ИИ в бизнесе: полезные сценарии, ограничения и оценка эффекта

Обновлено 3 сентября 2026 года.

ИИ может ускорять отдельные операции: разбирать документы, искать информацию, готовить ответы и помогать с кодом. Но из этого не следует, что компаниям нужно заменять CRM и ERP автономными агентами или что собственная AI-разработка всегда дешевле готового сервиса.

Практический вопрос — какой процесс удастся улучшить при приемлемом качестве и полной стоимости. Для ответа нужны конкретная задача, проверочная выборка и сравнение с нынешним способом работы. Ниже — сценарии, которые можно проверить, и пример расчёта без обещаний гарантированной окупаемости.

Что подтверждено исследованиями, а что остаётся гипотезой

В исследовании Generative AI at Work, опубликованном в The Quarterly Journal of Economics в 2025 году, изучалось внедрение AI-помощника у 5172 сотрудников поддержки. Среднее число решённых обращений в час выросло на 15%, но эффект сильно различался: менее опытные сотрудники получили больше пользы, а у самых опытных наблюдались небольшие изменения скорости и некоторое снижение качества. Статья Brynjolfsson, Li и Raymond.

Это результат определённой системы в определённом процессе поддержки. Его нельзя превращать в прогноз «прибыль любого бизнеса вырастет на 15%» или доказательство замены всех сотрудников. Для своей компании нужно отдельно измерить скорость, качество, повторные обращения и стоимость эксплуатации.

Сценарии для проверки

Эти сценарии — варианты пилота, а не заявленные результаты клиентов BI Data. Для каждого понадобится собственная проверка на реальных форматах и исключениях: плохом скане, устаревшем регламенте, неоднозначном вопросе или неполных данных.

Поиск по документам не равен обучению модели

Корпоративный помощник может использовать RAG: сначала найти подходящие фрагменты документов, затем сформировать ответ с учётом найденного контекста. Добавление файла в поисковый индекс не означает переобучения весов языковой модели. Обновление документов, настройка поиска и дообучение — разные операции. Описание RAG у Microsoft.

Проверяйте не только красивый текст, но и его основание. Ссылка должна вести на документ, который действительно подтверждает ответ, а пользователь должен иметь право его читать. Если подходящего основания нет, полезнее сообщить о нехватке данных или передать вопрос специалисту, чем заполнить пробел правдоподобным вымыслом.

Агент и обычный рабочий процесс

В фиксированном процессе заранее определено, какие шаги выполнять: получить документ, извлечь поля, проверить формат и передать на согласование. Агенту разрешают самому выбирать очередной шаг и инструменты в пределах задачи. Такое различие полезно для проектирования и описано, например, в инженерном материале Anthropic. Workflows и agents.

Чем больше свободы действий, тем важнее контролировать результат каждого шага. Задайте допустимые инструменты, предел стоимости и времени, правила повторных попыток и остановки. Для изменения рекламного бюджета, отправки предложения или проведения платежа нужны конкретные ограничения операции и предусмотренное процессом подтверждение.

Не каждый сценарий требует автономного агента. Если правила известны и стабильны, обычный программный процесс с одним вызовом модели может быть проще в сопровождении. Микросервисы — способ организации программной системы, а не обязательный признак AI-решения.

Почему ИИ не заменяет надёжный учёт и BI-модель

Языковая модель может помочь написать SQL, но не определяет сама, что компания считает выручкой. Сначала нужны согласованные источники, детализация, правила валют, налогов, возвратов и дат. Итоговые суммы должен вычислять проверяемый запрос или расчётная модель.

Для прогнозирования спроса сравнивайте результат с простым базовым прогнозом на будущих относительно обучения периодах. Текстовое объяснение прогноза не подтверждает его точность. Для анализа отзывов проверяйте качество по языкам, категориям и неоднозначным формулировкам: сарказм и отрицания могут менять смысл.

Уверенный ответ может содержать вымышленные сведения. NIST описывает такую особенность генеративных систем как confabulation и включает её в профиль управления рисками. В бизнес-процессе это означает необходимость проверки фактов и расчётов на подходящих контрольных данных. NIST AI 600-1.

Готовый продукт или собственная разработка

Сравнивайте решения с одинаковым объёмом функций. У готовой CRM есть не только форма ввода: нужны роли, история изменений, обновления, интеграции, восстановление и поддержка. Небольшой AI-прототип, который выполняет одну демонстрацию, не равноценен этой системе.

• У готового продукта проверьте, насколько сценарий закрывается штатными функциями и настройками.
• У собственной разработки учтите интеграцию, тестирование, поддержку моделей и зависимостей, мониторинг и ответственность за сбои.
• У обоих вариантов проверьте права на данные, экспорт результатов, доступность поставщика и полную стоимость эксплуатации.

Практичным промежуточным вариантом может быть помощник поверх существующей системы: CRM продолжает хранить записи и права, а ИИ готовит предложения или выполняет ограниченные операции через API. Решение о замене системы принимают после проверки процесса и затрат, а не по факту появления новой модели.

Пример расчёта эффекта пилота

Ниже условный расчёт для обработки обращений, а не статистика рынка или результат внедрения.

Было: 1000 × 6 / 60 = 100 часов. Стало: (600 × 3 + 400 × 6) / 60 = 70 часов. Высвобождено 30 часов в месяц.

При условной ценности часа 1500 рублей это 45 000 рублей эквивалента рабочего времени. Если лицензии, вычисления и сопровождение вместе стоят 55 000 рублей в месяц, разница составляет −10 000 рублей ещё до учёта первоначального внедрения. Быстрее выполнять задачи можно и в проекте, который пока не окупается.

Высвобождённое время не всегда превращается в снижение денежных расходов: сотрудники могут использовать его для других задач при той же зарплате. Дополнительные продажи, снижение очереди или улучшение сервиса оценивайте отдельно, чтобы не посчитать одну пользу дважды.

Как провести проверку в своей компании

1. Выберите один процесс с понятным входом, выходом и владельцем.
2. Соберите исходные показатели: время, ошибки, повторные действия и стоимость.
3. Подготовьте контрольную выборку, включая редкие и сложные случаи; определите критерии до настройки системы.
4. Проверьте качество на примерах, которые не использовались для подбора подсказок и правил.
5. Сравните работу с помощником и без него на сопоставимых задачах. Учтите время исправлений и контроля.
6. Ограничьте пилотный запуск и наблюдайте реальные сбои, задержки и повторные обращения.
7. Масштабируйте только после проверки качества, стоимости и понятного порядка восстановления.

Полезный результат пилота может состоять и в отказе от неудачного сценария. Задача внедрения — улучшить конкретную работу компании, сохранив достоверность данных и управляемость процесса.