Бизнес и AI: как автоматизировать рабочие процессы с измеримым результатом
Думали ли вы о том, пользуются ли ваши сотрудники нейросетями в своей работе? Или, может быть, вы сами применяете их для своего бизнеса. Вы знаете и какие данные отправляются, где теперь доступны? А думали ли вы насколько эффективно идет работа с ИИ‑решениями?
Во многих проектах малого и среднего бизнеса, с которыми я сталкиваюсь, сценарий повторяется почти дословно: сотрудники уже вовсю пользуются нейросетями:
- по личной подписке;
- для своих задач;
- без какого‑либо контроля со стороны компании.
По данным Infosecurity Magazine, до 71% офисных работников используют ИИ без одобрения внутреннего ИТ, а 38% при этом делятся конфиденциальными данными. То есть ИИ в компании уже есть, вопрос только в том, управляете ли вы этим процессом или он идет сам по себе.
Иногда компания делает следующий шаг: покупает корпоративный доступ к ChatGPT или DeepSeek, назначает ответственного, проводит обучение. И на этом считает, что внедрение состоялось. Получается, лишний шум, сбивающий с толку, бессистемные попытки применения нейронок или какие‑то только персональные истории не дают комплексного результата, чтобы реально увидеть ощутимый эффект.
Но есть и другие примеры. Я сама через это проходила и продолжаю видеть эту картину у клиентов. Проблема не в нейросетях как таковых, потому что обеспечить доступ к модели — но это только первый шаг, и именно его путают с настоящим применением и внедрением, хотя между этими вещами, по сути, огромная работа.
Почему «просто купить подписку» не работает
Обзоры 2026 указывают, что 95% AI‑пилотов проваливаются при попытке перевести их в масштаб без четкого бизнес‑кейса, но именно это стимулирует переход от использования просто нейросетей как раз‑таки к продуктовым сценариям.
Допустим, компания оплачивает лицензии, рассылает логины сотрудникам и говорит «используйте», после чего кто‑то начинает генерировать письма, кто‑то делает картинки для презентаций, а кто‑то открывает чат раз в месяц и благополучно про него забывает. Через несколько месяцев выясняется, что лицензии исправно оплачиваются, бюджеты на ИИ растут, но полноценно рабочие процессы кардинально не изменились, а время на типовые задачи осталось плюс‑минус прежним, ошибки те же самые, скорость та же.
По данным на конец 2025 года около 95% предприятий переплачивают за AI.
ИИ уже плотно и бесповоротно вошел в нашу жизнь, все будут его использовать, и чтобы получить максимальную эффективность, нужно придать этому процессу управляемый характер, с четко заданными целями и параметрами.
Еще немного мировых данных:
- 72% предприятий имеют хотя бы один ИИ‑процесс в ежедневной работе (Q1 2026), против 55% в 2024 и 20% в 2020.
- 83% компаний с 5 000+ сотрудников используют ИИ, среди компаний 50–499 сотрудников — 42%.
- В среднем в одной компании сейчас оно временно используют 4,2 AI‑модели (1,9 в 2023).
- Только 8% организаций вообще не имеют AI‑инициатив (35% в 2021).
- 65% организаций уже применяют GenAI хотя бы в одной бизнес‑функции (McKinsey, Q1 2026), это примерно вдвое больше, чем 10 месяцев назад.
- Отдельные обзоры указывают, что более 70% компаний используют GenAI в разных бизнес‑функциях (маркетинг, поддержка, разработка, HR и др.).
С чего начинать
Первое, что я делаю в любом проекте — отодвигаю разговор про ИИ на второй план, — важно разобрать именно процессы и выявить те, где можно начать применять ИИ с наиболее быстрым стартом, но при этом с понятным и наглядным эффектом. Потому что после первых результатов будет проще двигаться дальше.
Берем один конкретный процесс и раскладываем его по шагам. Допустим, обработка входящих заявок: кто их получает, в какой системе, что происходит дальше, звонит ли менеджер, пишет, передает коллеге, сколько времени уходит на квалификацию, где в этой цепочке теряются лиды.
Самая частая ошибка, которую я встречаю, это попытка автоматизировать хаос. Нейросеть его не исправит, она его воспроизведет, только быстрее.
Что реально работает
Быстрее всего, по моему опыту, окупается самая обычная рутина, простые задачи, которые описаны четко и повторяются каждый день. Громкие и технологичные сценарии обычно дороже и дольше.
Возьмем менеджера по продажам, который обычно тратит около часа на подготовку коммерческого предложения по шаблону: подставить цены, переписать текст под конкретного клиента.
Мы сделали промпт‑шаблон, привязали его к карточке в CRM. Теперь тот же процесс занимает, примерно, 15 минут. Причем дело тут даже не в возможности ИИ, а в том, что задача была четко формализована.
Без этой подготовительной работы тот же ChatGPT выдавал бы текст, который менеджер все равно переписывал бы заново.
С квалификацией обращений и аналитикой тоже получается хорошо, но тут чаще ломаются люди. У нас был проект, где мы настроили бота для первичной сортировки заявок. Технически все работало прекрасно. А через две недели выяснилось, что менеджеры обходят бота и раскидывают заявки вручную, потому что им было привычнее, а некоторые просто не узнали о том, что можно пользоваться ботом. И тут хочу как раз подсветить, что важно вовремя провести нормальное обучение.
Если менеджер сам не может объяснить, по каким критериям он квалифицирует заявку, нейросеть тоже не сможет. Это ограничение процесса внутри компании.
Примеры кейсов и областей применения
Расскажу про примеры, которые хорошо показывают, где уже можно точно использовать искусственный интеллект.
Возьмем торговую компанию с оптовыми продажами. Отдел продаж из 8 менеджеров каждый день обрабатывает входящие запросы: клиент присылает спецификацию, менеджер вручную считает стоимость, подбирает аналоги, если чего‑то нет на складе, формирует КП и отправляет. Весь цикл может занимать от 2 до 4 часов на одну заявку.
В этом случае будет полезен ИИ‑помощник, который разберет спецификацию, сверит с остатками через API склада, подберет замены по заданным правилам и сделает черновик КП в корпоративном шаблоне. Менеджер получает готовый черновик, проверяет, корректирует, если нужно, и отправляет. Цикл сокращается до 20‑30 минут. Но важно еще и влияние на конверсию, потому что скорость обработки запросов влияют на решения покупателей.
Второй пример — юридическая фирма. Каждую неделю приходят десятки договоров от контрагентов, и младшие юристы тратят по 3‑4 часа на первичный анализ каждого: выявление нетиповых условий, рисков, отклонений от стандартных шаблонов. ИИ‑помощник юрист как раз может сделать сравнение входящего договора с эталонным шаблоном фирмы и выдать список расхождений с пометками по степени риска. Возможна экономия на первичный разбор в несколько часов. Но важно понимать, что ИИ‑агенты помогают, а не принимают решений, их прекрасно применять именно для подготовки материалов.
И конечно маркетинг и контент. Это, пожалуй, самый большой блок с множеством сценариев применения: от генерации контента, текстов, планов, до маркетинговых стратегий, анализа конкурентов и упаковки позиционирования.
Рассылка: как вести бизнес в России
Пять полезных писем пришлем сразу после подписки. В них — бизнес‑идеи, готовые промпты для нейросетей, советы, как выбрать налоговый режим и получать пассивный доход
Как считать результат
Перед запуском любой автоматизации я фиксирую три вещи:
- время на задачу;
- количество ошибок;
- стоимость процесса в человеко‑часах.
Через месяц замеряем те же показатели снова.
Тот же менеджер с коммерческими предложениями: было около часа, стало 15 минут. Минус 45 минут на каждом КП, умноженные на 22 рабочих дня и зарплату сотрудника.
А вот что точно не стоит мерить, так это «нравится ли сотрудникам новый инструмент». Нравиться может, но если человек использует ChatGPT в основном для генерации мотивационных цитат, компания от этого быстрее не станет.
Напоследок
Во многих компаниях, с которыми я работала, лицензии на ИИ покупают слишком рано. Прежде чем тратить на это деньги, стоит честно ответить себе на два вопроса: «Что именно мы хотим изменить?» и «Как поймем, что это получилось»?
Искусственный интеллект может ускорить выполнение задач, но он не скажет вам, какие задачи вообще стоит решать.
