Как бизнесу не превратить ИИ в дорогую игрушку

Директор департамента голосовых цифровых технологий компании BSS Александр Крушинский объясняет, почему разумная стратегия по интеграции ИИ начинается не с централизованных проектов, а с серии небольших, но хорошо продуманных экспериментов.

ИИ — рабочий инструмент

Сегодня ИИ — инструмент, а не «магия будущего». Его используют в разработке ПО, маркетинге, работе контакт-центров и клиентском сервисе. Но компании, которые пытаются сразу выстроить вокруг ИИ стратегию, закладывая эффект в бизнес-план на годы вперед, часто разочаровываются. На данный момент технология развивается, возможности расширяются из года в год, поэтому границы ее применения приходится проверять на практике.

Во многих компаниях ИИ уже встроен и в производственные, и во вспомогательные процессы. Разработчики используют его как помощника при написании кода, а боты, подключенные к базе знаний находят быстрые ответы для сотрудников и клиентов. Маркетинг применяет ИИ для подготовки и оформления контента. Интеграция ИИ — естественное продолжение уже существующих процессов.

Клиентские продукты компании тоже опираются на ИИ. В бот-платформе бизнес может настроить RAG-модели и AI-агентов, чтобы ускорить ответы клиентам и сделать диалог более естественным. В речевой аналитике большие языковые модели помогают находить скрытые инсайты в звонках, которые классическая аналитика просто не видит. В базе знаний встроенный ИИ-консультант помогает операторам быстрее находить нужный ответ. При этом акцент делается не на «полной автоматизации», а на усилении специалистов и улучшении сервиса.

ИТ-сфера и бизнес

На фоне быстрого развития технологий отмечается «разрыв» между ИТ и бизнесом. В ИТ-области традиционно больше новаторов, которые первыми пробуют ИИ-инструменты в повседневной работе, не дожидаясь крупных внедрений. Для программистов ИИ уже стал стандартным помощником. Похожая ситуация в маркетинге, где нейросети решают прикладные задачи создания контента.

Заказчики из других сфер бизнеса, напротив, смотрят на ИИ через призму рисков, затрат и понятного экономического эффекта, что нормальная разница точек зрения, а не системная проблема. Уже сейчас очевидно, что разрыв постепенно закрывается. Во-первых, ИИ становится частью законченных прикладных систем, которые бизнес покупает как готовый продукт. Во-вторых, накапливается практика, благодаря экспериментам формируется база рабочих кейсов. То есть становится понятно, где ИИ действительно экономит ресурсы, а где проще и дешевле решать задачи привычными инструментами.

Системные локальные эксперименты — возможно наиболее оптимальный путь для быстро развивающейся технологии. Компания выдвигает гипотезу, выбирает процесс, ставит метрики, фиксирует результат, делает выводы. Затем масштабирует удачные решения. Такой подход выглядит менее амбициозно, чем централизованное внедрение, но лучше управляется и несет меньше рисков.

Практичный подход к ИИ

Важно понимать и ограничения ИИ. Есть процессы, где рост риска не оправдывает снижение издержек. Например, выпуск чат-бота на генеративном ИИ напрямую на клиентов, если цена ошибки высока. В таких случаях ИИ логичнее использовать как «второе мнение» и помощника оператора, когда специалист принимает решение, а модель помогает с подсказками, черновиками и быстрым поиском информации. Так снижаются риски для бренда и клиентов при экономии ресурсов.

Есть примеры обратной ситуации, когда подготовка контента для ИИ может оказаться дороже, чем выполнение задачи без него. Мы пробовали поручить модели написание технических заданий вместо аналитиков. На практике для этого пришлось загружать в систему сложный контекст — архитектуру продукта, материалы от заказчика, ограничения по интеграциям. Объем работы по подготовке входных данных оказался слишком затраты по времени. Для этой задачи ИИ пока рациональнее использовать как помощника, а не как исполнителя.

Похожая логика работает и в маркетинге, так ИИ справляется с текстами, но редактируемые презентации он пока собирает хуже. Поэтому в компании используют смешанную схему: контент генерирует ИИ, а финальную структуру и оформление слайдов делает сотрудник. Это быстрее и дешевле, чем пытаться довести автоматизацию до 100%.

В ряде случаев использование ИИ на своей инфраструктуре оказывается дороже, чем классическая автоматизация или облачные сервисы. Генеративные LLM требуют серверных GPU, а массовое обслуживание клиентов требует десятков таких GPU, то есть стоимость может превысить десятки миллионов рублей. Для компаний это важный сигнал: прежде чем вкладываться в «свой ИИ-кластер», нужно сравнить сценарии и посчитать совокупную стоимость владения — общий объем затрат, а не опираться только на тренды.

Что делать бизнесу уже сейчас

Искусственный интеллект уже приносит пользу, если применять его как инструмент для усиления специалистов и точечной оптимизации процессов. При таком подходе ИИ становится не модным проектом, а рабочей частью операционной модели компании.

1. Начинайте с небольших пилотов
   Берите 1–2 понятных процесса с готовыми данными и невысоким риском ошибки, ставьте гипотезу и измеряйте результат «до/после».
2. Используйте ИИ как помощника, а не замену сотрудника
   Пусть модель готовит черновики, подсказывает решения и ищет информацию, а финальное слово остается за сотрудником, особенно в работе с клиентами.
3. Фиксируйте и разбирайте каждый кейс
   Описывайте задачу, метрики, эффект и выводы. Масштабируйте только те решения, которые показали понятный бизнес-результат.
4. Сначала экономика, потом инфраструктура
   Считайте затраты, сравнивайте готовые продукты и облако с идеей «своего ИИ-кластера». Не вкладывайтесь в железо, пока непонятен устойчивый поток задач.
5. Встраивайте ИИ в существующие процессы
   Интегрируйте ИИ в уже работающие регламенты, CRM и базы знаний, а не стройте параллельные «витринные» решения ради имиджа.