ИИ в бизнесе: почему выигрывают те, кто экспериментирует правильно

Искусственный интеллект за последние два года превратился из технологического тренда в рабочий инструмент бизнеса. Однако вместе с ростом интереса растет и разрыв между ожиданиями и реальными результатами внедрения.

О том, как компании на практике используют ИИ и почему ставка на «быстрый эффект» часто не работает, расскажет Александр Крушинский, директор департамента голосовых цифровых технологий компании BSS.

Где ИИ уже дает реальный эффект

Вопреки распространенному мнению, ИИ сегодня применяется не в одном-двух процессах, а постепенно проникает во всю операционную модель компаний.

В BSS его используют сразу в нескольких направлениях. В разработке программного обеспечения нейросети помогают ускорять написание кода и снижать нагрузку на команды. Во внутренних процессах работают консультационные боты, которые помогают сотрудникам находить информацию по продуктам и регламентам. В поддержке клиентов ИИ используется для обработки запросов и подсказок операторам.

Отдельное направление — маркетинг. Здесь нейросети уже стали повседневным инструментом: от подготовки текстов до создания визуального контента.

Похожая картина наблюдается и на рынке в целом. По данным McKinsey, в 2024 году более 65% компаний уже используют генеративный ИИ хотя бы в одном бизнес-процессе, причем чаще всего — именно в IT, клиентском сервисе и маркетинге.

Однако, как показывает практика, наличие ИИ в процессах еще не означает устойчивого экономического эффекта.

Почему компании не спешат строить стратегию вокруг ИИ

Одна из ключевых особенностей текущего этапа — высокая неопределенность.

Мы не пытаемся закладывать эффект от ИИ в долгосрочную бизнес-модель. Технология развивается слишком быстро, а ее ограничения лучше всего понимаются через практику.

Это принципиально отличает ИИ от предыдущих волн автоматизации. Если классические IT-системы внедрялись под конкретные бизнес-кейсы с понятной экономикой, то генеративный ИИ требует экспериментального подхода.

Задачи, которые год назад считались невозможными для автоматизации, сегодня решаются стандартными инструментами. И наоборот — некоторые сценарии до сих пор остаются слишком дорогими или рискованными.

Разрыв между ИТ и бизнесом: временный эффект

На уровне компаний часто возникает ощущение, что ИТ-подразделения быстрее осваивают ИИ, чем бизнес.

Это объясняется структурой команд. В ИТ традиционно выше доля сотрудников, готовых экспериментировать с новыми инструментами без гарантированного результата. Кроме того, именно разработка стала одной из первых областей, где ИИ показал ощутимую практическую пользу.

Похожая ситуация сложилась в маркетинге — еще одной функции, где генеративные модели быстро нашли применение.

При этом внедрение ИИ в основной бизнес-процесс идет медленнее. Причина проста: там выше цена ошибки и сложнее оценить экономический эффект.

Тем не менее этот разрыв постепенно сокращается. По мере появления готовых решений и накопления практического опыта ИИ становится частью прикладных систем, а не экспериментальным инструментом отдельных команд.

Почему «зрелость ИИ» — это не про масштаб, а про подход

Популярные модели зрелости ИИ предполагают, что компании проходят путь от локальных экспериментов к централизованным внедрениям.

Однако на практике такой подход не всегда работает.

Я не считаю, что локальная автоматизация — это менее зрелый уровень. В условиях быстро развивающейся технологии правильная стратегия — это именно эксперименты. 

Ключевое отличие зрелых компаний не столько в масштабе внедрения, сколько в подходе к работе с ИИ. Речь идет о последовательной проверке гипотез, попытке измерять результат и накапливать практический опыт, который затем можно масштабировать. Именно такой подход позволяет постепенно превращать отдельные успешные кейсы в устойчивые решения, а не в разрозненные инициативы.

Почему ИИ «не приживается»: три реальные причины

Несмотря на высокий интерес к технологии, далеко не все сценарии оказываются эффективными.

Первая причина — соотношение риска и выгоды. В задачах с высокой ценой ошибки (например, прямое общение с клиентом) полностью автоматизированные решения на базе генеративного ИИ пока применяются осторожно. Зато они отлично работают как помощники — например, в поддержке операторов.

Вторая — стоимость подготовки данных. В некоторых случаях для того, чтобы ИИ дал качественный результат, требуется настолько подробный контекст, что проще выполнить задачу вручную.

Характерный пример — попытка автоматизировать написание технических заданий: объем вводных данных оказывается сопоставим с самим ТЗ.

Третья — экономическая эффективность. Генеративные модели требуют серьезных вычислительных ресурсов. По оценкам рынка, стоимость серверных GPU может достигать 1-4 млн рублей за единицу, а для масштабных задач требуются десятки таких устройств.

В результате использование ИИ не всегда оказывается дешевле классической автоматизации.

Где проходит граница эффективности

Практика показывает, что ИИ сегодня лучше всего работает в задачах, где требуется быстро обрабатывать большие объемы текста или данных и где допустима некоторая погрешность результата. Именно поэтому он так активно используется в разработке, поддержке и маркетинге.

Сложнее ситуация там, где критична точность или требуется глубокое понимание контекста. В таких сценариях стоимость ошибки оказывается слишком высокой, а подготовка данных — слишком затратной. В результате компании чаще используют ИИ как инструмент усиления человека, а не как его замену.

Главный вывод

Сегодня ИИ в бизнесе — это не «волшебная кнопка», а инструмент, который требует аккуратного внедрения.

Выигрывают не те компании, которые быстрее внедряют ИИ, а те, кто:

• правильно выбирает сценарии применения;
• умеет экспериментировать;
• и трезво оценивает ограничения технологии.

Потому что на текущем этапе ИИ — это не про масштаб, а про точность решений.