Почему ИИ не окупается: разрыв между внедрением и отдачей

За последние пару лет ИИ перестал быть экзотикой: его попробовали почти все, от небольших агентств до крупных корпораций. Но за фасадом «мы внедрили ИИ» всё чаще всплывает неудобный вопрос: а где, собственно, отдача? Бюджеты потрачены, подписки оформлены, сотрудники прошли вебинары — а прибыль не выросла, время не освободилось, и в отчётах нечего показать. Это и есть разрыв между внедрением и отдачей. Ниже я честно разберу, почему он возникает, что показывают оценки рынка, и главное — что реально делать, чтобы ИИ начал окупаться, а не просто числиться в презентациях. Тон будет отрезвляющим: никаких гарантий дохода и волшебных кнопок.

В чём разрыв

Разрыв между внедрением и отдачей — это ситуация, когда инструмент формально есть, а пользы от него нет. Компания купила доступ к ИИ-сервису, раздала его сотрудникам, провела обучение — и на этом всё. Технически проект «внедрён», а в бизнес-показателях не изменилось ничего: ни выручка, ни себестоимость, ни скорость работы.

Важно понимать, что внедрение и отдача — это разные вещи. Внедрение — это факт наличия технологии. Отдача (ROI, return on investment — возврат на вложения) — это измеримый результат: сэкономленные часы, снижение затрат, рост конверсии или выручки, который превышает стоимость самого внедрения. Можно внедрить ИИ во все отделы и при этом не получить ни рубля отдачи.

По оценкам рынка, картина именно такая. Большинство организаций, которые взялись за ИИ, сталкиваются с трудностями внедрения и не доводят инициативы до устойчивого результата. Значимый ROI от генеративного ИИ видит лишь меньшинство — по разным оценкам, порядка четверти-трети компаний. От более сложных ИИ-агентов отдачу фиксируют ещё реже. Это не значит, что технология не работает — это значит, что большинство применяет её так, что отдачи не возникает. И вот здесь начинается самое интересное.

Почему отдача не приходит: правило 80/20

Главное объяснение разрыва простое и контринтуитивное одновременно. Когда компания запускает ИИ-инициативу, сама технология — модель, сервис, чат-бот — даёт лишь около 20% итоговой ценности. Остальные примерно 80% приходят не из ИИ, а из переработки самой работы: процессов, ролей, регламентов, данных и того, как люди принимают решения.

Это и есть правило 80/20 применительно к ИИ. Большинство компаний делает ровно наоборот: вкладывает 80% внимания в выбор «правильной» модели и 20% (а часто и меньше) — в перестройку процесса. В итоге технология установлена, а работа вокруг неё осталась прежней. ИИ просто прикручивают сбоку к старому процессу и ждут чуда.

Проблема в том, что если процесс изначально кривой, то ИИ его не выпрямит — он его ускорит. Автоматизация хаоса даёт быстрый хаос. Если заявки терялись, они будут теряться быстрее. Если данные в компании грязные и разрозненные, ИИ будет уверенно выдавать ответы на основе мусора. Если никто не понимает, кто за что отвечает, добавление ИИ только добавит ещё одного непонятного участника.

Приведу простой пример. Допустим, отдел продаж тратит часы на ручную подготовку коммерческих предложений. Можно дать менеджерам ИИ, который пишет тексты КП быстрее. Но если сам процесс — где брать данные о клиенте, кто согласует цену, как предложение попадает к клиенту — остался ручным и хаотичным, то ускорение одного шага почти ничего не изменит. Узкое место осталось в другом месте. Чтобы получить отдачу, нужно сначала перерисовать весь маршрут заявки, а уже потом встроить ИИ в те точки, где он реально снимает нагрузку.

Отсюда честный вывод: ИИ — это усилитель, а не лекарство. Он усиливает то, что уже есть. Хороший процесс он делает заметно лучше. Плохой процесс — заметно хуже, только быстрее. Поэтому компании, которые «внедряют ИИ поверх старого бардака», и не видят отдачи: они усилили не то.

Что показывают данные

Сразу оговорюсь: к любым цифрам про ИИ стоит относиться как к оценкам рынка, а не как к точным замерам. Методики у исследований разные, выборки тоже, поэтому я намеренно не называю «точные проценты до запятой» — это была бы ложная точность. Но общая картина из разных источников складывается достаточно согласованная, и она отрезвляет.

Первое: трудности с внедрением — это норма, а не исключение. По оценкам, значительное большинство организаций, начавших ИИ-проекты, сталкивается с проблемами при доведении их до результата. Пилоты запускаются, но не масштабируются. Инициативы стартуют, но затухают.

Второе: часть руководителей прямо говорит, что ИИ скорее «разрывает компанию на части», чем помогает. Имеется в виду, что внедрение обнажает старые проблемы — разрозненные данные, нечёткие процессы, конфликты между отделами — и без их решения ИИ создаёт больше напряжения, чем пользы. Технология становится зеркалом, в котором видно весь организационный беспорядок.

Третье: значимый, измеримый ROI получает меньшинство. По генеративному ИИ это, по разным оценкам, примерно четверть-треть компаний. По ИИ-агентам — более автономным системам, которые сами выполняют цепочки действий — доля заметно ниже, потому что это технология сложнее и требовательнее к зрелости процессов и данных.

Что объединяет эти оценки. Дело не в том, что модели плохие — модели как раз стали очень неплохими. Дело в том, что отдача — это организационный результат, а не технический. И достигают его те, кто перестроил работу, а не просто купил доступ. Меньшинство, которое видит ROI, отличается от большинства не выбором модели, а тем, что они вложились в переработку процессов, данные и обучение людей.

Как получить реальную отдачу

Хорошая новость в том, что разрыв преодолим, и подход к этому довольно понятный. Он скучнее, чем «внедрить топовую нейросеть», но именно он даёт результат. Вот логика, по которой я работаю.

Начинать с процесса и метрики, а не с технологии. Первый вопрос не «какой ИИ взять», а «какую конкретную задачу мы хотим улучшить и как поймём, что стало лучше». Без ответа на второй вопрос отдачу невозможно ни увидеть, ни доказать. Метрика должна быть измеримой: часы, рубли, количество обработанных обращений, процент ошибок, срок выполнения.

Выбирать узкую задачу с измеримым результатом. Не «внедрим ИИ во всю компанию», а «сократим время подготовки одного типового документа» или «разгрузим первую линию поддержки от повторяющихся вопросов». Узкая задача даёт быстрый и понятный результат, на котором видно, работает подход или нет. Широкие инициативы «обо всём сразу» как раз и тонут.

Перерабатывать процесс, а не автоматизировать хаос. Прежде чем встраивать ИИ, нужно честно посмотреть на сам процесс: где узкие места, какие шаги лишние, где теряются данные. Часто половина выигрыша приходит ещё до ИИ — просто от наведения порядка. А уже на чистый процесс ИИ ложится так, что даёт те самые 80% ценности через изменение работы, а не 20% через саму технологию.

Считать до и после. Перед запуском нужно зафиксировать базовую линию — как обстоят дела сейчас, в цифрах. Без этого любые разговоры об отдаче — это ощущения. После внедрения сравниваем с этой базой. Только так становится видно, что ИИ реально дал, а где это самообман.

Идти от пилота к масштабированию. Сначала маленький пилот на одной задаче и одной команде. Если он подтвердил эффект на цифрах — масштабируем на соседние участки. Если не подтвердил — корректируем или честно отказываемся, не вложив большой бюджет. Это защищает от самой частой ошибки: масштабировать то, что не доказало пользу.

Отдельно про российский контекст. У нас к этому добавляются свои факторы: доступность зарубежных сервисов нестабильна, поэтому имеет смысл закладывать российские модели (например, GigaChat, YandexGPT) или локальные решения; чувствительные данные часто нельзя выносить во внешние облака из-за 152-ФЗ, что влияет на выбор архитектуры. Это не мешает получить отдачу — но это нужно учитывать на этапе проектирования, а не задним числом. Здесь я как раз помогаю выбрать стек, который и работает, и соответствует ограничениям.

Частые ошибки

За разрывом между внедрением и отдачей почти всегда стоят одни и те же повторяющиеся ошибки. Если узнаёте свою ситуацию — это нормально, через это проходит большинство.

• Внедрять ИИ ради ИИ. «Все внедряют, и нам надо» — худшая отправная точка. Без конкретной задачи и метрики проект обречён стать строчкой в отчёте без результата.
• Ставить технологию поверх сломанного процесса. Самая частая и самая дорогая ошибка. ИИ не чинит процесс, он его усиливает. Сначала процесс — потом ИИ.
• Не иметь метрик и базовой линии. Если не зафиксировать, как было до, невозможно доказать, что стало лучше. Отдача превращается в вопрос веры, а не фактов.
• Ждать чуда от модели. Вера в то, что «достаточно подключить самую умную нейросеть» — это и есть ставка на те самые 20%. Без переработки работы остальные 80% ценности просто не появятся.
• Масштабировать без пилота. Раскатить ИИ на всю компанию, не проверив на маленьком участке — значит рискнуть большим бюджетом ради недоказанной гипотезы.
• Игнорировать обучение людей. Даже отличный инструмент не даёт отдачи, если сотрудники не понимают, зачем он, не доверяют ему или продолжают работать по-старому. Люди — часть тех самых 80%.

Объединяет эти ошибки одно: фокус на технологии вместо фокуса на работе. Как только акцент смещается с «какой ИИ» на «какую работу и как мы перестраиваем», большинство этих ошибок отпадает само собой.

Частые вопросы

Почему у нас ИИ не дал результата? Чаще всего потому, что его прикрутили к процессу, который остался прежним. Сама технология даёт лишь около 20% ценности, остальное — переработка работы. Если процесс, данные и роли не менялись, отдаче просто неоткуда взяться. Это поправимо, но начинать нужно не с замены модели, а с разбора процесса и метрик.

Сколько ждать окупаемости? Честный ответ — зависит от задачи, и я не даю гарантий по срокам. На узкой задаче с понятной метрикой первые результаты бывают видны за недели, а не месяцы, потому что эффект легко измерить. Широкие, размытые инициативы могут не окупиться никогда. Чем уже задача и чётче метрика, тем быстрее становится ясно, есть ли отдача.

С чего начать, чтобы был ROI? С одной узкой задачи, где результат можно измерить, и с фиксации текущих цифр (базовой линии). Затем — переработка процесса вокруг этой задачи и только потом встраивание ИИ. После запуска сравниваем с базой. Этот маршрут скучный, но именно он отличает меньшинство с отдачей от большинства без неё.

Нужен ли дорогой ИИ? Не обязательно. Стоимость самой модели — это часть тех 20%, которые редко решают исход. Гораздо важнее, насколько грамотно перестроена работа вокруг. Часто задача отлично решается доступной или даже локальной моделью, а бюджет лучше вложить в переработку процесса и обучение людей, а не в «самую мощную» подписку.

Кто в команде нужен? Нужен человек, который понимает процесс изнутри (владелец задачи со стороны бизнеса), и тот, кто умеет связать процесс с технологией и посчитать результат. Не нужен большой штат дата-сайентистов для старта. Для пилота достаточно одного заинтересованного отдела и специалиста по внедрению — эту роль я обычно и закрываю.

Как измерить отдачу? Через сравнение «до» и «после» по конкретной метрике: сэкономленные часы, снижение затрат, скорость обработки, процент ошибок, конверсия. Главное — зафиксировать базовую линию до запуска. Без неё измерить отдачу нельзя, остаются только ощущения, а на ощущениях бюджет не оправдаешь.

Коротко о главном

Разрыв между внедрением ИИ и отдачей от него — это не приговор технологии, а закономерный итог того, как её обычно применяют. Большинство компаний вкладывается в саму модель, которая даёт лишь около 20% ценности, и почти не трогает остальные 80% — процессы, данные, роли и обучение людей. Поэтому значимый ROI видит меньшинство, а ИИ-агенты окупаются ещё реже. Хорошая новость в том, что путь к отдаче понятен: начать с узкой задачи и метрики, перестроить процесс, а не автоматизировать хаос, посчитать до и после и масштабировать только то, что доказало эффект на пилоте. Без громких обещаний и без гарантий дохода — но с измеримым результатом. Если вы уже внедрили ИИ и не видите отдачи или только подступаетесь к этому, я помогаю переработать процесс и встроить ИИ так, чтобы результат можно было увидеть в цифрах, а не в презентации.