока не названы конкретный процесс и часы на нём, обсуждать нечего. Как это считать — в разборе окупаемости автоматизации.

Второй: там, где цена ошибки выше экономии. Начисления, выплаты, юридически значимые документы, окончательные решения по клиенту. AI здесь может готовить черновик, но не принимать решение, и экономия оказывается сильно меньше ожидаемой: проверять всё равно приходится человеку. Если в такой задаче кто-то обещает полную автоматизацию — это признак, что риски не посчитаны.

Цифра, которая играет против меня

В том же отчёте MIT есть результат, который стоит привести, хотя он неудобен: покупка готовых AI-инструментов у профильных поставщиков и партнёрства оказываются успешными примерно в 67% случаев, а внутренняя разработка — примерно втрое реже.

Спорить с этим числом не буду, но уточню, что оно означает на практике. Речь о компаниях, которые силами внутренней команды строят универсальный AI-инструментарий, то есть повторяют то, что уже существует в виде готового продукта. Это действительно плохая ставка: если задача типовая, дешевле купить.

Разумный вывод отсюда такой: универсальное — покупать, узкое и завязанное на твои данные и процесс — строить. Три сценария выше относятся ко второй категории: ни репурпосер под конкретный формат, ни копайлот поверх данных платформы коробкой не закрываются.

Там же у MIT есть встречная цифра: больше половины AI-бюджетов уходит в инструменты для продаж и маркетинга, а наибольшая отдача обнаружилась во внутренних процессах — бэк-офис, снижение расходов на подряд, упрощение операций. Это совпадает с моим опытом: самый чистый результат из трёх сценариев дала механическая часть производственного процесса, а не «AI для продаж».

Как отличить встроенный AI от приложенного сбоку

Практический список признаков — по нему видно, войдёт решение в процесс или останется демонстрацией. Спрашивать стоит до сметы.

Откуда берётся ответ. Модель отвечает из твоих документов и данных или из общих сведений о мире? Второе в рабочем процессе бесполезно и опасно: уверенность неотличима от знания. Как это делается правильно — в разборе ответов по своей базе знаний.
Показывает ли источник. Ответ без ссылки на документ нельзя проверить, а значит нельзя ему доверять в работе.
Признаёт ли незнание. «В базе этого нет» — обязательное поведение, а не недоработка.
Где границы действий. Если AI не только отвечает, но и делает, должно быть явно описано, что ему разрешено, а что уходит человеку.
Куда попадает результат. В систему, где идёт работа, или в отдельное окно, куда надо специально заходить. Второе не приживается.

С чего начинать

Возьми один процесс, а не направление.
Убедись, что он частый и однотипный: экономия линейна по числу повторов.
Проверь, что у него есть измеримая единица — эпизод, заявка, документ.
Реши заранее, что именно останется человеку. Если ничего — скорее всего, процесс описан слишком узко.
Договорись, как будешь мерить эффект, до старта. Судя по данным выше, это тот шаг, который пропускает большинство.

Назови процесс и часы на нём в месяц — скажу, встанет туда AI или нет, и если задача типовая, посоветую готовое вместо разработки. Что я делаю и на каких условиях — услуги.

Источники

Проверено 17.08.2026.

Gartner, пресс-релиз от 29.07.2024, опрос 822 руководителей (сентябрь–ноябрь 2023): не менее 30% генеративных AI-проектов будут заброшены после proof of concept к концу 2025 года; среди причин — плохое качество данных, недостаточный контроль рисков, растущие издержки и неясная бизнес-ценность. Первоисточник закрыт от автоматического доступа, цифры сверены по публикации Intelligent CIO от 05.08.2024.
MIT, инициатива NANDA, «The GenAI Divide: State of AI in Business 2025»: около 95% пилотов не дают измеримого влияния на прибыль; причина — не качество моделей, а невстроенность в рабочий процесс; больше половины бюджетов уходит в продажи и маркетинг, тогда как наибольшая отдача — во внутренних процессах; покупка у профильных поставщиков успешна примерно в 67% случаев против примерно 33% у внутренней разработки. Цифры сверены по публикации Fortune от 18.08.2025.
McKinsey, The State of AI: Global Survey (публикация 05.11.2025, 1 993 респондента из 105 стран): 88% организаций используют AI хотя бы в одной функции; влияние на прибыль на уровне компании фиксируют 39%, у большинства — менее 5% EBIT; около 6% относятся к высокорезультативным. Цифры сверены по публикации Silicon Canals.
Сокращение работы над эпизодом с 12 часов до одного и оценка работы AI-первой линии — по данным клиентов (реестр пруфов — docs/proof-register.md). Сценарии, за которые я не берусь, — мой отказ по изложенным аргументам, а не наблюдённые провалы.