Агентов построили 80% компаний. Эффект получили 5%
“
Агентов построили 80% крупных компаний, ощутимый эффект получили 5%. Куда девается разница и по каким признакам виден проект без результата
К началу 2026 года ИИ-агент работает внутри систем примерно у 80% крупных компаний. Ещё два года назад такими могли похвастаться от силы треть.
Цифра номер два, уже из исследования McKinsey. Нейросетями пользуются девять компаний из десяти. Хоть какое-то влияние на прибыль видят меньше половины. А до результата, который заметен в деньгах, доходят пять процентов.
Две трети застревают в пилоте: сделали, показали руководству, похвалили, дальше ничего не произошло.
Вот этот разрыв между «построили» и «заработало» — главный сюжет года. Давайте разберём, куда девается разница, потому что механика везде примерно одинаковая.
Цифра номер два, уже из исследования McKinsey. Нейросетями пользуются девять компаний из десяти. Хоть какое-то влияние на прибыль видят меньше половины. А до результата, который заметен в деньгах, доходят пять процентов.
Две трети застревают в пилоте: сделали, показали руководству, похвалили, дальше ничего не произошло.
Вот этот разрыв между «построили» и «заработало» — главный сюжет года. Давайте разберём, куда девается разница, потому что механика везде примерно одинаковая.
Ловушка первая: считаем работу, а не результат
В разборе ПГК Диджитал есть история, которую я перечитал дважды.
Крупная ИТ-компания завела внутренний рейтинг: кто больше потратил на запросы к нейросети. Сотрудники восприняли это как соревнование и включились всерьёз. За месяц команда сожгла сумму, которую закладывали на год.
Формально всё прекрасно: вовлечённость высокая, пользуются все, графики растут вверх. Но по факту компания оплатила годовой бюджет за внутренний конкурс, у которого не было ни одной бизнес-цели.
Итого на выходе: результата нет, затраты растут — просто потому, что измеряли не то, что нужно. Число запросов, количество подключённых сотрудников, охват отделов — всё это показатели активности. Результат формулируется совсем иначе: заявку обрабатывали сорок минут, стали двенадцать. Отдел вёл сто договоров в месяц, теперь ведёт двести пятьдесят тем же составом.
Если такую фразу про ваш проект произнести нельзя, эффекта пока нет — каким бы оживлённым ни выглядел внутренний чат с нейросетью.
Крупная ИТ-компания завела внутренний рейтинг: кто больше потратил на запросы к нейросети. Сотрудники восприняли это как соревнование и включились всерьёз. За месяц команда сожгла сумму, которую закладывали на год.
Формально всё прекрасно: вовлечённость высокая, пользуются все, графики растут вверх. Но по факту компания оплатила годовой бюджет за внутренний конкурс, у которого не было ни одной бизнес-цели.
Итого на выходе: результата нет, затраты растут — просто потому, что измеряли не то, что нужно. Число запросов, количество подключённых сотрудников, охват отделов — всё это показатели активности. Результат формулируется совсем иначе: заявку обрабатывали сорок минут, стали двенадцать. Отдел вёл сто договоров в месяц, теперь ведёт двести пятьдесят тем же составом.
Если такую фразу про ваш проект произнести нельзя, эффекта пока нет — каким бы оживлённым ни выглядел внутренний чат с нейросетью.
Ловушка вторая: прототип приняли за готовую систему
Прототип собирается за неделю и на демонстрации выглядит убедительно: отвечает точно, не тормозит, всех впечатляет.
А потом начинается работа с реальным потоком. В прототипе было двадцать аккуратно подобранных примеров, а в жизни приходит скан вверх ногами, письмо без темы и договор с правкой от руки на полях. Прототип отвечал верно ровно потому, что его спрашивали о том, к чему он был готов.
Разница между демонстрацией и рабочей системой лежит не в модели, а в трёх скучных умениях. Система должна понимать, что вопрос не по адресу. Уметь передать сомнительный случай человеку. И записывать в журнал, что именно она сделала и на каком основании.
На эти три вещи уходит больше времени, чем на «умную» часть, и именно их регулярно забывают заложить в сроки. Проект застревает между пилотом и работой не потому, что нейросеть слабая, а потому что никто не заложил месяц на скучное.
А потом начинается работа с реальным потоком. В прототипе было двадцать аккуратно подобранных примеров, а в жизни приходит скан вверх ногами, письмо без темы и договор с правкой от руки на полях. Прототип отвечал верно ровно потому, что его спрашивали о том, к чему он был готов.
Разница между демонстрацией и рабочей системой лежит не в модели, а в трёх скучных умениях. Система должна понимать, что вопрос не по адресу. Уметь передать сомнительный случай человеку. И записывать в журнал, что именно она сделала и на каком основании.
На эти три вещи уходит больше времени, чем на «умную» часть, и именно их регулярно забывают заложить в сроки. Проект застревает между пилотом и работой не потому, что нейросеть слабая, а потому что никто не заложил месяц на скучное.
И самая обидная причина: данные, до которых не дошли руки
Здесь коротко, потому что тему я подробно разбирал в статье про подготовку данных.
ИИ точен ровно настолько, насколько информация, которой его снабдили, отражает реальность. Прайс устарел на полгода, регламент существует в трёх версиях, половина договоров живёт фотографиями в переписке — и агент начинает уверенно пересказывать эту путаницу клиентам. Модель тут ни при чём, она честно работает с тем, что нашла.
Порядок в данных — не подготовительный этап перед проектом. Довольно часто он и есть весь проект: когда документы разобраны и разложены, половина задач закрывается вообще без нейросети.
ИИ точен ровно настолько, насколько информация, которой его снабдили, отражает реальность. Прайс устарел на полгода, регламент существует в трёх версиях, половина договоров живёт фотографиями в переписке — и агент начинает уверенно пересказывать эту путаницу клиентам. Модель тут ни при чём, она честно работает с тем, что нашла.
Порядок в данных — не подготовительный этап перед проектом. Довольно часто он и есть весь проект: когда документы разобраны и разложены, половина задач закрывается вообще без нейросети.
Четыре вопроса, которые показывают судьбу проекта заранее
Их я задаю на первой встрече. Если хотя бы на один нет внятного ответа, деньги с высокой вероятностью уйдут в пилот и там останутся.
Какая цифра должна измениться? Не «повысим эффективность», а конкретно: время на заявку, количество обработанных документов, доля обращений, закрытых без человека. И сразу — сколько эта цифра составляет сегодня, до всякого ИИ.
Кто проверяет результат и сколько это стоит? Если проверка ответа занимает столько же, сколько заняла бы работа руками, автоматизировать нечего.
Что происходит, когда система ошибётся? Не стоит думать, что ИИ безошибочен: ошибётся обязательно, вопрос лишь в том, кто это заметит и что произойдёт дальше. Нормальный проект начинается с договорённости о допустимом проценте ошибок — скажем, 95% верных ответов и 5% на ручной разбор.
Кто внутри компании отвечает за то, чтобы этим пользовались? Самая недооценённая роль. Без неё система живёт ровно до конца показательного запуска.
Какая цифра должна измениться? Не «повысим эффективность», а конкретно: время на заявку, количество обработанных документов, доля обращений, закрытых без человека. И сразу — сколько эта цифра составляет сегодня, до всякого ИИ.
Кто проверяет результат и сколько это стоит? Если проверка ответа занимает столько же, сколько заняла бы работа руками, автоматизировать нечего.
Что происходит, когда система ошибётся? Не стоит думать, что ИИ безошибочен: ошибётся обязательно, вопрос лишь в том, кто это заметит и что произойдёт дальше. Нормальный проект начинается с договорённости о допустимом проценте ошибок — скажем, 95% верных ответов и 5% на ручной разбор.
Кто внутри компании отвечает за то, чтобы этим пользовались? Самая недооценённая роль. Без неё система живёт ровно до конца показательного запуска.
Что делают те самые пять процентов
Ничего особенного, кроме одного: они доводят до конца.
Выбирают одну задачу — узкую, скучную, повторяющуюся сотни раз в месяц. Разбор входящих накладных, первичный ответ на типовое обращение, проверка комплектности документов. Обязательно такую, где заранее известно, сколько времени она отнимает сейчас.
Дальше делают не эффектную часть, а всю: что система отвечает при сомнении, кому передаёт спорный случай, как считаются ошибки.
Через месяц смотрят на цифру. Сдвинулась — берут следующую задачу. Не сдвинулась — закрывают проект и разбираются, почему так вышло.
Компании из тех самых двух третей идут ровно наоборот. Они сразу строят «единого помощника для всей компании», который умеет всё понемногу. Такой помощник не закрывает ни одной задачи целиком, поэтому через месяц им перестают пользоваться — тихо, без объявления о провале.
Восемьдесят процентов компаний агента построили. Пять процентов посчитали, что он им дал. Между этими двумя числами и лежит разница между потраченным бюджетом и вложением, которое вернулось.
Выбирают одну задачу — узкую, скучную, повторяющуюся сотни раз в месяц. Разбор входящих накладных, первичный ответ на типовое обращение, проверка комплектности документов. Обязательно такую, где заранее известно, сколько времени она отнимает сейчас.
Дальше делают не эффектную часть, а всю: что система отвечает при сомнении, кому передаёт спорный случай, как считаются ошибки.
Через месяц смотрят на цифру. Сдвинулась — берут следующую задачу. Не сдвинулась — закрывают проект и разбираются, почему так вышло.
Компании из тех самых двух третей идут ровно наоборот. Они сразу строят «единого помощника для всей компании», который умеет всё понемногу. Такой помощник не закрывает ни одной задачи целиком, поэтому через месяц им перестают пользоваться — тихо, без объявления о провале.
Восемьдесят процентов компаний агента построили. Пять процентов посчитали, что он им дал. Между этими двумя числами и лежит разница между потраченным бюджетом и вложением, которое вернулось.
Создайте новое будущее с нашими решениями
Похожие статьи