Почему внедрения ИИ в малом бизнесе проваливаются — и что я делаю иначе

Про ИИ в бизнесе сейчас пишут так, будто достаточно подключить нейросеть — и дела пойдут в гору. На практике я вижу другое: компании платят за внедрение, а через пару месяцев всё возвращается к тому, как было. Деньги потрачены, сотрудники раздражены, руководитель разочарован в «этом вашем ИИ». При этом сама технология обычно ни при чём — она работает. Проваливается то, как её внедряют. Ниже я честно разберу, почему так происходит, в чём настоящая причина, и расскажу, что я делаю иначе, чтобы проект не оказался очередной дорогой игрушкой. Без громких обещаний и выдуманных цифр.

Почему ИИ не приносит результата

Когда внедрение не даёт отдачи, дело почти никогда не в одной поломке. Это набор типичных ошибок, которые повторяются из проекта в проект. Я собрал те, что вижу чаще всего.

ИИ внедряют «ради ИИ». Решение принимается потому, что «у всех уже есть», «надо быть в тренде», «конкуренты что-то там запустили». В основе — не задача бизнеса, а желание не отстать. Когда нет конкретной проблемы, которую инструмент должен решить, то и результата измерить нечем, и непонятно, ради чего всё затевалось. Технология появляется, а смысл — нет.

Нет метрики и базовой линии. Это, пожалуй, самая коварная ошибка. Перед внедрением никто не зафиксировал, как обстоят дела сейчас: сколько времени уходит на задачу, сколько обращений обрабатывается за день, какой процент ошибок. Без этой базовой линии (отправной точки для сравнения) невозможно понять, стало лучше или нет. В итоге оценка скатывается к ощущениям: «вроде удобнее» или «да всё то же самое». А на ощущениях бюджет не оправдать.

Автоматизируют хаос. Если процесс не описан, шаги делаются по-разному каждый раз, а данные разбросаны по почте, мессенджерам и головам сотрудников — то ИИ просто ускорит этот беспорядок. Автоматизированный хаос остаётся хаосом, только теперь он ещё и быстрее. Инструмент честно отрабатывает на том, что ему дали, а дали ему путаницу.

Ждут чуда. От ИИ ждут, что он сам разберётся, сам всё поймёт и заменит отдел. Реальность скромнее: это инструмент, который хорошо решает узкие, понятные задачи, если его правильно поставить и поддерживать. Завышенные ожидания почти гарантируют разочарование, даже когда инструмент объективно работает.

Не обучают людей. Систему запустили, а сотрудникам не объяснили, зачем она и как ей пользоваться. Люди продолжают работать по-старому, новый инструмент игнорируют или используют неправильно. Через месяц про него забывают. Технология может быть отличной, но если ею никто не пользуется, отдачи не будет.

Берут слишком широко. Пытаются за один заход «внедрить ИИ во всю компанию». Получается долго, дорого и непонятно, что именно сработало, а что нет. Большой проект тяжело довести до конца и невозможно честно оценить.

Главная причина: технология поверх хаоса

Если свести все ошибки к одной, корневой, она звучит так: технологию ставят поверх неотлаженных процессов. ИИ воспринимают как волшебную таблетку, которая сама наведёт порядок. Но он так не работает. Он усиливает то, что уже есть. Есть порядок — усилит порядок. Есть хаос — усилит хаос.

Здесь хорошо помогает правило 80/20. Сама технология — подключение модели, настройка, интерфейс — это примерно 20% ценности проекта. Остальные 80% дают вещи, которые с ИИ напрямую не связаны: разобранный и описанный процесс, понятная метрика результата, обученные люди, налаженные данные. Именно поэтому проекты, где всё внимание ушло на «крутую технологию», проваливаются: вложились в те самые 20% и проигнорировали 80%, которые на самом деле всё решают.

Покажу на простом примере. Компания хочет, чтобы ИИ отвечал на вопросы клиентов. Если в компании нет внятных ответов на типовые вопросы, регламент в голове у одного менеджера, а половина обращений — нестандартные, то ИИ не спасёт. Он будет выдавать такие же путаные ответы, какие сейчас дают люди, только быстрее и в большем количестве. А вот если сначала собрать частые вопросы, написать на них хорошие ответы, описать, что делать с нестандартными случаями — то даже простая автоматизация даст заметный эффект. И вот тут ИИ становится мощным помощником, потому что ему есть на что опереться.

Вывод простой: ИИ — это усилитель, а не источник порядка. Сначала порядок, потом усиление. В обратной последовательности почти всегда выходит дорогое разочарование.

Как я делаю иначе

Мой подход строится на том, чтобы сначала разобраться в деле, а уже потом подбирать инструмент — а не наоборот. Я 16+ лет в IT и видел достаточно проектов, чтобы не начинать с технологии. Вот по какому маршруту я иду.

Начинаю с процесса и метрики, а не с инструмента. Первый разговор не про ИИ, а про вашу задачу. Что именно мешает, где теряется время или деньги, как этот участок устроен сейчас. Мы вместе формулируем, что мы хотим улучшить и как поймём, что получилось. Без этого шага дальше идти нет смысла.

Замеряю базовую линию. Прежде чем что-то менять, фиксирую, как обстоят дела сейчас: сколько времени уходит на задачу, сколько обращений в день, какой процент ошибок или повторной работы. Это та самая отправная точка, без которой потом нельзя честно сказать, помогло внедрение или нет.

Беру одну узкую задачу. Не «внедрить ИИ в компанию», а решить один конкретный, понятный участок. Узкая задача даёт быстрый результат, её легко оценить, и на ней видно, стоит ли двигаться дальше. Это снижает риск и для бюджета, и для нервов.

Запускаю пилот. Сначала небольшой, обозримый запуск на ограниченном участке или для части команды. Пилот показывает на реальных данных, работает решение или нет, и даёт возможность доработать его до того, как масштабировать. Если пилот не дал результата — мы потеряли мало, а не весь бюджет.

Замеряю результат и сравниваю. После пилота сравниваю новые показатели с базовой линией. Стало быстрее? На сколько? Меньше ошибок? Освободилось время? Это честный разговор по цифрам, а не по ощущениям. Если результат есть — масштабируем. Если нет — разбираемся почему, а не делаем вид, что всё хорошо.

Обучаю людей. Параллельно с запуском объясняю сотрудникам, зачем нужен инструмент и как им пользоваться. Без этого даже хорошее решение умрёт через месяц. Люди должны понимать, что новое — это помощь, а не лишняя нагрузка сверху.

Если вам нужны конкретные инструменты под этот подход, я занимаюсь внедрением ИИ-агентов под узкие задачи и автоматизацией бизнес-процессов — но всегда начиная с процесса и метрики, а не с самой технологии.

Частые ошибки

Соберу отдельно типичные ловушки — чтобы вы могли узнать их у себя или у подрядчика ещё до старта проекта.

• «Давайте просто подключим ИИ, а там разберёмся». Подключить можно за день, но без задачи и метрики это выброшенные деньги. Разбираться нужно до, а не после.
• Нет ответа на вопрос «как поймём, что сработало». Если на старте никто не может назвать конкретный измеримый показатель, проект почти наверняка скатится в оценку на ощущениях.
• Внедрение поверх неописанного процесса. Если процесс не разобран и делается каждый раз по-разному, сначала нужно навести в нём порядок, иначе ИИ ускорит беспорядок.
• Ставка на масштаб с первого дня. «Сразу на всю компанию» — это долго, дорого и непрозрачно. Начинать нужно с узкого участка и пилота.
• Игнорирование людей. Если сотрудников не обучить и не объяснить смысл, инструментом просто не будут пользоваться, каким бы хорошим он ни был.
• Вера в «искусственный интеллект сам всё решит». ИИ хорош на узких, понятных задачах с поддержкой человека, а не как замена мышлению и порядку.

Если узнали хотя бы пару пунктов — это не повод отказываться от ИИ. Это повод поменять последовательность: сначала задача, метрика и порядок, потом технология.

Частые вопросы

Значит, ИИ в малом бизнесе не работает? Работает, и хорошо — но как инструмент под конкретную задачу, а не как волшебная таблетка. Проваливается не технология, а подход: внедрение без задачи, без метрики и поверх хаоса. Когда есть понятная задача, замер результата и порядок в процессе, ИИ приносит реальную пользу.

Почему нельзя просто быстро подключить нейросеть и посмотреть? Подключить можно, но «посмотреть» не получится — без базовой линии и метрики вы не сможете честно оценить, стало лучше или нет. Получится трата денег с выводом «вроде что-то изменилось». Несколько дней на постановку задачи и замер экономят бюджет и нервы.

Что такое базовая линия и зачем она нужна? Базовая линия — это зафиксированное состояние дел до внедрения: сколько времени уходит на задачу, сколько обращений, какой процент ошибок. Без неё после запуска не с чем сравнивать, и оценка результата превращается в спор об ощущениях. Это самый недооценённый и при этом самый важный шаг.

Почему вы советуете начинать с одной узкой задачи, а не внедрять всё сразу? Потому что узкую задачу можно быстро решить, легко оценить и недорого проверить. Большой проект «на всю компанию» тяжело довести до конца и невозможно честно измерить — непонятно, что именно сработало. Узкий пилот снижает риск: если не получилось, потери минимальны.

Может ли получиться так, что вы скажете не внедрять ИИ? Да, и я говорю это прямо. Если задачу не на что измерить, процесс не разобран или инструментом некому пользоваться, я скажу об этом до начала работ. Лучше честно отказаться от ненужного проекта, чем взять деньги за то, что не даст результата.

Сколько времени и денег нужно, чтобы проверить идею? Зависит от задачи, но смысл подхода как раз в том, чтобы проверка была недорогой и быстрой. Узкая задача и пилот обычно укладываются в обозримый срок и бюджет, заметно меньший, чем «внедрение под ключ во всю компанию». Точные оценки я даю после разбора вашей конкретной задачи, без выдуманных цифр заранее.

Чем ваш подход отличается от обычного подрядчика? Обычно подрядчик продаёт технологию: «подключим, настроим, вот вам ИИ». Я начинаю с вашего процесса и метрики, беру узкую задачу, делаю пилот и замеряю результат по цифрам. Технология — это инструмент в конце, а не цель в начале.

Коротко о главном

Внедрения ИИ в малом бизнесе проваливаются не потому, что технология плохая, а потому что её ставят поверх неотлаженных процессов, без задачи, без метрики и без обучения людей. Работает правило 80/20: сама технология даёт примерно пятую часть ценности, а остальное — разобранный процесс, понятный замер результата и люди, которые умеют этим пользоваться. Поэтому я делаю иначе: начинаю не с инструмента, а с процесса и метрики, беру одну узкую задачу, запускаю пилот и честно сравниваю результат с тем, что было до. А если внедрять нечего или некому — говорю об этом прямо. Без громких обещаний, без выдуманных цифр и без ИИ ради ИИ. Если вам близок такой честный подход, я помогу пройти путь от задачи до работающего и измеримого результата.