Какую роль играет искусственный интеллект в бизнесе

В бизнес-среде все громче звучат призывы внедрять ИИ: избавиться от рутины, повысить эффективность, высвободить время для решения стратегических задач или даже «творчества». Некоторые компании, стремясь сэкономить и быть в тренде делают ставку на полную замену людей решениями на основе ИИ в колл-центрах, службах поддержки, IT-разработке. На практике же оказывается: чат-боты раздражают клиентов, столкнувшихся со срочной проблемой, а для исправления кода, сгенерированного нейросетью, приходится нанимать более квалифицированных и дорогих специалистов.

В этой статье разбираем реальные примеры удачных и неудачных внедрений, и даем практические  рекомендации для компаний, которые хотят использовать ИИ, но опасаются потратить деньги зря.

Статистика по России: где мы сейчас

В 2024 году затраты на российском рынке ИИ составили около 1,15 трлн рублей. Это на 28,4% больше по сравнению с предыдущим годом, когда объем отрасли оценивался в 895,6 млрд рублей. Такие данные приводятся в обзоре, опубликованном в начале октября 2025 года Центром компетенций Национальной технологической инициативы на базе МФТИ по направлению «Искусственный интеллект». 

Доля сотрудников российских компаний, использующих ИИ хотя бы на базовом уровне, выросла до 45% в 2025 году по сравнению с 40% годом ранее. Об этом свидетельствуют данные исследования Ingate Group, в котором приняли участие более 1000 собственников бизнеса и специалистов из различных отраслей.

По данным НИУ ВШЭ, полученным на основе обследования свыше 15 тыс. крупных и средних организаций — пользователей ИИ, проведенного в 2025 г. Росстатом, наиболее заметным результатом применения ИИ стало повышение качества и эффективности бизнес- и производственных процессов: соответствующие эффекты от ИИ отмечали около половины компаний. Свыше трети предприятий, работающих с ИИ, сообщили об увеличении доходов и числа клиентов. О росте производительности труда, повышении качества продукции и услуг под воздействием ИИ свидетельствует каждый пятый пользователь этих технологий. 

А вот согласно исследованию, проведенному Лабораторией искусственного интеллекта при Школе управления «Сколково», до 95% компаний в России не получают необходимой отдачи от внедрения искусственного интеллекта и не окупают свои инвестиции. Ниже разберем, в чем причины успехов и неудач в ИИ-проектах.

Примеры успешных и провальных внедрений

Бренды, которые извлекли выгоду из стратегического внедрения ИИ

• JPMorgan Chase: эффективность в обработке документов и анализе рисков

Суть проекта: Банк внедрил систему COIN (Contract Intelligence) на основе ИИ для автоматического анализа кредитных договоров и коммерческих соглашений. Также разработаны AI-модели для оценки кредитных рисков.

Ключевые результаты: Система COIN сократила время обработки документов с 360 000 часов человеческой работы в год до нескольких секунд, минимизировав ошибки ручного ввода. Модель для анализа рисков в 30% случаев предоставляет более точные прогнозы, чем традиционные методы, позволяя банку принимать более взвешенные кредитные решения.

Фактор успеха: ИИ применяется для автоматизации высокообъемных рутинных задач, где его точность превосходит человеческую, но конечное решение остается за экспертом-сотрудником.

• Amazon: ИИ как основа бизнес-модели и клиентского опыта

Суть проекта: Глубокая интеграция ИИ в ключевые процессы: от знаменитой рекомендательной системы на сайте до предиктивной аналитики в глобальной логистической сети.

Ключевые результаты: Рекомендательный движок, согласно внутренним исследованиям, генерирует до 35% от общего объема продаж компании. Системы прогнозирования спроса и управления запасами позволяют оптимизировать складские запасы и сократить время доставки, предвосхищая спрос клиентов.

Фактор успеха: ИИ не является изолированным инструментом, а представляет собой стратегическую инфраструктуру, которая создает новую ценность для клиента и конкурентное преимущество для бизнеса.

• Starbucks: гиперперсонализация маркетинга и управления запасами

Суть проекта: Использование платформы Deep Brew для персонализированного маркетинга, прогнозирования спроса и оптимизации ассортимента в каждой кофейне, при этом решения ИИ дополняют работу бариста, а не заменяют их.

Ключевые результаты: Мобильное приложение с AI-рекомендациями помогает клиентам выбирать напитки и усиливает лояльность, а системы прогнозирования спроса позволяют планировать ассортимент и снизить объемы непроданной продукции. При этом бариста используют подсказки ИИ как инструмент, ускоряющий обслуживание и повышающий точность выполнения заказов, сохраняя человеческое участие в процессе.

Фактор успеха: ИИ применяется там, где он дает явное преимущество — прогнозирование, рекомендации, планирование запасов — а конечное решение и контакт с клиентом остаются за человеком. Такой подход обеспечивает сочетание эффективности технологий и качества сервиса.

Общий вывод: Успешные кейсы объединяет стратегический подход: ИИ не заменяет людей, а решает конкретные бизнес-задачи — автоматизирует рутину, улучшает клиентский опыт и усиливает аналитические возможности сотрудников, будучи глубоко встроенным в основные процессы.

Бренды, которые пожалели

• IBM Watson Health: провал в онкодиагностике из-за завышенных ожиданий

Суть проекта: IBM анонсировала революционную платформу на основе ИИ для помощи врачам в диагностике и подборе лечения онкологических заболеваний. Система должна была анализировать медицинские статьи и истории болезней.

Причины провала: Алгоритм часто выдавал неверные и опасные рекомендации. Это произошло из-за ограниченного объема релевантных медицинских данных для обучения и неспособности ИИ корректно интерпретировать сложные клинические случаи и контекст.

Итог: Проект, в который были инвестированы миллиарды долларов, не оправдал ожиданий. В 2022 году IBM приняла решение о продаже Watson Health, признав коммерческую несостоятельность проекта. ИИ не может заменить врача и эффективен лишь как вспомогательный аналитический инструмент.

• Amazon: дискриминационный ИИ-рекрутер

Суть проекта: В 2018 году Amazon разработала и тайно тестировала систему на основе машинного обучения для автоматизированного анализа резюме соискателей и присвоения им рейтинга.

Причины провала: Алгоритм демонстрировал системный сбой против женщин, претендующих на технические позиции. Обучаясь на исторических данных за 10 лет (где доминировали мужчины), ИИ «научился» понижать рейтинг резюме, содержащих слова-маркеры, ассоциирующиеся с женщинами (например, «капитан женской шахматной команды»).

Итог: После неудачных попыток исправить предвзятость алгоритма компания была вынуждена полностью свернуть проект, чтобы избежать юридических и репутационных рисков.

• Commonwealth Bank of Australia: обратный эффект от ИИ в колл-центре

Суть проекта: Банк решил радикально автоматизировать службу поддержки, уволив 45 сотрудников колл-центра и заменив их голосовыми ботами.

Причины провала: Решение привело к резкому падению качества сервиса: выросло время ожидания, клиенты не могли решить сложные вопросы, а нагрузка на оставшихся операторов критически увеличилась.

Итог: Столкнувшись с шквалом критики от клиентов и профсоюзов, банк был вынужден частично откатить изменения и вернуть часть персонала, признав, что полная замена людей ИИ разрушает доверие клиентов.

Общий вывод: Эти кейсы объединяет одна ошибка — ставка на ИИ как на полную замену человеческим экспертизе и взаимодействию, что привело к финансовым потерям, репутационному ущербу и вынужденному откату изменений.

Почему такие сбои случаются — типичные ошибки

1. Переоценка технологичности без учета сложности реальных сценариев. ИИ-модель может хорошо работать с часто встречающимися стандартными случаями, но не справляется с исключениями — жалобами, нестандартными проблемами, эмоционально окрашенными обращениями.
2. Игнорирование человеческого фактора и клиентского опыта. Клиенты часто ценят возможность связаться с человеком, особенно в спорных ситуациях. Когда все, что они видят — бот или шаблон, уровень удовлетворенности может серьезно упасть.
3. Нехватка компетенций/инфраструктуры. Нет данных, нет специалистов, плохая интеграция с остальными системами, сложности с качеством данных, слабая обратная связь — все это мешает успешному применению ИИ.
4. Излишняя централизация и ставка на сокращения вместо синергии. Когда компании увольняют программистов, полагая, что ИИ будет «делать все», они оказываются в ситуации, где приходится платить еще больше за исправление ошибок, за поддержку ИИ, за доработки.
5. Недооценка рисков для бренда и репутации. Плохие ответы бота, ошибки приводят к публичной волне недовольства, штрафам (если речь о правовых или финансовых услугах), утрате доверия — что дорого обходится.

Где ИИ наиболее эффективен

Эффективность применения искусственного интеллекта зависит от специфики бизнеса и уровня зрелости процессов. Однако опыт нашей команды ИИ-разработки показывает: есть направления, в которых использование ИИ практически всегда приносит измеримый эффект.

• Прогнозная аналитика и Data Science

ИИ способен анализировать большие объемы данных и предсказывать будущие события — от спроса на продукцию до вероятности оттока клиентов. Точные прогнозы позволяют компаниям выстраивать запасы, оптимизировать ресурсы и принимать более обоснованные управленческие решения.

• Обработка естественного языка (NLP) и голосовые ассистенты

Современные NLP-модели обеспечивают автоматическую классификацию обращений, обработку писем и работу чат-ботов. Это снижает нагрузку на службы поддержки и ускоряет коммуникации, сохраняя при этом качество клиентского сервиса. Человеческий труд концентрируется на решении сложных, нестандартных задач, требующих контекста и эмпатии.

• Автоматизация бизнес-процессов

ИИ позволяет взять на себя рутинные операции: формирование отчетов, проверку документов, базовый анализ данных, мониторинг маркетинговых метрик. Важно при этом выбирать направления, где автоматизация действительно снижает затраты и повышает скорость выполнения задач, а не приводит к избыточной сложности.

• Генеративный ИИ

Генеративные модели уже сегодня применяются для ускорения подготовки контента, разработки дизайна, написания текстов и программного кода. Однако ключевое слово здесь — «ускорение», а не «замена». ИИ дополняет человеческое творчество, помогает находить идеи и варианты решений, но стратегические и креативные решения по-прежнему остаются за человеком.

Как внедрять ИИ, чтобы получить реальную пользу

Исходя из нашей практики, вот несколько практических рекомендаций для компаний:

1. Определить приоритетные сценарии и четко измеримые цели

Не все процессы выгодно автоматизировать; сначала выбрать те, где ИИ даст примерно 20-50 % выигрыша, и где человеческий контроль критичен в исключениях.

2. Прототипирование и пилотные проекты

Запустить ИИ для части задач, протестировать, собрать обратную связь, оценить удовлетворенность клиентов и сотрудников перед масштабом.

3. Смешанный подход (human + AI)

Человека оставить на «тяжелых» случаях, на работе с эмоциями, контекстом, нестандартными ситуациями. ИИ помогает, но не заменяет полностью.

4. Обучение и развитие человеческого капитала

Специалисты по ИИ должны быть не только разработчиками моделей, но и экспертами по внедрению, мониторингу, этике, качеству данных.

5. Мониторинг качества и обратной связи от клиентов

Системы оценки удовлетворенности, контроль ошибок, возможность вмешательства человека — все это снижает риски.

6. Рассчитывать все издержки, включая те, которые появляются после внедрения

Исправление ошибок, поддержка, компенсации — если клиентский опыт нарушен, придется «откатывать» или перераспределять ресурсы.

Перспективы: куда будет двигаться ИИ в ближайшие годы

В ближайшие два-три года мы ожидаем перехода от точечных экспериментов с искусственным интеллектом к планомерной интеграции ИИ во все ключевые бизнес-процессы. Мы видим несколько направлений, где этот инструмент будет применяться особенно активно:

• Компьютерное зрение

Технологии компьютерного зрения становятся стандартом для мониторинга и контроля качества — от производственных линий до строительных площадок. Системы анализируют видео и изображения в режиме реального времени, выявляя дефекты, нарушения техники безопасности или отклонения от проектных параметров. Это позволяет снижать издержки и повышать прозрачность процессов.

• Автоматизация рутинных операций

ИИ все активнее применяется для обработки клиентских запросов, формирования отчетов, расчетов и управления документооборотом. Такой подход сокращает время выполнения задач, снижает нагрузку на персонал и высвобождает ресурсы для аналитики, развития и клиентской работы.

• Анализ кода и рекомендательные системы

В разработке программного обеспечения ИИ становится инструментом повышения надежности. Алгоритмы анализируют код, прогнозируют возможные ошибки и предлагают оптимальные решения. Это позволяет ускорить цикл поставки и улучшить качество релизов без роста штата.

• Интеллектуальная поддержка клиентов

ИИ постепенно становится частью сервисных платформ: помогает маршрутизировать обращения, формулировать ответы, оценивать эмоциональный тон общения. При этом сохраняется участие человека — особенно в сложных или чувствительных кейсах. Компании, сумевшие выстроить такую гибридную модель, показывают наиболее устойчивые показатели удовлетворенности клиентов и производительности операторов.

Вывод: ИИ — не серебряная пуля, а сложный инструмент, эффективный в умелых руках

ИИ уже не просто технологический тренд — это инструмент, который может дать сильное конкурентное преимущество для тех, кто умеет его использовать осознанно. Но попытки заменить все и сразу часто приводят к падению качества, росту жалоб и потере клиентов, а также к необходимости дорогостоящей переделки. Для бизнеса лучший путь — не «все на ИИ», а «ИИ + человек», с четким планом, оценкой рисков и вниманием к опыту клиентов и сотрудников.