Почему внедрение ИИ не приносит бизнесу денег: 7 ошибок, из-за которых пилот не окупается

Компания выделила бюджет на искусственный интеллект, провела пилот и получила первые результаты. Нейросеть обрабатывает документы, помогает сотрудникам искать информацию или готовит отчеты. На демонстрации все работает. Но когда финансовый директор спрашивает, сколько компания заработала или сэкономила, ответить оказывается сложнее.

Сотрудники действительно стали выполнять отдельные операции быстрее. При этом расходы на персонал не изменились, процессы остались прежними, а к стоимости разработки добавились затраты на интеграции, лицензии и поддержку.

Проблема не обязательно в самой технологии. Часто компания проверяет, способен ли ИИ выполнить определенную задачу, но не проверяет, что изменится в работе бизнеса после внедрения.

Разберем семь ошибок, из-за которых перспективные ИИ-проекты не дают ожидаемой отдачи, и посмотрим, как оценивать их эффективность до того, как расходы начнут расти.

1. Внедряют ИИ, не определив, какую проблему он должен решить

Одна из самых дорогих ошибок — начинать проект с выбора технологии.

Руководство ставит задачу внедрить ИИ-ассистента. Команда изучает модели, выбирает платформу, собирает демонстрационный сценарий. Только потом возникает вопрос: какую конкретно работу должен выполнять новый инструмент и зачем бизнесу ее автоматизировать?

Возьмем отдел продаж. Менеджеры тратят много времени на подготовку к встречам: изучают историю клиента, ищут переписку, проверяют договоренности. ИИ может собирать эти сведения из CRM и готовить краткую справку.

Но сам по себе такой функционал еще не гарантирует роста продаж. Нужно понять, сколько времени занимает подготовка сейчас, насколько ее можно ускорить и как сотрудники используют освободившееся время.

Что делать: до старта проекта описать одну конкретную проблему и определить показатели, по которым будет оцениваться результат. Например, время подготовки к встрече, количество обработанных обращений или стоимость выполнения операции.

Если эти показатели невозможно измерить, оценить окупаемость будет трудно.

2. Считают сэкономленные часы, но не считают деньги

Предположим, ИИ экономит специалисту 30 минут ежедневно. Если таких сотрудников 100, получается внушительное количество часов за год.

На первый взгляд, эффект очевиден. Но есть нюанс: экономия рабочего времени и сокращение расходов компании — не одно и то же.

Если сотрудник стал выполнять задачу быстрее, его зарплата автоматически не уменьшится. Чтобы получить финансовую выгоду, бизнес должен использовать освободившееся время: обрабатывать больше заказов, отказаться от дополнительных ставок, сократить сверхурочную работу или увеличить объем услуг без расширения команды.

Поэтому финансовая модель должна учитывать не только трудозатраты, но и то, как именно компания собирается превратить их сокращение в деньги.

Допустим, автоматизация высвобождает 500 часов в месяц при расчетной стоимости часа 1500 рублей. Потенциальный эффект составляет 750 тысяч рублей ежемесячно. Но если только половину этого времени удается использовать для оплачиваемой дополнительной работы или реального сокращения затрат, финансовый результат будет существенно ниже.

Что делать: разделять потенциальную экономию времени и фактически реализуемую финансовую выгоду. Для оценки проекта использовать полную стоимость владения — с учетом разработки, интеграций, эксплуатации и контроля качества.

3. Пытаются автоматизировать процесс, который плохо работает и без ИИ

Представим согласование договора. Юрист тратит два часа на первичную проверку, после чего документ несколько дней ожидает согласования у руководителей.

ИИ способен сократить первичную проверку до нескольких минут. Но если договор по-прежнему лежит в очереди на согласование, клиент почти не заметит разницы.

Компания ускорила отдельную операцию, но не весь процесс.

Подобные проблемы встречаются в документообороте, HR, закупках и управлении проектами. Когда у процесса нет понятного владельца, правила меняются от случая к случаю, а данные приходится переносить вручную, новый инструмент наследует старые проблемы.

Перед внедрением полезно посмотреть на весь маршрут задачи: кто ее получает, какие решения принимает, где возникают задержки, какие действия дублируются.

Что делать: сначала найти основные потери времени и лишние операции, затем определить место ИИ в обновленном процессе. Иногда для получения результата достаточно обычной автоматизации без нейросети.

4. Не готовят данные и корпоративные системы

На пилоте ИИ часто работает с заранее подготовленным набором документов. В реальной компании информация распределена между CRM, ERP, корпоративным порталом, файловыми хранилищами и внутренними базами.

Причем сведения могут противоречить друг другу.

Например, менеджер запрашивает у ИИ актуальные условия работы с клиентом. В CRM указаны одни данные, в договоре — другие, а последняя договоренность осталась в переписке.

Без доступа к нужным источникам и правил определения актуальной информации даже хорошая модель может дать неправильный ответ.

Отдельная задача — права доступа. ИИ не должен предоставлять сотруднику сведения, которые тот не имеет права просматривать в исходной системе.

Поэтому корпоративный ИИ-проект быстро выходит за рамки настройки нейросети. Требуются интеграции, подготовка данных, управление доступом и контроль качества.

Что делать: еще до пилота определить, откуда ИИ будет получать информацию, кто отвечает за ее актуальность и как будут проверяться результаты.

5. Покупают инструмент, но не меняют работу сотрудников

Можно внедрить удобного ИИ-помощника и почти не получить от него пользы.

Например, сотрудник обращается к нейросети за анализом документа, затем вручную переносит результат в корпоративную систему, перепроверяет сведения и продолжает работу по старому регламенту.

Вместо сокращения операций появляется еще один интерфейс.

Чтобы этого избежать, недостаточно провести обучение и разослать инструкцию. Нужно определить, какие действия теперь выполняет ИИ, какие остаются за человеком и где результат автоматически передается следующему участнику процесса.

Важна и обратная связь от сотрудников. Они быстрее руководства замечают ситуации, когда ИИ создает дополнительную работу вместо ее сокращения.

Что делать: оценивать не количество пользователей нейросети, а изменение реального рабочего сценария. Если сотрудник выполняет те же операции, что и раньше, экономический эффект будет ограничен.

6. Недооценивают стоимость масштабирования

Небольшой пилот может обходиться относительно недорого. Но после подключения сотен сотрудников расходы начинают складываться из множества составляющих.

Помимо стоимости запросов к модели, появляются затраты на инфраструктуру, мониторинг, хранение данных, техническую поддержку, обновления и информационную безопасность.

Особенно заметна разница между пилотом и промышленным решением в крупных компаниях. Система должна выдерживать нагрузку, соблюдать права доступа, сохранять историю действий и корректно обрабатывать ошибки.

Поэтому стоимость одного успешного запроса на демонстрации мало говорит о будущих расходах.

Что делать: рассчитывать стоимость эксплуатации на планируемом объеме пользователей и операций. Проверять решение не только на идеальных примерах, но и на сложных документах, неполных данных и нестандартных ситуациях.

7. Никто не отвечает за результат после запуска

У ИИ-проекта может быть руководитель разработки, подрядчик, техническая команда и бюджет. Но при этом не быть человека, который отвечает за изменение бизнес-показателей.

ИТ-служба обеспечивает работоспособность системы. Пользователи проверяют функциональность. Финансовый директор ждет экономии.

А кто должен добиться того, чтобы новый инструмент действительно изменил работу подразделения?

Если этот вопрос не решен, проект рискует остаться технически успешным экспериментом.

Что делать: назначить владельца результата со стороны бизнеса. Вместе с ИТ и финансами он должен определить целевые показатели, критерии успешности и условия, при которых пилот можно масштабировать.

Реальный примеры на практике 

Хороший пример применения ИИ — наш проект для крупной финансовой организации, которой требовался аудит внутреннего портала на базе Битрикс24.

Система обслуживала тысячи сотрудников. Со временем накопились проблемы: отдельные карточки открывались по 5–10 секунд, отчеты формировались минутами, сервер периодически прекращал работу, а обновления приводили к ошибкам.

Задача состояла не в том, чтобы внедрить ИИ ради новой технологии. Бизнесу нужно было разобраться в причинах нестабильной работы системы и определить, какие исправления необходимы.

Наша команда использовала внутренний ИИ-инструмент для анализа сотен тысяч строк программного кода. Он помог обнаружить дублирование логики, неэффективные запросы к базе данных, проблемы кеширования, потенциальные уязвимости и другие недостатки.

При этом ИИ не принимал окончательные решения самостоятельно. Архитектор, системный инженер и руководитель разработки проверили результаты, оценили риски и подготовили план оптимизации.

По нашим данным, время проведения аудита сократилось в три раза: работу, которая вручную заняла бы месяцы, удалось выполнить за несколько недель.

После оперативных исправлений прекратились случайные падения сервера и ускорились основные сценарии работы системы. Компания также получила план дальнейшего развития портала и избежала затрат на его необоснованную переработку.

Этот пример показывает важную вещь: ИИ приносит практическую пользу, когда решает конкретную задачу и работает вместе с профессиональной экспертизой.

Как понять, что ИИ-проект действительно окупается

Для оценки экономической эффективности недостаточно сравнить стоимость разработки с предполагаемой экономией рабочего времени.

Нужно учитывать полную стоимость проекта и выгоду, которую бизнес действительно способен получить.

Базовая формула выглядит так:

ROI = (Финансовая выгода − Полные затраты) / Полные затраты × 100%.

В затраты входят разработка, лицензии, инфраструктура, интеграции, обучение, сопровождение и проверка результатов. Выгода может складываться из сокращения расходов, дополнительной маржинальной прибыли и предотвращенных потерь — если их можно обоснованно оценить.

При этом расчет желательно проводить в нескольких сценариях: оптимистичном, базовом и консервативном.

Например, если качество работы модели снизится на реальных данных и сотрудникам придется чаще проверять ответы, как изменится экономика? А если стоимость эксплуатации вырастет при увеличении нагрузки?

Такие вопросы лучше задавать до масштабирования, а не после того, как система станет частью критически важного процесса.

Что проверить перед запуском ИИ-пилота

Перед выделением бюджета руководству стоит получить ответы на шесть вопросов:

1. Какую конкретную проблему бизнеса должен решить ИИ?

2. Сколько сейчас стоит процесс, который планируется автоматизировать?

3. Каким образом сокращение трудозатрат превратится в финансовый результат?

4. Достаточно ли качественных данных для работы решения?

5. Какие расходы появятся после масштабирования?

6. Кто отвечает за достижение бизнес-показателей и принимает решение о дальнейшем развитии проекта?

Если на часть вопросов пока нет ответа, это не обязательно повод отказываться от ИИ. Но повод пересмотреть задачи пилота.

Возможно, на первом этапе нужно не внедрение, а аудит процесса, подготовка данных или расчет экономической модели.

Вывод: успешный ИИ-проект начинается с понятной экономики

Сам по себе работающий ИИ еще не означает, что инвестиции окупятся.

Компания может получить быстрый и точный инструмент, но не увидеть изменений в расходах, выручке или производительности. Чаще всего причина в том, что технология внедряется отдельно от процессов, данных и управленческих решений.

Поэтому оценивать ИИ стоит так же, как любой другой инвестиционный проект: с понятной целью, полной стоимостью, измеримыми показателями и ответственным за результат.

И только после проверки этих условий принимать решение о масштабировании.

Планируете внедрение ИИ или уже проводите пилот? Специалисты Fusion помогут разобраться, какие процессы стоит автоматизировать, как встроить ИИ в существующие корпоративные системы и что необходимо проверить перед масштабированием. 

Все записи