Увеличиваем прибыль с помощью ИИ: от локальных тестов к системной автоматизации

В статье — статистика и прогнозы внедрения AI в бизнес, исследования рынка ИИ в России и мире и пример из собственной практики: как внедрение механики тотального контроля звонков 24/7 и связка нейросетей с CRM повлияли на продажи.

На рынке наблюдается так называемый парадокс GenAI, при котором массовое тестирование технологий не приводит к сквозному внедрению — лоскутная автоматизация ведет к нецелевому расходованию бюджета, задвоению трат или упущенной выгоде.

Основные барьеры:

1. Разрозненность ИТ‑систем.
2. Неструктурированные «грязные» данные.
3. Организационная неготовность к трансформациям.

AI‑автоматизация в мире: статистика и прогнозы

Исследования демонстрируют стабильный рост интеграции ИИ в ключевые бизнес‑функции. Согласно отчетам McKinsey о состоянии ИИ, корпорации переходят к полноценному масштабированию: встраивают алгоритмы в цепочки поставок, HR и финансовый учет.

Эксперты из Gartner ожидают, что в ближайшие годы произойдет радикальная автоматизация рабочих процессов, при которой значительная часть рутинных b2b‑операций будет передана автономным ИИ‑агентам, которые способны принимать корректные решения в рамках заданных коридоров логики.

Согласно данным исследования Lenovo: 63% организаций выбирают on‑premise и гибридные инфраструктуры для рабочих нагрузок ИИ. Главными причинами названы потребность в безопасной среде, контроль над данными и низкая задержка.

Аналогичные цифры даются в аналитике Deloitte: 68% компаний, уже внедривших ИИ в промышленную эксплуатацию, используют гибридные или on‑premise варианты хостинга для оптимизации затрат и обеспечения безопасности моделей.

Вилка в 63–68% объективно отражает текущий рыночный консенсус при выборе архитектуры для развертывания генеративного ИИ в бизнесе уровня Enterprise. При этом ликвидным активом выступают не «сырые» данные, а агрегированные отчеты и защищенный доступ через API.

ИИ для бизнеса в России

Согласно исследованию «Яков и партнеры», более 70% российских компаний уже интегрировали решения на базе ИИ хотя бы в один бизнес‑процесс.

Также авторы исследования приводят данные о средних объемах инвестиций в технологии ИИ по отраслям.

Адаптация глобальных трендов к российским реалиям происходит с учетом жесткого курса на цифровой суверенитет.

Усиление государственного контроля за оборотом данных (ФЗ‑152, закон о банковской тайне) и рост судебных рисков, связанных с ИИ — на 60% за последний год — вынуждают отечественный бизнес отказываться от публичных облачных решений.

По данным ежегодного исследования «Экономика Рунета» от РАЭК, в 2023–2024 годах экономика Рунета выросла на 40%, причем около 15% этого прироста обеспечил ИИ. Глобальная нехватка специализированных вычислительных мощностей (GPU) в России успешно компенсируется дополнительным обучением открытых мировых моделей (open‑source) под узкие отраслевые задачи бизнеса.

По результатам исследования Onside и Just AI, на данный момент 55% b2b‑инициатив находятся на стадии пилота, 30% — масштабируются, а 15% доведены до промышленной эксплуатации.

Также эксперты подсчитали, что рынок генеративных сетей в России вырос в 4,5 раза за год — с 13 млрд в 2024 до 58 млрд рублей в 2025 году, причем 77% составил b2b‑сегмент.

Согласно их оптимистическому прогнозу, российский рынок генеративного ИИ способен вырасти до 778 млрд рублей к 2030 году.

Измеримый эффект от автоматизации на базе ИИ

По данным издания «Деловой профиль», передовые игроки рынка достигают прироста на уровне 5–8% от EBITDA за счет радикального сокращения издержек — об этом заявляют 90% респондентов. Также можно привести цифры из отчета AdIndex — по их данным, совокупный эффект от внедрения ИИ на горизонте года оценивается в 13–21% EBITDA.

Согласно исследованию консалтинговой компании «Яков и партнеры» совместно с «Яндексом», к 2030 году ожидаемый экономический эффект от внедрения ИИ оценивается в 7,9–12,8 трлн рублей в год.

1. E‑commerce.
2. Телеком и Медиа.
3. IT и технологии.
4. Строительство и менеджмент.
5. Медицина и здравоохранение.

Рост производительности отделов продаж, маркетинга и клиентского сервиса выражается в ускорении циклов сделок и повышении конверсии. Компании финансового и IT‑сектора в 70% случаев фиксируют не только экономию, но и прямой рост выручки за счет предиктивной аналитики и персонализации предложений.

Кейс: как мы вернули 15% упущенных сделок федеральному автодилеру с помощью ИИ‑агента

К нам обратилась крупная федеральная сеть автосалонов (NDA) с задачей сделать процесс общения с клиентами абсолютно прозрачным, минимизировать потери теплых лидов и связать качество звонков с эффективностью рекламы.

Типичные проблемы:

• долгая реакция на конфликты;
• потеря клиентов на этапе звонка;
• отсутствие сквозной аналитики диалогов.

Обычно прослушкой звонков и контролем качества обслуживания занимается РОП — руководитель отдела продаж, но даже самый эффективный сотрудник не сможет прослушать больше 5% звонков.

Мы решили провести аудит, в рамках которого выявили три основные проблемы:

1. Лиды не оценивались. В общем потоке заявок терялись самые прибыльные и горячие звонки (например, «Автокредит» + «Трейд‑ин» + «Допы») — их обрабатывали как рядовые заявки.
2. Клиенты сливались. Сотрудники часто не дорабатывали, даже если клиент был готов к покупке: менеджеры не предлагали альтернатив, не отрабатывали возражения или не проявляли достаточной инициативы.
3. Проблемы не решались. Руководитель мог узнать о грубости или конфликтах только через неделю из отзыва в интернете или от клиента, когда исправлять репутацию уже было поздно.

Решение — подключить ИИ‑анализ звонков со сквозной аналитикой.

Как это работает.

Тотальный контроль 24/7. Нейросеть слушает, расшифровывает и оценивает 100% звонков. Система сама находит диалоги с явным интересом, где менеджер «не дожал» сделку, и формирует список для возврата в работу.

Адаптация под автобизнес. ИИ обучен дилерскому сленгу и оценивает диалоги по направлениям:

1. Новые авто и с пробегом: скорость ответа, выявление потребностей комплектации, презентация условий и выгод, фиксация контактов, предложение отправить информацию в мессенджер.
2. Выкуп (Trade‑in и «Улица»): проверка озвучивания «вилки» цен (запрет на точную стоимость по телефону) и продажи идеи безопасной оценки в салоне.
3. Отработка возражений: предложение альтернатив, закрытие на визит.
4. Сервис: контроль эмпатии при поломках и кросс‑сейле, например, шиномонтаж.

Telegram/MAX‑алерты за минуты. ИИ фиксирует жалобы, угрозы судом или мат. РОП получает уведомление через 3 минуты после звонка, успевая погасить конфликт до написания отзыва.

Сквозная аналитика. Связка звонков с Calltouch, Яндекс Директом и др. Маркетологи видят в едином окне, какие кампании дают горячих лидов, а какие сливают бюджет на нецелевой трафик.

Результат

Возврат упущенных клиентов. Уведомления о «забытых» клиентах и VIP‑лидах вернули в воронку до 15% ранее слитых сделок.

Бенчмаркинг. Руководство получило прозрачный инструмент сравнения KPI филиалов для масштабирования опыта лучших дилерских центров на отстающие.

Сложности при подключении ИИ‑анализа звонков и как мы их решали

Главные сложности оказались не в самом ИИ, а на стыке систем и в специфике предметной области.

Первое — распознавание речи. Названия китайских брендов и моделей — Chery, Changan, Exeed и пр. — в телефонном качестве звука транскрибировались с ошибками, а от качества расшифровки зависела вся последующая аналитика.

Решили это так:

1. Кастомным словарем для системы распознавания из 12 000 слов из профессионального жаргона автодилеров, названий моделей авто, запчастей и частых поломок.
2. Постанализом с помощью легкой AI‑модели, которая додумывала правильный смысл из обрывков фраз и контекста.

В итоге типовые ошибки транскрипции исправлялись на правильные названия брендов и моделей еще до анализа звонков.

Второе — классификация тематик под специфику бизнеса. Универсальная модель путает смежные направления: например, звонки по автомобилям параллельного импорта склонна относить по бренду автомобиля, а не по сути запроса, из‑за чего часть из них уходила в «новые авто», а исходящие звонки местами классифицировались по логике входящих.

Здесь нет разового «включили и заработало» — такая дополнительная настройка является штатным режимом работы системы:

• модель постоянно обучается на разборах реальных звонков вместе с клиентом;
• правила и промпт‑шаблоны подстраиваются под конкретный дилерский холдинг;
• при необходимости переоцениваются исторические данные.

Четвертое — гигиена данных. Короткие технические звонки (до 1 минуты) отфильтровали из анализа, иначе они искажали бы статистику и тратили бы ресурсы на пустые расшифровки.

Показательный итог этой настройки: оценкам ИИ стали доверять настолько, что в системе появился формальный механизм оспаривания — сотрудник может указать на ошибку ИИ, РОП/директор — исключить спорный звонок из рейтинга, и это работает как штатный инструмент контроля качества, а не как костыль.

Нюансы интеграции

Зачем нужна кастомная ИИ‑экосистема

Битрикс24 выступает тем самым цифровым каркасом, который агрегирует информационные потоки компании и предоставляет ИИ‑моделям верифицированный контекст для работы.

Базового функционала любой CRM, включая enterprise‑версии, часто не хватает для поддержки сложной и нестандартной архитектуры крупного бизнеса. А типовые ИИ‑ассистенты не способны учитывать специфику многоуровневых согласований, сложной логистики или узкого отраслевого документооборота.

Поэтому возникает необходимость связывать CRM с мощными внешними LLM‑моделями через API, сторонними учетными сервисами и оркестраторами рабочих процессов — low‑code‑платформами.

К примеру, автономные ИИ‑агенты умеют выполнять:

• сложный многофакторный скоринг лидов;
• генерацию специфической проектной, тендерной и юридической документации на основе исторических данных компании;
• предиктивную аналитику закупок и управление складскими запасами на базе машинного обучения.

Такая кастомная архитектура превращает ИТ‑инфраструктуру компании из пассивного инструмента учета в активный механизм, который способен автономно закрывать ресурсоемкие операционные задачи.

Почему бизнесу нужен интегратор, а не просто подписка на сервис

Проблема масштабирования. Согласно исследованию Boston Consulting Group, 74% компаний тратят бюджеты на неудачные пилотные проекты, так и не извлекая реальной ценности из работы ИИ. Лишь малый процент организаций достигает полной и окупаемой интеграции.

Риски «самостроя». Попытки самостоятельного внедрения приводят к фатальным ошибкам архитектуры, разрозненности баз данных, критическим уязвимостям безопасности при миграции систем и саботажу новых инструментов со стороны линейного персонала.

Интегратор обеспечивает:

1. Глубокий аудит процессов перед стартом работ для выявления узких мест.
2. Проектирование архитектуры, где Битрикс24 выступает ядром, а ИИ‑решения бесшовно и безопасно встраиваются в логику каждого отдела.
3. Настройку сложных нетиповых интеграций под ключ с учетом отраслевой специфики.
4. Регламентацию работы и поэтапное обучение команды заказчика для преодоления сопротивления инновациям.

При этом процесс внедрения требует достаточного уровня квалификации и больших сроков на запуск проектов.

Ограничения работы с интегратором

При создании кастомной системы с ИИ‑агентами бизнес должен соответствовать ряду требований:

1. У бизнеса уже должны быть установлены телефония, CRM или Calltouch.
2. Крайне желателен подключенный и грамотно настроенный коллтрекинг; если его нет, то его нужно внедрить до старта работ с ИИ.
3. Бюджет на подобное внедрение стартует от 350 тысяч рублей в зависимости от сложности, объемов, количества платформ и настроенности бизнес‑процессов.

Итого

Корректное внедрение ИИ‑технологий дает бизнесу следующие преимущества:

1. Сокращение затрат на ФОТ.
2. Снижение сопутствующих трат.
3. Увеличение прибыли за счет повышения ценности продукта.
4. Рост выручки благодаря улучшению работы с клиентской базой.
5. Масштабирование бизнеса с помощью создания новых продуктов.

Но автоматизация и внедрение ИИ требуют профессиональной инженерии бизнес‑процессов, алгоритмизации хаоса и обеспечения безопасности данных, а не просто покупки трендового софта или подписки на языковую модель.

Лишь системный и комплексный подход позволяет преодолеть проблемы лоскутной автоматизации и упущенной выгоды.