ИИ в крупной компании: где он экономит, где сжигает деньги и почему дело не в технологии

Я основатель ENGRAM. Мы делаем для компаний вторую память: встречи, переписку и документы превращаем в систему, которая отвечает на вопросы со ссылкой на источник, а данные остаются в России. Так что про ИИ в большом бизнесе я говорю не из презентаций. Я говорю из того, что вижу каждый день, когда компании пытаются с ним реально жить.

И первое, что стало понятно. Деньги на ИИ в крупной компании теряют и зарабатывают не там, где принято думать. Проблема почти никогда не в самом ИИ. Проблема в том, что компания не разобралась, что именно она хочет им починить.

Разбираю по порядку:

• где ИИ применяют чаще всего и почему;
• как крупные компании реально экономят;
• почему внедрение часто не даёт эффекта и как этого избежать;
• что меняют большие данные;
• как ИИ помогает руководителю принимать решения;
• что с этикой и законом.

Где ИИ применяют чаще всего

Если убрать хайп, реальных зон применения немного:

• первая линия поддержки и внутренний хелпдеск;
• работа с документами: договоры, регламенты, база знаний;
• аналитика и отчётность;
• разработка, где ИИ ускоряет рутину кода;
• маркетинг и контент;
• бэк‑офис с однотипными операциями.

Закономерность одна. ИИ заходит туда, где много повторяющегося ручного труда или где знания размазаны по людям и папкам. Чем крупнее компания, тем острее второе. В организации на тысячи человек никто не держит в голове, что и почему решали в соседнем департаменте полгода назад. Я называю это утечкой контекста. Информация была. Её слышали. Но она ушла из памяти раньше, чем её связали с тем, к чему она относилась.

Где компании реально экономят

Экономия есть. Но она редко выглядит как красивая цифра в презентации. Приведу не чужой процент из идеального кейса, а понятную картину.

В компанию приходит новый руководитель направления. Раньше ему нужно было два‑три месяца, чтобы понять, что здесь уже пробовали, почему отказались от подрядчика, как на самом деле устроен ключевой процесс. Он собирал это по крупицам. Из чужих голов, из старых переписок, из обрывков. Теперь он задаёт вопрос и получает ответ из накопленного компанией. Со ссылкой на конкретное письмо или документ.

Это и есть экономия. Её не видно в строке бюджета. Но это недели рабочего времени дорогого человека. И это только один человек.

Скажу честно, в чём подвох. Экономия реальна там, где процесс уже выстроен. Если внутри хаос, ИИ начнёт производить тот же хаос. Только быстрее и дороже.

Почему внедрение чаще всего проваливается

Первая. Купили инструмент, но не поменяли процесс. Поставили модель поверх старого бардака и ждут чуда.

Вторая, самая частая. ИИ кормят пустотой. В компании нет единого места, где живут её знания. Поэтому модель отвечает общими словами или выдумывает. Нейросеть отвечает только тем, что ей дали в контекст. Не дали контекст компании — получили красивый разговор ни о чём.

Третья. Автоматизируют не то. Либо ерунду, от которой бизнесу ни холодно ни жарко. Либо слишком сложное, что ИИ сегодня не вывозит.

Есть и четвёртая причина, глубже первых трёх. Любая система, которая требует, чтобы сотрудники её вели сверх какого‑то порога усилий, обречена. Не потому что люди ленивы. А потому что когнитивный ресурс конечен и уже занят основной работой. Я проверил это на себе и на десятках руководителей. Все хотят вести систему. Никто её не ведёт.

Любой инструмент, который требует, чтобы сотрудник его вёл, уже проиграл. Работать должен инструмент, а человек — над своим делом

С чего начать, чтобы не сжечь бюджет

Короткий чек‑лист, который я бы повесил перед любым проектом по ИИ:

1. Назовите метрику до старта. Не «внедрить ИИ», а «сократить время на поиск документа» или «снять часть обращений с первой линии». Нет метрики — нет проекта.
2. Начните с одной болевой точки, а не со всего сразу.
3. Сначала данные, потом модель. Пустую модель внедрять бессмысленно.
4. Требуйте ссылку на источник в каждом ответе.
5. Вопрос данных решайте на старте, а не в конце.

Большие данные и конкурентное преимущество

Крупные компании сидят на горах собственных данных. Переписка, документы, встречи, CRM, тикеты. Почти всё лежит мёртвым грузом. Потому что найти нужное по смыслу, а не по названию папки, до недавнего времени было невозможно.

ИИ это меняет. И не только потому, что находит нужное по смыслу. Он видит в данных то, что человек не успевает заметить: закономерности, повторяющиеся сбои, ранний сигнал по продажам или по оттоку клиентов. Раньше такой анализ требовал отдельной команды и недель работы. Теперь вопрос задаётся словами, а ответ приходит с цифрами и ссылкой на то, откуда они.

И вот здесь важный момент про конкуренцию.

Преимущество не в том, что у вас есть ИИ. Он теперь есть у всех. Преимущество в том, что ваш ИИ знает ваш контекст. Публичная модель знает интернет. Но она не знает, как устроен именно ваш бизнес и почему вы приняли те решения, что приняли. Ценность не в модели. Ценность в том, насколько глубоко она знает вашу компанию. Это конкурент не скопирует.

ИИ для решений руководителя: усилитель, а не заместитель

Это, на мой взгляд, главное различие во всей теме. И его чаще всего пропускают.

Калькулятор — усилитель. Он не считает вместо математика. Математик ставит задачу, контролирует ход, читает результат. Калькулятор берёт механику. Человек остаётся главным.

Автоматический торговый робот — заместитель. Он решает вместо человека. Через год робот может приносить деньги, но человек уже не понимает почему. Навык атрофировался.

Та же развилка с корпоративным ИИ. Хороший ИИ не принимает решение за руководителя — это опасная иллюзия. Он собирает контекст под решение: что уже пробовали, почему так решили год назад, что говорят цифры. А решение оставляет человеку.

AI‑заместитель пишет письмо целиком. AI‑усилитель даёт контекст и оставляет решение за вами. С первого взгляда заместитель удобнее, он же берёт работу на себя. Но это и есть ловушка. Заместитель — как сладкая еда. Удобно и эффективно сегодня. Через несколько лет — деградация компетенций в компании.

Инструментов под усиление уже достаточно. Ассистенты, которые отвечают на внутренних данных компании. Автоматические саммари встреч и переписки. Аналитические надстройки, которые достают цифры из ваших же систем. Все они ускоряют и уточняют решение, но не принимают его за вас.

И есть условие, без которого усилитель не работает. Ответ должен идти со ссылкой на источник. Руководитель не может решать на слове нейросети. Он должен видеть, откуда взялся вывод, и проверить одним кликом. Нет ссылки на источник — нет доверия — нет использования.

Этика и закон: где физически лежат данные

В России это в первую очередь 152‑ФЗ и простой вопрос: где физически лежат ваши данные. С сентября 2025 года согласие на обработку персональных данных должно оформляться отдельным документом, а не прятаться в общем договоре.

Базовое правило одно. Чувствительное — договоры, зарплаты, планы, клиентскую базу — нельзя сливать в чужое облако, к которому у вас нет контроля. Данные должны оставаться на вашем контуре или в российской инфраструктуре. Для корпоративного использования это часто означает только on‑premise.

Второе — прозрачность внутри компании. Сотрудники должны понимать, что и зачем обрабатывается. Иначе они перестанут этим пользоваться или начнут саботировать. Этика и безопасность здесь не тормоз. Это условие. Доверие — то, на чём вся история с корпоративным ИИ либо держится, либо рассыпается.

Вместо вывода

Технология здесь вторична. Первично — решиться навести порядок в собственных знаниях и данных. Выиграют не те, у кого больше нейросетей. Выиграют те, кто перестал выбрасывать собственный опыт.

Начните не с выбора инструмента. Начните с вопроса: что у нас регулярно утекает.