Не сокращать, а управлять: как повысить эффективность до конца года, не ухудшив экономику бизнеса

Уже август, до конца года меньше пяти месяцев и жить ожиданиями больше нельзя. План, утвержденный в конце прошлого года, столкнулся с реальностью, а итоги семи месяцев показывают, какие отклонения еще можно компенсировать до конца года, а какие становятся системной проблемой.

Именно в этот период компании начинают искать способы оптимизации расходов. Обычно первыми под сокращение попадают маркетинг, обучение, проекты развития, иногда — персонал. Формально затраты уменьшаются, но через несколько месяцев это нередко оборачивается снижением выручки, ухудшением сервиса или потерей управляемости. Экономия оказывается достигнута, но экономика бизнеса — ухудшена.

За годы работы я убедилась, что линейное урезание расходов — это временная мера, проблема глубже. Деньги теряются в неэффективных процессах, затянувшихся согласованиях, дублирующих функциях, данных, которые никто системно не анализирует, закупках «по привычке» и решениях, которые принимаются слишком долго.

В этом году в нескольких проектах я использовала ИИ не как замену сотрудникам, а как партнера для поиска скрытых резервов и ускорения решений. Он за часы обрабатывает массивы информации, которые финансовая команда разбирала бы неделями, видит закономерности и помогает быстрее перейти от вопроса «на чем сэкономить?» к вопросу «как управлять маржинальнее и эффективнее».

Ниже — четыре реальных кейса. В каждом мы искали не отдельную статью для сокращения, а причину потери денег и возможность улучшить экономику бизнеса. ИИ помогал обработать данные и сформулировать гипотезы, а решения принимала команда.

Каждый кейс построен по одной логике: ситуация → выявленная проблема → применение ИИ → решение → финансовый эффект.

Кейс 1. Как найти 20 млн рублей скрытых потерь без дополнительных затрат

Ситуация. Производственная компания с выручкой ~5 млрд рублей. По итогам полугодия фактическая EBITDA оказалась на -15% ниже плана, тогда как падение продаж составило всего -3%. Отклонение объясняли это «рыночной ситуацией» и предлагали стандартное решение — секвестировать бюджет на маркетинг и разработку во втором полугодии.

Выявленная проблема. Нестыковка была очевидна: если основная проблема действительно связана только с рынком, маржинальность не должна снижаться в пять раз быстрее выручки. Значит, часть потерь находилась внутри бизнеса. Вопрос был в том, как обнаружить их не за недели, а за часы.

Как использовали ИИ. Мы не стали нагружать команду ручным анализом, в ChatGPT (модель о3‑pro) загрузили три массива данных:

• управленческий P&L за 6 мес.;
• бюджет на тот же период;
• обезличенные комментарии руководителей о причинах перерасхода.

Управленческое решение. Запрос был сформулирован не как «найди экономию», а как «найти потери управляемости».

Мы поставили перед моделью задачу отделить влияние рынка от внутренних факторов и выявить статьи расходов, переставшие создавать ценность для бизнеса.

Первые выводы содержали ложные взаимосвязи — ожидаемый риск при работе с неполными данными. Добавили детализацию по структуре подразделений и пояснения руководителей, после чего анализ стал значительно точнее.

Результат. Уже в июле изменили регламент закупок и перераспределили функции между отделами. Сокращать персонал или замораживать развитие не пришлось. По префакту августа постоянные операционные расходы снизились на 6%. Прогнозируемый эффект до конца года +20 млн рублей сохраненного EBITDA.

Вопрос который стоит задать ИИ: не просите «где можно сэкономить», спросите: «какие расходы перестали создавать ценность для бизнеса?». Ответы будут очень разными.

Кейс 2. Как ускорить найм на +30%, без расширения HR‑команды

Ситуация. Технологическая компания, штат 800+. Острый дефицит разработчиков и продакт‑менеджеров. CEO настаивал на расширении HR‑департамента еще на трех человек, аргументируя это перегрузкой команды и риском срыва сроков запуска новых продуктов во втором полугодии. Потери от задержек оценивались в 3‑4 млн рублей в месяц.

Выявленная проблема. Новый найм означал рост постоянных расходов, поэтому сначала мы провели аудит: на что фактически уходит время действующих рекрутеров. Оказалось, до 45% времени занимали рутинные операции: подготовка описаний вакансий, первичный скрининг сотен резюме, ответы кандидатам и оформление документов.

Как использовали ИИ. Внедрили связку Claude и внутреннего чат‑бота на базе API — не как замена человеку, а как первый фильтр и «цифровой ассистент» рекрутера.

Управленческое решение. Вместо расширения штата перераспределили фокус HR‑команды на работу с «теплыми» кандидатами.

Результат. HR‑команда перестала тратить значительную часть времени на просмотр нерелевантных резюме и составление отказов и сфокусировались на глубинных интервью. Скорость закрытия ключевых вакансий выросла на 30% без увеличения численности HR‑службы, экономия ФОТ ~ 5 млн рублей до конца года.

Но главное — во втором полугодии компания сохранит темп запуска продуктов, избежав потерь из‑за неукомплектованности команд.

Для руководителя экономии фонда оплаты труда оказалась приятным следствием, а основной эффект — компания перестала терять сильных кандидатов только потому, что принимала решение слишком долго.

Кейс 3. Как снизить стоимость закупок на -12%

Ситуация. FMCG‑компания с портфелем 500+ SKU. При анализе закупочных затрат увидели, что стоимость сырья и упаковки у ключевых поставщиков растет опережающими инфляцию темпами. Отдел закупок объяснял это «общерыночной тенденцией» и инерцией действующих контрактов.

Выявленная проблема. Если оставить ситуацию без изменений, к четвертому кварталу маржинальность ряда продуктов опуститься ниже целевого уровня. Нужно было за 2 недели собрать доказательную базу для жестких переговоров с поставщиками или их пересмотра, не раздувая штат аналитиков.

Как использовали ИИ. Помог тандем Perplexity Pro (для сбора внешних данных о ценах на сырье, новых поставщиках, импортных альтернативах и анализа отраслевых обзоров) и ChatGPT (для расчета TCO, Total Cost of Ownership).

Управленческое решение. Перешли от сравнения только закупочных цен к сравнению «полной стоимости владения» — TCO.

Результат. Два текущих поставщика проигрывали не только по цене, но и по совокупным скрытым издержкам. Часть закупок удалось объединить, часть вывести на повторные переговоры. По итогам июля стоимость ряда закупок удалось снизить на 10%. Прогнозируемая экономия второго полугодия — 8‑12% по данным категориям.

И важно — внедрили регулярный TCO‑мониторинг с помощью ИИ и превратили разовую экономию в системный инструмент управления маржинальностью.

Компания перестала реагировать на рост затрат постфактум и получила возможность выявлять такие отклонения заранее.

Кейс 4. Самая дорогая потеря — медленные решения

Ситуация. Холдинг из трех бизнесов. Подготовка к стратегическому комитету по бюджету шла мучительно: месяц разные департаменты собирали данные, еще две недели аналитики сводили их в презентацию, и только потом топ‑менеджмент начинал обсуждение. Решения запаздывали.

Выявленная проблема. Самый дорогой ресурс — время руководителей. Пока команда собирала и сводила данные, окно для принятия многих решений уже закрывалось.

Как использовали ИИ. Изменили сам процесс подготовки аналитики. ИИ стал готовить первый вариант стратегического анализа, с которым команда сразу могла начинать работу. Использовали ChatGPT и Claude для работы с таблицами.

Важный нюанс: первые ответы ИИ далеко не всегда были точными. Модель могла строить ложные взаимосвязи или не учитывать контекст конкретного бизнеса. Поэтому работали итеративно: добавляли данные и ограничения, проверяли гипотезы и только после этого использовали выводы в обсуждении.

Управленческое решение. Перестали ждать «идеальную» презентацию, прежде чем начинать обсуждение. Сначала загружали в ИИ финансовые данные, комментарии подразделений и рабочие таблицы, получали первую аналитическую версию, а затем вместе с командой проверяли выводы и гипотезы.

Результат. Подготовка материалов сократилось до нескольких часов. Ключевое финансовое решение о переброске бюджета с неэффективного канала продаж на растущий сегмент было принято на 2 недели раньше. Это принесло дополнительно +15 млн рублей выручки, которые упустили бы при старом подходе.

Многие считают, что ИИ экономит время сотрудников. На мой взгляд, он экономит гораздо более дорогой ресурс — время руководителей.

Вместо вывода

ИИ не заменяет руководителя и не принимает решения за команду. Он помогает быстрее увидеть закономерности, проверить гипотезы, обнаружить скрытые потери и высвободить время для самого дорогого управленческого ресурса — принятия решений.

В четырех кейсах ИИ помог решить разные задачи и во всех случаях результат был измеримым: снизили операционные расходы на 6%, ускорили закрытие вакансий на 30%, уменьшили закупочные затраты на 8‑12% и не упустили 15 млн рублей дополнительной выручки.

Поэтому сегодня ИИ становится не просто технологией повышения эффективности, а аналитическим партнером CEO и CFO — инструментом, который помогает быстрее переходить от больших массивов данных к управленческим гипотезам, а от них к решениям с измеримым финансовым эффектом.

До конца года осталось меньше пяти месяцев. Этого достаточно, чтобы еще раз внимательно посмотреть на утвержденный план и не просто выполнить его, а найти внутри еще возможности для улучшения и получить финансовый результат лучше первоначально запланированного.