ИИ внедряют многие, а прибыль получили единицы. Где бизнес ошибается

Банк России впервые опросил предприятия об использовании генеративного искусственного интеллекта. Результат получился отрезвляющим.

ИИ уже применяет каждое седьмое предприятие, еще каждое пятое планирует начать. Компании используют его для маркетинга, продаж, обработки документов, деловой переписки, подбора сотрудников и контроля качества.

Но рост прибыльности отметила только каждая десятая компания из числа использующих ИИ. Почти две трети сообщили, что технология никак не повлияла на численность персонала. При этом каждое третье предприятие увидело повышение производительности труда. В опросе Банка России участвовало 14,7 тысячи нефинансовых предприятий.

На первый взгляд цифры противоречат друг другу. Производительность выросла, а прибыль — почти нет.

На практике это довольно типичная ситуация.

Сэкономленное время еще не стало деньгами

Допустим, бухгалтер раньше тратил десять минут на проверку одного документа, а с помощью ИИ справляется за пять.

На демонстрации экономия выглядит убедительно: пять минут на документ, сотни документов в месяц, десятки освобожденных часов.

Но дальше возникают вопросы.

Что сотрудник делает с этим временем? Стало ли подразделение обрабатывать больше документов? Уменьшилось ли количество ошибок? Сократился ли срок закрытия месяца? Можно ли отказаться от части ручных операций?

Если процесс остался прежним, компания получила не экономический эффект, а свободные минуты, распределенные по рабочему дню. Они могут быть полезны сотруднику, но в финансовом результате их не видно.

Я много раз видел похожую ошибку в проектах автоматизации. Компания считает экономию на одной операции и принимает ее за эффект от всего процесса.

Автоматизируют то, что удобно показать

Для первого ИИ-пилота часто выбирают задачу, которую легко продемонстрировать руководству:

• подготовить письмо;

• пересказать документ;

• сделать презентацию;

• найти информацию в базе знаний;

• составить рекламный текст.

Такие сценарии быстро запускаются и хорошо выглядят на экране. Но они не всегда связаны с дорогим участком процесса.

Компания может сэкономить менеджеру двадцать минут на подготовке письма, хотя основная потеря денег возникает из-за ошибок в заявках, просроченных согласований или ручной сверки документов.

По моему опыту, начинать стоит не с вопроса «где применить нейросеть», а с вопроса «где мы регулярно теряем время или деньги».

Это менее эффектный разговор. Придется разбирать процесс, считать объем операций и смотреть на реальные данные. Зато становится понятно, нужен ли там ИИ вообще.

Быстрый ответ модели путают с готовым результатом

Нейросеть может обработать документ за несколько секунд. Но результат еще нужно проверить, внести в учетную систему, согласовать и сохранить.

Предположим, модель нашла расхождение между счетом, договором и актом. Если сотрудник затем вручную открывает три системы, перепроверяет каждое поле и пишет письмо контрагенту, ускорилась только одна часть работы.

Иногда проверка ответа ИИ занимает почти столько же времени, сколько прежняя операция. Особенно если ошибка модели может привести к неверному платежу, налоговому риску или претензии клиента.

Поэтому в расчете эффекта должны учитываться не только секунды работы модели, но и весь путь результата:

получение данных → обработка → проверка человеком → исправление → запись в рабочую систему → итоговое решение.

Если автоматизирован только второй шаг, говорить о преобразовании процесса рано.

Стоимость внедрения забывают включить в расчет

У ИИ-проекта есть не только стоимость лицензии или запросов к модели.

Нужно подготовить данные, настроить интеграции, определить права доступа, вести журналы действий, проверять качество и обучать сотрудников. Если процесс связан с персональными данными или коммерческой тайной, потребуется отдельный защищенный контур.

На этапе прототипа эти расходы часто не видны. Документы вручную загружают в сервис, ответы проверяет автор проекта, а ошибки исправляются по ходу дела.

В промышленной эксплуатации ручная поддержка становится постоянной статьей затрат. В итоге система работает, сотрудники ею пользуются, но экономика не сходится.

Эффект измеряют после проекта, а не до него

Еще одна распространенная история: сначала компания запускает ИИ, а потом пытается понять, что считать результатом.

Так измерить эффект почти невозможно. Нет исходных показателей, с которыми можно сравнить новую систему.

До начала пилота я бы зафиксировал хотя бы четыре параметра:

1. Сколько операций выполняется за месяц.

2. Сколько времени занимает одна операция.

3. Как часто возникают ошибки и сколько стоит их исправление.

4. Какой участок процесса ограничивает общую скорость.

После этого можно взять 20–50 реальных обезличенных примеров и проверить гипотезу на них. Не на специально подготовленной презентации, а на документах с пропущенными полями, разными форматами и обычными человеческими ошибками.

Если модель ускорила обработку, но не изменила стоимость, срок или качество всего процесса, пилот еще не доказал свою полезность.

Где обычно появляется реальная экономика

Лучше всего считаются задачи с большим объемом однотипной ручной работы и понятной стоимостью ошибки.

Например:

• обработка и сверка первичных документов;

• классификация входящих обращений;

• проверка комплектности заявок;

• поиск расхождений в реестрах;

• подготовка черновика ответа по утвержденным правилам;

• постобработка звонков и контроль качества.

Здесь можно сравнить время до и после, количество ошибок, стоимость одной операции и пропускную способность подразделения.

Но критическое решение все равно стоит оставить человеку. ИИ может найти расхождение или подготовить рекомендацию. Решение о платеже, налоговой позиции, отказе клиенту или юридически значимом действии должен принимать ответственный сотрудник.

Главная причина слабой экономики ИИ-проектов довольно проста: компании внедряют технологию, но не меняют процесс.

Хороший ИИ-проект начинается не с выбора модели. Он начинается с цифр: сколько стоит текущая работа, где возникает задержка и какой показатель должен измениться после внедрения.

Если после короткого прототипа эффект не виден, это тоже полезный результат. Компания не получила красивый пилот, зато не потратила несколько месяцев на систему, которая умеет работать, но не умеет приносить деньги.