Внедрение ИИ в бизнес: этапы, сроки, стоимость и как не попасть в неудачные пилоты

Почему большинство ИИ-проектов не доходят до денег

Начнем с неприятной статистики, потому что она объясняет весь порядок внедрения.

• Исследователи RAND опросили 65 опытных data scientists и инженеров и пишут, что, по некоторым оценкам, более 80% ИИ-проектов не достигают цели. Это вдвое чаще, чем у IT-проектов без ИИ. Первой причиной названо то, что заказчик неверно понимает или неверно формулирует, какую задачу нужно решить.
• Отчет MIT NANDA «The GenAI Divide» 2025 года, по пересказу Fortune, показал, что у 95% компаний из выборки внедрение генеративного ИИ не дает измеримого эффекта на прибыль. Причина не в качестве моделей, а в том, что инструменты не встроили в рабочий процесс. Там же: покупка решений у специализированных подрядчиков и партнерства успешны примерно в 67% случаев, собственные разработки в три раза реже.
• Gartner прогнозировал, что минимум 30% проектов генеративного ИИ бросят после пилота к концу 2025 года из-за плохих данных, слабого контроля рисков, растущих затрат или неясной ценности для бизнеса.

Цифры у исследований разные, потому что разные выборки и разное определение «неудачи», а к 95% из отчета MIT есть вопросы по методике. Но вывод у всех один: проекты проваливаются не из-за нейросетей, а из-за того, что задачу выбрали от технологии, не проверили данные, не посчитали эффект и не встроили решение в работу людей. Все это решается порядком действий до старта.

Где ИИ реально дает деньги, а где нет

ИИ окупается там, где много однотипной работы и понятна цена ошибки или задержки. Хороший признак: вы уже можете назвать потери в рублях, просто пока не знаете, как их сократить.

Отдельно про внедрение ИИ-агентов. Это не отдельная категория задач, а способ их решения: модель не просто отвечает, а сама выполняет шаги в системах компании, например создает заявку, проверяет остатки, ставит задачу. Голосовой оператор для строительной компании КВС именно такой: принимает звонок жителя, составляет заявку на ремонт и передает ее в работу. Агенты окупаются в тех же процессах из левого верхнего угла матрицы, но требуют больше интеграций и аккуратной настройки прав.

Этапы внедрения ИИ и сроки

1. Разбор процесса

Короткий разговор с владельцем процесса на 30-40 минут, у нас он бесплатный. Задача: найти, где компания теряет деньги и время, и понять, решается ли это ИИ вообще. Иногда честный ответ: нет, тут поможет обычная автоматизация или регламент. Это экономит заказчику бюджет, а нам репутацию.

2. Аудит данных

Проверяем, какие данные по процессу уже есть, где они лежат и в каком состоянии: 1С, CRM, MES, записи звонков, папки с документами, таблицы. Смотрим полноту, глубину истории, повторы и пропуски. Здесь же решаем вопрос безопасности: что можно отправлять во внешнюю модель после обезличивания, а что обрабатывать только на модели в контуре заказчика.

3. Расчет эффекта

До старта пилота считаем эффект в рублях и фиксируем показатель, по которому будем сравнивать «было» и «стало». Пример расчета для первой линии: если 4 оператора тратят половину времени на однотипные вопросы, а ИИ закрывает 75% таких обращений, как у КВС, высвобождается полторы ставки. Это ориентир, а не обещание: точная цифра зависит от структуры обращений.

4. Пилот

Один процесс, один участок или один канал, ограниченный круг пользователей. Срок пилота фиксируем заранее, после разбора процесса. Важно, чтобы пилот работал в реальном процессе с реальными сотрудниками, а не на демонстрационных данных: именно встраивание в работу отчет MIT называет главным отличием удачных проектов от неудачных.

5. Масштабирование

Расширяем на другие участки, каналы или филиалы только то, что подтвердило эффект в цифрах. Добавляются интеграции, права доступа, мониторинг качества ответов, обучение сотрудников. После запуска решение нужно поддерживать: обновлять базу знаний, проверять ответы, дообучать на новых данных.

Сколько это занимает в реальных проектах

Разброс от 1,5 до 6,5 месяца объясняется данными и интеграциями. ИИ-косметолог для LR Clinic и бенчмаркинг конкурентов заняли по 1,5 месяца: задача четкая, данные под рукой. Прогноз продаж для сети ресторанов занял 6,5 месяца, потому что нужно было собрать историю продаж за 3 года, погоду, отзывы и праздники и добиться точности прогноза выше 90%.

Внедрение ИИ по отраслям: примеры наших проектов

Наши проекты, где уже можно назвать результат:

Сейчас в работе три производства: лакокрасочный завод (данные из 1С и с участков в одном месте, отчеты и KPI без ручной сборки), бетонный завод (1С, техника, GPS водителей, аналитика против потерь и поиск новых строек по разрешениям и тендерам) и производство колготок (производственный план с учетом стоимости переналадок и сроков заказов). О том, что из крупных промышленных кейсов переносится на средний завод, мы писали в разборе 17 кейсов ИИ в промышленности.

Общее у всех проектов: ни один не начинался с вопроса «какую нейросеть выбрать». Все начинались с процесса, где теряются деньги или время.

Сколько стоит внедрение ИИ

Цена ИИ-проекта складывается не из «сложности искусственного интеллекта». Языковые модели и библиотеки для прогнозов доступны всем. Основная работа в другом:

• Интеграции. Каждая система, с которой решение должно обмениваться данными, добавляет работу: 1С, CRM, MES, телефония, мессенджеры, сайт. Решение, которое не пишет результат туда, где работают сотрудники, никто не будет использовать.
• Число участков и сценариев. Один канал обращений или пять, один цех или три, один тип документов или десять.
• Состояние данных. Если данные разбросаны по таблицам и почте, часть бюджета уходит на то, чтобы собрать их в одно место. На лакокрасочном заводе мы начали именно с цифрового контура: без него модель работает вслепую.
• Требования к безопасности. Обезличивание персональных данных и развертывание модели в контуре заказчика требуют отдельной работы.
• Проверка качества. Наборы тестовых вопросов и случаев, сравнение с работой людей, разбор ошибок.

Почему пилот от 300 000 ₽

В пилот входит не только модель, а все, без чего она не даст результата: разбор процесса и аудит данных, расчет эффекта, настройка модели под задачу, интеграция хотя бы с одной рабочей системой, тестирование на реальных данных и запуск у живых пользователей. Меньший бюджет обычно означает демонстрацию на тестовых данных, которая хорошо выглядит на совещании и не доходит до работы. Точную цену фиксируем после разбора процесса, она зависит от числа систем и участков.

Масштабирование считаем отдельно и только после того, как пилот подтвердил эффект. Так компания рискует бюджетом пилота, а не бюджетом всего проекта.

Типичные ошибки внедрения ИИ

1. Начать с технологии, а не с потерь. «Давайте внедрим нейросеть» вместо «мы теряем 15% звонков по вечерам». RAND ставит неверно понятую задачу на первое место среди причин неудач.
2. Не посчитать эффект до старта. Через три месяца никто не может сказать, окупился ли проект, и его закрывают.
3. Пилот в песочнице. Решение работает на подготовленных данных, но не встроено в CRM, 1С или телефонию, поэтому сотрудники к нему не возвращаются.
4. Слишком большой первый проект. «ИИ для всей компании» вместо одного процесса. Срок растет, эффект размывается, поддержка руководства заканчивается раньше результата.
5. Забыть про сотрудников. Если операторы или менеджеры видят в ИИ угрозу, они найдут, почему он «не работает». Помогает показать, что ИИ берет рутину, а сложные случаи передает человеку, как ИИ-косметолог передает клиента специалисту.
6. Отправить персональные данные во внешнюю модель как есть. Это риск по закону о персональных данных и для коммерческой тайны. Обезличивание и выбор контура нужно решить на этапе аудита, а не после запуска.
7. Считать, что после запуска все готово. Документы, ассортимент и поведение клиентов меняются. Без поддержки качество ответов и прогнозов постепенно падает.

Как выбрать подрядчика по внедрению ИИ: чек-лист

Еще один полезный признак: подрядчик иногда говорит «нет». Если на любую задачу ответ «да, ИИ это решит», скорее всего, задачу не разбирали.

Что нужно от компании

Чтобы внедрение ИИ в бизнес прошло быстро, от заказчика нужно немного, но без этого не обойтись:

• Владелец процесса. Человек, который знает, где теряются деньги, принимает решения по процессу и находит время на регулярные встречи по пилоту. Это не обязательно IT-специалист.
• Доступ к данным и системам. Выгрузки или доступ к 1С, CRM, записям звонков, папкам с документами. Своя команда data science не нужна.
• Показатель успеха. Одна-две метрики, по которым договорились сравнивать «было» и «стало»: доля закрытых обращений, время поиска, процент отходов, число переналадок.
• Пилотная группа. Несколько сотрудников, которые будут работать с решением в реальном процессе и давать обратную связь.
• Решение по безопасности. Какие данные считаются чувствительными и должны оставаться внутри компании. Мы работаем под NDA, обезличиваем персональные данные до отправки в модель, а чувствительное держим на моделях в контуре заказчика.

Если все это есть, срок пилота понятен заранее, а решение о масштабировании принимается по цифрам, а не по ощущениям.

Частые вопросы