Первые 30 дней с AI в бизнесе. Дневник без прикрас

Все думают, что AI-внедрение — это «подключили и заработало». Нейросеть на месте, дашборды зелёные, менеджеры свободны.

На практике — первый месяц больше похож на ремонт. Вроде всё спланировал, а потом находишь трубу, которой нет на чертеже.

За два года мы провели 30+ внедрений AI в компании от 15 до 800 человек. Логистика, e-commerce, финтех, производство. И каждый раз первые 30 дней — одна и та же история.

Вот как это выглядит по дням.

Приходит собственник: «Хочу AI-бота для продаж». Или «хочу нейросеть для аналитики». Или просто «хочу AI, как у конкурентов».

Мы не начинаем с кода. Мы начинаем с вопросов.

Три вопроса, которые всё меняют:

— Какой процесс сейчас отнимает больше всего времени?— Где теряете деньги, но привыкли и не замечаете?— Что делают сотрудники руками по 50 раз в день?

Пример. Сеть стоматологий, 14 филиалов. Пришли за «AI-записью пациентов». Разобрались — 40% звонков в клинику: «а вы работаете в субботу?» и «сколько стоит чистка?». Два администратора целый день отвечают одно и то же.

AI для этого? Можно. Но виджет на сайте + автоответ в WhatsApp — в 4 раза дешевле и за неделю вместо двух месяцев.

Первый урок: 60-70% задач, с которыми приходят «за AI», решаются проще.

Нашли задачу для AI. Теперь нужны данные. И вот тут — сюрприз.

Что мы обычно находим:

— 30% сделок в CRM — без причины отказа— 15% контактов — дубли— В поле «комментарий менеджера» — от «перезвонить» до «клиент мудак» (реальная цитата)— Данные о продажах — в 47 файлах Excel с разными форматами дат

На «причёсывание данных» закладываем минимум неделю. Обычно — две. Это не техническая сложность — организационная. Кто-то должен объяснить, почему в августе провал (склад переезжал) и почему у одного менеджера 300 сделок в месяц (дублировал каждую).

Второй урок: данные — это 50% проекта. Грязные данные = бесполезный AI. Мы закладываем 30-40% бюджета на работу с данными.

К концу второй недели — первый прототип. Не продакшен, а тестовая версия на реальных данных.

Логистический клиент — система предсказания задержек. Модель смотрит на маршрут, загрузку склада, день недели, погоду. Выдаёт: «этот заказ опоздает, вероятность 73%».

Первая реакция менеджеров: «Фигня, мы и сами знаем, что пятничные отгрузки опаздывают».

Дали доступ на неделю. Через 5 дней: система угадывает задержки в 81% случаев. Менеджеры «по интуиции» — в 54%.

Скепсис уходит. Не весь — но достаточно.

Третий урок: первый пилот — не про «вау». Он про доверие. Покажите людям, что система точнее интуиции — сопротивление уйдёт само.

Самый недооценённый этап. Техника работает, данные чистые, прототип доказал результат.

А внедрение — буксует. Почему? Люди.

Менеджер Олег 8 лет распределял заявки вручную. Слышит: «теперь это делает алгоритм». Не спорит. Соглашается. А потом — тихо делает всё по-старому.

Формы саботажа (все реальные):

— «Система зависла» — не зависла, просто не открывали— «Я проверил, она ошибается» — проверил один раз из двадцати— «Мне неудобно, по-старому быстрее» — быстрее, но хуже

Один аналитик в финтехе «не успевал» выгружать данные для модели три недели. Оказалось — боялся, что система его заменит.

Как решаем: честный разговор. Не с IT-отделом — с теми, кто будет пользоваться каждый день. AI не заменяет человека — AI убирает рутину, чтобы человек занимался работой, а не копипастом.

Четвёртый урок: внедрение AI — 30% технология, 70% работа с людьми.

Четвёртая неделя. Пилот на ограниченной группе — один отдел, один филиал.

Тут развилка. Три сценария из нашей практики:

Работает. Логистика — AI-маршрутизация сократила холостой пробег на 18%. Парк 40 машин — экономия 420 000 ₽/мес. Окупилось за 3 месяца.

Не работает. Маркетплейс — AI-рекомендации в рассылке. Ожидали +25% конверсии, получили −3%. Модель обучалась на старых данных. Переобучили — вышли на +12%. Не 25%, но уже плюс.

Работает, но не там, где ждали. Мой любимый. Производство — хотели оптимизировать закупки. В процессе нашли: 23% заказов содержат ошибки в спецификациях. AI-валидатор заказов сэкономил 1.8 млн ₽ за квартал — больше, чем дала бы оптимизация закупок.

Пятый урок: будьте готовы, что AI покажет проблему, о которой не знали. Это не баг — это главная ценность.

Конец первого месяца. Три варианта:

Масштабируем — пилот сработал, экономика сходится. 18 из 30 наших проектов.

Разворачиваем — исходная задача не зашла, но нашли другую. 8 из 30. Это не провал.

Закрываем — данные плохие, задача надуманная, экономика не бьётся. 4 из 30. Лучше потерять месяц, чем год.

Начните с проблемы, а не с технологии. «Хочу AI» — не задача. «Менеджеры тратят 3 часа в день на ручную обработку заявок» — задача. Половина проектов проваливается, потому что автоматизируют процесс, который проще переделать.

Заложите бюджет на данные. Не на модель — на данные. Чистка, структуризация, обогащение. Скучно, не «нейросеть» — но без этого ничего не работает.

Разговаривайте с командой до внедрения, а не после. Самый мощный AI бесполезен, если люди его игнорируют. Дайте сотрудникам влиять на то, как система работает — и они перестанут с ней бороться.

Первые 30 дней — самые тяжёлые. Дальше проще. Обычно.

А у вас как — пробовали внедрять AI? На каком дне застряли?

Сергей Цветков. 15 лет в IT, 30+ AI-проектов.