ИИ уже распространён, но финансовый эффект есть не у всех
Стэнфордский индекс ИИ за 2026 год приводит такие данные: в 2025-м 88% опрошенных организаций использовали ИИ хотя бы в одной бизнес-функции. При этом доля внедрения ИИ-агентов почти во всех отдельных функциях оставалась ниже 10% [1]
В отчёте Маккинзи, опубликованном 25 августа 2026 года, разница между использованием ИИ и финансовым результатом видна ещё отчётливее. Опрос охватил 1 719 участников из 97 стран: 44% сообщили о масштабировании ИИ в своих организациях, 80% - о росте собственной производительности, но только 37% связали ИИ с положительным влиянием на прибыль компании до уплаты процентов и налогов. Около 6% респондентов вошли в группу с существенным эффектом: они относили к ИИ не менее 5% этой прибыли и оценивали его влияние как значительное [2]
Показатели опроса McKinsey 2026 основаны на ответах участников, а не на независимой проверке финансовой отчётности. Но они хорошо показывают, почему покупка доступа к модели и изменение экономики процесса - разные задачи. Для бизнеса имеет значение, стала ли ниже себестоимость операции, быстрее ответ клиенту, выше пропускная способность, конверсия или качество
Шесть ролей ИИ в бизнесе
Под словом «ИИ» могут скрываться и извлечение реквизитов из счёта, и самостоятельная работа с заявкой в нескольких системах. Прежде чем обсуждать внедрение, стоит определить, какую именно роль вы собираетесь поручить системе
| Роль | Что делает система | Пример | Как контролировать результат |
|---|---|---|---|
| Извлечение | Превращает свободный текст, документ, звонок или изображение в структуру | Вытащить реквизиты из счёта | Автоматические проверки плюс выборочная проверка сотрудником |
| Классификация | Определяет тип, тему, приоритет или следующий маршрут | Разделить обращения по отделам | Проверка типовых результатов и разбор ошибочных маршрутов |
| Поиск и сбор контекста | Находит нужные факты во внутренних источниках | Ответить сотруднику по регламенту | Человек проверяет критичные случаи |
| Поддержка решения | Сводит факты и предлагает вариант | Подготовить менеджеру следующий шаг по сделке | Решение принимает сотрудник |
| Подготовка черновика | Создаёт первый вариант текста или документа на основе заданных данных и контекста | Подготовить письмо клиенту после звонка | Сотрудник проверяет факты, обязательства и окончательную формулировку |
| Агентное выполнение | Сама выбирает несколько шагов и использует разрешённые инструменты | Уточнить заявку, проверить карточку клиента, создать задачу | Автономность ограничивается правами и стоп-условиями |
Когда ИИ переходит от подготовки информации к самостоятельным действиям, он может снять с людей больше работы по координации. Но ошибка уже способна выйти за пределы черновика: важно заранее определить, какие действия система выполняет сама, а какие подтверждает сотрудник
Если задача целиком описывается фразой «при событии А сделать действие Б», обычно достаточно обычного правила. Другое дело, когда сотрудник каждый раз читает письмо, вспоминает историю клиента, открывает три системы и сопоставляет факты, прежде чем выбрать следующий шаг. Здесь есть работа для ИИ
25 задач, где ИИ уже имеет практический смысл
Ниже - карта возможных применений ИИ, а не результаты клиентских внедрений. В каждой строке указаны конкретная часть работы и метрика, по которой можно проверить её пользу. Задача для первого проекта - выбрать подходящую строку и проверить её на своих данных
| № | Задача | Что получает ИИ | Что выдаёт | Что измерять |
|---|---|---|---|---|
| Продажи — задачи 1–5 | ||||
| 1 | Квалификация входящих лидов | Заявку, сайт и данные клиента | Категорию, приоритет, уточняющие вопросы | Время реакции, точность маршрутизации |
| 2 | Подготовка менеджера к звонку | Историю сделки, переписку, заметки | Краткий контекст и список вопросов | Минуты на подготовку |
| 3 | Протокол звонка | Запись или расшифровку | Решения, задачи, сроки, владельцев | Ручные минуты, полнота фиксации |
| 4 | Подготовка следующего контакта | Историю сделки и разговор | Черновик сообщения и следующий шаг | Просроченные контакты, время менеджера |
| 5 | Разбор проигранных сделок | Причины отказов и комментарии | Повторяющиеся причины и сегменты | Покрытие данных, время анализа |
| Поддержка и знания — задачи 6–9 | ||||
| 6 | Классификация обращений поддержки | Текст обращения | Тему, срочность, маршрут | Время в очереди, доля ошибочных маршрутов |
| 7 | Первая линия поддержки | Вопрос и базу знаний | Ответ либо передачу человеку | Время ответа, доля закрытых типовых обращений |
| 8 | Сводка длинной переписки | Цепочку писем или чат | Факты, решения, открытые вопросы | Время восстановления контекста |
| 9 | Поиск по внутренним знаниям | Вопрос и набор разрешённых документов | Короткий ответ со ссылками на источники | Время поиска, доля подтверждённых ответов |
| Документы и договоры — задачи 10–13 | ||||
| 10 | Извлечение данных из документов | Счёт, акт, заявку, договор | Поля для учётной системы | Минуты на документ, ошибки |
| 11 | Проверка комплектности документов | Пакет файлов и правила | Список недостающих документов и замечания | Возвраты на доработку |
| 12 | Сравнение двух версий документа | Старую и новую версии | Значимые изменения | Время первичного просмотра |
| 13 | Предварительный анализ договора | Текст и внутренние правила | Пункты для проверки юристом | Время юриста на первичный разбор |
| Коммуникации и операционная работа — задачи 14–17 | ||||
| 14 | Черновик коммерческого предложения | Бриф, тарифы, шаблоны, ограничения | Первый структурированный вариант | Время подготовки, число правок |
| 15 | Контроль качества карточек клиентов | Поля, заметки, переписку | Пробелы и несоответствия | Полнота данных |
| 16 | Сортировка входящей почты | Письма | Категорию, приоритет, маршрут | Ручное время на разбор |
| 17 | Подготовка ответа поставщику | Письмо, заказ и историю | Черновик с нужными фактами | Время обработки |
| Аналитика и голос клиента — задачи 18–21 | ||||
| 18 | Сверка текстовых причин расхождений | Таблицы и комментарии | Группы причин и объяснения | Время аналитика |
| 19 | Подготовка управленческой записки | Показатели, события, комментарии | Отклонения, возможные причины, вопросы к ответственным | Время руководителя |
| 20 | Объяснение аномалий | Данные и контекст показателя | Список гипотез для проверки | Время первичного разбора |
| 21 | Сводка отзывов клиентов | Отзывы, обращения, оценки | Темы, частоту, примеры формулировок | Время анализа, скорость реакции |
| Сотрудники и внутренние процессы — задачи 22–24 | ||||
| 22 | Адаптация нового сотрудника | Регламенты, роль, материалы | Маршрут обучения и ответы на вопросы | Нагрузка наставника, время адаптации |
| 23 | Помощник по внутренним правилам | Политики, инструкции, справочники | Ответ со ссылкой на документ | Время поиска, число повторных вопросов |
| 24 | Поиск зависших обязательств | Переписку, задачи, карточки сделок | Список обещаний без следующего действия | Просрочки, ручное время контроля |
| Автономные сценарии — задача 25 | ||||
| 25 | Агентный сценарий между системами | Событие, контекст и разрешённые инструменты | Несколько действий с журналом выполнения | Доля успешных проходов, ручные касания, стоимость операции |
В первых двадцати четырёх задачах можно начать с помощи сотруднику: например, ИИ готовит черновик ответа, а человек проверяет и отправляет его. Необязательно сразу убирать человека из процесса, чтобы получить полезный результат
Двадцать пятый сценарий отличается тем, что система сама выбирает и выполняет несколько действий. Поэтому ИИ-агентам для бизнеса нужны отдельно настроенные права, ограничения и проверка всей цепочки, а не только качества ответа
Матрица пригодности задачи к ИИ
Оцените каждый вариант по семи вопросам. Это авторская рабочая шкала для сравнения идей, а не научно проверенная модель окупаемости. Она помогает обсуждать частоту работы, доступность данных и цену ошибки вместо того, чей вариант эффектнее выглядит на презентации
| Вопрос | 0 баллов | 1 балл | 2 балла |
|---|---|---|---|
| Как часто задача повторяется | Реже раза в месяц | От раза в месяц до нескольких раз в неделю | Каждый день и чаще |
| Насколько дорог ручной труд | Почти незаметен | Часы есть, но не критично | Занимает заметную часть рабочего времени команды |
| Есть ли неструктурированный вход | Всё уже в полях и правилах | Иногда нужен текстовый контекст | Основная работа - читать, понимать, классифицировать |
| Можно ли проверить хороший ответ | Результат субъективен | Нужна экспертная проверка | Есть понятные критерии и примеры |
| Насколько доступны данные | Данные разбросаны и ненадёжны | Часть данных доступна | Источники определены и актуальны |
| Какова цена ошибки | Ошибка критична и необратима | Ошибку можно перехватить до действия | Ошибка дешева и обратима |
| На что повлияет результат | Красиво, но ничего не меняет | Экономит время | Влияет на деньги, скорость, качество или пропускную способность |
Максимум - 14 баллов. При 11-14 баллах задачу стоит подробно разобрать; при 7-10 возможен пилот, но сначала нужно снять ограничения; при 0-6 разумнее поискать более подходящую задачу или более простое решение
Высокая сумма баллов не отменяет критичного ограничения. Если ошибка необратима и её цена неприемлема, сначала нужно ограничить действия системы или предусмотреть подтверждение человеком. Частота задачи и удобные данные не компенсируют такой риск
Для сравнения нескольких кандидатов пригодятся также матрица выбора проектов ИИ для руководителя и матрица окупаемости процессов
Почему один ИИ по-разному помогает разным сотрудникам
Эффект от ИИ зависит и от задачи, и от опыта сотрудника. В рабочей версии исследования Эрика Бриньолфссона, Даниэль Ли и Линдси Рэймонд 2023 года анализировались данные 5 179 сотрудников клиентской поддержки. Доступ к ИИ-помощнику увеличил число решённых обращений за час в среднем на 14%. Для менее опытных и менее результативных сотрудников авторы сообщали о приросте 34%, тогда как у наиболее опытных эффект был минимальным [3]
В полевом эксперименте с 758 консультантами Бостонской консалтинговой группы, о котором Гарвардская школа бизнеса сообщила в 2023 году, результат зависел от задания. Там, где модель справлялась, участники с ИИ выполняли работу более чем на 25% быстрее и получали более высокие оценки качества. На задании за пределами возможностей модели помощь ИИ, напротив, ухудшала результат по сравнению с работой без него [4]
Поэтому проверять стоит конкретную задачу: например, подготовку контекста перед звонком или извлечение полей из документа. Формулировка «внедрить ИИ в отдел» слишком широка: даже у одного сотрудника часть работы может хорошо подходить для ИИ, а часть - требовать другого решения
Где ИИ не нужен
ИИ не нужен, когда задачу уже можно решить стабильным правилом или обычной интеграцией. Ещё несколько причин отложить внедрение связаны с самим процессом и ценой ошибки
Стабильное правило уже решает задачу. Если статус «оплачено» должен запускать отправку документа, настройте правило: интерпретировать текст здесь незачем
Данные просто не передаются между системами. Сотруднику, который копирует номер заказа из одной программы в другую, в первую очередь нужна интеграция
Процесс сам по себе лишний. Нет смысла автоматически согласовывать отчёт, который никто не использует
Процесс меняется каждую неделю. Сначала полезно привести его к рабочему состоянию: договориться о входных данных, правилах и результате. Иначе придётся постоянно переделывать автоматизацию вслед за самим процессом
Цена ошибки выше возможной пользы. Если неверный результат может причинить крупный юридический, финансовый или репутационный ущерб, самостоятельные действия ИИ стоит ограничить или отложить. Подготовка черновика для специалиста и принятие решения без проверки - разные уровни риска
Как устроена рабочая система с ИИ
Помимо модели, рабочему сценарию нужны источники данных, проверки, права на действия и способ разобрать ошибку. Последовательность может выглядеть так
Событие → проверка входа → данные и контекст → ИИ-задача → проверка правил → действие или подтверждение человеком → запись результата → оценка качества
| Слой | Что должно быть определено |
|---|---|
| Событие | Что именно запускает сценарий |
| Вход | Какие поля, документы или сообщения обязательны |
| Источники | Откуда берутся актуальные факты |
| ИИ-задача | Что система должна понять, извлечь или предложить |
| Правила | Какие условия нельзя отдавать вероятностному решению |
| Права | Какие действия системе разрешены |
| Человек | В каких случаях требуется подтверждение |
| Журнал | Что сохраняется для разбора ошибок |
| Оценка | Как регулярно проверяется качество |
| Бизнес-метрика | Какая цифра процесса должна измениться |
Национальный институт стандартов и технологий США в профиле рисков генеративного ИИ рассматривает надёжность как часть проектирования, разработки, использования и оценки системы [5]. Поэтому права, источники, журнал действий и тестовые случаи стоит обсуждать одновременно с функциями - до запуска, а не после первой ошибки
Как выбрать первый кейс за один рабочий день
За один день можно сделать первичный отбор в четыре шага: собрать повторяющиеся задачи, посчитать их частоту и ручное время, проверить ограничения по матрице и выбрать до трёх кандидатов с заранее заданной метрикой и условием остановки
Утро - собрать реальные задачи
Попросите руководителей отделов выписать повторяемые действия сотрудников за последнюю неделю. Нужны конкретные формулировки: «три раза в день читаем входящие заявки и определяем продукт», «после звонка вручную переносим договорённости в систему», «бухгалтер два часа сверяет названия контрагентов». По такому списку уже можно оценить объём работы
До обеда - посчитать частоту и ручное время
Для предварительного отбора десяти-двадцати задач достаточно грубой оценки текущей нагрузки. Посчитайте, сколько раз в месяц выполняется каждая операция и сколько активного времени она занимает
Ручные часы в месяц = число операций за месяц × активные минуты на операцию / 60
Пока не вычитайте ожидаемую экономию: сначала нужно понять, сколько времени уходит на работу сейчас
После обеда - пройти матрицу пригодности
Пройдите матрицу пригодности и отдельно отметьте ограничения: нет доступных данных, непонятно, как проверить результат, или слишком дорого обходится ошибка. По оставшимся задачам будет проще выбрать кандидатов для пилота
В конце дня - выбрать не больше трёх кандидатов
Для каждого кандидата запишите одну бизнес-метрику, типовой сценарий и условие остановки. Например, для обработки входящих заявок
- Метрика - время от входящей заявки до осмысленного первого ответа
- Типовой сценарий - новая заявка на основную услугу в рабочее время
- Условие остановки - доля ошибок в определении продукта превышает предел, согласованный до теста
С таким описанием можно переходить к плану внедрения ИИ: понятно, что проверять в пилоте и при каком результате его не стоит продолжать
Как считать эффект, чтобы не обмануть себя
Высвобождённые часы не всегда превращаются в прибыль. Возьмём условный пример: после внедрения команда тратит на прежний объём работы на 80 часов в месяц меньше. Финансовый результат зависит от того, что произойдёт с этим временем
| Что произошло после внедрения | Финансовый смысл |
|---|---|
| Люди просто стали меньше спешить | Может улучшиться качество, но прямой экономии нет |
| Команда стала обрабатывать больше заявок | Появилась дополнительная пропускная способность |
| Компания отложила найм нового сотрудника | Удалось отложить будущие расходы на найм |
| Сотрудники переключились на работу, которая приносит маржу | Появилась возможность дополнительной прибыли |
В отчёте о пилоте стоит разделять экономию времени и её финансовое использование: дополнительный объём работы, отложенный найм или переключение сотрудников на задачи с большей отдачей. Проверьте и фактическое использование: если сотрудники продолжают работать по-старому, удачный тест ещё не означает изменения процесса. Подробный расчёт - в материале «Как превратить экономию рабочего времени в реальные деньги»
Семь ошибок первого проекта
Выбрать целый отдел вместо одной задачи
Не измерить текущий процесс до внедрения
Требовать полной автономности с первого дня
Подключить все внутренние данные «на всякий случай»
Оценивать качество по пяти красивым примерам вместо набора реальных случаев
Не назначить владельца результата со стороны бизнеса
Продолжать пилот только потому, что уже потратили деньги
Пилот имеет смысл закрыть, если проверка показала, что затраты и ограничения перевешивают пользу. Продолжать только потому, что на проект уже потратили деньги, - значит откладывать выбор более подходящей задачи
Источники и проверка фактов
- Стэнфордский институт человекоцентричного ИИ. Индекс ИИ 2026, глава «Экономика» - данные об использовании ИИ в организациях за 2025 год и распространённости агентов. Индекс обобщает исследования; это не отдельный опрос Стэнфорда
- Маккинзи. Состояние ИИ в 2026 году - опубликовано 25 августа 2026 года. Опрос проходил с 4 мая по 8 июня 2026 года: 1 719 участников из 97 стран. Показатели отражают ответы респондентов, а не независимый аудит финансового эффекта
- Эрик Бриньолфссон, Даниэль Ли, Линдси Рэймонд. «Генеративный ИИ в работе», рабочий доклад № 31161, 2023 - цифры 5 179, 14% и 34% относятся к авторской аннотации ранней версии, сохранённой в RePEc. В последующей редакции выборка и оценки уточнялись
- Институт ИИ Гарвардской школы бизнеса. Исследование границ возможностей ИИ - сообщение от 21 сентября 2023 года о полевом эксперименте с 758 консультантами. Научная публикация по результатам исследования, опубликована 11 марта 2026 года
- Национальный институт стандартов и технологий США. Профиль управления рисками генеративного ИИ - документ от 26 июля 2024 года о надёжности и управлении рисками на разных этапах работы с ИИ-системой
Источники проверены 11 сентября 2026 года. Матрица отбора и сценарии применения - авторские рабочие инструменты. Пример с 80 часами условный и не описывает клиентское внедрение
