С чего начать внедрение ИИ — и нужен ли он вам на самом деле
Компании не всегда нужен ИИ — порой достаточно простого бота: он дешевле и может быть готов всего за месяц. Как понять, что нужен именно ИИ, и подготовиться к внедрению, рассказывает Всеволод Викулин (Т-банк и Центр непрерывного образования НИУ ВШЭ)
Фото: РБК
Этот материал входит в раздел «РБК Образование», где мы рассказываем, как развивать навыки, принимать взвешенные решения и двигаться по карьере осознанно.
Школа управления РБК — образовательный проект медиахолдинга, ориентированный на развитие руководителей. Встречаемся каждый четверг в 19:00 на онлайн-событиях, где вместе решаем сложные управленческие задачи.
С темами и спикерами можно познакомиться здесь.
Искусственный интеллект (ИИ) стал одной из самых обсуждаемых технологий. Компании рассматривают возможность его внедрения в поддержку, продажи, документооборот, аналитику и внутренние процессы. Однако для руководителя важнее другой вопрос: действительно ли компании нужен ИИ или достаточно классической автоматизации. Разберемся, как не ошибиться при ответе.
ИИ или автоматизация: простой способ выбора
Самый простой способ понять, нужен ли компании ИИ, — попробовать автоматизировать процесс без него. Если результат устраивает, ИИ не нужен.
Роботизация бизнес-процессов (RPA), скрипты и детерминированные боты (работают по строго заданным правилам) обычно дешевле в разработке, надежнее в эксплуатации и проще в поддержке. Использовать большие языковые модели (LLM) в задаче, которую можно решить с их помощью, — значит платить за функциональность, которая не создает дополнительной ценности.
Приведу пример: вам нужно, чтобы клиент мог записаться в салон красоты через мессенджер, выбирая услугу, дату и время из заранее заданных вариантов. Похожая задача — открытие новой карты: клиент выбирает тип карты и время доставки. В обоих случаях процесс легко описывается набором заранее заданных правил — значит, подойдет простой бот.
Совсем другое дело, когда клиент задает вопрос вроде «Какой шампунь мне подойдет?». Одного правильного ответа на этот вопрос не существует: нужно учитывать тип волос, проблемы кожи головы, предпочтения, бюджет, прошлый опыт и состав продукта. Или клиент может спросить, как условия банковской карты будут применяться в его конкретной ситуации. Заранее запрограммировать логику для всех возможных вариантов таких запросов практически невозможно. Поэтому имеет смысл подумать о внедрении ИИ.
Сотрудники, а не клиенты: в какие процессы внедрить ИИ в первую очередь
Начинать внедрение лучше с задач с низким уровнем риска, которые при этом способны дать компании понятный и измеримый эффект, например за счет повышения эффективности работы сотрудников.
Самый простой пример — ИИ-система для поиска информации во внутренних базах знаний и корпоративных документах. Такое решение можно использовать практически во всех подразделениях компании. Например, банк Morgan Stanley за счет него повысил качество внутреннего поиска с 20 до 80%.
Другой пример — ассистент (copilot) для IT-функции. Исследование Github показало, что с помощью такого ассистента можно повысить эффективность разработчиков на 55%.
Еще примеры — автоматические ответы на вопросы: какие условия программы ДМС? как запросить доступ к нужному ресурсу? почему не работает какой-то внутренний функционал? Есть компании, которые автоматизировали 40% всех вопросов во внутреннюю поддержку.
В таких процессах цена ошибки ниже, а эффект можно измерить. Главное правило: от первого внедрения не стоит ждать ощутимого финансового эффекта. Цель — дать команде практический опыт разработки ИИ-решений: понять, какие данные необходимы, как оценивать эффективность модели, контролировать качество ее работы и выявлять ограничения.
Три кита: как оценить готовность компании к внедрению ИИ
Успех проектов в области генеративного ИИ обычно зависит от трех факторов.
1. Ясная стратегия
Топ-менеджмент должен четко понимать, какую бизнес-задачу решает с помощью ИИ и какого результата планирует достичь. Например: «Мы внедряем ИИ для автоматизации клиентской поддержки, чтобы сократить время обработки обращений на 30%, повысить долю запросов, решаемых без участия оператора, до 50% и снизить нагрузку на контактный центр».
ИИ — не игрушка и не разовый эксперимент, а инвестиции в инфраструктуру, данные, обучение сотрудников и развитие новых компетенций.
2. Данные и процессы
ИИ наиболее эффективен там, где есть доступ к контексту — документам, регламентам, истории обращений, базам знаний и формализованным сценариям.
Если процессы в компании не описаны, данные распределены по разным системам, а единый источник актуальной информации отсутствует, проект быстро сталкивается с хаосом и теряет управляемость.
3. Команда
ИИ-инициативы нельзя просто «добавить» к задачам существующего IT-отдела. Для таких проектов требуется отдельный лидер с подтвержденным опытом внедрений и специализированная команда, понимающая специфику разработки ИИ-решений.
По моему опыту, наиболее эффективно внедряют ИИ кросс-функциональные продуктовые команды. Они состоят из продуктового лидера (чаще всего это продуктовый менеджер), бэкенд-разработчиков, аналитиков и ИИ-разработчиков. Для относительно простых проектов на базе готовых больших языковых моделей (LLM) обычно достаточно команды из пяти специалистов. Фонд оплаты труда такой команды — около 1,5–2 млн руб. в месяц. Для крупных проектов, в ходе которых создаются сложные LLM, может потребоваться 25–50 специалистов.
Туманные перспективы: какие риски учесть до запуска
Главный риск ИИ-проектов связан с высокой неопределенностью результата. В классической IT-разработке спецификация, как правило, достаточно точно задает результат на выходе, тогда как в проектах с генеративным ИИ это правило не работает. Уровень качества, достижимый в конкретной задаче, достаточность данных и количество итераций, необходимых для финальной настройки решения, нередко становятся понятны только в ходе работы.
Вступайте в сообщество Школы управления РБК в Telegram или «Максе», чтобы общаться с руководителями из разных сфер, выстраивать нетворкинг и получать советы экспертов.
Это, в частности, создает риск неконтролируемого роста затрат — как по времени, так и по бюджету. Чтобы снизить риск, необходим жесткий контур управления проектом: заранее определенные KPI, ограниченный срок пилотной реализации и готовность остановить инициативу, если она не демонстрирует ожидаемой динамики.
Второй риск — слабая команда. ИИ-разработка ближе к научно-исследовательской деятельности, чем к классическим IT. В таких проектах значительную роль играют гипотезы, эксперименты, итерационный подход.
Индустрия находится на раннем этапе развития, устоявшихся стандартов внедрения ИИ пока не сформировано. По данным Массачусетского технологического института, 95% проектов в области ИИ не достигают заявленных целей. Поэтому качество команды становится одним из ключевых факторов успеха проекта.
Одна из ключевых задач топ-менеджера — найти сильного лидера ИИ-направления и наделить его необходимыми полномочиями. Речь идет о специалисте с опытом нескольких крупных и экономически успешных внедрений ИИ в компаниях. Такой опыт может быть как техническим — например, у бывшего инженера, — так и продуктовым, у продакт-менеджера.
В его зоне ответственности должна находиться как ИИ-стратегия компании с детальной дорожной картой инициатив, так и их практическое внедрение в различных подразделениях. По сути, это роль на стыке менеджмента и ИИ-технологий, требующая уверенного владения обеими областями.
Поскольку направление относительно молодое, а число компаний с системным опытом внедрения ИИ в России пока ограничено, таких специалистов на рынке немного, и спрос на них существенно превышает предложение. Руководители AI/ML-направлений в России в 2026 году зарабатывают в среднем около 500–800 тыс. руб. в месяц.
Задача топ-менеджера — оставить за собой бизнесовую рамку: определить, какие KPI должны быть достигнуты, в какие сроки, какой бюджет допустим и при каких условиях проект следует остановить, если он не дает эффекта. Иными словами, руководителю не требуется разбираться в архитектуре моделей или тонкостях их настройки. Его зона ответственности — понимание решаемой бизнес-проблемы, логики измерения результата и критериев, по которым можно судить об оправданности инвестиций в ИИ.
Подводя итог: выбор между ИИ и автоматизацией — это не технологический, а управленческий вопрос. Он начинается не с моделей и инструментов, а с понимания того, где в компании действительно есть сложность, требующая адаптивных решений, а где задача уже хорошо описывается правилами. Ошибка на этом этапе приводит либо к избыточным затратам на ИИ, либо к упущенным возможностям там, где он действительно необходим.