«После хайпа»: прагматичный подход при внедрении ИИ в работу

Парадокс доступности

Крупный бизнес заговорил об ИИ задолго до появления массовых языковых моделей. Машинное обучение в промышленности, логистике, агросекторе и фармацевтике стало нормой еще десять лет назад. Там ИИ выполнял четкие задачи — прогноз поломок, улучшение маршрутов, повышение урожайности, оценку выполнения регламентов. Инвестиционная ценность была понятна, а результат — измерим.

С приходом LLM (Large Language Models) все оказалось иначе. Порог входа стал ниже: теперь любой сотрудник компании может взаимодействовать с моделями без глубокой экспертизы. Но именно эта легкость породила парадокс: языковые модели до сих пор не стали конечным продуктом.

Разработчики моделей соревнуются в размере контекстных окон и качестве ответов, ежегодно выпускают новые версии. Но они сами не могут дать универсальный ответ на вопрос «где бизнес получает гарантированную ценность от этой технологии».

Последние годы стали эпохой корпоративных инкубаторов и программ внутренних грантов на внедрение ИИ. Департаменты пробовали применять нейросети по своему усмотрению, а KPI часто устанавливались в количестве запущенных пилотов, а не в решении конкретных бизнес-проблем. Этот экспериментальный подход полностью соответствовал стадии зрелости технологии. Сегодня, когда часть пилотов успешно завершена, можно делать первые выводы.

Генеративный контент: демократизация и усреднение качества

Маркетинговые подразделения традиционно первыми осваивают новые тренды, поэтому генеративные нейросети органично вошли в инструментарий SMM-специалистов, дизайнеров и копирайтеров.

Привело ли это к росту качества создаваемого контента? Скорее, к его усреднению. Младшие специалисты получили мощный инструмент для быстрого выполнения задач, а опытные профессионалы — возможность экономить время, иногда в ущерб качеству.

В результате малый бизнес получил доступ к созданию, например, качественного видеоконтента без привлечения дорогостоящих продакшен-студий. Подготовка и публикация аналитических исследований также упростилась, хотя глубина и достоверность таких материалов вызывают обоснованные вопросы.

Контента, созданного ИИ или с использованием ИИ в интернете, стало слишком много. Конкуренция за внимание аудитории не только не снизилась, но и многократно возросла.

Мост к корпоративным данным — RAG

Там, где не хватало обычных моделей, на помощь бизнесу пришел RAG (Retrieval-Augmented Generation, «дополненная генерация по запросу»). Обычные модели если и справлялись с запоминанием больших объемов данных, то эффективно работать с ними дальше не могли. В этом основной подводный камень LLM, о котором пользователи не подозревают, — в любом чате при каждом запросе модель получает не только последний вопрос, но и весь предыдущий диалог. И так каждый раз. Если этот диалог переполняет память (а происходит это довольно быстро) — модель начинает забывать его части.

Для реального бизнеса это существенная проблема. Поэтому и появился «костыль» в виде RAG. Он не давал модели больше памяти и никак не расширял контекстное окно под большие базы данных. Но он позволил модели обращаться к этим базам и искать в них самые подходящие ответы в каждом конкретном случае. Теперь модели не нужно хранить в своей памяти всю информацию — она может получать и подгружать только нужные фрагменты по мере необходимости.

Появление этой технологии стало первым серьезным прорывом в отношениях бизнеса и ИИ. Это позволило интегрировать диалоговые интерфейсы (чат-боты) с корпоративными базами знаний.

Люди общаются с нейросетями. Чат-боты

Автоматизация клиентских и внутренних обращений на базе ИИ стала первым масштабируемым и коммерчески успешным бизнес-решением с прогнозируемой окупаемостью. Компании, которые годами выстраивали процессы поддержки и накапливали базы знаний, быстро оценили потенциал RAG-архитектуры.

В России по этому пути пошли телеком-операторы, банки и IT-компании, которые тратили много времени на обработку обращений. Например, «МТС» и «Сбер» используют ИИ в клиентском сервисе.

Наш опыт показывает, что постепенный перевод первой линии поддержки на ИИ дает хорошие результаты. Запросы обрабатываются быстрее, качество сервиса остается высоким. Клиенты и сотрудники компании воспринимают такое общение как обычный чат. Взаимодействие интуитивно понятно и не требует обучения.

Нейросети общаются с людьми. AI-агенты

Если в классических чат-ботах диалог инициирует человек, то AI-агенты работают самостоятельно и выполняют бизнес-задачи без команд от человека.

По сути это те же LLM-модели, но они получают информацию автоматически и, к примеру, преобразуют ее в другой формат. Такой слой необходим, когда данные поступают на естественном живом языке, а на выходе необходимо получить машиночитаемые данные.

Часто используют несколько моделей, которые работают с данными по очереди. Каждая модель сама решает, какой следующей передать информацию. В качестве примера можно привести реализованного в нашем сервисе ИИ-агента для повторных продаж. Система анализирует CRM, находит клиентов с высоким потенциалом для повторной покупки, изучает историю коммуникаций и автоматически создает новые сделки. Затем она передает менеджерам рекомендации, что и как лучше предложить клиенту. Конверсия по таким сделкам достигает 25%.

Это только один из коммерчески успешных примеров — идеи для новых решений на базе AI-агентов ограничиваются только фантазией разработчиков и окупаемостью конечной реализации. Именно AI-агенты — важнейший шаг на пути к полноценной автоматизации бизнеса с помощью ИИ. И для многих IT-продуктов агенты — новый технологический слой, который ляжет в основу новейших сервисов.

По данным мировых исследователей, 71% агентов используется для процессной автоматизации. У роботизации сквозных бизнес-процессов, в отличие от генерации контента, есть четкие, легко измеримые метрики (например, сокращение операционного цикла или снижение расходов). Это позволяет организациям наконец получить измеримую выгоду, которая ускользает от компаний, застрявших в пилотах. Масштабировать агентов непросто — важно продумать управление и взаимодействие систем, особенно в банках, медицине и других регулируемых отраслях.

Нейросети помогают общаться сервисам. MCP

В среднем компании используют более десятка облачных и коробочных сервисов. Соединить эти системы между собой и с ИИ сложно и дорого.

Именно поэтому разработчики ПО по всему миру начали внедрять универсальные протоколы межсервисного взаимодействия (Model Connection Protocol, MCP). Это коннекторы, которые позволяют внешним AI-моделям получать данные из различных корпоративных систем и связывать их между собой. Так ИИ получает доступ к информации из разных систем, а не ограничивается одной.

Этот протокол может в перспективе изменить взаимодействие пользователя с ПО, создать совершенно новый интерфейс со своими паттернами поведения. К примеру, сотрудник сможет назначить встречу с коллегами на удобное для всех время — достаточно написать их фамилии в чат-бот. Или создать отчет, который соберет данные из нескольких систем прямо в диалоге. Мы запустили собственный MCP-сервер Битрикс24 несколько недель назад и сейчас составляем список готовых сценариев для пользователей.

Ожидания и реальность

Сотрудники меняют отношение к ИИ. Опыт работы с технологией помогает найти с ней общий язык и перестать бояться.

В 2025 году произошел культурный сдвиг: согласно исследованиям, внедрение ИИ-агентов, а не банальных чат-ботов, снижает сопротивление сотрудников. ИИ теперь воспринимается не как угроза, а как практический инструмент для повышения продуктивности, роста и конкурентного преимущества.

Стэнфордское исследование «Future of Work with AI Agents» вводит рамки и критерии задач: какие рабочие операции сотрудники готовы передать ИИ, а какие — оставить человеку. Оно показывает, что между желаниями работников и техническими возможностями часто есть значительные расхождения. Люди воспринимают ИИ как угрозу их автономии и часто готовы работать только в паре с ИИ, оставляя за собой принятие конечных решений.

В зеленой зоне находятся строго рутинные операции — интерпретация отчетов, контроль качества, проверка данных, типовые коммуникации с клиентами. Подобные задачи уже сегодня могут быть автоматизированы с помощью ИИ, и сотрудники поддерживают разработку таких решений.

Красная зона — те задачи, в которых интеграторы сталкиваются с наиболее сильным сопротивлением работников. Здесь находятся, к примеру, продуктовые исследования и взаимодействие с поставщиками.

Часть задач пользователи и рады бы передать в руки ИИ, но их «хотелки» — это пока фантастика, слишком много подводных камней. Например, ограничение контекстных окон — пока нерешаемая проблема, которая приводит к «забывчивости» моделей.

Что интересно — американские стартапы, которые анонсируют свои продукты на базе AI, также пока не совсем точно попадают в интересы бизнеса. Только 1/5 разработчиков нацелены на «зеленую зону».

Людей боятся не новых технологий, а потерять автономию и значимость. Любопытно, что даже многие скучные рутинные задачи сотрудники компаний не готовы делегировать моделям. Почему? Это помогает разгрузить голову. Иногда люди предпочитают вручную набирать отчет в Excel, чтобы отдохнуть от сложных переговоров.

Восприятие и общественное мнение

Мнение людей о продуктах, созданных AI или использующих искусственный интеллект в своей работе, все еще неустойчиво. В сентябре 2025 года мы опросили сотрудников и руководителей российских компаний. Выяснили, как они выбирают продукты с ИИ для работы и личных целей.

Описание «Продукт создан с использованием ИИ» отпугивает покупателей в 54% случаев. Формулировка «Продукт на базе ИИ» делит аудиторию на почти равные части. У 39% интерес к такому продукту возрастет, а у 32% — снизится. Отметка «Продукт с функциями/возможностями AI» для 70% респондентов весомый стимул к покупке.

Отметка «AI/ИИ» в B2B-решениях чаще всего ассоциируются у респондентов с инновационностью продукта и соответствием современным трендам (85%). При этом 70% опрошенных видят в ИИ реальный потенциал для снижения операционных затрат, а треть — возможность для роста выручки и маржинальности.

У опрошенных вызывают опасения потенциальные риски для безопасности данных (55%) и сокращения штата (50%).

При этом более половины компаний не готовы платить больше за решение с ИИ. Треть опрошенных либо не хотят переплачивать вовсе, либо ожидают, что внедрение ИИ должно удешевить продукт (22%).

Чтобы убедиться в пользе от ИИ, компаниям необходимы: успешный пилот-проект на своих данных (83%), полная прозрачность работы технологии (76%), а также возможность взять управление под свой контроль или отключить AI-функции (72%).

Можно сказать, что все больше компаний получает релевантный практический опыт, а управленцы и конечные пользователи формируют свое мнение о работе технологии на реальных рабочих примерах.

Носимый искусственный интеллект

Мировые технологические лидеры вступили в гонку по созданию носимой электроники со встроенными AI-сервисами, ориентируясь в первую очередь на бизнес-сценарии. Amazon разрабатывает умные очки для курьеров, которые будут в реальном времени строить оптимальные маршруты и предоставлять информацию о доставке.

Последний пример — Amazon, который готовит умные очки для курьеров. Ожидается, что с помощью такой гарнитуры доставщики будут строить маршруты и получать актуальную информацию по пути к клиенту.

Причина этого тренда — экономическая целесообразность. Сложные физические роботы еще долго останутся прерогативой капиталоемких отраслей — логистики, тяжелой промышленности, медицины. Они дорого стоят и долго окупаются.

В то же время компактная гарнитура с камерой, микрофоном и дисплеем, сопоставимая по цене с ноутбуком, — это совершенно иной класс решений. Такие устройства освобождают руки и предназначены в том числе для персонала, работающего «в полях».

Консультант в магазине получает подсказки из базы товаров в реальном времени. Новичок на заводе видит перед глазами весь технологический процесс. Строитель может визуализировать проект помещения и работать по наглядному примеру. Именно эти сценарии — ближайший этап эволюции искусственного интеллекта, который станет по-настоящему массовым и доступным для бизнеса.

Будущее работы

В такой парадигме меняется сама роль сотрудника компании. Если сегодня мы видим ценность ИИ в том, чтобы он выполнял задачи вместо человека, то завтра ключевой станет его способность работать вместе с человеком. Главной и самой дорогой компетенцией на рынке труда будет не умение выполнять задачи, которые можно алгоритмизировать, а искусство постановки задач и интерпретации результатов. Эмоциональный интеллект, присущий только людям, останется ценным.

Экономическая ценность будет создаваться не обработкой информации, а способностью человека выносить мудрые решения на ее основе. Интерпретировать неоднозначные выводы ИИ, определять этические рамки для автономных агентов, формулировать стратегические гипотезы для проверки цифровым помощником — вот задачи руководителя и ключевого специалиста завтрашнего дня.

Стратегический вызов следующего десятилетия заключается не просто во внедрении AI-инструментов. Он — в том, чтобы создать новую систему работы с ИИ и развить в людях навыки управления этой системой. И победит не тот, кто первым автоматизирует процессы, а тот, кто научится вести осмысленный диалог со своим цифровым двойником.

Практический подход к внедрению ИИ

Прежде чем обсуждать модели и стек, составьте карту ценностей и трудностей: какие 3-5 узких мест ограничивают выручку или маржу. Например, скорость обработки заявок, конверсия повторных продаж, цикл согласований, проработка рисков. Измерьте каждое узкое место в деньгах или времени: стоимость обработки заявки, время на подготовку договора, процент эскалаций. Это главные метрики. Остальное — второстепенно. По этим показателям вы увидите реальное влияние ИИ на бизнес.

Сведите расходы (аренда GPU, лицензии, интеграции, поддержка), эффекты (минуты/часы, конверсия, сниженные возвраты), риски (инциденты, простои). Считайте ROI на уровне каждого процесса, а не в среднем.

Есть мнение, что портфель возможных проектов стоит разделить на зоны. Это может дисциплинировать бюджет и ожидания:

• 60% — «зеленая зона», или избавление от рутинных задач: поддержки, контроля качества, сверки и очистки данных;
• 25% — «желтая зона», или оптимизация процессов: ассистенты для продаж и закупок, автоматизация подготовки и проверки договоров;
• 15% — «красная зона», или эксперименты на перспективу: агенты-оркестраторы, новые решения поверх MCP.

Проанализируйте, какие AI-функции есть в используемых сервисах. Многие современные облачные и on-premise-сервисы уже предлагают AI-инструменты — возможно, вы просто о них не знаете. Если ваши поставщики таких решений не предлагают — это сигнал пересмотреть выбор.

Есть распространенный миф, что руководители и сотрудники должны учиться промптам. Но это не совсем так. Учитесь и учите не промптам, а постановке задач и проверке результатов. Прежде всего, сконцентрируйтесь на трех навыках: формулирование целей и критериев, валидирование результатов и принятие решений.