Компании покупают искусственный интеллект раньше, чем понимают, зачем он им нужен. Генеральный директор услышал на форуме, что агенты заменят половину офиса; директор по инновациям пообещал пилот к концу квартала; HR заказал вебинар о промптах, потому что любое технологическое изменение в России требует вебинара. Финансовый директор листает презентацию и ищет слайд, где вся эта цифровая жизнь превращается в деньги. Такого слайда нет. К обеду нейросеть написала поздравление гендиректору, к вечеру появился приказ о создании рабочей группы — внедрение пошло с успехом.
Однако ИИ уже приносит бизнесу материальный эффект: сокращает время обработки обращений, вытаскивает новичков на уровень опытных сотрудников, управляет запасами, ищет дефекты, прогнозирует поломки и разбирает документы быстрее людей. Деньги возникают не там, где модель лучше изображает собеседника, а там, где она встроена в повторяющуюся операцию и отвечает перед показателем: временем, себестоимостью, ошибкой, простоем, оборачиваемостью или прибылью. Внедрение начинается в момент, когда модель меняет наблюдаемое действие внутри процесса, а это действие меняет экономику.
| Направление | Первый прототип | Необходимые данные | Кому показывать | Основная метрика |
|---|---|---|---|---|
| Документы | Извлечение полей и маршрутизация одного типа документов | 100–500 реальных примеров и правильные результаты | Бэк-офису, бухгалтерии, юристам | Доля документов без ручной правки, стоимость обработки |
| Поддержка | Поиск ответа, подсказка и резюме обращения | База знаний, диалоги и оценки качества | Руководителю поддержки | AHT, FCR, повторные обращения, адаптация новичка |
| Разговоры | Расшифровка и поиск нарушений или причин отказа | Записи звонков и карта оценки | Контролю качества, продажам, комплаенсу | Точность нарушений, покрытие, конверсия, претензии |
| Закупки | Разбор требований и сравнение предложений | Спецификации, заявки и коммерческие предложения | Закупкам | Время решения, пропущенные условия, экономия |
| Разработка | Генерация тестов, поиск по коду или разбор инцидента | Репозиторий, задачи, тесты и история сбоев | CTO и тимлидам | Время до merge, дефекты, MTTR, доля принятых подсказок |
| Контроль качества | Поиск одного визуально различимого дефекта | Размеченные изображения с конкретной линии | Производству | Precision/recall, пропущенный брак, ложная выбраковка |
Что считать ИИ-внедрением? Купленные лицензии? Число сотрудников, открывших корпоративный чат? Количество токенов, сгоревших в попытке составить идеальное резюме совещания? Нет. Экономисты Лука Форнаро и Мартин Вольф описали механизм «парадокса производительности»: фирма автоматизирует операции, снижая расходы, но не учитывает, что замена работников капиталом уменьшает трудовые доходы и ослабляет совокупный спрос. Тысячи компаний, принявших рациональное решение, обнаруживают, что производительность выросла, а продавать стало некому.
Внедрение начинается, когда модель меняет наблюдаемое действие в процессе и влияет на экономический показатель: время, себестоимость, ошибку, простой, прибыль.
Эта тревога не нова. В 1930 году Кейнс назвал технологической безработицей ситуацию, когда способы экономить труд появляются быстрее, чем общество находит новые занятия. Аджемоглу и Рестрепо описали displacement effect — эффект вытеснения труда, — а также риск «избыточной автоматизации», когда машины внедряются быстрее, чем это общественно полезно.
Сравним три модели — американскую, китайскую и российскую. В США ИИ встроен в продукты Microsoft и Google, где эффект измеряется в подписках и retention. В Китае ИИ интегрирован в суперприложения и производственные цепочки, где государство поддерживает автоматизацию для повышения производительности. В России ИИ часто внедряется в банках и ритейле, но из-за санкций и регуляторики доступ к западным моделям ограничен, что стимулирует разработку собственных решений.
Разработчику стоит собирать инструменты, встроенные в конкретный процесс с измеримым KPI. Например, ассистента для поддержки, который сокращает время первого ответа, или систему прогнозирования поломок, снижающую простой оборудования. Проверять прототип нужно на реальных данных и показывать экономический эффект, а не качество демо. Идти с прототипом стоит к руководителю, который отвечает за операционные показатели, а не за инновации.
Внедрение ИИ — это не гонка за трендом, а инженерная задача по изменению экономики процесса. Пока компании покупают ИИ из страха выбыть из гонки, те, кто встраивает модели в рутину, получают измеримый результат. Вопрос не в том, какая модель лучше, а в том, где она создаёт ценность.
