ИИ-проекты не приносят пользы. Правила, которыми пренебрегают компании
71% российских компаний внедрили ИИ, но лишь единицы получили измеримую отдачу. Какие четыре скрытых фактора отделяют успешные кейсы от бесконечных пилотов, рассказывает руководитель отдела по развитию профессиональных ИИ-сервисов «Яндекса» Глеб Кузьмин
Фото: Leon Nea / Getty Images
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.
Российский бизнес активно переходит к использованию ИИ‑моделей. В 2025 году объем отечественного рынка ИИ достиг $1,45 млрд — на 38% больше, чем в 2023 году. Прогнозы на текущий год допускают рост на 45%, до $2,1 млрд. По данным исследования, 71% компаний в 2025 году в России внедрили ИИ хотя бы в одну из бизнес‑функций, что близко к мировым тенденциям: согласно отчету McKinsey, 88% компаний в мире используют ИИ хотя бы в одной функции.
Вместе с тем за впечатляющими показателями скрываются трудности. Только 7% компаний, участвовавших в исследовании Национального центра развития ИИ при правительстве и ВЦИОМа, указали, что «полностью обеспечены данными для развития и использования ИИ». Мировая статистика тоже не показывает очевидных побед: почти две трети организаций, внедривших ИИ в 2025 году, все еще находятся на стадии экспериментов и пилотов, а не масштабного внедрения.
Эволюция ИИ‑моделей: от разрыва к выравниванию
Еще три года назад разрыв между лидирующими нейросетевыми моделями и остальными был колоссальным: модель на первом месте рейтинга значительно превосходила по интеллектуальным возможностям ту, что находилась на десятом. Сегодня картина иная — топовые модели сравнялись по базовому уровню. В среднем для выполнения типовых задач разница уже не так заметна. Это означает, что через 3–4 года конкуренция среди разработчиков будет не за «умность» модели, а за способность решать реальные бизнес‑задачи.
Сегодня на рынке формируются два основных типа ИИ‑продуктов: универсальные корпоративные ассистенты и пакетные специализированные вертикальные решения:
- Универсальные ассистенты — инфраструктурные, покрывающие широкий пласт офисных задач: работа с документами, поиск информации, резюмирование, анализ данных. Такие создают и международные, и российские игроки. Результаты внедрения этой категории решений легко поддаются оцифровке.
- Специализированные ассистенты нередко обучены под конкретную профессию: специалистов по продажам, HR, юристов или поддержки пользователей. Модели сразу обучают на специфике отрасли, поэтому они дают более точный результат. Такие решения уже представлены и на российском рынке, и в международной практике.
Четыре правила успешного внедрения ИИ
При всем разнообразии решений на рынке две трети компаний в мире в уходящем году так и остались на стадии эксперимента. Есть несколько моментов, которые важно учитывать, чтобы проект добрался до стадии масштабирования.
Правило 1. Наличие четкой цели
Компании ставят задачу на «джипитизацию» или «инновации» без понимания, какую конкретную проблему они решают. В крупном бизнесе это проявляется острее: нагрузка растет, а бюджет на расширение штата не выделяют, из‑за чего накапливаются неавтоматизированные задачи — например, обработка исков по защите прав потребителей, ведение судебных практик, ответы на запросы госорганов или сравнение договоров.
Пример конкретной метрики: руководитель юридического отдела может сформулировать запрос так: «У меня много младших юристов, я не успеваю проверять их работу. Если модель поможет мне в восьми случаях из десяти, я готов ее использовать, даже если в двух потребуется ручная доработка». Без такой метрики вероятность успешного внедрения крайне низка.
Вступайте в сообщество Школы управления РБК в Telegram или «Максе», чтобы общаться с руководителями из разных сфер, выстраивать нетворкинг и получать советы экспертов.
Правило 2. Адекватный расчет времени на адаптацию и ее стимулирование
Чаще всего компании недооценивают этап адаптации сотрудников. Кажется: отдадим команде новый инструмент — и все взлетит. А в результате 30% сотрудников активно используют новое решение, а остальные 70% — игнорируют. Здесь критична работа с внутренней коммуникацией — нужно объяснить команде ценность инструмента, показать, как он упрощает работу и решает их конкретные задачи. Эффективные практики включают пилотные группы с обратной связью, геймификацию обучения (баллы, рейтинги) и назначение внутренних «амбассадоров ИИ» в каждом отделе.
Правило 3. Наличие ответственного за проект
Внедрение ИИ требует бизнес‑чемпиона — человека, который отвечает за процесс со стороны бизнеса, имеет бюджет и полномочия. Он должен быть готов к экспериментам и понимать: не все попытки будут успешными, и это не повод для прекращения проекта.
Однако просто купить технологию недостаточно — нужно, чтобы поставщик решения прошел с компанией весь путь: от первого вопроса «зачем нам это нужно» до момента, когда становится понятно, где «болит» и как измерить эффект. Без такого сопровождения даже хорошо выбранный продукт рискует застрять на этапе пилота.
Правило 4. Формирование реалистичных ожиданий
Автоматизировать можно не работу человека целиком, а отдельные процессы — и делать это с учетом допустимого уровня риска. Модели не работают со стопроцентной точностью, это данность. Но, например, в работе службы поддержки, где и человек может ошибиться, модель показывает результаты на уровне специалиста или даже лучше — при условии правильной настройки и контроля.
Отдельно можно выделить попытки создания собственных решений на базе open‑source‑технологий или использования зарубежных SaaS‑сервисов. Базовое решение на открытых моделях действительно можно развернуть за пару дней и примерно за 100–150 тысяч рублей. Но дальше начинается самое сложное — и самое дорогое. Главный вызов здесь — переход к реальному продукту и поддержка экспертизы. Инженер, который поднимет качество такой модели хотя бы на 20%, уже будет стоить в 2–3 раза дороже самой разработки, а при его увольнении компания рискует потерять накопленные знания.
Задачи, готовые к автоматизации в 2026 году
Если 2025‑й был годом экспериментов — и во многом годом завышенных ожиданий со стороны компаний, внедряющих ИИ, то 2026‑й станет годом ИИ для бэк‑офиса. Среди задач, которые уже можно автоматизировать с помощью ИИ:
- в юридическом блоке — поиск законодательной базы, сравнение договоров, определение рисков и работа с интеллектуальными правами;
- в финансах — подготовка отчетности, расчет НДС по долгосрочным контрактам, распределение платежей по статьям доходов и группировка по номенклатурным группам;
- в HR — скоринг резюме, подсветка ключевых навыков кандидатов и суммаризация собеседований для передачи на следующий этап;
- в продажах — подготовка коммерческих предложений с учетом большого количества номенклатурных позиций, протоколирование встреч с клиентами и автоматическая подготовка черновиков писем.
При этом показательна логика, которую все чаще демонстрируют топ‑менеджеры: компании не сокращают сотрудников из‑за ИИ, но могут перестать расширять штат. Это подтверждает исследование 2026 года от компании Anthropic: чем сильнее профессия связана с задачами, которые берет на себя ИИ, тем меньше работодатели склонны открывать новые позиции. До массовых увольнений дело, конечно, не доходит, но начинают выше цениться специалисты, которые умеют адаптироваться и применять новые решения. Ведь даже консервативный прирост эффективности в 10–15% на сотрудника при масштабировании на весь отдел может дать существенную экономию ресурсов.