ИИ-автоматизация для бизнеса: сколько это стоит и как внедрять
«В раю только и разговоров, что об ИИ для бизнеса». С такой почти цитаты я начну эту статью. Потому что разговоров действительно много. А вот реальных примеров внедрения, четкой и понятной инструкции, как внедрять ИИ, что автоматизировать и сколько это на самом деле стоит — вот все это часто существует только в виде общих слов. Давайте попробуем заполнить этот пробел.
Меня зовут Влад Кармаков. Я CEO компании Siberian.pro, которая занимается разработкой ИИ для бизнеса, ИИ-автоматизациями и внедрением решений на базе ИИ в реальные бизнес-процессы. С этим сегодня и будем разбираться. Поехали!
Что такое ИИ-автоматизация и какие бывают виды
Есть обычная автоматизация — RPA, скрипты и т.д. Они дергают API или напрямую управляют мышью и клавиатурой, чтобы повторить за человеком те или иные действия.
ИИ-автоматизация работает иначе. Поскольку в основе лежит LLM, то такая система способна учиться на данных, разбирать неструктурированный вход (текст обращения, голос, документ, картинку) и даже принимать решения там, где раньше требовалось человеческое суждение.
Впрочем, термин «ИИ» стоит немного расшифровать, т.к. внутри этого направления есть несколько слоев, обозначающих разное:
- Предиктивный ИИ — это ИИ на основе систем машинного обучения и регрессионных моделей. Выполняет классификацию и прогноз, скоринг заявок, аналитику спроса, рисков и т.д.
- Генеративный ИИ — это ИИ на основе LLM (больших языковых моделей). Такой ИИ создает новый контент: текст письма клиенту, описание товара, коммерческое предложение, сводку по звонку. Здесь система производит готовый результат, но может и галлюцинировать в силу принципов работы нейросетей, поэтому критичные ответы требуют проверки человеком.
- ИИ-агенты идут дальше. Это система, в которой ИИ действует проактивно: сам рассуждает, планирует и действует сразу в нескольких системах, чтобы достичь цели. Если генеративный ИИ описывает, что система производит, то агентный — как она действует.
Под каждую задачу нужен свой инструмент. Если речь о простой автоматизации действий, то ИИ не нужен, достаточно обычного заранее запрограммированного RPA (скрипт, программа и т.д.). Если нужна работа с историческими данными и поиск закономерностей, то нужен AI/ML.
Нейросети традиционно сильны в обработке неструктурированных данных: письма клиентов, отзывы покупателей, документы и другой контент. Генеративный ИИ справляется с такими задачами на ура.
Наконец, система ИИ-агентов обеспечивает автоматизацию на уровне принятия решений. ИИ-агент получает от пользователя задачу в простой форме («убедись в надежности этого контрагента» или «сделай отчет по маркетингу за последние 2 месяца и залей в Confluence» — сам понимает суть задачи, разбивает ее на более простые шаги, при необходимости подключая дополнительные инструменты и навыки, и в итоге добивается выполнения поставленной задачи.
Выгода от внедрения ИИ-агентов особенно показательна на примере автоматизации общения с клиентами. Там, где обычный чат-бот начнет немилосердно тупить и гонять клиента по кругу одних и тех же вопросов, ИИ-агент просто сделает запрос в CRM, подготовит нужные документы, сам запросит у клиента недостающую информацию и решит вопрос без эскалации к сотруднику поддержки. Я подробно описывал, в чем отличие чат-бота от ИИ-агента в этой статье.
Почему в фокусе именно генеративный ИИ? Потому что именно он за последние годы совершил рывок. Хайп это или нет, но по данным McKinsey, 79% компаний используют генеративный ИИ хотя бы в одной функции.
Главные функции, куда бизнес внедряет ИИ-агентов:
- клиентский сервис (57% организаций);
- маркетинг и продажи (54%);
- IT и кибербезопасность (53%).
Проще говоря, это ровно те зоны (помимо кода), где больше всего рутины и неструктурированного текста: поддержка, контент, заявки, звонки. К слову, о том, как мы в Siberian.pro внедрили ИИ-агента в маркетинг я писал на Хабр. Почитайте.
Тем временем, я продолжу и отвечу на важный вопрос: как оценить выгоду от ИИ-автоматизации рутинных задач? В чем она вообще заключается и как понять, что внедрение действительно дало какой-то эффект?
Есть ли выгода от внедрения ИИ-автоматизации?
У себя в Telegram-канале я часто ищу и публикую зарубежные примеры внедрения ИИ. В этих кейсах я десятки раз видел один и тот же сценарий: компания внедрила ИИ-ассистента в поддержку, менеджеры стали отвечать клиентам вдвое быстрее. В отчете все красиво, метрика «время ответа» уменьшилась. Успех?
Не обязательно. Если та же команда за то же время стала обрабатывать в два раза больше обращений — тогда это ценность. Если же выручка и количество обработанных заявок не изменились, то вы сэкономили время, но никакой выгоды из этого не извлекли. Ну, может, сотрудники чуть раньше уходят на обед и чуть позднее с него возвращаются.
Понимаете?
ИИ создает реальную ценность только тогда, когда сэкономленное с помощью внедрения искусственного интеллекта время реально перенаправляется в другие бизнес-процессы и тем самым увеличивает производительность, качество, приводит дополнительные продажи или уменьшает число возвратов.
Иными словами, ИИ-автоматизация выгодна, когда изменился финансовый отчет, а не тогда, когда организация просто констатирует, что люди закончили задачу быстрее.
Итак, еще раз: сэкономленное время должно транслироваться в выгоду. Это можно сделать через три понятных сценария. Не утверждаю, что они единственные, но рабочие точно:
- Рост производительности. Та же команда тянет в 1,5–2 раза больше заявок/звонков/лидов. Спрос растет, заявок больше, а ФОТ тот же. Более того, есть возможность дальнейшего масштабирования без увеличения затрат.
- Конверсия. Дельный ответ за 30 секунд вместо часа поднимает конверсию лида в сделку. Здесь сэкономленное время превращается напрямую в выручку.
- Точность и единое качество. Меньше ошибок ручного ввода, одинаковый сервис, уменьшение рисков. Здесь вы снижаете как прямые потери, например, в виде операционных расходов, так и возвраты — тоже реальные деньги, которые раньше просто терялись.
Не всегда эффект от внедрения ИИ — это именно скорость работы. Иногда растет и качество тоже.
Но есть нюанс. Наделавший когда-то много шума отчет MIT вскрыл шокирующую цифру: около 95% корпоративных пилотов систем ИИ-автоматизации на самом деле не дают финансовой отдачи. От слова совсем. И проблема не в несовершенстве моделей, а в неграмотном подходе к внедрению генеративного ИИ, в непонимании как, когда и, главное, зачем, внедрять ИИ в бизнес.
И отсюда мы плавно переходим к вопросу, что вообще стоит автоматизировать с помощью ИИ, а за что браться не надо.
Какие процессы стоит автоматизировать с помощью ИИ
Процесс, подходящий для ИИ-автоматизации, можно узнать по пяти признакам.
- Повторяемое частое действие, что-то такое, что делается каждый день по многу раз.
- Есть измеримая метрика. Количественная, не качественная.
- Низкая цена ошибки. Т.е. бизнес не накроется медным тазом, если проект не взлетит.
- Процесс устоялся. Есть все данные, всё в цифре.
- Процесс является бутылочным горлышком. Это самое главное. Нет смысла автоматизировать процесс, который ни на что не влияет.
Последний признак не всегда очевиден, поэтому я рекомендую не полагаться на субъективные ощущения, а провести замеры и собрать реальную статистику. По опыту Siberian.pro, результат замеров часто удивляет владельцев бизнеса, потому что проблема часто оказывается совсем не там, где они ожидали и с чем пришли к нам за ИИ-автоматизацией.
Теперь обратный список — куда лезть с искусственным интеллектом не стоит, как бы ни хотелось, здесь ИИ-помощник для бизнеса едва ли справится (впрочем, см. ниже):
- Стратегические решения и высокая цена ошибки. Решения оставляем за человеком.
- Там, где ценность — в доверии и отношениях. Не нужно автоматизировать общение с VIP-клиентами.
- Процесс еще не устоялся. Сначала оцифровать, потом автоматизировать.
- Чувствительные данные или 152-ФЗ. Ну, тут и так понятно.
Значит ли это, что в описанных случаях ИИ вовсе не применим? Конечно же, нет! В нашей практике уже есть кейсы использования в чувствительных областях, например, в медицине, в юриспруденции, в тендерных закупках (с контрактами на сотни миллионов) и т.д.
Ключевой момент в таких темах — парадигма human-in-the-loop, когда ИИ берет на себя основные задачи, а человек остается в критических точках для принятия окончательного решения и контроля выводов ИИ.
К слову, это снимает популярный страх из серии «Из-за ИИ нас всех уволят». Чаще всего — нет. По сути, время людей переносится с рутины на то, за что им на самом деле платят: сложные случаи, отношения с клиентом, важные решения, креатив и т.д.
Помните выше я говорил про перенаправление сэкономленного времени? Вот это оно и есть. ИИ — это мощнейший катализатор эффективности персонала и весьма доступный способ оптимизации его работы.
Допустим, вы выбрали процесс для автоматизации с помощью искусственного интеллекта. Можно делать пилот. Но сначала неплохо бы понимать, во что он обойдется.
Переходим к главному.
Сколько стоит ИИ-автоматизация на самом деле
Главное, что нужно знать про стоимость ИИ-автоматизации: цифра, указанная в тарифе ИИ-модели или в подписке на SaaS-агента, — это часто даже не верхушка айсберга, а скорее снежок, ее слегка присыпавший.
По данным CloudZero, средняя компания в 2025 году тратит около $85 521 в месяц на AI-native приложения — это на 36% больше, чем годом ранее, — а 45% организаций планируют больше $100 000 в месяц. И это операционка, а не разовая разработка. Конечно, ИИ в России имеет свою специфику, но общие тенденции такие же — бизнес готов вкладываться.
А вот размеры этих вложений зависят от сценария:
Интересный факт: лишь 15% проектов в РФ доходят до промышленного внедрения, 55% остаются на стадии пилота, еще 30% — «скисают» при переходе к масштабированию. То есть большая часть вложений пока оседает в пилотах, не дойдя до настоящей ценности в бизнесе.
Получается, что отсутствие результатов ИИ-автоматизации у 95% бизнесов, о котором написали в отчете MIT, — это прямое следствие того, что внедрять еще никто и не начинал, по большому счету.
Важный российский нюанс. Специфика рынка у нас — крупный B2B с повышенными требованиями к безопасности и явным предписанием локального размещения моделей (on-premise). Плюс 152-ФЗ: для чувствительных процессов выбор чаще склоняется в сторону локальных моделей (GigaChat, YandexGPT) или российского облака (MWS).
Плюсом к тому, что уже указано в таблице, нужно добавить затраты на обучение (как моделей, так и сотрудников), подготовку данных, организацию проверки качества ответов модели (т.н. Eval-инфраструктура) и расходы на эксплуатацию.
Как внедрять ИИ-автоматизацию, чтобы получить выгоду
Итак, есть 5% компаний, которые уже получают выгоду от ИИ. И есть как минимум 60% компаний, которые не получают ничего. В чем разница? Конечно, не в генеративных моделях. Разница — в дисциплине и целенаправленном подходе к внедрению ИИ.
В целом, я вижу процесс внедрения таким:
- Начать с одного процесса, который тормозит бизнес сильнее всего. Обязательно с конкретным результатом. Например, один наш клиент внедрил ИИ-ассистента в бухгалтерию с целью сократить время на ручную проверку чеков, отнимавшую уйму времени у бухгалтеров. Критерий успешности был конкретный: уменьшить временные затраты минимум в 5 раз.
- Обозначьте точку отсчета. Что есть сейчас? Зафиксируйте до начала работы метрики и показатели, по которым вы будете оценивать эффект от автоматизации после пилота. Да, нужно прям замерить.
- Разработка пилота под конкретные процессы и с понятной метрикой успеха. Заранее обозначьте границы по деньгам и по срокам. Не нужно бесконечно допиливать. Простой PoC — и тестировать. Если по окончании тестирования метрики не вышли на целевой уровень — признавайте пилот неудачным и двигайтесь дальше.
- Перепроектируйте бизнес-процессы, а не обертывайте их в ИИ. Переносить пилот в продакшн следует не путем прикручивания ИИ к старой логике, а путем переосмысления и перестройки старых бизнес-процессов под новую реальность. Пока не понятно, как это сделать? Закажите обучение ИИ для топ-менеджеров компании. Грамотный курс по обучению ИИ для бизнеса расставит все точки над i, а еще покажет наиболее интересные пути внедрения и объяснит, каких результатов ждать.
- Обязательно: Human-in-the-loop с контрольными точками. ИИ выполняет рутину, человек принимает критические решения.
- Обязательно: обучение команды. Если вы не объясните людям, зачем нужен ИИ в системе и какова их новая роль, то получите тихий саботаж: обход системы, ручные правки в стиле «я всегда так делал», испорченные данные. Внедрение ИИ в бизнесе без адекватного онбординга персонала — половина причины провальных пилотов.
- Принимаем решение о масштабировании по метрикам. Достигли нужных показателей — масштабируем. Не достигли — разбираем причины, а не увеличиваем бюджет в надежде на чудо.
***
Как видите, в целом ничего сложного в ИИ-автоматизации нет. Просто не стоит относиться к ней, как к панацее. Есть процессы грамотного внедрения, есть адекватная смета и есть реальные результаты. И есть Siberian.pro.
Мы успешно внедряем ИИ в бизнес-процессы клиентов и вместе с ними видим результат.
У себя в Telegram я намного подробнее раскрываю закулисье разработки ИИ-решений и показываю много кейсов. Вливайтесь, всем рад.