Призрачная эффективность ИИ
Сделать на базе популярных ботов хорошего помощника или справочную систему можно, но важно понимать, что мы хотим в итоге получить. Одно из распространенных заблуждений нашего времени — применение ИИ только в рамках чат-ботов. Искусственный интеллект — это не только решения на базе ChatGPT, DeepSeek. Боты — лишь одна из реализаций, хотя и самая яркая. Обучение ИИ и его применение в крупных проектах — достаточно сложный процесс, требующий больших затрат, хороших и высокооплачиваемых специалистов. И эти вложения не всегда оправданы.
Согласно данным отчета AI Index Report 2026 Стэнфордского центра Institute for Human- Centered AI, в котором рассматривается состояние искусственного интеллекта в 2025 году, бизнес во всем мире находится в парадоксальной ситуации: уровень внедрения ИИ повсеместно высок, но большинство компаний (95%) не получили измеримой ROI от своих вложений. Общий объем мировых инвестиций в ИИ в 2025 году достиг 581 млрд долл., при этом 56% директоров признали, что их эксперименты не принесли никакой финансовой выгоды. Часто внедрение ИИ дает лишь призрачную эффективность: конкретные задачи ускоряются (генерация идей +20%, разработка кода +26%), но 80% компаний либо не видят прироста производительности, либо теряют сэкономленное время на проверке результата. Мода или задачи?
Оценка текущих проектов внедрения ИИ в России создает впечатление, что большинство компаний запускают процессы цифровой трансформации и внедряют ИИ не для решения собственных задач, а потому что принимают модную концепцию «трансформируйся или умри». Трансформация ради трансформации — это пустая трата денег, и без четкой цели даже самый масштабный проект превращается в бюджетную «черную дыру». Внедрение технологий необходимо, если мы хотим с помощью новых инструментов получить новую ценность для бизнеса. Многие сейчас начинают процессы внедрения системы искусственного интеллекта потому, что боятся опоздать, потому что все вокруг уже что-то сделали. Значит, «нам тоже надо». В этих условиях ошибки внедрения связаны с тем, что начали раньше времени, не учли какие-то моменты, смотрели на внедрение как на генератор прибыли, а это была лишь реорганизация классического процесса с новым инструментом.
Только отдельные компании понимают, что им нужно от ИИ. Они идут путем исследования собственного бизнеса, выявляют потенциальные области, в которых применение ИИ может помочь и дать значительный эффект.
Первое, что необходимо помнить, — ИИ приносит ценность только тремя способами: ▪ рост выручки (через увеличение продаж или удержание клиентов); ▪ снижение затрат (автоматизация и оптимизация); ▪ снижение рисков и потерь (прогнозирование проблем и повышение качества).
Проект, который не вписывается ни в одну из этих категорий, скорее всего, не окупится.
Второе — лучше идти поэтапно короткими спринтами. Сделали что-то, попробовали, пилот провели, получили результат, все хорошо, двигаемся дальше. Важно помнить, что масштаб трансформации не должен опережать технологическую готовность, а успех пилота в «тепличных» условиях еще не гарантирует, что решение так же легко будет масштабироваться на всю компанию. Затраты на интеграцию, поддержку и обучение персонала часто забывают заложить в бюджет, а объем данных и инфраструктурные расходы в реальной работе растут неожиданно быстро. Руководство должно быть основным драйвером и основным участником всего процесса изменений.
Нужна максимальная объективность в оценке результатов проекта, которые всегда должны быть измеримы. Обязательно надо измерять: сколько заработали, либо какой косвенный доход должен быть, либо снижение расходов, расчет временных параметров. ИИ не ради ИИ. Важно в выгодах и затратах рассматривать эффекты внедрения ИИ, без учета других факторов.
Правильные предпосылки для внедрения ИИ — это: ▪ Четко понимать, что мы хотим улучшить?
▪ Что мы с его помощью хотим получить?
▪ Какие бизнес-процессы не устраивают и почему (высокая стоимость, большое количество ошибок и др.)?
Как неправильно считать выгоду от ИИ
Одна из главных причин, почему 95% компаний не видят отдачи, кроется не в технологиях, а в методологии подсчета. Мы часто сами себя обманываем, когда оцениваем эффект. Самые частые ловушки — это учет только доходной части, когда мы радуемся приросту конверсии, но игнорируем выросшие расходы. Или оценка «виртуальной» экономии, когда сравниваем работу ИИ с дорогой альтернативой, которую в реальности никогда бы не использовали.
Бывает и так, что мы выбираем неправильную точку отсчета, оценивая прогресс относительно неудачного прошлого опыта, а не лучшей из реально доступных альтернатив. Технические команды часто фокусируются на точности модели, а не на том, сколько денег она принесла. Два ИИ-продукта могут каннибализировать эффект друг друга, а один и тот же результат — записываться в актив сразу нескольким инициативам. Наконец, эффект часто фиксируют только на старте и перестают отслеживать, как модель дрейфует, а реальный результат — ухудшается. Поэтому когда коллеги приходят с отчетом об успешном пилоте, всегда стоит спросить: а в каких условиях его проводили?
К сожалению, ИИ сейчас переоценивают. Многие рассчитывают на «большой взрыв с помощью ИИ» — найдем не очень отлаженные процессы, применим ИИ, уволим всех ненужных сотрудников, сэкономим деньги и т. д. Это самонадеянно и рискованно.
ИИ — очень хороший инструмент, но необходимо четко формулировать задачу, рассматривать весь спектр инструментов для ее решения. Если выбор падает на ИИ, то целесообразно строить короткие циклы проекта. Надо ставить для себя точки отсечения, чтобы дать возможность на проверку гипотез и ошибок, и при этом четко анализировать результаты пилотных проектов. Если идем в правильном направлении, и гипотеза, которую мы реализуем, верная, то уже через 90 дней точно сможем видеть, что и как работает.
Еще одна частая ошибка при внедрении ИИ — все хотят быстрый результат. Важно помнить, что устойчивость важнее скорости. Поэтому важно на всех этапах ставить себе измеримые цели и смотреть, достигаем ли мы их. В погоне за экономией можно многое потерять. К примеру, есть тренд на то, что многие банки сокращают свои контакт-центры за счет внедрения ИИ, но никто не считал, сколько клиентов и их денег уже потеряно из-за того, что люди не могут получить нормальный и адекватный ответ на свой вопрос или решение их проблемы. Люди Одна из причин неуспеха проектов внедрения ИИ — тиражирование тезиса о том, что ИИ будет сокращать рабочие места. Есть списки профессий, которые якобы будут им заменены. Тот же Сбербанк озвучил, что он 20 тыс. человек уже уволил, заменив искусственным интеллектом. Это приводит к тому, что на предприятии сотрудники принимают ИИ как угрозу своему будущему. Соответственно, начинается саботаж. Хотя уже сейчас, оценивая итоги большинства проектов, мы видим, что с внедрением ИИ нагрузка на людей увеличится. Эффективность и продуктивность как раз могут вырасти.
К тому же мы до сих пор не до конца понимаем, как ИИ принимает решение, галлюцинации ИИ задокументированы. Соответственно, далеко не всегда у руководителей есть доверие к его анализу и выводам. Если ты не понимаешь, насколько это правильно и нет ли там ошибки, то слепое доверие к его рекомендации может очень дорого обойтись. Естественно, что люди, которые несут ответственность за функционирование системы, часто игнорируют эти выводы и само внедрение ИИ. Эффективность или эффектность Сейчас, действительно, системы искусственного интеллекта стали лучше программировать. Раньше программист 50% времени писал код, 50% времени его тестировал. Сегодня 10% времени уходит на написание кода, 90% времени — на исправление ошибок. Платформы быстро совершенствуются, и эта пропорция меняется, позволяя уже сегодня достигать 20–70% повышения эффективности разработки ПО. Это позволяет небольшому количеству разработчиков решать достаточно масштабные задачи. Растет использование ИИ в том числе за счет небольших бизнесов и частных предпринимателей, которым проще экспериментировать, у которых нет больших цепочек согласований и многотомных политик на все случаи жизни. Им проще пробовать. Для них ИИ — очень удобный набор инструментов, который может заменить CRM, аналитику, создать веб-сайт.
От сути бизнеса тоже зависит, получите ли вы нужный эффект. Многие типы бизнесов имеют разный потенциал для улучшения и для оптимизации. Решения для малого бизнеса и для крупной корпорации будут существенно отличаться по своему наполнению. Слепое копирование чужой модели без учета специфики своей аудитории — это прямой путь к провалу, как это случилось с одним из ритейлеров, который потратил миллионы на копирование рекомендательной системы Ozon, забыв учесть, что у него нет такой большой выборки данных, на которые опирается система. Не спешить, но не откладывать Еще одна ловушка — замереть и ничего не делать. Ждать лучших времен, замораживать бюджеты. Ситуация всегда меняется. Надо постоянно развиваться, адаптироваться и применять новые подходы к ведению бизнеса. Если мы не идем к чему-то новому, то завтра это будет у наших конкурентов. Можно проверить себя вопросом: если не делать трансформацию сейчас, то что мы потеряем? Что будет с бизнесом? Что будет, если мы ничего не сделаем? Отсутствие бюджета — не приговор, и главная ошибка здесь — просить деньги вместо того, чтобы показать руководству стоимость бездействия. Правильно выстроенная аргументация меняет вопрос с «Зачем тратить?» на «Сколько мы теряем за каждый месяц промедления?» Очень многие компании сейчас экономят бюджеты, но как раз сейчас можно зайти в пилотный проект с минимальными затратами, в совместное финансирование с вендором для отработки решения. Вариантов сэкономить много.
Однозначно можно утверждать, что кривая хайпа по ИИ сейчас на пике. Совсем скоро мы увидим применение этих технологий в реальной жизни и бизнесе. Поймем, как это может и должно работать. Далеко не всегда технологии сильно меняют бизнес-ландшафт. Вспомним про блокчейн. Было очень много прогнозов, хайпа и завышенных ожиданий, но сейчас мы видим его ограниченное применение. При этом технология заняла свою нишу и продолжает развиваться.
Уверен, что ИИ будет доминирующей технологией на много лет вперед. Он будет трансформироваться сам, трансформировать нас и компании. Пока важно изучать этот новый мир, обучая людей, не запугивая их увольнениями. И подходить к проектам надо с измерительной линейкой и без розовых очков.