Эффект от AI: Ожидание & Реальность
Меня зовут Никита. Я AI Agentic Engineer — это человек, который строит агентные системы и внедряет AI в реальный бизнес, а не в презентации.
За спиной — больше года внедрения GigaChat в Сбере, запуск KofreKo (AI-аналитика в ресторанном бизнесе), сейчас CTO FondBond.tech (AI управление портфелем облигаций). Плюс своя R&D-команда по внедрению AI на коммерческой основе. Топ-2 на Всероссийском хакатоне по AI, топ-5 на международном уровне.
Почему это важно? Потому что я не пишу про AI из YouTube. Я в нём варюсь каждый день.
Сейчас поговорим про то, что сейчас из себя Ai представляет и как получить с этого кэш.
Часть 1. Хайп-машина
Я попросил ChatGPT нарисовать картинку, которая отражает текущее состояние рынка AI. Ниже результат. Больше всего вот эта фраза понравилась))
«AI Strategy: 1. Say AI. 2. ???. 3. Profit!» и отдельный мусорный бак с надписью «90% of AI projects abandoned»
Нейросетка читает новости каждый день — поэтому она лучше всего отражает реальность рынка. И она нарисовала именно это 🙂
Дальше появился OpenClaw, Hermes и десятки похожих проектов. Суть: AI научился сам себя «оживлять» — раз в несколько минут смотреть на новые задачи и выполнять их без участия человека. Проактивность вместо реактивности — звучит как революция ⚡⚡⚡
Логичный следующий шаг — Zero Human Company. Кто-то на VC.ru (укажу ссылку, когда найду) описал эксперимент с Paperclip: компания, где CEO — Claude, CTO — Cursor, CMO — OpenClaw, и несколько AI-разработчиков под ними. Полностью автономная структура.
Я сам такое запускал. Вот что происходит на практике:
- Появляются созвоны ради созвонов
- Создаётся менеджер, который следит за выполнением задач программиста
- Было 2 программиста — стало 5 менеджеров
- Агенты уходят в бесконечные циклы и саморепликацию
Те же самые проблемы, что и у людей. Только масштабируются быстрее)
Три вывода:
- AI не умеет самоорганизовываться без человека. Предоставленные сами себе агенты неизбежно скатываются в циклы. Нужна точка контроля.
- AI подвержен «синдрому отличника». Модель не умеет вовремя остановиться или признать, что задача не имеет простого решения. Она будет генерировать ответ — даже если правильный ответ «эта задача нерешаема».
- Закон квадрата коммуникаций. Рост числа агентов увеличивает накладные расходы на общение между ними по экспоненте.
Простая математика: система из 5 агентов с качеством каждого 80% даёт качество системы всего 32%. Это не мнение — это 0.8⁵
Часть 2. А где успешные внедрения?
NVIDIA выпустила ежегодный State of AI Report — 3200 респондентов из разных компаний. Там есть интересная штука: сравнение того, что компании планировали получить от AI, и того, что получили на самом деле.
Топ-цели по внедрению: операционная эффективность, продуктивность сотрудников, новые бизнес-возможности.
И вот что удивительно — реальность оказалась выше ожиданий. В среднем 34% компаний ставило цель повысить операционную эффективность, а достигли результата 53%. Ритейл особенно сильно идёт в операционку, финтех — в оптимизацию работы сотрудников.
Но это крупные западные компании. А что у нас?
Я общался с людьми из МТС, Сбера, Т-Банка. Цифры такие:
МТС в своём R&D-отделе протестировал 40+ продуктовых гипотез на основе AI. Сработали 3:
- Замена программистов (code generation)
- Телефония (голосовые боты вместо операторов)
- Рекомендательные системы
Остальные либо умерли на пилоте, либо живут на поддержке из-за инерции.
Количество успешных гипотез — около 7%. И это если верить тому, что мне рассказывали. Скорее всего, реальная цифра ниже — не всем выгодно делиться провалами.
7% — это не провал. Это нормальная статистика для инноваций. Но только если вы это знали заранее и не сожгли весь бюджет на первую же идею.
Часть 3. Чек-лист: как выбирать нишу правильно
На основе своего опыта, провалов, успешных стартапов и нетворка я собрал три критерия. Если гипотеза им соответствует — шансы на успех резко выше.
1. Высокая маржинальность
Сравнение годовых затрат на обработку 50 000 клиентских обращений:
- Human Agents: $150 000–$300 000
- AI Agents: $12 500–$25 000
Разница есть. Но главный вывод здесь другой:
Имеет смысл оптимизировать только работу с высокой маржинальностью.
Пример: юрист в США стоит $1000 в час. Если внедрить AI — все затраты на разработку и тестирование окупятся быстро. А вот если вы автоматизируете работу за $10 в час — нужен огромный масштаб, чтобы это имело смысл.
Ищите либо дорогих специалистов, либо массовые операции с большим объёмом.
2. Чёткие правила
Без чёткого ТЗ — результат «хз».
Если у вас нет большой красивой блок-схемы с описанными правилами — AI будет только мешать процессу, а не оптимизировать его. Сначала опишите, формализуйте, задокументируйте. Потом внедряйте.
Если вы сами не можете объяснить правила вашего процесса — нейросеть тем более не сможет их соблюдать.
3. Digital-мир
AI — это цифровая сущность. Взаимодействовать она может только в цифре.
Не надо пытаться внедрять AI на стыке физического и цифрового мира — это фиаско. Я делал систему лояльности и аналитику продаж для ресторанов. Продаётся нереально тяжело именно потому, что бизнес живёт в физическом мире: бумажные накладные, Телега, Excel.
Если же все процессы уже оцифрованы, данные существуют и структурированы — интеграция идёт на порядок проще. Конверсия в использование выше. Конверсия в покупку выше.
Итого
AI работает. Но не там, где его обычно пытаются применить.
Успешные внедрения — это скучные задачи: телефония, code generation, рекомендации, операционные процессы с большим объёмом. Не «замените весь отдел маркетинга» и не «агент-CEO, который сам управляет компанией».
Прежде чем запускать AI-гипотезу, задайте три вопроса:
- Здесь есть высокая маржинальность или большой объём?
- У нас описаны чёткие правила процесса?
- Бизнес живёт в цифровом мире?
Если хотя бы одно «нет» — начните с этого, а не с нейронки.
Пишу про AI и реальные внедрения без хайпа — Telegram. Вопросы, критика, предложения — туда же или сюда в комменты ✌