Девяносто пять процентов.
Это не значит, что ИИ не работает. Это значит, что большинство компаний внедряют его не туда. Покупают подписку на нейросеть, а менеджер по-прежнему вручную переносит данные из почты в CRM. ИИ висит рядом — красивая декорация без связи с реальностью бизнеса.
Но 5% компаний — те, у кого получилось — зарабатывают на этом реальные деньги. И разница между ними и остальными не в бюджете. В понимании: где ИИ работает, а где — нет.
Задача 1. Первая линия поддержки клиентов
Это уже свершившийся факт, а не прогноз.
Коммерческий директор Smart Design Николай Подстрелов, которого процитировало РБК, говорит прямо:
«В службах поддержки и колл-центрах ИИ фактически уже вытеснил человека с первой линии — до 80% запросов сегодня закрываются автоматически. И это уже не хотелки, а реальность».
Восемьдесят процентов.
Что конкретно делает ИИ: отвечает на типовые вопросы, обрабатывает обращения, сортирует заявки по приоритету, передаёт нестандартные случаи живому оператору. Работает круглосуточно, не болеет, не просит отгул.
Для малого бизнеса это означает: чат-бот в Telegram или на сайте, настроенный под ваши сценарии, — это не имиджевая история. Это замена одной-двух ставок, которые вы сейчас не можете найти на рынке труда.
Задача 2. Скоринг, антифрод и обработка данных
Там, где нужно быстро обработать большой поток однотипной информации и найти аномалию — ИИ не просто справляется. Он делает это лучше человека физически.
Банки применяют нейросети для скоринга заявок и выявления подозрительных транзакций. По данным РБК, 25% банковского оборота в России уже генерируется через ИИ-сервисы. Скорость обработки — секунды. Ошибок — меньше, чем у аналитика, который устал после шести часов за экраном.
В промышленности та же история: контроль качества на производственной линии, диагностика оборудования, предсказание поломок до того, как они произошли. Это классическое машинное обучение — не генеративный ИИ с красивыми ответами, а «скучный» ML, который приносит реальные деньги.
Задача 3. Рутинная работа с документами и отчётностью
Роснефть внедрила ИИ для распознавания речи и автоматического формирования отчётов. Результат: сбор данных ускорился в 6 раз, ежегодная экономия — 70 миллионов рублей.
Шаблонные договоры, первичная обработка входящей документации, составление типовых писем, заполнение форм — всё это алгоритмизируется. Сотрудник, который раньше тратил на это три часа в день, теперь тратит двадцать минут на проверку.
Важный нюанс: ИИ не заменяет юриста, который принимает решение по договору. Но он берёт на себя восемьдесят процентов механической подготовительной работы.
Задача 4. Персонализация и рекомендации
Ритейл уже считает деньги: персонализация с ИИ даёт плюс 5–15% к среднему чеку. Это не цифра из презентации стартапа. Это данные реальных внедрений российских торговых сетей.
ИИ анализирует историю покупок, время сессий, поведение на сайте — и делает предложение в нужный момент нужному клиенту. Живой менеджер с пятью тысячами клиентов так не может физически. Алгоритм — может.
Для небольшого интернет-магазина на Wildberries или собственном сайте это реализуется через готовые инструменты — без найма специалиста по data science.
Задача 5. Прогнозирование спроса и управление запасами
Здесь работает не генеративный ИИ, а классические ML-модели на временных рядах. И работают они значительно лучше таблиц Excel с «экспертными» ощущениями закупщика.
По данным консалтинговых исследований McKinsey, продвинутое прогнозирование спроса позволяет ритейлерам сократить затраты на содержание запасов на 20–30% и поднять выручку на несколько процентов.
Один российский ритейлер поднял точность прогноза с 60 до 80%, просто перейдя на ML-стек вместо попыток «научить» под это задачу большую языковую модель, которая в таких задачах просто галлюцинирует.
А теперь — где ИИ провалится
Провал 1. Там, где нужно принять решение с последствиями
Проректор по исследованиям и инновациям «СберУниверситета» Алексей Суханов сформулировал это точно:
«Нас заменит не искусственный интеллект, а люди, вооружённые искусственным интеллектом. ИИ — это прежде всего помощник для человека».
Нанять или уволить сотрудника. Подписать стратегический контракт. Выйти на новый рынок. Это решения, за которыми стоят контекст, интуиция, ответственность и понимание того, что останется за кадром любого алгоритма.
ИИ может собрать данные, сформулировать варианты, оценить риски. Но кнопку «принять» нажимает человек. И это правильно — потому что только человек несёт за это ответственность.
Провал 2. Там, где важна эмпатия и доверие
Есть зоны, где клиент покупает не продукт — а отношения.
Сложные переговоры. Работа с жалобами, когда человек на грани. Ключевые партнёрские встречи. Наставничество и развитие команды. Продажи в B2B, где сделка строится на годах личного контакта.
ИИ-ассистент на первой линии поддержки справляется с типовым запросом. Но когда клиент раздражён, обиделся и звонит со словами «я ухожу к конкурентам» — живой человек с реальным участием удержит его там, где скрипт вызовет только раздражение.
Провал 3. Там, где данные плохие или их нет
Это самый распространённый сценарий провала — и MIT прямо называет его главным барьером.
ИИ работает ровно настолько хорошо, насколько хороши данные, на которых он обучен и с которыми работает. Если у вас нет истории продаж, нет структурированной клиентской базы, нет CRM с заполненными полями — никакой алгоритм не поможет. Он будет «галлюцинировать»: уверенно генерировать правдоподобные, но неверные ответы.
Реальный кейс из российской практики: банк внедрял большую языковую модель для антифрода. Результат — стоимость обработки транзакции взлетела в десятки раз, задержка убила пользовательский опыт. Вернулись к проверенной классической модели машинного обучения — она работает быстрее, стоит дешевле и ошибается реже.
Инструмент решает задачу. Не любую. Конкретную задачу, для которой он подходит.
Как найти своё место в этой картине
Вопрос не «внедрять ли ИИ». К 2026 году 40% корпоративных рабочих процессов автоматизированы или усилены ИИ-агентами — это прогноз Gartner, и он уже реализуется.
Вопрос — в какой последовательности.
Начните с одной узкой задачи, где можно измерить результат в деньгах или часах. Не «внедрить ИИ в маркетинг», а «сократить время ответа на входящие обращения с двух часов до десяти минут». Посчитайте эффект. Масштабируйте только после этого.
Те самые 5%, у которых получилось, действовали именно так.