Гюнель Филатова
ИИ может ускорить отдельный процесс и одновременно добавить бизнесу новые ручные проверки, дублирование данных и зависимость между несвязанными системами. О том, почему точечные внедрения не всегда дают эффект на уровне всей компании и как избежать фрагментации процессов, рассказала основатель и генеральный директор ORCA.codes Гюнель Филатова.
Искусственный интеллект все активнее внедряют в продажи, маркетинг, поддержку, финансы и аналитику. Отдельный инструмент действительно может сократить время операции или часть ручной работы. Но сумма таких улучшений еще не означает, что эффективнее стала компания в целом. Хуже того, если процессы и данные недостаточно упорядочены — автоматизация не наводит порядок сама, а лишь делает существующий хаос быстрее и заметнее в разных частях компании.
В России распространение ИИ пока сильно зависит от размера бизнеса. По опубликованным в 2026 году расчетам ИСИЭЗ НИУ ВШЭ на данных Росстата, технологии ИИ использовали в среднем 4,8% обследованных организаций. Среди компаний с численностью более 500 сотрудников доля достигала 14,9%, среди организаций со штатом до 100 человек — 4,1%. У крупного бизнеса ИИ чаще всего задействован в маркетинге и продажах — 47% организаций-пользователей, в управлении компанией — 40%, в производстве и обеспечении безопасности — по 37%.
По данным глобального исследования McKinsey 2025 года, 88% респондентов сообщили, что их организации регулярно используют искусственный интеллект (ИИ) хотя бы в одной бизнес-функции. Более двух третей применяют его уже в нескольких функциях, половина — как минимум в трех. При этом только около трети организаций перешли к масштабированию ИИ на уровне всей компании, а какое-либо влияние технологии на операционную прибыль до вычета процентов и налогов отметили 39% участников исследования. Опрос проходил с 25 июня по 29 июля 2025 года и охватил 1993 респондента из 105 стран.
Эти данные сами по себе не доказывают вред точечных внедрений. Они показывают разрыв между распространением ИИ-инструментов и системным эффектом от их использования. Компания может ускорить отдельную операцию, но сохранить прежнее время прохождения всего процесса, перенести ручную работу в другое подразделение или добавить новые проверки и интеграции.
Локальный показатель может скрывать ухудшение всего процесса
Распространенная ошибка — оценивать эффективность ИИ только по показателям того участка, где он внедрен. Например, чат-бот первой линии поддержки отвечает клиенту быстрее человека, поэтому показатель времени первого ответа улучшается. Но если бот создает заявки в формате, который не совпадает с форматами корпоративной системы, менеджерам приходится вручную разбирать обращения, исправлять данные и перепроверять ответы перед закрытием заявки.
Количество внедренных ИИ-инструментов само по себе — метрика активности, а не результата. То же самое со скоростью ответа одного инструмента: бот может ответить за несколько секунд, а клиент все равно ждать решения три дня, потому что дальше подключаются люди.
McKinsey фиксирует похожее расхождение на уровне компаний. Респонденты заметно чаще сообщают о снижении затрат в отдельных сценариях использования ИИ, чем о финансовом эффекте на уровне всей организации. При этом компании с наиболее высоким результатом от технологии значительно чаще фундаментально перестраивают рабочие процессы при внедрении. Исследователи относят такую перестройку к факторам, сильнее всего связанным с получением значимого бизнес-эффекта.
Как понять, что ИИ уже начал дробить процессы
Первый признак — никто в компании не может описать процесс целиком. Финансы знают свой участок, продажи — свой, служба поддержки — свой, но неясно, как данные и решения проходят между подразделениями. Тогда улучшение одного этапа может увеличить нагрузку на следующий.
Второй признак — ручной перенос информации. Если вывод модели сотрудник копирует в систему работы с клиентами, учетную программу или таблицу, автоматизация заканчивается там, где закончилась техническая связь между системами. Одновременно возникает новая работа: результат нужно проверить, перенести и при необходимости исправить.
Третий признак — разные подразделения используют независимые ИИ-решения для работы с одним объектом. Например, система в маркетинге рекомендует клиенту один продукт, инструмент отдела продаж — другой, а поддержка видит третью версию информации. Причина конфликта в такой ситуации находится глубже самой модели. У компании нет согласованных данных и правил их использования.
Это уже неединичное наблюдение. В исследовании IBM Institute for Business Value 2025 года, проведенном совместно с Oxford Economics среди 2000 генеральных директоров из 33 стран и 24 отраслей, 50% респондентов сообщили, что быстрые инвестиции в технологии привели к появлению несвязанных, фрагментарных решений внутри их организаций. Одновременно 68% назвали интегрированную архитектуру данных критически важной для взаимодействия разных функций компании, а 72% называют собственные данные компании ключевым ресурсом для получения ценности от генеративного ИИ.
ИИ не исправляет слабую цифровизацию
Попытка внедрить ИИ раньше, чем компания разобралась с базовыми процессами и данными, создает особый риск. Модель начинает работать поверх уже существующих противоречий.
Если клиент числится в нескольких базах под разными идентификаторами, система не устранит расхождение самостоятельно. Если правила согласования существуют только в головах сотрудников, ИИ не определит, какое из них считать правильным. Если два отдела по-разному рассчитывают один показатель, автоматизация может ускорить получение двух разных ответов.
Поэтому неспособность команды описать процесс от начала до конца является одним из ранних признаков неготовности проекта. Второй сигнал — сотрудники не могут точно сказать, где находятся исходные данные и какая система считается основной.
Российские данные подтверждают, что внедрение ИИ часто упирается в базовую готовность компании. В исследовании ИСИЭЗ НИУ ВШЭ, опубликованном в 2025 году по данным за 2024 год, среди более 15 000 крупных и средних организаций высокие затраты назвали препятствием 58% респондентов. Примерно треть указали на проблемы с инфраструктурой, специалистами и необходимыми данными, около пятой части — на сложности интеграции и качество данных.
Особенно чувствительны к такой ошибке финансовая аналитика и управленческие решения. Неполные или противоречивые исходные данные могут привести к формально убедительному, но неверному результату. Например, отдел продаж и финансовый отдел могут по-разному определять активного клиента. Если модель прогнозирует выручку по данным CRM, а фактические платежи учитываются по другим правилам, компания получает убедительный по форме, но неверный прогноз. Дополнительная автоматизация только усложняет поиск источника расхождения.
Вместе с автоматизацией появляются новые зависимости
После внедрения ИИ начинает зависеть от поставщика технологии, качества данных и интеграций с корпоративными системами. Изменение модели, лимитов или правил доступа может затронуть уже работающий процесс, а ошибки в исходных данных — распространиться на связанные операции.
Отдельный риск возникает, если логику настройки понимают один-два сотрудника. После их ухода решение становится сложнее поддерживать и изменять.
Ошибочный сценарий: персонализация раньше единой базы клиентов
Показательный пример — ИИ-персонализация. Например, компания внедряет ИИ-персонализацию сразу в нескольких каналах, хотя история покупок, обращения и маркетинговые данные хранятся в разных системах. Каждая модель работает со своей версией информации, поэтому один клиент получает разные предложения, а сотрудникам приходится вручную разбирать расхождения.
Сначала компании нужно привести в порядок данные. Для этого не требуется ждать идеального состояния всех информационных систем. Но до внедрения должны быть определены хотя бы четыре показателя.
- Источник данных.
- Границы процесса.
- Ответственный за результат.
- Показатель, который отражает изменение всего процесса.
Только после этого имеет смысл оценивать ИИ по влиянию на весь процесс.
Если ИИ-инструментов уже десятки
Исправление накопившейся фрагментации не стоит начинать с массового отключения систем. Сначала необходимо понять, что из уже внедренного действительно приносит результат и какие зависимости успели возникнуть:
- Провести инвентаризацию. Зафиксировать используемые ИИ-инструменты, их задачи, пользователей, ответственных сотрудников и системы, с которыми они обмениваются данными.
- Составить карту движения данных. Определить источники информации, места ее преобразования и передачи, а также этапы, где сотрудники вмешиваются вручную.
- Найти дублирование и противоречия. Отдельно отметить инструменты, которые решают одинаковые задачи, используют разные версии одних данных или фактически перестали использоваться.
- Выбрать два-три приоритетных сценария. Для каждого заранее определить экономический результат и показатели всего процесса: срок выполнения задачи, трудозатраты, количество ошибок, стоимость операции.
- Назначить ответственного за процесс целиком. Его задача — видеть влияние нового решения на соседние подразделения и проверять, как очередное внедрение меняет общую систему.
Главный риск — ускорить то, что уже работает плохо
Точечное внедрение ИИ позволяет проверить технологию и экономику задачи до масштабных инвестиций. Риск возникает, когда локальный эффект принимают за результат всего бизнеса.
Если после автоматизации появляются ручные проверки, дубли данных, противоречивые решения или дополнительная нагрузка на другие подразделения, следующая модель проблему не исправит. Сначала нужно привести в порядок сам процесс.
