Бизнес спешит внедрять ИИ, но вместо роста выручки получает срывы процессов, репутационные риски и прямые убытки. Компании запускают чат-ботов и ассистентов, сокращают штат и отчитываются об экономии времени, но деньги продолжают утекать. Мода на ИИ без целей и контроля превращается в дорогостоящий хаос.
Директор по стратегическим инновациям компании «Навикон» Илья Народицкий на реальных кейсах разбирает, почему «умные» проекты проваливаются и как этого избежать.Несмотря на 30%-й рост российского рынка ИИ, исследователи отмечают, что до 80% проектов по внедрению умных алгоритмов не приводят к заявленным бизнес-результатам или остаются на уровне пилотов.
Россия занимает лишь 119-е место из 147 стран по уровню проникновения ИИ, особенно низко его использование в бизнесе. Причины не только технологические, но и психологические: компании ждут «волшебную таблетку», способную за пару кликов решить все задачи.
В результате они внедряют ИИ, запускают пилоты и даже сокращают штат, но издержки не снижаются, эффективность падает, а процессы усложняются. Это приводит к потерям в производительности, финансах и репутации.
Подобные кейсы встречаются по всему миру. Например, чат-бот Air Canada пообещал клиенту скидку на билеты в связи со смертью родственника, хотя таких правил не существовало. Суд обязал компанию компенсировать разницу, указав, что бизнес несет ответственность за ответы ИИ.
По оценкам ученых, бизнес ежегодно теряет до $9 млн из-за некачественной работы ИИ — включая расходы на разработку, упущенные лиды и прямые убытки. Так, российский бренд Vagabond потратил 200 тыс. рублей на чат-бота, но проект закрыли без единого лида из-за некорректных ответов.
Эти примеры показывают: без четких границ применения и контроля ИИ быстро становится источником рисков.
«Мы внедрили ИИ, а выручка и маржа не выросли». Ошибка №1: мода в ущерб целеполаганию
За последние годы у бизнеса сформировался опасный рефлекс: внедрять новые технологии ради самих технологий. Компании сначала выбирают инструмент, а уже потом ищут ему применение. На старте это выглядит жизнеспособно, но через 6–12 месяцев оказывается: продукт есть, а эффекта нет — выручка и маржа не растут, операционные проблемы сохраняются.
Показателен публичный кейс внедрения ИИ-ассистента в продажах в одной компании: ожидался рост конверсии и ускорение сделок, но не были определены метрики и требования к данным. В итоге инструмент упростил работу, но не дал результата. Более того, из-за проблем с данными часть функций дублировалась вручную, что почти обнулило эффект.
Проблема не в ИИ: если проект не привязан к экономике процесса, он обречен на провал.
Как действовать бизнесуНеобходимо ставить конкретные, достижимые цели, напрямую связанные с финансовыми результатами: сокращение цикла сделки, снижение стоимости обработки заявки, устранение ошибок, рост пропускной способности без дополнительного найма.
«Мы внедрили ИИ, а процессы усложнились». Ошибка №2: стремление ускорить то, что плохо устроено
В книге «Исповедь автоматизатора» есть принцип: автоматизация бардака приводит к автоматизированному бардаку. Компании пытаются с помощью ИИ решить проблемы процессов — избыточные согласования, ручные проверки, дублирование ролей и неформальные правила — которые сами по себе неэффективны.
На старте эффект может казаться положительным: процессы ускоряются, сотрудники экономят время. Но вскоре растет объем согласований, ошибки попадают в отчеты, и бизнес возвращает ручной контроль. В итоге проект признается неуспешным, а компания получает еще один сложный инструмент в поддержке.
Показателен публичный кейс 2024 года: ИИ-ассистент обрабатывал до 2/3 обращений и сократил время ответа с 11 до 2 минут. Однако приоритет скорости и стоимости привел к снижению качества, и компания усилила поддержку сотрудниками.
Это показывает: ИИ не компенсирует слабые процессы. Если сервис перегружен исключениями и сложными сценариями, ускорение лишь масштабирует проблемы, а не решает их.
Как действовать бизнесу
На старте важно задавать вопрос не «что автоматизировать», а «что в процессе лишнее». Без упрощения процессов технология лишь добавляет новый слой поверх старых проблем.
«Мы внедрили ИИ, но не получили настоящего эффекта». Ошибка №3: оценивать экономию времени, а не деньги
В зарубежной практике есть такое понятие, как «метрики тщеславия» – цифры, которые создают иллюзию успеха, но не отражают реальной эффективности. В случае с ИИ к таким показателям можно смело отнести экономию времени. После запуска проекта компания говорит: сотрудники стали делать задачу на 20% быстрее. Звучит хорошо, но на практике высокая скорость работы сотрудников может не иметь никакого отношения к финансовым результатам.
Само по себе сэкономленное время ничего не доказывает. Если компания не превратила это время в рост пропускной способности, снижение стоимости операции, уменьшение брака, ускорение сделки или отказ от дополнительного найма, никакого бизнес-эффекта не произошло. Было локальное удобство. Для сотрудника это может быть приятно. Для P&L – пустой звук.
Как действовать бизнесу
Важно ставить такие метрики, которые реально отражают эффект на бизнес и его финансовые показатели.
«Мы внедрили ИИ и получили хаос». Ошибка №4: отсутствие контроля со стороны бизнес-подразделений
В корпоративной среде распространено заблуждение: качественная разработка сама по себе гарантирует успех ИИ-проекта. Считается, что достаточно поставить задачу IT, выбрать платформу, подключить подрядчика и пройти пилот — дальше процесс перестроится сам.
На практике это приводит к провалам. Техническая команда может создать работающий инструмент, но не способна изменить бизнес-процессы, дисциплину или зоны ответственности. Если бизнес остается пассивным наблюдателем, ИИ превращается в технический объект без управленческой опоры.
На рынке немало кейсов, когда модели настроены и интеграции работают, но решения не используются: сотрудники продолжают работать по-старому, не назначены ответственные, а результаты ИИ не принимаются и не валидируются.
Как действовать бизнесу
Необходимо назначать владельца задачи со стороны бизнеса, который отвечает за связь ИИ-решения с реальными процессами и потребностями компании.
«Мы внедрили ИИ, а он дает неверные ответы». Ошибка №5: низкое качество данных
Многие проекты внедрения ИИ проваливаются из-за низкого качества данных: расхождений в справочниках и противоречий между источниками. Даже в ключевых системах компании могут существовать разные версии одного объекта — например, клиент в одном контуре активен, а в другом уже архивирован.
В таких условиях получить качественный результат невозможно: при отсутствии единого источника правды ИИ лишь ускоряет и масштабирует существующий хаос.
Показателен кейс ИИ-помощника, который должен был отвечать на вопросы о клиентах и сделках. Из-за отсутствия единого слоя мастер-данных ответы были противоречивыми: система «достраивала» сущности, подтягивала устаревшую информацию или искажала данные. По сути, ИИ не ошибался — он воспроизводил хаос данных.
В другом публичном кейсе ИИ-ассистент в продажах автоматически формировал ответы и ускорял работу, но из-за разрозненных данных начал некорректно связывать сущности. В расчетах использовались неверные фильтры, часть информации искажалась, и компании пришлось вернуть ручную проверку.
Как действовать бизнесу
Перед запуском ИИ-проекта необходимо привести в порядок данные: наладить обмен между источниками, их нормализацию и унификацию, выстроить Data Governance.
Например, в одном ритейл-проекте до внедрения масштабирования команда описала сущности и бизнес-термины, связала их с метаданными, переработала хранилище и настроила контроль качества данных. После этого точность ответов достигла 95%, а корректность запросов — 99%, и система стала реально ускорять работу, а не создавать ошибки.
«Мы внедрили ИИ и получили неконтролируемое использование». Ошибка №6: отсутствие границ в применении ИИ
Когда компания открывает доступ к новому инструменту, сотрудники делятся на две группы: одни игнорируют систему и продолжают работать по-старому, а другие используют ее без разбора. В результате вместо роста эффективности бизнес получает серую зону. Формально ИИ уже задействован, но никто не может точно сказать, где его использование допустимо, где требуется проверка, а где его вообще нельзя применять.
Это особенно опасно там, где ИИ может влиять на коммуникации с клиентами, юридические документы, вопросы, связанные с финансами, безопасностью, комплаенсом, или аналитикой для руководства – здесь ошибка превращается из технической в управленческую, и ее стоимость возрастает многократно.
Как действовать бизнесу
Еще на начальном этапе должно быть четко определено, что именно делает ИИ, что остается за человеком и кто отвечает за итог. Результаты работы ИИ в бизнес-критичных областях обязательно должен валидировать сотрудник. Если этой границы нет, бизнес не внедряет новую практику работы, а просто добавляет дополнительный источник риска.
«Мы внедрили ИИ и стало хуже после запуска». Ошибка №7: игра в короткую
Наконец, в случае с ИИ нельзя считать проект завершенным в день релиза. После запуска система попадает в живую среду, где со временем меняются данные, бизнес-процессы, сценарии, исключения, задачи пользователей. И если в этот момент никто не разбирает ошибки и не меняет правила, полезность решения сходит на нет.
Например, типовой сценарий: после запуска ИИ-решения для анализа клиентских обращений компания зафиксировала высокую точность работы модели и положительную обратную связь от пользователей. Но через несколько месяцев качество ответов заметно снизилось. За это время данные и сценарии использования ИИ изменились, а модель никто не дообучал и не контролировал. Ошибки накапливаются, доверие пользователей падает – в итоге система постепенно перестает использоваться.
Как действовать бизнесу
ИИ – это инструмент, который требует постоянного контроля и развития. Необходимо выделить команду, которая будет на регулярной основе проводить аудит корректности работы модели, дообучать ее и масштабировать проект.
Вместо вывода
В компаниях с выстроенными процессами и целями, а также высоким качеством данных ИИ действительно становится инструментом роста. В противном случае — превращается в дорогостоящий эксперимент.
Навикон помогает компаниям избежать описанных выше ошибок с помощью разработки стратегии ИИ-трансформации. Наши специалисты помогут сформулировать конкретные цели с привязкой к финансовым результатам, выстроить роадмэп внедрения с понятными этапами и метриками, а также дадут предварительную оценку окупаемости инвестиций ещё до старта проекта. Чтобы заказать услугу по формулированию стратегии ИИ-трансформации, оставьте заявку на нашем сайте.
Автор статьи: Илья Народицкий, директор по стратегическим инновациям компании «Навикон»
