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 искусственный интеллект, что автоматизировать с помощью ИИ, и сколько это стоит — 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!

Начнем с банального, но необходимого: ИИ-автоматизация — это не синоним общей автоматизации. Обычная автоматизация — это программные роботы (RPA), которые повторяют за человеком клики и ввод — напрямую или через API — по заранее прописанным правилам. Получил счет, перенес данные в 1С, поставил галочку. Правила фиксированные, вход предсказуемый, думать робот не умеет, да и не должен.

ИИ-автоматизация работает иначе. В ее основе лежит искусственный интеллект (LLM или AI/ML-система).

Впрочем, термин «искусственный интеллект» стоит немного расшифровать, т.к. внутри этого направления есть несколько направлений, 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, поиск закономерностей и прогнозы, 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, 88% компаний используют ИИ хотя бы в одном бизнес-процессе (в 2024-м было 78%), а генеративный ИИ — 79%.

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 сейчас будет ответ 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?

Я часто изучаю и публикую у себя в Telegram-канале 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? Возможно. Но куда ушло сэкономленное время?

Если та же команда за то же время стала обрабатывать в два раза больше обращений — вы получили рост пропускной способности отдела без новых наймов, и тогда это ценность. Если же менеджеры просто стали реже опаздывать на обед, а выручка и количество обработанных заявок не изменились, то вы сэкономили время, но не создали ни копейки ценности.

Понимаете?

Иными словами, ИИ-автоматизация выгодна, когда изменился финансовый отчет, а не тогда, когда организация просто фиксирует, что люди закончили задачу быстрее.

И это не моя личная философия — это ровно то, на что указывают данные. BCG в исследовании 1250 компаний (октябрь 2025) сообщает, что лишь 5% компаний получают от внедрения ИИ реальную выгоду в долгосроке. При этом 60% не получают существенной отдачи вовсе, несмотря на вложения.

Причина, как пишут эксперты BCG, не в технологии как таковой, а в методике применения. Компании наслаивают ИИ поверх старых процессов — копилоты, боты, автоматизация отдельных задач — все это прикручивается саморезами к бизнесу, как гоночный руль к старым Жигулям. Как следствие, рост эффективности на уровне отдельной задачи редко превращается в структурное и долговременное снижение затрат.

А те, кто добивается 80% сокращения цикла и 60% долгосрочного снижения затрат, делают принципиально другое: пересобирают бизнес-процесс целиком, а не прикручивают ИИ к старому укладу. Такую же пересборку мы в Siberian.pro делаем как для собственных нужд, так и для клиентов. Более того, на курсах корпоративного обучения ИИ мы показываем организациям, как внедрять ИИ правильно и где скрывается выгода от ИИ-автоматизации процессов в компании.

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 стоит на месте. Более того, есть возможность дальнейшего масштабирования без увеличения затрат.
• Конверсия. Дельный ответ за 30 секунд вместо часа поднимает конверсию «лид → сделка». Здесь сэкономленное время превращается напрямую в выручку.
• Точность и единое качество. Меньше ошибок ручного ввода, одинаковый сервис, уменьшение рисков. Здесь вы уменьшаете как прямые потери, например, в виде операционных расходов, так и возвраты — тоже реальные деньги, которые раньше просто терялись.

И еще один важный нюанс: не всегда эффект от внедрения ИИ — это именно скорость работы. Исследование Bick, Blandin и Deming показывает, что часть работников от генеративного ИИ получает не экономию времени, а рост качества работы — то есть ценность может быть в качестве, а не только в скорости.

Звучит обнадеживающе, верно? И однако надежда остается лишь надеждой там, где автоматизацию делают ради автоматизации, а не ради четко сформулированной разумной цели. Наделавший много шума отчет MIT вскрыл шокирующую цифру: около 95% корпоративных пилотов систем ИИ-автоматизации на самом деле не дают финансовой отдачи. Вообще. Совсем. И проблема не в несовершенстве моделей, а в неграмотном подходе к внедрению генеративного ИИ, в непонимании как, куда и, главное, зачем, внедрять ИИ в бизнес.

Что в сухом остатке: безупречная на бумаге работа и реальная бизнес-ценность — это разные вещи. Между ними — вопрос, куда перенаправлено сэкономленное время и как пересобраны процессы в компании с учетом ИИ.

И отсюда мы плавно переходим к вопросу, что вообще стоит автоматизировать с помощью ИИ, а за что браться не надо.

Процесс, подходящий для ИИ-автоматизации, можно узнать по пяти признакам. Чем больше совпадений — тем выше шанс, что пилот действительно окупится, а не повиснет красивым демо:

• Повторяемое и объемное. Действие совершают десятками и сотнями раз в день или неделю: входящие обращения, однотипные заявки, генерация описаний, ответы на частые вопросы, перенос данных из одной системы в другую, однотипный поиск и т.д.
• Есть измеримая метрика. Скажем, время до первого ответа, конверсия, доля ошибок при заполнении, количество обработанных заявок за смену. Метрика дает понимание реального эффекта на бизнес-процессы. Идеально иметь еще и финансовую метрику, пусть даже косвенную, показывающую экономический эффект от автоматизации с помощью ИИ.
• Низкая цена ошибки. Если ИИ ошибется, то потери будут невелики или их выловит человек во время ревью. Разговор о доставке СДЭКом — да; одобрение крупного кредита — нет. Подсветить риски в договоре с подрядчиком — да; изменить условия договора без согласования — нет.
• Процесс устоялся. Правила и шаблоны понятны, не переписываются каждую неделю. Весь процесс уже цифровизирован. Автоматизировать хаос бессмысленно, вы лишь построите более дорогой хаос, только теперь ещё и с галлюцинациями.
• Процесс является бутылочным горлышком. Именно этот процесс тормозит пропускную способность отдела или тянет вниз конверсию. Этот 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 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. Крупные сделки, юридическая ответственность, кадровые увольнения, высокорисковые медицинские или финансовые решения. Здесь ошибка модели обойдется многократно дороже, чем экономия за целый год.
• Там, где ценность — в доверии и отношениях. Ключевые переговоры, сложные жалобные клиенты, удержание VIP. Бот может подхватить рутину, но закрывать конфликт должен человек, иначе вы сэкономите на саппорте и попутно потеряете клиента.
• Процесс еще не устоялся. Сначала опишите и упорядочьте его, потом автоматизируйте. Возражение «нам сначала надо навести порядок в процессах» чаще всего справедливо. Цифровизация бизнеса — это то, с чего следует начинать.
• Чувствительные данные без подготовки к 152-ФЗ. Если процесс трогает персональные данные клиентов, вопрос размещения и соответствия закону решается до старта, а не после первого инцидента.

Значит ли это, что в описанных случаях ИИ вовсе не применим? Конечно же, нет! В нашей практике уже есть кейсы использования ИИ в чувствительных областях, например, в медицине, в юриспруденции, в тендерных закупках (с контрактами на сотни миллионов) и т.д.

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. Но об этом я уже рассказывал в другом материале.

Итак, допустим, вы выбрали процесс для автоматизации с помощью искусственного интеллекта. Можно делать пилот. Но сначала неплохо бы понимать, во что он обойдется.

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. Чтобы не плавать в абстракциях, сведу это в таблицу — с привязкой к российским ориентирам:

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 всерьез внедрять еще никто и не начинал, по большому счету.

И теперь пару слов о том, откуда берется разрыв между ценой подписки и реальным ценником.

• Подготовка данных. Около 96% компаний начинают ИИ-проект без качественных данных — и вынуждены вкладывать дополнительные средства в их сбор и разметку, что на глобальном рынке выливается в незапланированные $10,000–$90,000.
• Eval-инфраструктура. Набор тестовых примеров и автоматическая проверка качества ответов модели — без этого вы не узнаете, стало лучше или хуже.
• Мониторинг дрейфа. Модель со временем начинает дрейфовать на новых данных; это нужно ловить, иначе качество тихо деградирует в production.

В сумме этот скрытый слой нередко равен стоимости самой разработки или превышает её. Итог закономерен: реальные затраты на корпоративное ИИ-внедрение часто оказываются сюрпризом для компаний. А уже превышение бюджета минимум на 10% фиксируют больше 85% всех организаций по данным того же CloudZero.

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).

Между 5% компаний, получающих ценность, и 60%, не получающих ничего, есть разница. Конечно, это разница 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, 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.
• Зафиксируйте базовую линию. Что есть сейчас? Зафиксируйте еще до начала работы метрики и показатели, по которым вы будете оценивать эффект от автоматизации после пилота. Да, нужно прям замерить инструментально. Не на глаз.
• Пилот с фиксированным бюджетом и сроком. Далее разрабатывается пилотный проект под конкретные процессы и с понятной метрикой успеха. Срок — 2–4 месяца, понятная смета. Не попадитесь в ловушку бесконечного тестирования и улучшения пилота! Если по окончании тестирования метрики не вышли на целевой уровень — признавайте пилот неудачным и двигайтесь дальше.
• Перепроектируйте процесс, а не наслаивайте. Переносить пилот в продакшн следует не путем прикручивания ИИ к старой логике, а путем переосмысления и перестройки старых бизнес-процессов под новую реальность. Если пока не понимаете, как именно 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 для бизнеса без адекватного онбординга персонала — половина причины провальных пилотов. К слову, и здесь курсы по ИИ могут помочь, но уже другие — для сотрудников.
• Принимаем решение о масштабировании по метрикам. Достигли нужных показателей — масштабируем. Не достигли — разбираем причины, а не увеличиваем бюджет в надежде на чудо.

RPA работает по жестким правилам и не учится — годится для предсказуемых повторяемых шагов. ИИ-автоматизация способна учиться на данных и разбирать неструктурированный вход — текст обращения клиента, отзыв, произвольный документ, голосовое общение.

Срок окупаемости сильно зависит от сценария и метрики, поэтому универсальной цифры нет — я обычно считаю под конкретный процесс. В среднем, ориентир окупаемости — 6–12 месяцев, иногда даже быстрее. Однако подчеркну, что об окупаемости можно говорить только, если сэкономленное ИИ время реально перенаправлено в другие процессы или в улучшение качества продукта.

Потому что реальная ценность и безупречная работа ИИ-решения для бизнеса — это разные вещи. Чаще всего причина неудач в том, что ИИ наслаивают на старые процессы вместо глубокого их перепроектирования.

Чаще всего — нет. ИИ может взять на себя рутину, но человек все равно остается в критических точках принятия решений и контроля. Сокращение операционных расходов достигается не сокращением людей, а переносом их времени с однотипной рутины на сложные случаи, человеческие отношения с клиентами, принятие важных решений в сложных или конфликтных ситуациях, творческую и интеллектуальную работу. Это ровно тот самый тезис про перенаправление сэкономленного времени.

Для процессов, затрагивающих персональные данные, выбор чаще склоняется к локальным моделям (GigaChat, YandexGPT) и защищенному облаку или on-prem, что соответствует требованиям 152-ФЗ. Для нечувствительных задач допустимы и зарубежные модели, но вопрос оплаты API и хранения данных нужно решать до старта.

С пилота. В РФ лишь 15% проектов доходят до промышленного внедрения, во многом именно из-за попыток автоматизировать все и сразу. Пилот поможет доказать эффект и принять решение о масштабировании, основываясь не на ощущениях, а на измеримых показателях.

Генеративный ИИ описывает, что система производит (текст ответа, описание, сводку), а агентный ИИ — как она действует (сам планирует и проходит цепочку шагов в разных системах). Если задача — сгенерировать ответ или контент, достаточно генеративного ИИ; если нужно пройти маршрут «заявка → проверка в CRM → согласование → ответ», подключают агента. Часто лучшие решения для автоматизации на базе ИИ — это комбинация ИИ-агентов и систем попроще.