ИИ в крупных компаниях: где он реально приносит деньги — и почему большинство внедрений до денег не доходит

За 20 лет проектов в нефтегазе, металлургии и производстве я видел ИИ‑проекты, которые окупались за недели, — и пилоты, которые третий год живут на демо‑стенде и кормятся бюджетом на «инновации». Разница между ними почти никогда не в технологии. Она в том, как компания выбирала задачу, считала эффект и распределяла ответственность. Об этом — с цифрами.

Куда ИИ встаёт прочно — и почему именно туда

Отсюда и карта применения. Впереди банки и ритейл — у них данные изначально цифровые: скоринг, антифрауд, прогноз спроса, контакт‑центры. Сбер оценил эффект от ИИ за 2025 год в 475 млрд рублей, из них свыше 50 млрд дал генеративный ИИ.

Промышленность догоняет, но по своей логике: не чат‑боты, а предиктивная диагностика оборудования, компьютерное зрение на контроле качества, оптимизация энергопотребления и логистики. «Северсталь» отчиталась об эффекте ИИ‑проектов более 2 млрд рублей за 2024 год — один только комплекс оптимизации прокатного стана дал дополнительные 50 тысяч тонн металла. «Газпром нефть» обеспечивает цифровыми двойниками и ИИ более половины добычи.

Третий пласт — бэк‑офис: документы, договоры, первая линия поддержки, подбор персонала. Здесь генеративный ИИ дал самый быстрый старт и, забегая вперёд, самый обманчивый эффект.

Сколько это в деньгах: считаем на единицу актива

Главное правило, которое я вынес из промышленных программ: считать надо не «в целом по компании», а на единицу актива — один агрегат, одну машину, один счётчик. Потом умножать на парк. Агрегированные цифры красивы в презентации и бесполезны в бизнес‑кейсе.

Три индикативных расчёта — метод счёта реальный, цифры отражают отраслевую аналитику.

Предиктивная диагностика оборудования. Час простоя ключевого агрегата — прокатного стана, установки НПЗ — стоит порядка 2 млн рублей. 12 незапланированных остановов в год по 6 часов — это 144 млн рублей потерь. Модель, которая по дрейфу вибрации, температуры и тока предсказывает отказ за дни до него, предотвращает примерно половину. Минус стоимость ложных тревог и лишних выездов — чистый эффект около 66 млн рублей в год на один агрегат.

Холостой ход парка техники. Парк 2000 машин, в среднем 1,5 часа устранимого холостого хода в сутки, 3 литра в час, дизель по 70 рублей — 2,7 млн литров, около 190 млн рублей годового потенциала. Реалистично снять 40% — порядка 75 млн в год. Заметьте: посчитать часы простоя двигателя — это телематика, не ИИ. ИИ начинается там, где надо отделить технологически необходимый холостой ход (прогрев, работа через отбор мощности) от чистых потерь. Без этой классификации запрет на холостой ход бьёт по легитимной работе.

«Тёмное» потребление электроэнергии. Завод потребляет 400 ГВт·ч в год, скрытые потери — около 3%. При промышленном тарифе это больше 100 млн рублей потенциала в год. Дашборд по общему счётчику этого не увидит: нужна декомпозиция агрегатного сигнала на потребление по узлам — задача, которую без машинного обучения не решить.

В рознице та же логика, только единица другая — SKU и магазин. Inditex (Zara) построила на этом всю модель: малые стартовые партии, RFID‑учёт каждой вещи и ИИ‑прогноз спроса. Результат виден в отчётности — запасы год к году снижаются при растущих продажах. Для ритейлера это не «эффективность», это высвобожденный оборотный капитал в балансе.

Почему у большинства не получается

Картина не безнадёжная — она избирательная. По данным Capgemini, среди компаний, доведших ИИ до промышленного масштаба, 71% фиксируют рост продаж и 68% — снижение издержек. Деньги есть. Но они после тиража, а не в пилоте — а большинство до тиража не доходит.

Четыре причины, которые встречаются в проектах постоянно.

Нет baseline. Эффект — это разница между «как было» и «как стало». Если «как было» никто не зафиксировал в деньгах до старта, спор «дал ИИ эффект или нет» через год превращается в спор презентаций. Базу фиксируют до пилота, и подписывает её владелец процесса и финансы — не ИТ и не вендор.

Меряют использование, а не замену процесса. Любимый KPI ИИ‑программ — «доля сотрудников, применяющих ИИ». Это метрика активности, не эффекта. ИИ может сделать каждого сотрудника продуктивнее, а компанию — ни на рубль ценнее: высвобожденный час монетизируется только тогда, когда кто‑то его собрал и переложил в выработку или в сокращённую ставку. Если ИИ используют все, а ни одна строка затрат не сдвинулась — это вовлечённость, а не выгода.

Пилот не равен прому. Пилот живёт на чистых данных и лучших людях, промышленная эксплуатация — на грязных данных и сменном персонале. На этом переходе теряется основная часть заявленного эффекта. Метрика, которую стоит держать на дашборде гендиректора, — доля пилотов, дошедших до масштабирования.

Процессы не формализованы. Человеческая работа никогда не описана регламентом на 100% — сотрудник живёт в зазоре между инструкцией и реальностью, и закрывает этот зазор его ответственность. Агент в зазоре жить не умеет: он делает ровно то, что описано. Поэтому настоящий фронт внедрения ИИ — не модели и не мощности, а формализация того, что десятилетиями держалось на здравом смысле людей. Кто внедряет агентов поверх неописанных процессов, упирается в стену — просто позже и дороже.

Пять вопросов до выделения бюджета: какая строка P&L изменится и на сколько; где зафиксированный baseline и кто его подписал; что из заявленного эффекта осталось бы и без ИИ; кто отвечает за результат деньгами — не за внедрение, а за эффект; что меряем — замену процесса в рублях или факт использования. Нет ответов на все пять — это не инвестиция, это R&D‑расход. Он тоже бывает оправдан, но называть его надо честно.

Что не видит классическая аналитика

Пороговая сигнализация SCADA срабатывает, когда параметр уже вышел за норму. Модель машинного обучения видит сигнатуру будущего отказа в многомерном дрейфе — когда каждый датчик по отдельности ещё в норме. Это и есть конкурентное преимущество от больших данных: не «у нас много данных», а скорость реакции на то, чего конкурент в своих данных не разглядел.

Dick’s Sporting Goods — наглядный пример масштаба: ИИ управляет 11 миллионами ценовых изменений по SKU в неделю и перестраивает ассортиментную линейку за 72 часа. Руками такое не делается ни при каком штате аналитиков.

И обратная сторона, о которой говорят реже: для скоринга, прогноза спроса или антифрода классический ML часто дешевле и точнее большой языковой модели. Переплачивать за «ИИ погромче» там, где задачу решает простая модель, — значит сознательно ухудшать ROI.

Как ИИ помогает руководителю принимать решения

Продавцы «ИИ для топ‑менеджмента» любят картинку, где модель советует CEO стратегию. В реальности ценность скромнее и при этом больше: ИИ сжимает цикл подготовки решения. То, что аналитики собирали неделю — выгрузки, сверка источников, сценарные расчёты, — корпоративный ассистент собирает за часы. «Газпром нефть» публично говорит о кратном ускорении принятия решений за счёт цифровых двойников: производственные циклы, занимавшие месяцы, сжимаются до недель.

Но подпись остаётся за человеком, и это не временное ограничение. Агенту не доверяют решение до конца по одной причине: за его ошибку некому отвечать. Условием доверия в организации оказывается ответственность, а не качество алгоритма. Рабочая формула: ИИ готовит решение и считает последствия, человек решает и отвечает. Кто пытается её обойти, вместо скорости получает размытую ответственность.

Этика и закон: что нельзя игнорировать

Регуляторная рамка в России сейчас меняется быстрее, чем большинство компаний успевает заметить.

Начинать проверку нужно с персональных данных. Любой ИИ на клиентских или кадровых данных автоматически приводит компанию в зону 152‑ФЗ, а с 2025 года действуют оборотные штрафы за утечки. Отправка персональных данных во внешние публичные модели — самый короткий путь к проблемам. Рабочий стандарт для крупной компании — модели в собственном контуре.

Дальше — профильное регулирование, оно на подходе. В законопроекте о регулировании ИИ для систем высокого и критического уровня риска предполагается сертификация по требованиям ФСТЭК и ФСБ. Кто строит ИИ в медицине, транспорте, финансах — закладывайте сертификационный цикл в сроки уже сейчас.

И внутренняя гигиена — она важнее формального комплаенса. Три минимальных требования: реестр всех ИИ‑систем компании с назначенным владельцем у каждой; человек в контуре для решений, затрагивающих людей (найм, увольнение, кредит, тариф); зафиксированное правило — кто отвечает за ошибку модели. Ровно эти вопросы задаст регулятор, суд или совет директоров после первого инцидента. Компании, которые отстроили это заранее, внедряют ИИ быстрее: у них не останавливается каждый второй проект на согласовании с юристами.