Внедрение ИИ в бизнес — от разбора процессов до эффекта в деньгах
Внедрение ИИ в бизнес обычно начинают с вопроса «какую нейросеть подключить». Это вопрос третьего порядка. Сначала нужно понять, какие процессы вообще выиграют от модели, сколько это даст в деньгах и кто в компании будет с этим работать. Без этих ответов получается подписка на чат-бот, которым через месяц пользуются двое энтузиастов.
Мы ведем внедрение как проект с понятным результатом на каждом этапе. Разбор процессов, расчет эффекта, пилот на одном сценарии, решение по его цифрам — и только потом масштабирование и обучение людей.
Ниже — из чего состоит такой проект, где ИИ действительно окупается, как выбирается модель и сколько все это занимает.
Когда внедрение ИИ в бизнес окупается, а когда нет
Первым делом мы проверяем, нужен ли ИИ вообще. Иногда честный ответ — нет, и это экономит клиенту бюджет.
Имеет смысл, если
В компании много однотипной работы с текстом — письма, заявки, документы, переписка, звонки. Объем растет, а нанимать под него людей дорого. Есть система, куда можно записывать результат. Есть человек, который готов отвечать за проект со стороны бизнеса.
Рано или не нужно, если
Данные живут в головах и личных таблицах. Процесс прямо сейчас перестраивается. Задача решается формулой или списком правил. Объем маленький — десяток обращений в месяц не окупит ни разработку, ни сопровождение.
Второй случай не приговор. Обычно он значит, что сначала нужна автоматизация процессов или система учета, а ИИ подключается следующим этапом.
Что входит во внедрение ИИ
Состав собирается под задачу, но каркас проекта повторяется.
Разбор процессов
Проходим по потокам работы и отмечаем, где человек читает, сортирует, переносит и пересказывает. Результат — карта задач-кандидатов с объемом и ценой каждой, а не список идей с совещания.
Расчет эффекта
По каждому кандидату — сколько раз в месяц, сколько минут, чья ставка, сколько стоят ошибки. И сколько будет стоить работа модели на этот объем. Задачи, где одно не перекрывает другое, отсекаются сразу.
Выбор модели и контура
Российская модель по API, открытая модель на вашем сервере или комбинация. Решение зависит от того, есть ли в данных персональная информация и коммерческая тайна, и от объема запросов.
Пилот на одном сценарии
Модель работает на реальных данных в режиме подсказки — готовит результат, человек принимает или правит. Меряем долю случаев, принятых без правок. Это и есть реальный эффект, в отличие от впечатления на демо.
Встраивание в системы
ИИ живет внутри CRM, учетной системы, портала или мессенджера, а не в отдельной вкладке. Обмен с 1С, права, журнал действий.
Люди и регламенты
Обучение по ролям, правила о том, какие данные можно отправлять в модель, владелец качества со стороны бизнеса. Без этого даже удачный пилот не переживает первого квартала.
Где ИИ дает эффект, а где хватит обычного кода
Самая полезная часть разбора — сортировка. Каждую задачу из карты мы относим к одной из трех корзин, и ИИ получает меньшую из них.
Критерий простой. Если задачу можно описать как «если А, то Б» и список условий помещается на страницу — это код. Если задача звучит как «пойми, что здесь написано» — это модель. Подробнее о том, как делить работу между моделью, кодом и людьми, — в статье про ИИ-автоматизацию бизнес-процессов.
Что обычно попадает в корзину модели.
- Разбор входящего потока. Письма, заявки из мессенджеров, обращения с сайта превращаются в структурированную запись в системе. Если после разбора нужно еще и действовать в нескольких системах, это уже задача для ИИ-агента. Чем агент отличается от бота и ассистента, разобрали в отдельной статье.
- Документы на входе. Счета, накладные, спецификации, договоры поставщиков. Позиции извлекаются в таблицу, спорные строки уходят на ручную проверку.
- Ответы по своим документам. Регламенты, инструкции, договоры, база знаний. Это отдельный класс решений — ИИ-ассистент на данных компании. Почему такие ассистенты иногда врут, разобрали отдельно.
- Звонки и переписка в продажах. Расшифровка, выжимка договоренностей, заполнение карточки клиента. Что из этого уже работает, разобрали в статье про ИИ в отделе продаж.
- Черновики. Ответ клиенту, коммерческое предложение, описание. Человек правит, а не пишет с нуля.
Как идет работа
- Созвон. Вы рассказываете, где много ручной работы и что уже пробовали.
- Разбор процессов. Смотрим реальные потоки — не по регламенту, а по тому, как было на прошлой неделе. На выходе карта задач-кандидатов с объемом каждой. Если процессы нужно разбирать глубже, это отдельная работа — диагностика процессов.
- Расчет эффекта и выбор первого сценария. Для каждого кандидата — экономия, стоимость работы модели, риски. Первым берем сценарий, где эффект легко измерить, а ошибка стоит дешево.
- Пилот. Сто-двести реальных случаев за прошлый месяц как тестовый набор. Модель работает в режиме подсказки, мы меряем долю принятых без правок, пропуски и выдумки.
- Решение по цифрам. Если пилот не показал эффекта, останавливаемся. Вы теряете стоимость пилота, а не полугодового проекта, и получаете понятный ответ, почему не сработало.
- Масштабирование. Встраиваем сценарий в рабочие системы, расширяем права по мере роста качества, подключаем следующие задачи из карты.
- Обучение и передача. Инструкции по ролям, правила работы с данными, человек со стороны бизнеса, который отвечает за качество. Дальше работаем по задачам, без обязательной абонентской платы.
Как считаем эффект в деньгах
Экономию считаем по конкретной операции, а не «времени вообще». Нужны четыре числа — сколько раз в месяц она происходит, сколько минут занимает, сколько людей в ней участвует и сколько стоит их час. Отдельно — частота и средняя цена ошибок, потому что один дважды выставленный счет иногда перекрывает месяц экономии на рутине.
С другой стороны стоит цена работы модели. Считаем ее не за запрос, а за закрытую задачу. На одну задачу уходит несколько обращений к модели, а задач в месяц могут быть тысячи. Если эта цифра сопоставима со стоимостью ручной обработки, проект не окупится, каким бы удачным ни было демо.
Сэкономленные часы превращаются в деньги только в двух случаях. Либо сотрудник начинает делать работу, которая приносит выручку, либо при росте объема не нужно нанимать следующего. Если ни того ни другого не происходит, экономия остается на бумаге. Поэтому первым кандидатом обычно становится участок, который упирается в потолок роста.
Методику с примерами расчета разобрали в статье как посчитать эффект от ИИ до старта проекта.
Какие модели используем и где живут данные
Модель — самая заменяемая часть проекта. Мы изолируем ее вызов за собственным интерфейсом, чтобы смена поставщика занимала дни.
- Российские модели по API. GigaChat от Сбера и модели Яндекса через Yandex AI Studio. Данные обрабатываются в России, есть вызов функций для интеграции с вашими системами, не нужно свое железо.
- Открытые модели в российском облаке. В Yandex AI Studio и в сервисе Foundation Models от Cloud.ru по API доступны открытые модели, в том числе семейства Qwen и DeepSeek. Удобно, когда нужна конкретная модель без аренды видеокарт.
- Открытая модель на вашем сервере. Данные не покидают контур. Сбер выложил открытые веса GigaChat — версии 3.1 вышли под лицензией MIT, Яндекс опубликовал модель Alice AI Foundation под лицензией Apache 2.0, обе разрешают коммерческое использование. Есть Qwen, DeepSeek и другие. У Llama своя лицензия Meta с ограничениями — ее условия читаем до выбора, а не после.
- Зарубежные модели. Только там, где в запросах нет персональных данных и коммерческой тайны, или после обезличивания. И с заменой наготове — доступ может закрыться.
Отдельно про 152-ФЗ. Отправка персональных данных в зарубежный сервис — это трансграничная передача, о ней нужно заранее уведомить Роскомнадзор, а первичный сбор данных граждан России должен идти в российских базах. Проще решить вопрос архитектурой — российской моделью, своим сервером или обезличиванием. Подробно — в статье нейросети и персональные данные, а сравнение вариантов — в материале какую языковую модель выбрать бизнесу.
Почему ИИ не приживается без людей
Удачный пилот часто умирает на третьем месяце, и причина почти всегда не в модели.
- Нет владельца качества. Кто-то со стороны бизнеса должен решать, какой ответ считается правильным. Иначе спор о качестве становится вечным.
- Сотрудники не понимают границ. Одни не доверяют ни одному ответу и перепроверяют все, другие принимают все подряд. Обучение нужно не «как нажимать кнопки», а где модель ошибается и что проверять.
- Данные утекают в открытые чаты. Если внутри компании нет удобного инструмента, люди копируют договоры и выгрузки в публичные сервисы. Правила о том, что можно отправлять в модель, должны появиться раньше, чем пилот.
- Система добавляет работы. Если сотруднику нужно заполнять еще одну форму, инструмент не приживется. Встраиваем ИИ в привычный интерфейс — CRM, портал, мессенджер.
Сроки и стоимость
Бюджет складывается из трех частей. Разработка — подготовка данных, поиск, интеграции, интерфейс и проверки, обычно самая большая статья. Работа модели — постоянный платеж, который зависит от объема. Сопровождение — замеры качества, обновление данных, реакция на смену моделей.
Точную цифру называем после разбора, а не по прайсу. Из чего складывается бюджет, разобрали в статье сколько стоит внедрить ИИ в компанию. Если хотите пройти часть пути сами, пригодится пошаговый план внедрения.
Найдем процессы, где ИИ окупится, и посчитаем эффект до старта
Опишите, где в компании много ручной работы с текстом, документами или обращениями. В ответ — карта задач, что из этого решается обычным кодом, что требует модели, и оценка пилота на первом сценарии. Если по объему видно, что ИИ не окупится, скажем прямо.
Первый созвон бесплатный. Карта задач остается у вас и годится для запроса цены у любого подрядчика.
Что остается у вас
- Карта процессов и расчет эффекта — документ, по которому можно решать, продолжаете вы с нами или нет.
- Тестовый набор и замеры качества. На нем проверяется любая смена модели или промпта.
- Код в вашем репозитории — с историей изменений, на распространенном стеке. Поддержит любой грамотный разработчик.
- Доступы и ключи к моделям и серверам на ваши учетные записи.
- Данные в России. Хранение на российской инфраструктуре, обработка персональных данных по 152-ФЗ, при необходимости — закрытый контур.
- Инструкции и регламенты для пользователей по ролям и правила работы с данными.
На что смотреть при выборе подрядчика
- С чего предлагают начать. Если первым шагом идет выбор модели или покупка лицензии, а не разбор процессов, вам продают инструмент, а не результат.
- Как меряют качество. Должен быть набор реальных случаев и доля принятых без правок. «Клиенты довольны» — не метрика.
- Что будет, если пилот не сработает. Хороший ответ — остановимся и объясним почему. Плохой — «доработаем», без срока и цены.
- Где обрабатываются данные. Подрядчик должен ответить сразу и конкретно — какая модель, в какой стране, что уходит наружу.
- Сколько стоит тысяча задач в месяц. Не цена запроса, а цена закрытой задачи, и как она изменится при смене модели.
Дальше по теме
Частые вопросы
С чего начинается внедрение ИИ в компании?
С разбора процессов, а не с выбора нейросети. Смотрим, где сотрудники читают, сортируют, переносят и пересказывают текст, считаем объем и цену каждой такой операции. Из этого получается карта задач-кандидатов, и только по ней понятно, какая модель нужна и нужна ли вообще.
Как понять, что ИИ окупится?
Посчитать до старта. По каждой операции берутся четыре числа — сколько раз в месяц она происходит, сколько минут занимает, сколько людей участвует и сколько стоит их час. Отдельно считаются ошибки и стоимость работы модели за закрытую задачу. Если эффект не перекрывает затраты, говорим об этом сразу.
Что такое пилот и зачем он нужен?
Это запуск одного сценария на ваших реальных данных в режиме подсказки. Модель готовит результат, человек принимает или правит. Меряем долю случаев, принятых без правок. Если эффекта нет, проект останавливается, и вы теряете стоимость пилота, а не полугодовой работы.
Какие нейросети вы используете?
Под задачу. Российские модели по API — GigaChat и модели Яндекса. Открытые модели в российском облаке или на вашем сервере — GigaChat с открытыми весами, Alice AI Foundation от Яндекса, Qwen, DeepSeek и другие. Вызов модели изолирован за собственным интерфейсом, поэтому сменить ее можно за дни.
Можно ли внедрить ИИ и не нарушить 152-ФЗ?
Да, если решить вопрос архитектурой до разработки. Российская модель, открытая модель на вашем сервере или обезличивание перед отправкой. Отправка персональных данных в зарубежный сервис — трансграничная передача с уведомлением Роскомнадзора, и в большинстве задач проще ее избежать.
Сколько занимает внедрение ИИ?
Разбор процессов и расчет эффекта — 1–2 недели. Пилот одного сценария — 3–6 недель. Встраивание в системы, несколько сценариев, обучение и регламенты — 2–4 месяца. Решение идти дальше принимается после каждого этапа по цифрам.
Сколько стоит внедрение ИИ в бизнес?
Бюджет складывается из разработки, работы модели и сопровождения. Разработка — подготовка данных, интеграции, интерфейс и проверки — обычно самая большая часть. Работа модели зависит от объема задач. Точную цифру называем после разбора процессов, а не по прайсу.
Что если сотрудники не будут пользоваться?
Это частая причина, по которой удачный пилот умирает. Поэтому ИИ встраиваем в привычные системы, а не в отдельную вкладку, учим людей по ролям тому, где модель ошибается и что проверять, и назначаем со стороны бизнеса владельца качества, который решает, какой ответ считать правильным.