94% компаний в России не используют ИИ. Вот что мешает — и как это исправить за три шага

Расходы российского бизнеса на искусственный интеллект в 2025 году превысили 257 миллиардов рублей. К 2026 году рынок генеративного ИИ в стране может достичь 778 миллиардов. Президент поручил ускорить внедрение ИИ в ключевые отрасли. Казалось бы, революция уже произошла. Но по данным Forbes, лишь 5,8% российских компаний реально используют искусственный интеллект в своих бизнес-процессах. Остальные 94% — наблюдают, экспериментируют или просто не понимают, с какой стороны подойти.Я занимаюсь внедрением ИИ в реальный бизнес — от нефтегазовых компаний до розничных сетей — и вижу эту картину изнутри. Проблема не в технологиях. Технологии доступны, модели мощные, инструменты дешевеют с каждым месяцем. Проблема — в подходе.

Типичный сценарий выглядит так: компания выделяет бюджет, покупает лицензию на платформу, нанимает data-инженера, запускает пилотный проект. Через полгода проект тихо закрывается, потому что ROI не оправдал ожиданий. Знакомо?

Недавно на РБК вышла показательная статья с заголовком «ИИ есть у всех. Прибыль от него — у единиц». Автор — директор по развитию ИИ «Группы Астра» — точно описал проблему: компании считают количество пилотов и качество демо, а не стоимость процесса до и после. Они измеряют технологическую активность, а не бизнес-результат.

Это ровно то, что я наблюдаю в своей практике. Компании начинают с технологии, а не с задачи. «Давайте внедрим GPT-4» — это не стратегия. Стратегия — это «давайте сократим время обработки заявок с 48 до 4 часов». Технология — лишь инструмент.

За годы работы с бизнесом я собрал пять типичных ошибок, которые гарантированно приводят к провалу ИИ-проектов.

Первая — начинать с технологии, а не с бизнес-задачи. Руководители приходят с запросом «хотим ИИ», а не «хотим сократить издержки на 30%». Без чёткой цели любой проект превращается в дорогой эксперимент.

Вторая — игнорировать качество данных. ИИ работает ровно настолько хорошо, насколько хороши данные. Если в CRM 30% контактов с ошибками — никакая нейросеть не построит точный прогноз продаж. По данным Ведомостей, ИИ способен автоматизировать до 85% рутинных задач — но только при наличии качественных данных.

Третья — не считать экономику до старта. Каждый проект должен иметь чёткие KPI: сколько стоит текущий процесс, сколько будет стоить после автоматизации, каков срок окупаемости. Без этого невозможно оценить успех. Исследование Harvard и INSEAD на 515 стартапах показало: группа, которая системно применяла ИИ с привязкой к бизнес-кейсам, получила в 1,9 раза больше выручки.

Четвёртая — внедрять всё сразу. Компании, которые пытаются автоматизировать 20 процессов одновременно, обычно не автоматизируют ни одного. Как точно заметили эксперты Sostav, одновременный запуск ИИ «по всем отделам» почти гарантированно приводит к перегрузу ресурсов, размыванию ответственности и нулевому ROI.

Пятая — забывать про людей. Самая частая причина провала — не технические проблемы, а сопротивление сотрудников. Люди боятся, что ИИ заберёт их работу. Задача руководителя — показать, что ИИ забирает рутину, а не рабочие места.

Успешное внедрение ИИ всегда начинается не с покупки технологии, а с диагностики. Я называю это ИИ-аудитом — системным анализом бизнес-процессов компании с целью найти точки, где искусственный интеллект даст измеримый экономический эффект.

Методология, которую я разработал и применяю на практике, включает пять этапов:

Картирование процессов. Разбираем каждый бизнес-процесс: кто выполняет, сколько времени тратит, где узкие места. На этом этапе обычно обнаруживается, что 30–40% рабочего времени сотрудников уходит на рутину, которую ИИ может выполнять автоматически.

Оценка ИИ-зрелости. Не каждый процесс готов к автоматизации. Оцениваем качество данных, цифровую инфраструктуру, готовность команды.

Приоритизация по ROI. Строим матрицу «сложность внедрения × экономический эффект». Начинаем с quick wins — задач, которые можно закрыть за 2–4 недели с минимальными вложениями.

Прототипирование. Создаём работающий инструмент, а не презентацию. Именно здесь критически важен промпт-инжиниринг: правильно сформулированный промпт может заменить месяцы разработки.

Масштабирование. После подтверждения ROI на пилоте — тиражируем на другие процессы. К этому моменту команда уже умеет работать с ИИ, и сопротивление минимально.

Вот конкретные направления, где внедрение даёт измеримый эффект прямо сейчас.

Документооборот. Компании генерируют терабайты документов: договоры, акты, отчёты. ИИ-системы на базе LLM извлекают данные из неструктурированных документов, проверяют на соответствие шаблонам, находят противоречия. Типичная экономия — 40–60% времени юридического и финансового отделов. По данным «Группы Астра», обработка одного инженерного документа сокращается с 20 минут до нескольких минут.

Аналитика. Вместо дашбордов, которые никто не смотрит, ИИ сам анализирует данные и присылает руководителю только значимые отклонения: «Продажи в регионе упали на 15% — вот три вероятные причины». Переход от реактивного управления к проактивному.

HR и подбор. Скрининг резюме, первичное интервью через чат-бота, ранжирование кандидатов. По данным МГУ и МФТИ, экономия от ИИ-агентов в HR достигает 15–40%. Время найма сокращается на 40–50%.

Клиентский сервис. Нейросети анализируют поведение клиентов и формируют персональные предложения. Для e-commerce это рост конверсии на 15–25%. Для B2B — сокращение цикла продаж на 20–30%.

Отдельно хочу сказать про промпт-инжиниринг — системную дисциплину проектирования взаимодействия с языковыми моделями. Это не «умение писать запросы в ChatGPT». Это навык, который определяет, получит ли компания от ИИ реальную пользу или дорогую игрушку.

Конкретный пример: крупная компания тратила 120 часов в месяц на подготовку аналитических отчётов. После внедрения системы промптов время сократилось до 25 часов. Экономия — 95 часов ежемесячно, более миллиона рублей в год. На одном процессе.

Разница между любительским и профессиональным промпт-инжинирингом — как между набором текста в Word и проектированием информационной системы. В первом случае — случайный результат. Во втором — воспроизводимый, масштабируемый и экономически обоснованный.

Если вы руководитель или собственник и хотите начать использовать ИИ с реальной пользой, вот три конкретных действия.

Шаг первый. Составьте список из 10 самых рутинных процессов в компании. Задачи, которые сотрудники выполняют регулярно, по шаблону, без творческого мышления. Именно здесь ИИ даст максимальный эффект.

Шаг второй. Оцените каждый процесс по двум параметрам: сколько часов в месяц тратится и насколько он критичен для бизнеса. Процессы с высокими затратами времени и средней критичностью — идеальные кандидаты для автоматизации.

Шаг третий. Проведите ИИ-аудит. Можно начать самостоятельно, а можно обратиться к практику, который уже прошёл этот путь десятки раз.

Подробную методологию всех пяти этапов ИИ-аудита, принципы промпт-инжиниринга, разбор реальных кейсов с цифрами ROI и полный список ошибок, которые убивают проекты, я описал в развёрнутом руководстве: «Как внедрить ИИ в бизнес и получить результат: практическое руководство от эксперта». Там — всё, что нужно для первого шага.

Искусственный интеллект — это не будущее. Это настоящее. Каждый месяц без ИИ — это месяц, когда ваши конкуренты получают преимущество. Вопрос уже не «внедрять ли», а «как быстро вы это сделаете».

Андрей Пономарев — эксперт по внедрению искусственного интеллекта в бизнес, специалист по ИИ-аудиту и промпт-инжинирингу. Помогает компаниям находить точки роста с помощью ИИ и получать измеримый экономический результат. Подробнее — dialogiponomarev.ru.