Внедрение ИИ в компании: пошаговый план и место, где обычно всё встаёт
“
Семь шагов от выбора процесса до решения масштабировать — с российскими данными о том, где проекты застревают между пилотом и финансовым эффектом
Начну с цифры, которая объясняет, зачем вообще нужен план.
Максим Катрушенко занимается внедрением ИИ в Первой Грузовой компании — крупном железнодорожном операторе, то есть в тяжёлой логистике, а не в технологическом стартапе. В его августовском разборе рынка есть пара чисел: к началу 2026 года около 80% крупных компаний имеют хотя бы одного ИИ-агента в промышленной эксплуатации, а в группу с ощутимым финансовым эффектом попадают 5%. Две трети застряли между этими цифрами — в режиме бесконечного пилота.
Это подтверждается и независимо. Консалтинговая компания «Технологии Доверия» (та, что раньше работала в России как PwC) опросила больше тысячи представителей бизнеса и провела глубинные интервью с руководителями Сбера, ВТБ, Альфа-Банка, Яндекс Финтеха, Яндекс Cloud и Точка Банка. Вывод директора ТеДо Натальи Стрекаль: экспериментов много, а решений, реально способных автономно выполнять бизнес-задачи, немного.
Запустить агента сегодня легко — платформ на рынке хватает. Дальше идут семь шагов, которые отделяют работающее решение от красивого пилота.
Максим Катрушенко занимается внедрением ИИ в Первой Грузовой компании — крупном железнодорожном операторе, то есть в тяжёлой логистике, а не в технологическом стартапе. В его августовском разборе рынка есть пара чисел: к началу 2026 года около 80% крупных компаний имеют хотя бы одного ИИ-агента в промышленной эксплуатации, а в группу с ощутимым финансовым эффектом попадают 5%. Две трети застряли между этими цифрами — в режиме бесконечного пилота.
Это подтверждается и независимо. Консалтинговая компания «Технологии Доверия» (та, что раньше работала в России как PwC) опросила больше тысячи представителей бизнеса и провела глубинные интервью с руководителями Сбера, ВТБ, Альфа-Банка, Яндекс Финтеха, Яндекс Cloud и Точка Банка. Вывод директора ТеДо Натальи Стрекаль: экспериментов много, а решений, реально способных автономно выполнять бизнес-задачи, немного.
Запустить агента сегодня легко — платформ на рынке хватает. Дальше идут семь шагов, которые отделяют работающее решение от красивого пилота.
Шаг 1. Выбрать процесс, а не технологию
Самая частая ошибка на старте — начать с вопроса «какую модель взять». Правильный первый вопрос: какой процесс мы закрываем.
Ориентир, откуда смотреть. По данным СберАналитики и Сбер Бизнес Софт, российские компании автоматизируют в первую очередь:
Практический фильтр для выбора процесса — один вопрос: как быстро вы узнаете, что ИИ ошибся? Если ответ «сразу же, на следующем шаге» — задача хорошая. Если «когда придут результаты квартала» — отложите её. Ошибку в распознанном счёте видно при сверке, ошибку в стратегии продвижения — через полгода и то не факт.
Ориентир, откуда смотреть. По данным СберАналитики и Сбер Бизнес Софт, российские компании автоматизируют в первую очередь:
- документооборот и обработку заявок — 70%
- бухгалтерию и финансовый учёт — 55%
- HR-процессы и стратегическое планирование — по 34%
- поддержку клиентов — 30%
- продажи и маркетинг — по 25%
Практический фильтр для выбора процесса — один вопрос: как быстро вы узнаете, что ИИ ошибся? Если ответ «сразу же, на следующем шаге» — задача хорошая. Если «когда придут результаты квартала» — отложите её. Ошибку в распознанном счёте видно при сверке, ошибку в стратегии продвижения — через полгода и то не факт.
Шаг 2. Посчитать, сколько процесс стоит сейчас
Без этого шага проект нельзя ни обосновать, ни закрыть.
Нужны три числа: сколько человеко-часов в месяц уходит на процесс, сколько это в деньгах по ставкам, и сколько стоит ошибка (переделка, штраф, потерянный клиент).
Считать надо до начала работ. Потом будет поздно и некому — а без исходной точки любой результат можно объявить успехом.
Ориентир по эффекту, чтобы понимать порядок: по оценке экспертов Сбер Бизнес Софт, ИИ-ассистент на первой линии поддержки сокращает расходы на оплату труда на 30–40%. Это не «повышение эффективности», это конкретная строка в фонде оплаты труда конкретного отдела.
Нужны три числа: сколько человеко-часов в месяц уходит на процесс, сколько это в деньгах по ставкам, и сколько стоит ошибка (переделка, штраф, потерянный клиент).
Считать надо до начала работ. Потом будет поздно и некому — а без исходной точки любой результат можно объявить успехом.
Ориентир по эффекту, чтобы понимать порядок: по оценке экспертов Сбер Бизнес Софт, ИИ-ассистент на первой линии поддержки сокращает расходы на оплату труда на 30–40%. Это не «повышение эффективности», это конкретная строка в фонде оплаты труда конкретного отдела.
Шаг 3. Проверить, в каком состоянии данные
Здесь застревает больше проектов, чем на всех остальных шагах вместе.
Агент не наведёт порядок в ваших данных — он унаследует беспорядок и начнёт выдавать уверенно звучащую чушь. Если один и тот же клиент в CRM и в учётной системе называется по-разному, а действующий регламент лежит в папке рядом с тремя устаревшими версиями, модель добросовестно возьмёт всё это и сошьёт ответ.
Минимальная проверка перед стартом:
Агент не наведёт порядок в ваших данных — он унаследует беспорядок и начнёт выдавать уверенно звучащую чушь. Если один и тот же клиент в CRM и в учётной системе называется по-разному, а действующий регламент лежит в папке рядом с тремя устаревшими версиями, модель добросовестно возьмёт всё это и сошьёт ответ.
Минимальная проверка перед стартом:
- по каждому вопросу есть один документ, помеченный как действующий, остальные убраны в архив
- ключевые понятия определены одинаково во всех системах (что считается активным клиентом, закрытой сделкой, просроченной заявкой)
- данные, нужные агенту, доступны программно, а не только глазами через интерфейс
Шаг 4. Собрать узкий прототип
Не платформу. Не «ИИ для компании». Один сценарий.
Хороший пример — то, что сделали в ПГК. Их агент решает ровно одну задачу: помогает логистам со сменно-суточным планированием. Человек обычным языком спрашивает, что происходит с выгруженными вагонами, и получает ответ. Задача, на которую вручную уходил час, закрывается за несколько минут.
Внутри там есть решение, которое стоит объяснить, потому что именно оно отделяет рабочий агент от демонстрации. Агент не ходит в базу напрямую с SQL-запросами. Между ним и хранилищем стоит семантический слой — по сути словарь, который переводит человеческие понятия в структуру данных: что в этой компании считается «вагоном под выгрузкой», какие таблицы за это отвечают, как связаны справочники. Модель формулирует запрос в терминах бизнеса, а слой превращает его в корректное обращение к данным.
Без такого слоя модель начинает угадывать структуру базы. Угадывает она правдоподобно и неверно.
Хороший пример — то, что сделали в ПГК. Их агент решает ровно одну задачу: помогает логистам со сменно-суточным планированием. Человек обычным языком спрашивает, что происходит с выгруженными вагонами, и получает ответ. Задача, на которую вручную уходил час, закрывается за несколько минут.
Внутри там есть решение, которое стоит объяснить, потому что именно оно отделяет рабочий агент от демонстрации. Агент не ходит в базу напрямую с SQL-запросами. Между ним и хранилищем стоит семантический слой — по сути словарь, который переводит человеческие понятия в структуру данных: что в этой компании считается «вагоном под выгрузкой», какие таблицы за это отвечают, как связаны справочники. Модель формулирует запрос в терминах бизнеса, а слой превращает его в корректное обращение к данным.
Без такого слоя модель начинает угадывать структуру базы. Угадывает она правдоподобно и неверно.
Шаг 5. Ограничить права и поставить лимиты
До запуска, а не после первого инцидента.
Права только на чтение, если задача не требует иного. В ПГК агент физически не может ничего изменить в системе — и это снимает целый класс рисков разом.
Потолок расходов на уровне ключа доступа. Агент сам решает, сколько шагов ему сделать, и каждый шаг — платное обращение к модели. Зацикленный агент будет крутиться, пока его кто-нибудь не остановит: формально работает штатно, просто бесконечно.
Лимит шагов на одну задачу. Не справился за N итераций — остановился и позвал человека. Одна строка в конфигурации закрывает почти все сценарии зацикливания.
Отдельный счёт на пилот, а не общий корпоративный ключ, по которому потом не разобрать, кто и сколько потратил.
Права только на чтение, если задача не требует иного. В ПГК агент физически не может ничего изменить в системе — и это снимает целый класс рисков разом.
Потолок расходов на уровне ключа доступа. Агент сам решает, сколько шагов ему сделать, и каждый шаг — платное обращение к модели. Зацикленный агент будет крутиться, пока его кто-нибудь не остановит: формально работает штатно, просто бесконечно.
Лимит шагов на одну задачу. Не справился за N итераций — остановился и позвал человека. Одна строка в конфигурации закрывает почти все сценарии зацикливания.
Отдельный счёт на пилот, а не общий корпоративный ключ, по которому потом не разобрать, кто и сколько потратил.
Шаг 6. Запустить на одном отделе и измерить
Пилот на одном подразделении, с теми числами из шага 2 в качестве точки отсчёта.
Здесь важно, что именно считать. Количество запросов к агенту — не метрика. Компания рапортует «тысяча обращений за месяц» и не может ответить, сколько часов или рублей это сэкономило. Именно так проект и живёт годами в статусе успешного пилота.
Считайте то же, что считали в шаге 2: часы, деньги, ошибки. Плюс одно число, которое обычно забывают, — сколько сотрудников пользуются инструментом на второй месяц. Первый месяц пользуются все, из любопытства.
Про людей стоит сказать отдельно, потому что технические разборы это пропускают. В ТеДо среди условий успеха отдельно называют руководителя, который сам пользуется технологией — не одобряет бюджет, а работает с инструментом руками. Совпадает с тем, что вижу я: проекты, где первое лицо ни разу не открыло собственного агента, доходят до эффекта заметно реже.
Здесь важно, что именно считать. Количество запросов к агенту — не метрика. Компания рапортует «тысяча обращений за месяц» и не может ответить, сколько часов или рублей это сэкономило. Именно так проект и живёт годами в статусе успешного пилота.
Считайте то же, что считали в шаге 2: часы, деньги, ошибки. Плюс одно число, которое обычно забывают, — сколько сотрудников пользуются инструментом на второй месяц. Первый месяц пользуются все, из любопытства.
Про людей стоит сказать отдельно, потому что технические разборы это пропускают. В ТеДо среди условий успеха отдельно называют руководителя, который сам пользуется технологией — не одобряет бюджет, а работает с инструментом руками. Совпадает с тем, что вижу я: проекты, где первое лицо ни разу не открыло собственного агента, доходят до эффекта заметно реже.
Шаг 7. Решить: масштабировать или закрыть
Шаг, которого нет ни в одной инструкции, и зря.
Если числа из шага 6 лучше, чем из шага 2, — масштабируйте на соседние подразделения. Если нет — закрывайте проект и записывайте, что узнали. Закрытый пилот с выводами стоит дешевле, чем пилот, который бесконечно «дорабатывается».
Именно отсутствие этого шага и превращает 80% в 5%.
Если числа из шага 6 лучше, чем из шага 2, — масштабируйте на соседние подразделения. Если нет — закрывайте проект и записывайте, что узнали. Закрытый пилот с выводами стоит дешевле, чем пилот, который бесконечно «дорабатывается».
Именно отсутствие этого шага и превращает 80% в 5%.
Что мешает чаще всего
Полезно знать заранее, обо что спотыкаются другие.
UserGate — российский разработчик решений по кибербезопасности — в январе 2026 опросил 335 топ-менеджеров компаний с выручкой от 100 млн рублей. Среди тех, кто ИИ не внедряет, главные причины: неясная ценность технологии (54%) и неопределённость рисков (38%). Дальше — отсутствие чёткого распределения ответственности (29%), ограниченные бюджеты (29%) и нехватка экспертизы (17%).
Обратите внимание на состав: из пяти барьеров технический только один, последний. Остальные четыре — управленческие. Их не закрывает ни выбор модели, ни обучение команды промтам.
Катрушенко называет свой список типовых ошибок внедрения, и он про то же самое: путать активность с результатом, начинать без подготовленных данных и процессов, считать прототип готовым к бою, давать модели слишком широкие права.
UserGate — российский разработчик решений по кибербезопасности — в январе 2026 опросил 335 топ-менеджеров компаний с выручкой от 100 млн рублей. Среди тех, кто ИИ не внедряет, главные причины: неясная ценность технологии (54%) и неопределённость рисков (38%). Дальше — отсутствие чёткого распределения ответственности (29%), ограниченные бюджеты (29%) и нехватка экспертизы (17%).
Обратите внимание на состав: из пяти барьеров технический только один, последний. Остальные четыре — управленческие. Их не закрывает ни выбор модели, ни обучение команды промтам.
Катрушенко называет свой список типовых ошибок внедрения, и он про то же самое: путать активность с результатом, начинать без подготовленных данных и процессов, считать прототип готовым к бою, давать модели слишком широкие права.
Оговорка про цифры
Ни 80%, ни 5% не стоит считать точными. Это отраслевые опросы, где выборка смещена в сторону крупных компаний, готовых рассказывать о своём ИИ, а критерии «ощутимого финансового эффекта» каждый исследователь определяет сам.
У малого бизнеса картина другая и, вероятно, более здоровая: там меньше денег на эксперименты, поэтому проект чаще начинают с задачи, у которой сразу видна цена в рублях. Кстати, и география внедрения шире, чем принято думать — в выборке Сбера 22% участников это компании на 11–50 сотрудников, а почти половина — не из мегаполисов.
Но направление разрыва подтверждают оба источника, и он огромен. План выше не гарантирует попадания в те самые 5%. Он всего лишь не даёт пропустить шаги, на которых остальные и застревают: посчитать процесс до старта, разобрать данные, ограничить права и вовремя закрыть то, что не сработало.
У малого бизнеса картина другая и, вероятно, более здоровая: там меньше денег на эксперименты, поэтому проект чаще начинают с задачи, у которой сразу видна цена в рублях. Кстати, и география внедрения шире, чем принято думать — в выборке Сбера 22% участников это компании на 11–50 сотрудников, а почти половина — не из мегаполисов.
Но направление разрыва подтверждают оба источника, и он огромен. План выше не гарантирует попадания в те самые 5%. Он всего лишь не даёт пропустить шаги, на которых остальные и застревают: посчитать процесс до старта, разобрать данные, ограничить права и вовремя закрыть то, что не сработало.
Создайте новое будущее с нашими решениями
Похожие статьи