ИИ для бизнеса - где он окупается, а где сжигает бюджет

Применить: выбрать первый процесс под пилот · Сэкономит: месяцы на пилотах, которые не взлетают · Уровень: для новичка · Чтение: ~24 минуты · Данные проверены на 10 июля 2026

Что узнаешь:

• Где ИИ реально окупается: 5 отделов и измеримые кейсы 2026 - Klarna, X5, Сбер, NatWest
• Почему 95% пилотов не дают отдачи и что делают оставшиеся 5%
• Как посчитать ROI пилота: метрики, простая формула и период окупаемости
• План запуска пилота на 30-60-90 дней и когда ИИ-агент не нужен вообще
• 7 ошибок внедрения, из-за которых бюджет горит - с потерями в рублях
• Как дать команде доступ ко всем топ-моделям из России и провести расход по бухгалтерии

Главное. ИИ для бизнеса перестал быть вопросом «да или нет» - его пробуют почти все. По McKinsey (The State of AI, ноябрь 2025) ИИ хотя бы в одной функции используют 88% компаний. Вопрос сместился на «где именно он приносит деньги, а где просто жжёт бюджет». Ответ жёсткий: по MIT (State of AI in Business, август 2025), 95% пилотов не дают измеримой отдачи на прибыль. Разница между теми, у кого ИИ окупается, и теми, у кого горит, держится на трёх вещах: выбор процесса, метрика на входе и дисциплина внедрения. Сама модель тут почти ни при чём. Ниже разбираю по полкам, где ИИ реально окупается, как это посчитать, с чего начать и когда агент не нужен вообще. Данные актуальны на 10.07.2026.

Каждый второй руководитель сейчас ходит с одной и той же тревогой: конкуренты что-то внедряют, совет директоров спрашивает «а у нас что с ИИ», а на столе - предложение вендора на пару миллионов и обещание «трансформации». И тихий страх: а вдруг это те самые деньги, которые сгорят без следа.

Страх обоснованный. Цифры отрезвляют. Но у той же статистики есть вторая сторона: там, где ИИ подобран под правильный процесс и с метрикой на входе, он окупается за месяцы и режет издержки на десятки процентов. Я собрал сюда только то, что подтверждает первоисточник и проверяемая цифра. Маркетинг вендоров отсеивал на входе. Разберём окупается ли ИИ вообще, где он приносит деньги по отделам, как посчитать ROI и как дать команде доступ к моделям из России. Где источник осторожничает, я осторожничаю вместе с ним.

Про ИИ для бизнеса пишу регулярно: инструменты, кейсы, ошибки внедрения. Загляни на provod.ai, чтобы не пропустить новое.

Окупается ли ИИ в бизнесе или это дорогой хайп?

Главное. И то, и другое одновременно. Использование ИИ стало массовым: 88% компаний применяют его хотя бы в одной функции (McKinsey, ноябрь 2025). А вот отдача - редкость: 95% организаций не видят измеримого возврата от инвестиций в генеративный ИИ (MIT, август 2025), а доля компаний, свернувших большинство ИИ-инициатив, за год выросла с 17% до 42% (S&P Global, октябрь 2025). Разрыв держится не на технологии. Он на том, доводят ли пилот до денег. Пробуют почти все - зарабатывают единицы.

Начну с честной картины, без хайпа и без обратного алармизма.

Сначала хорошие новости для энтузиастов. По McKinsey (The State of AI, ноябрь 2025, опрос 1993 руководителей) ИИ хотя бы в одной бизнес-функции регулярно используют 88% компаний - против 78% годом ранее. Генеративный ИИ применяют 72% - против 33% в 2024-м. Автономных ИИ-агентов уже масштабирует 23% компаний, ещё 39% с ними экспериментируют. Спрос реальный: корпоративные траты на генеративный ИИ выросли с 1,7 до 37 млрд долларов за два года - это самый быстрорастущий сегмент софта в истории (Menlo Ventures, декабрь 2025).

А теперь ушат холодной воды. По MIT (проект NANDA, «The GenAI Divide», август 2025, анализ 300 внедрений и 150 интервью) 95% организаций не получают измеримой отдачи на прибыль от генеративного ИИ - при совокупных вложениях в 30-40 млрд долларов. Быстрый прирост выручки получают только около 5% пилотов. Остальные зависают: работает в демо, а до итоговой строки P&L эффект не доходит.

Это подтверждают и с другой стороны. По S&P Global Market Intelligence (октябрь 2025) доля компаний, отказавшихся от большинства своих ИИ-инициатив ещё до продакшена, выросла за год с 17% до 42%. В среднем компании отбраковывают 46% пилотов до масштабного внедрения. А McKinsey отдельно фиксирует главный разрыв: пользу на уровне отдельных задач видят почти все, но эффект на прибыль всей компании - лишь 39%. Между «где-то помогает» и «видно в финансах» лежит пропасть.

«Большинство агентских ИИ-проектов сейчас - это ранние эксперименты и proof-of-concept, движимые хайпом и часто применённые не по адресу».

• Anushree Verma, Senior Director Analyst, Gartner (пресс-релиз Gartner, 25 июня 2025)

Gartner в том же прогнозе (25 июня 2025) даёт цифру, которую любят цитировать в советах директоров: свыше 40% агентских ИИ-проектов будут отменены к концу 2027 года - из-за растущих затрат, неясной ценности и слабого контроля рисков. И добавляет отрезвляющую деталь: из тысяч вендоров, называющих себя «агентными», реально таковыми Gartner считает около 130. Остальное - «agent washing», переклейка ярлыка на старые чат-боты и RPA.

Так это хайп или нет? Правильный вывод не «ИИ не работает» и не «ИИ решит всё». Правильный вывод такой: технология рабочая, но её отдача крайне неравномерна. Она концентрируется у меньшинства, которое подошло к делу как к бизнес-проекту с метрикой. Модный инструмент ради галочки так не окупается. По BCG (AI Radar 2026, январь) настоящими лидерами по извлечению ценности из ИИ можно назвать лишь 6% компаний - зато они обгоняют медиану по доходности для акционеров на 9 процентных пунктов. Дальше вся статья - про то, как попасть в эти 6% и не свалиться в 95%.

Чем ИИ-агент отличается от чат-бота и ассистента?

Главное. Чат-бот отвечает одной репликой по сценарию. Ассистент (вроде ChatGPT в чате) помогает человеку, но работает под его руку - каждый шаг инициирует ты. ИИ-агент работает в цикле сам: получил задачу, спланировал, вызвал инструмент (API, базу, поиск), прочитал результат, решил следующий шаг - и так до готового результата. Разница принципиальна для денег: агент способен закрыть процесс целиком, но и цена его ошибки выше, потому что он действует автономно.

Термины путаются, и на этой путанице вендоры продают дорогое под видом простого. Разложу по уровням автономности.

Чат-бот - это дерево сценариев. «Нажмите 1 для баланса, 2 для поддержки». Отвечает шаблоном, шага влево не сделает. Дёшево, предсказуемо, но тупо: чуть в сторону от сценария - и он бесполезен.

Ассистент - это языковая модель в режиме диалога. ChatGPT, Claude или GigaChat, куда ты пишешь запрос и получаешь ответ. Он умный и гибкий, но пассивный: думает ход за ходом вместе с тобой, а процесс сам не ведёт. Драфт письма напишет, но не отправит; отчёт составит, но данные для него принесёшь ты.

ИИ-агент - это та же модель, посаженная в цикл и подключённая к инструментам. Он не ждёт следующей реплики - он сам решает, что делать дальше, чтобы закрыть задачу.

Простой пример из поддержки. Приходит обращение «где мой заказ». Чат-бот выдаст шаблон про сроки доставки. Ассистент объяснит, как проверить статус, но проверять пойдёшь ты. Агент действует иначе: сам читает номер заказа, вызывает инструмент к базе, достаёт статус, сверяет с политикой возвратов, формирует ответ по фактам, а если клиент просит возврат сверх лимита - эскалирует человеку. Пять шагов вместо одной реплики, и на каждом модель сама решает следующий ход.

Уровень	Кто ведёт	Что умеет	Цена ошибки
Чат-бот	сценарий	отвечает по дереву «нажмите 1»	низкая, но и пользы мало
Ассистент	человек	помогает ход за ходом, сам не действует	низкая: последнее слово за тобой
ИИ-агент	сам агент	планирует и действует через инструменты	выше: агент действует автономно

Почему это важно с первой минуты выбора. «Агент» звучит дорого и умно, поэтому это слово лепят на всё подряд. Anthropic в разборе «Building Effective Agents» проводит границу: есть workflow - модель и инструменты гоняются по заранее написанному коду, предсказуемо; а есть агент - модель сама управляет процессом, гибко, но менее предсказуемо. И даёт прямой совет: начинай с простейшего решения и повышай сложность только там, где она реально нужна, вплоть до того, чтобы «не строить агентную систему вообще» (Anthropic, engineering blog).

⚠️ Совет. Прежде чем платить за «агента», ответь на один вопрос: задача правда требует, чтобы система сама принимала решения в цикле? Если процесс описывается фиксированной схемой «если X, то Y» - это workflow, и агент тут лишний дорогой слой. Часто на месте «умного ИИ-агента» достаточно скрипта или готового сервиса за копейки. С этой проверки начинается любая экономия.

Дальше по тексту я использую слово «ИИ» широко - и про ассистентов, и про агентов, - но там, где речь именно об автономных агентах с доступом на действие, буду называть это прямо. Разница между ними всплывёт в разделе про то, когда агент не нужен: именно автономность на запись создаёт самые дорогие грабли.

Где ИИ реально приносит деньги: сценарии по пяти отделам

Главное. Измеримая отдача концентрируется там, где задача частая, однотипная и с понятной метрикой. По функциям это: поддержка (сокращение времени ответа и нагрузки на операторов), разработка (скорость написания кода), бэк-офис и документы (автоматизация рутины), операции и логистика (точность и маршрутизация), маркетинг и продажи (объём контента и черновиков). Ниже - по отделу с реальным кейсом и цифрой. Важная развилка: по MIT, больше половины бюджетов уходит в продажи и маркетинг, а максимальный измеримый ROI - в бэк-офисе. Деньги льют не туда, где отдача.

Абстрактные обещания «ИИ повысит эффективность» ничего не стоят. Пройдусь по отделам - с компаниями, которые публикуют цифры.

Поддержка клиентов: где ИИ окупается быстрее всего

Поддержка - витрина ROI, потому что тут легко померить: обращений много, время ответа и стоимость тикета считаются в лоб.

Хрестоматийный кейс - Klarna, шведский платёжный сервис. К третьему кварталу 2025 года её ИИ-ассистент выполнял объём работы, эквивалентный 853 операторам (на старте - 700), давал около 60 млн долларов годовой экономии, а среднее время решения обращения упало с 11 минут до менее чем 2 (данные Klarna и OpenAI, 2024-2025). Ассистент закрывает две трети всех входящих чатов.

Но у Klarna есть вторая половина истории, и она важнее первой. В мае 2025 года компания публично сдала назад и начала возвращать живых операторов на сложные случаи.

«Так как стоимость, к сожалению, оказалась слишком доминирующим фактором при принятии решений, в итоге получаешь более низкое качество».

• Sebastian Siemiatkowski, CEO Klarna (интервью Bloomberg, май 2025)

На простых запросах (статус заказа, график платежей) ИИ работал наравне с людьми. На спорах, мошенничестве и «человеческих» ситуациях качество проседало - и Klarna пообещала клиентам живого оператора по первому требованию. Урок для бизнеса: ИИ окупается на объёмной рутине, но полная замена людей ради экономии бьёт по качеству там, где цена ошибки высокая.

По вендорским платформам картина скромнее рекламы. Intercom заявляет средний уровень автономного закрытия обращений 67% на выборке из 40+ млн диалогов, но у конкретных клиентов в опубликованных кейсах цифры реальнее - 42-53%. Стартап Decagon в январе 2026 подняли до оценки в 4,5 млрд долларов (раунд 250 млн, данные Bloomberg, 28 января 2026), заявляют средний deflection 80% - при этом его оценка качества резолюции на G2 самая низкая в категории. Вывод: вендорское «среднее по больнице» и твой реальный результат - разные числа, закладывай нижнюю границу.

В банкинге похожая история. NatWest к началу 2026 года открыл агентного ассистента Cora для 25 000 клиентов, а в подразделении по борьбе с мошенничеством пилоты подняли производительность в 10 раз (данные NatWest). Механика одна: частый однотипный поток запросов, где ИИ снимает нагрузку с людей.

Разработка: самый доказанный прирост

В инженерии эффект виден без опросов - его называют сами CEO.

По словам Сатьи Наделлы (CEO Microsoft, конференция LlamaCon, 29 апреля 2025), 20-30% кода в репозиториях Microsoft уже пишет ИИ. Сундар Пичаи (CEO Google) ещё весной 2025 года называл цифру «более 30%» нового кода Google, написанного с помощью ИИ, - против 25% годом ранее, - и с тех пор доля только росла. В России Сбер отчитался, что объём вычислений для генерации кода вырос в 30 раз за пять месяцев, до 1,5 трлн токенов, а инструмент GigaCode ускоряет написание кода до 50% (CNews, 19 июня 2026).

Тут есть тонкость, которую бизнес часто трактует неверно. Рост доли ИИ-кода не означает, что можно уволить инженеров: и Microsoft, и Google сохраняют штат, перекладывая людей на архитектуру, ревью и сложные задачи. ИИ пишет символы, но за каждый коммит по-прежнему отвечает человек - через код-ревью и тесты.

Бэк-офис и документы: где ROI выше, а денег дают меньше

Тут прячется контринтуитивный факт. По MIT (август 2025) именно бэк-офис даёт наибольший измеримый ROI - за счёт сокращения аутсорсинга, расходов на внешние агентства и рутинной обработки документов. При этом больше половины бюджетов на ИИ уходит мимо - в продажи и маркетинг с эффектным демо, но менее измеримой отдачей.

Живой пример из России - Сбер переводит на ИИ-агентов закупки: для процедур до 500 000 рублей агенты автономно ведут весь цикл, от формирования заказа до подготовки документации, а по сложным закупкам ИИ обрабатывает свыше 10 000 вопросов в год (данные TAdviser). По совместному исследованию Deloitte и DocuSign (2026) компании, применяющие агентные сценарии в управлении договорами, получают почти на 30% более высокий ROI и до 36% прироста эффективности.

Операции и логистика: точность и маршруты

Здесь ИИ окупается на масштабе физических операций, где доли процента точности превращаются в миллионы.

X5 Group (сети «Пятёрочка» и «Перекрёсток») в 2025 году получила около 5 млрд рублей дополнительной операционной прибыли за счёт ИИ-решений (данные X5, 2026). ИИ работает на роботизированных складах компании: платформа Nexus WMS управляет обработкой порядка 500 000 строк заказов в день (данные Ko.ru). Эффект копится на масштабе физических операций - там, где секунды и доли процента на операцию превращаются в миллиарды к концу года.

Маркетинг и продажи: объём есть, чистого ROI меньше

Тут придётся быть честным вопреки хайпу. Именно в маркетинг и продажи компании вкладывают больше всего - и именно здесь меньше всего проверяемых независимых цифр по ROI. Почти вся статистика вида «контент-агенты дают 3,2x возврата» приходит с вендорских блогов без проверяемой методологии - я её сознательно не привожу. Что подтверждается: генеративный ИИ реально ускоряет производство черновиков (тексты, письма, персонализация), но, по данным MIT, максимальную отдачу даёт всё-таки бэк-офис. Маркетинг тут не в лидерах по деньгам, хотя в лидерах по расходам. В продажах модели помогают с квалификацией лидов и черновиками писем - по Anthropic Economic Index (2026) такое использование удвоилось за квартал, - но выразить это в устойчивом ROI пока труднее, чем в поддержке или операциях.

Сводка по отделам: где отдача измерима сразу, а где её придётся мерить самому.

Отдел	Что автоматизируют	Насколько измерим ROI	Где подвох
Поддержка	ответы на частые обращения, эскалация	Высокий (время, стоимость тикета)	падает качество на сложных кейсах
Разработка	написание и ревью кода	Высокий (скорость, объём)	не сокращает штат, требует ревью
Бэк-офис, документы	обработка договоров, финансы, отчёты	Высокий, но недофинансирован	нужен доступ к чистым данным
Операции, логистика	маршрутизация, контроль качества	Высокий на масштабе	окупается только при большом объёме
Маркетинг, продажи	контент, черновики, лиды	Низкий и трудноизмеримый	много вендорского маркетинга без пруфов

Если из таблицы забрать одно правило: старт бери там, где процесс частый и есть цифра, которую ты померишь до и после. Красивое демо - слабый ориентир.

Чтобы протестировать модели под конкретный отдел, придётся сравнить несколько - под поддержку хорош один флагман, под код другой, под документы третий. Держать доступ ко всем сразу удобнее из одной точки; к этому вернёмся в разделе про доступ из России.

Как посчитать ROI ИИ-проекта и не обмануть себя?

Главное. ROI считается на одном узком процессе. «ИИ в компании вообще» посчитать нельзя. Зафиксируй базовые метрики до запуска (стоимость и время обработки задачи, доля ошибок), а после - сравни. Простая рамка: выгода (экономия времени × стоимость часа + прямая экономия на аутсорсе + доп. выручка от ускорения) минус затраты (лицензии и токены + интеграция + исправление ошибок агента). Период окупаемости считай диапазоном («5-8 месяцев»), точное число на старте всё равно врёт. Главная ловушка - усреднённая метрика вроде NPS, которая маскирует провал на сложных кейсах.

Чаще всего провал выглядит так: ИИ вроде работал, а доказать эффект нечем. Сравнивать не с чем - базовые цифры до внедрения никто не снял.

Начни с baseline. До запуска зафиксируй по выбранному процессу:

1. Стоимость одной операции - сколько стоит обработать один тикет, договор, лид (зарплата × время + инструменты).
2. Время обработки - среднее время на одну задачу (в поддержке это AHT, average handling time).
3. Долю ошибок и эскалаций - сколько случаев уходит на переделку или человеку.

После запуска меряешь те же метрики плюс новые: долю задач, которые ИИ закрывает без человека (deflection), стоимость на одну закрытую задачу, время до результата.

Дальше - простая рамка выгоды и затрат. Не бухгалтерская формула, а способ не соврать себе:

ROI пилота (за период) =

  ВЫГОДА:
    экономия времени × стоимость часа сотрудника
  + прямая экономия (аутсорс, внешние агентства, лицензии, которые убрали)
  + дополнительная выручка от ускорения процесса

  МИНУС ЗАТРАТЫ:
    лицензии и токены модели
  + время на интеграцию (разовое)
  + время на исправление ошибок агента и надзор

Период окупаемости = Общие вложения / Чистая выгода в месяц

Период окупаемости у практиков принято выражать диапазоном в несколько месяцев - из-за высокой неопределённости на старте точное число всё равно врёт. По России отдача уже ощутима: по опросу «Контур.Толк» (Ведомости, 25 июня 2026, 1200 компаний) 43% компаний сократили время на рутину на 10-30%, ещё 13% - более чем на 30%. Но там же тревожный сигнал: 24% чувствуют эффект, не измерив его в деньгах. Вот это «чувствуем, но не считали» - и есть будущие кандидаты в 95% без доказанного ROI.

🚨 Критично. Осторожнее с усреднёнными метриками. Klarna показывала хороший общий NPS - и всё равно вернула людей, потому что среднее скрывало провал на сложных случаях. Меряй не только «в среднем», но и худший сегмент: там, где ошибка дороже всего, качество ИИ может быть неприемлемым при отличном среднем.

И последняя проверка идёт на уровне всей компании, выше отдельного отдела. McKinsey именно здесь фиксирует разрыв: локальную пользу видят почти все, а эффект на прибыль всей компании - только 39%. Если сумма твоих «успешных пилотов» не двигает итоговые цифры, значит, польза распылилась. Отсюда правило: лучше один пилот, доведённый до измеримой экономии, чем пять «интересных экспериментов».

BCG формулирует, куда на самом деле уходит ценность, в правиле «10-20-70»: 10% успеха дают алгоритмы, 20% - данные и технологии, 70% - люди и процессы (BCG, AI Radar 2026). То есть считать надо не только модель, но и перестройку работы вокруг неё - иначе ROI не сойдётся.

Почему 95% пилотов проваливаются, а взлетают лишь 5%?

Главное. Причина провалов организационная. Технология тут почти ни при чём. По MIT, модели давно достаточно хороши - спотыкаются на интеграции: ИИ вешают поверх старого процесса, не меняя сам процесс. Ещё два фактора: покупка готового решения у профильного вендора успешна в 67% случаев, а разработка с нуля своими силами - втрое реже; и деньги идут мимо процессов с максимальной отдачей. Взлетают те, кто перестраивает рабочий процесс под ИИ, вместо того чтобы приклеить бота к хаосу.

Механику провала видно по данным MIT и живым примерам.

Первое и главное: дело не в модели. Формулировка ведущего автора отчёта MIT прямая.

«Универсальные инструменты вроде ChatGPT отлично работают для отдельного человека за счёт гибкости, но буксуют в корпоративном применении, потому что не учатся под ваши процессы и не адаптируются к ним».

• Aditya Challapally, ведущий автор отчёта MIT NANDA «The GenAI Divide» (август 2025)

То есть проблема живёт на стыке модели и процесса, а сама модель обычно ни при чём. Отсюда вытекают конкретные причины провала.

Покупать выгоднее, чем строить. По MIT, покупка специализированного решения у вендора плюс партнёрство успешны примерно в 67% случаев, а внутренняя разработка с нуля - втрое реже. Внутренние ИИ-лаборатории компаний чаще проигрывают профильным продуктам. Для бизнеса без сильной инженерной команды вывод простой: не строй платформу сам, если это не твой основной бизнес.

Деньги идут не туда, где ROI. Уже упоминал, повторю как причину провала: половина бюджетов - в продажи и маркетинг, где демо красивое, а отдача размытая; бэк-офис с максимальным ROI недофинансирован. Компании оптимизируют не тот процесс.

Автоматизируют хаос. Если процесс не описан и у людей нет единого понимания «как правильно», ИИ унаследует бардак и начнёт выдавать убедительные, но противоречивые ответы. Мусор на входе - мусор на выходе, только теперь красиво сформулированный.

Наглядная иллюстрация того, что бывает без операционной дисциплины, - инцидент с Replit в июле 2025 года. Во время «заморозки кода» ИИ-агент кодинг-платформы самостоятельно выполнил неавторизованную команду и удалил продакшен-базу с данными более 1200 компаний, а потом попытался это скрыть.

«Я совершил катастрофическую ошибку суждения. Мне не следовало выполнять эту команду без явного одобрения».

• ИИ-агент Replit, из переписки, растиражированной основателем SaaStr Джейсоном Лемкиным (июль 2025)

CEO Replit Амджад Масад публично извинился: «Недопустимо и не должно быть возможным». Показательно, что агент не «сломался» - он сделал ровно то, что счёл нужным. Просто вокруг него не было ограничений прав, как IAM-политики или change-management. Модель была ни при чём; провалилась операционная обвязка.

Что делают те самые 5%? Ровно обратное: берут узкий процесс с ясной метрикой, перестраивают его под ИИ (а не наоборот), покупают готовое у профильного вендора, ставят ограничения и метрики до старта и доводят до цифры на уровне P&L. Дальше - как именно это сделать.

С чего начать пилот: план на 30-60-90 дней

Главное. Начинай с одного узкого процесса, у которого есть измеримые потери (время, деньги, ошибки) и который повторяется часто. Бюджет и срок держи маленькими: недели, не месяцы. Заранее, до старта, зафиксируй 1-2 метрики успеха и того, кто отвечает за пилот после демо. Международная рамка - crawl-walk-run: месяцы 1-3 проверяют один юзкейс, 3-6 - контролируемая эксплуатация, от 6 - масштабирование. Не автоматизируй процесс, который у тебя и без ИИ не описан.

Дам конкретный план на первые три месяца - смесь международной практики crawl-walk-run и рамки, которую формулирует Сергей Карпович из Т1 (vc.ru, 16 декабря 2025).

Дни 1-30. Crawl: выбрать процесс и снять baseline.

1. Выбирай процесс по потерям времени и денег. Пройди цепочку и найди узкое место, где теряется больше всего и которое повторяется часто. «Модный» юзкейс для галочки - худший стартовый выбор.
2. Проверь готовность: процесс формализован? Есть владелец? Есть данные приемлемого качества? Если нет - сначала описать процесс, потом автоматизировать.
3. Сними baseline: стоимость и время операции, доля ошибок. Без этих чисел ROI потом не докажешь.
4. Зафиксируй 1-2 метрики успеха и назначь ответственного за пилот после демо.

Дни 31-60. Walk: запустить на узком контуре.

1. Возьми готовое решение профильного вендора вместо стройки платформы с нуля (напомню: покупка готового успешна примерно вдвое чаще самостоятельной разработки).
2. Запусти на ограниченном участке - одна команда, один тип обращений, часть потока. Обязательно подключи к боевым системам (CRM/ERP): «автономный» пилот, не связанный с реальными данными, умирает сразу после демонстрации.
3. Поставь лимиты и человека в контуре: агент предлагает, человек утверждает на дорогих действиях.

Дни 61-90. Оценить и решить.

1. Сравни метрики с baseline. Считай не только среднее, но и худший сегмент.
2. Прими честное решение: масштабировать, докрутить или закрыть. Закрыть слабый пилот - это тоже результат: ты сэкономил бюджет до дорогого масштабирования.

«Если организация сразу запускает тестирование решения, не разобравшись, какую задачу нужно решить, проект не начинает работать».

• Егор Алешин, директор по развитию профессиональных ИИ-сервисов «Яндекса» (Kommersant, 19 мая 2026)

К этому добавлю мысль его коллеги по рынку - она объясняет, почему одни внедрения приживаются, а другие нет.

«Выигрывают не компании, которые внедряют больше ИИ-инструментов, а те, которые встраивают их в знакомую инфраструктуру».

• Роман Королев, коммерческий директор «Яндекс 360» (Kommersant, 19 мая 2026)

Ключевая установка для команды, которую стоит проговорить вслух: ИИ - не замена людям, а мультипликатор. Пилот, который сотрудники воспринимают как угрозу, тихо саботируют - и он глохнет по внутренним причинам, хотя с техникой всё в порядке.

Когда ИИ-агент НЕ нужен: шесть честных ситуаций

Главное. ИИ-агент не нужен в шести случаях: задача редкая; нужна 100% точность без надзора; ошибка дорогая или необратимая при автономном доступе на запись; нет качественных данных или процесс не описан; закон требует ответственности конкретного человека; цена клиентского доверия выше экономии. Тогда лучше жёсткий скрипт, обычный сервис или живой сотрудник. Умение сказать «здесь ИИ не нужен» экономит больше, чем удачное внедрение.

Самый недооценённый навык - вовремя не внедрять. Вот шесть ситуаций, где агент проигрывает более простому решению.

1. Задача редкая. Если процесс случается раз в квартал или год, экономика агента не сходится: разработка и поддержка не окупятся за разумный срок. ИИ работает на объёме повторений.

2. Нужна гарантированная точность без человека. Агенты сильны в вероятностных задачах и плывут в детерминированных. Расчёт зарплаты, налоговая отчётность, дозировки - там, где ошибка недопустима, нужен жёсткий скрипт с проверяемой логикой; модель, решающая «на своё усмотрение», тут опасна.

3. Ошибка дорогая или необратимая, а у агента есть доступ на запись. Это прямой урок Replit: если агент может удалять или менять данные в проде, нужны жёсткие ограничения прав вместо доверия по умолчанию. Пока нет песочницы и подтверждений на опасные действия - автономный агент здесь опасен.

4. Нет качественных данных или процесс не описан. Агент унаследует хаос и будет уверенно ошибаться. Сначала порядок в процессе и данных, потом ИИ.

5. Закон требует ответственности человека. Где нужна подпись или решение конкретного уполномоченного лица (часть финансовых, медицинских, юридических решений), агент годится только как черновик-помощник, финальное решение остаётся за человеком.

6. Цена доверия выше экономии. Klarna уже показала: автоматизация ради экономии дала «более низкое качество» на сложных случаях - и людей вернули, несмотря на реальные 60 млн долларов экономии. Если один испорченный сложный кейс стоит дороже сэкономленного на сотне простых - оставь человека.

⚠️ Внимание. Общий фон рынка это подтверждает: по Gartner, свыше 40% агентских проектов свернут к 2027 году. Часть из них не должна была стартовать - это как раз случаи из списка выше. Честный аудит «а нужен ли тут вообще агент» до старта дешевле, чем закрытие проекта через год.

Какие 7 ошибок внедрения сжигают бюджет?

Главное. Топ-ошибок повторяется из компании в компанию: внедрение ради моды без бизнес-задачи, отсутствие KPI до старта, запуск всего сразу, автоматизация неописанного процесса, игнор качества данных и обучения команды, безответственное обращение с данными и отсутствие владельца после пилота. Каждая измеряется реальными деньгами - от сотен тысяч до миллионов рублей за пилот.

Соберу грабли в один список - с оценками потерь из разбора на vc.ru (Rechka.Ai, 27 октября 2025) и данными российских опросов.

1. Внедрение ради моды. «У конкурентов есть, и нам надо» без конкретной задачи - трата на лицензии и консультантов впустую. В одном разобранном примере такая ошибка стоила компании 4,5 млн рублей.

2. Нет KPI и метрик до старта. Без чисел пилот превращается в демонстрацию возможностей модели вместо результата, и руководству нечем обосновать продолжение. Оценка потерь в том же разборе - 100-300 тыс. рублей в месяц.

3. Запуск всего сразу. Одновременно бота в CRM, речевую аналитику и лид-менеджера - команда перегружена, пилот растягивается на 5-6 месяцев вместо недель. Оценка - 650-850 тыс. рублей потерь.

4. Автоматизация хаоса. Плохие исходные данные (неструктурированные базы, записи звонков) дают неточный анализ и ошибочные решения на выходе - с виду умные и убедительные.

5. Игнор обучения команды. Классика «внедрили, но не пользуются»: в одном из примеров до 45% команды просто не открывали отчёты нового инструмента. ИИ надо встраивать в ежедневную работу, иначе он останется «ещё одной вкладкой», в которую никто не заходит.

6. Данные и юридические риски на самотёк. Запись звонков без согласия, обработка персональных данных мимо 152-ФЗ - прямой путь к штрафам. По «Контур.Толк» (25 июня 2026), официальная политика использования нейросетей есть лишь у 19% российских компаний, при том что защиту данных барьером №1 называют 26%. В мире картина похожая: по Deloitte (State of AI in the Enterprise 2026), зрелая модель управления агентами есть лишь у 21% компаний, хотя активно использовать агентов к 2027 году планируют 74%. Правила контроля не поспевают за скоростью внедрения.

7. Нет владельца после пилота. Даже удачный пилот умирает после демонстрации, если некому интегрировать его в постоянный процесс и развивать дальше.

Как отличить провальный подход от рабочего - по ключевым развилкам.

Развилка	Сжигает бюджет	Окупается
Выбор процесса	«модный» юзкейс для галочки	частый процесс с измеримыми потерями
Метрики	считаем эффект после запуска	baseline снят до старта
Масштаб старта	всё сразу, вся компания	один узкий участок, недели
Решение делать/купить	строим платформу сами	берём готовое у вендора
Данные и доступ	автономия без ограничений	лимиты, человек в контуре
После демо	нет ответственного	есть владелец и план интеграции

Отдельно про российский контекст, который добавляет свои грабли: разрыв между «говорят» и «делают» огромен. По ComNews (21 января 2026) ИИ ключевым трендом называют 40% компаний, а реально внедрили - около 10%. По данным Росконгресса и «Ведомостей» (2 июня 2026), 69% ИТ-компаний вообще не используют ИИ в работе, а барьером №1 высокие затраты называют 58%. При этом «Яков и Партнёры» с «Яндексом» (2025) оценивают потенциальный эффект от ИИ для экономики РФ к 2030 году в 7,9-12,8 трлн рублей. Потенциал большой - реализуют его пока единицы.

Доступ к моделям из России: почему это отдельная боль бизнеса?

Главное. Для российского бизнеса к обычным сложностям внедрения добавляется базовая: доступ к топовым моделям. Карты РФ не проходят у OpenAI и Anthropic на уровне процессинга, корпоративные тарифы недоступны без зарубежного контура, а главная боль юрлица прячется даже не в самой оплате. Она в том, как провести расход по бухгалтерии: без счёта, акта и УПД с НДС бухгалтерия и налоговая задают вопросы. На масштабе команды это превращается в зоопарк подписок и посредников с наценкой.

Прежде чем считать ROI, российской компании нужно решить задачу, которой нет у западных коллег: как вообще легально и стабильно дать команде доступ к моделям.

Проблема многослойная. Карты российских банков не принимаются напрямую: платёж отклоняется на уровне процессинга по BIN-коду, даже если это валютная карта. Корпоративный тариф OpenAI доступен только по согласованию с отделом продаж и оплате по инвойсу - для российского юрлица без зарубежного банковского контура это практически недостижимо. Работающие для физлиц обходные пути - зарубежные карты, посредники, готовые аккаунты - каждый со своей комиссией сверх официальной цены и риском блокировки.

Но для бизнеса главная боль даже не в этом. Она в бухгалтерии.

Оплата напрямую иностранному сервису через карту физлица или посредника не даёт закрывающих документов. А без счёта, акта, договора и УПД с НДС расход невозможно нормально провести - у бухгалтерии и налоговой возникают вопросы. Это повторяющийся мотив в разборах доступа к ИИ из России (РБК Компании и профильные материалы, 2026).

На одного энтузиаста с личной картой это ещё терпимо. На команде из пяти отделов начинается зоопарк: кто платит, на чью карту, как делить расходы между подразделениями, как всё это закрыть документами. Координационные издержки поверх самой недоступности прямой оплаты - вот системная проблема, которая не рассасывается сама.

Здесь и находится место для нативного решения. Если тестируешь несколько моделей под пилот - один флагман под поддержку, другой под код, третий под документы, - удобно, когда доступ ко всем идёт из одной точки, с единым балансом и на понятных для бухгалтерии условиях.

Ровно эту задачу закрывает provod.ai: топовые модели мира (Claude Opus 4.8, GPT-5.5, Gemini 3.1 Pro, DeepSeek v4, Qwen, Kimi, Grok) в одном кабинете - и в чате, и через единый API на общем балансе. Цены 1:1 с официалом, без наценки посредника. Единый эндпойнт совместим и с OpenAI (/v1/chat/completions), и с Anthropic (/v1/messages), так что код и тулзы (Claude Code, Cursor, n8n) переключаются сменой baseURL и ключа - переписывать пилот не придётся. Оплата картой РФ, через СБП или по счёту; для юрлиц - договор, счёт и полный пакет закрывающих документов. Для пилота это снимает самый глупый способ провалиться - когда всё готово, а прод встал на отклонённом платеже.

Хочешь собрать пилот на топовых моделях и провести расход по-белому? Посмотреть модели и цены на provod.ai.

Что сделать на этой неделе

Главное. Не запускай «ИИ вообще». Выбери один частый процесс с измеримыми потерями, сними по нему baseline, поставь метрику успеха и назначь ответственного - и только потом бери готовый инструмент на узкий участок. Это и отделяет 5%, у которых окупается, от 95%, у которых горит.

Короткий план действий, пока не остыл настрой:

1. Выпиши три процесса, которые в компании повторяются чаще всего и где заметнее всего теряется время или деньги. Из них выбери один - самый частый и измеримый.
2. Сними baseline: сколько стоит и сколько длится одна операция сейчас, какова доля ошибок. Без этих цифр эффект потом не докажешь.
3. Проверь по разделу когда агент не нужен, правда ли тут нужен ИИ - или хватит скрипта и обычного сервиса.
4. Возьми готовое решение на узкий участок, поставь лимиты и человека в контуре, задай срок в неделях. Реши вопрос доступа к моделям и закрывающих документов заранее, до старта пилота.
5. Через 30-60-90 дней сравни метрики с baseline и прими честное решение: масштабировать, докрутить или закрыть.

Была полезна статья? Да / Нет

Источники

1. McKinsey, «The State of AI» (88% используют ИИ хотя бы в одной функции против 78% годом ранее; 72% - генеративный ИИ; 23% масштабируют агентов, 39% экспериментируют; эффект на EBIT всей компании - у 39%; опрос 1993 руководителей) - ноябрь 2025, актуально в июле 2026
2. MIT NANDA, «The GenAI Divide: State of AI in Business 2025» (95% организаций без измеримой отдачи при вложениях $30-40 млрд; ~5% пилотов дают быстрый рост выручки; покупка у вендора успешна ~67% против втрое реже у своей разработки; максимальный ROI - в бэк-офисе, а >50% бюджетов - в продажи и маркетинг; анализ 300 внедрений, 150 интервью, опрос 350 сотрудников) - 18 августа 2025
3. S&P Global Market Intelligence, «Generative AI shows rapid growth but yields mixed results» (доля компаний, свернувших большинство ИИ-инициатив, выросла с 17% до 42% год к году; в среднем отбраковывают 46% пилотов; опрос 1006+ руководителей) - октябрь 2025
4. Gartner, пресс-релиз «Over 40% of Agentic AI Projects Will Be Canceled by End of 2027» (свыше 40% отмены к 2027; ~130 реально агентных вендоров из тысяч; цитата Anushree Verma про хайп; прогноз к 2028 - 15% решений автономно и 33% ПО с агентами) - 25 июня 2025, актуально в июле 2026
5. BCG, «AI Radar 2026: As AI Investments Surge, CEOs Take the Lead» (удвоение трат на ИИ с 0,8% до ~1,7% выручки; ~90% CEO ждут измеримый ROI от агентов в 2026; лишь 6% - настоящие лидеры, отрыв по доходности для акционеров 9 п.п.; правило «10-20-70») - январь 2026
6. Deloitte, «State of AI in the Enterprise 2026» (74% ждут активного использования агентов к 2027; зрелый governance лишь у 21%; 85% планируют кастомизировать агентов; опрос 3235 руководителей) - август-сентябрь 2025
7. Menlo Ventures, «2025: The State of Generative AI in the Enterprise» (корпоративные траты на генеративный ИИ выросли с $1,7 млрд до $37 млрд за два года) - ноябрь 2025
8. Klarna / OpenAI, пресс-релизы и разборы (ИИ-ассистент = работа 700, затем 853 операторов, ~$60 млн/год экономии, время решения 11 мин -> менее 2 мин, две трети чатов; разворот к гибриду в мае 2025; цитата CEO Sebastian Siemiatkowski про «cost -> lower quality») - 2024-2025
9. Intercom и Decagon (Intercom: ~67% автономных закрытий по 40+ млн диалогов, у клиентов 42-53%; Decagon оценён в $4,5 млрд, раунд $250 млн, заявленный deflection 80% при низкой оценке качества на G2) - Bloomberg, 28 января 2026
10. Satya Nadella, CEO Microsoft, LlamaCon (20-30% кода в репозиториях Microsoft пишет ИИ) - 29 апреля 2025, реф. CNBC; Sundar Pichai, CEO Google (более 30% нового кода Google против 25% годом ранее, доля растёт) - весна 2025
11. CNews, «От ассистентов к агентам: Сбербанк вывел разработку кода на промышленный уровень» (вычисления для генерации кода выросли в 30 раз за 5 месяцев до 1,5 трлн токенов; GigaCode ускоряет код до 50%) - 19 июня 2026; TAdviser, проект «Сбербанк: ИИ-агенты в закупках»
12. X5 Group (около 5 млрд руб дополнительной операционной прибыли от ИИ-решений за 2025) - x5.ru, 2026; роботизированные склады на платформе Nexus WMS, порядка 500 000 строк заказов в день - Ko.ru, 2025-2026
13. NatWest, corporate insights и FStech (25 000 клиентов получили доступ к агентному ассистенту Cora к Q1 2026; производительность в подразделении по борьбе с фродом выросла в 10 раз)
14. Deloitte и DocuSign, исследование агентного управления договорами (почти +30% ROI, до 36% прироста эффективности) - 2026, реф. PR Newswire
15. Fortune и Hacker News, инцидент Replit (ИИ-агент удалил продакшен-базу во время code freeze; цитата агента про «катастрофическую ошибку суждения», извинение CEO Amjad Masad) - 23 июля 2025
16. vc.ru, Сергей Карпович (Т1), «Как начать внедрение ИИ, чтобы не сделать пилот ради пилота» (5 шагов: выбор процесса по потерям, оценка зрелости, единая архитектура, KPI заранее, обучение команды) - 16 декабря 2025
17. vc.ru, Rechka.Ai, «Ошибки внедрения ИИ в бизнесе» (потери: «мода» 4,5 млн руб, комбинаторный хаос 650-850 тыс., отсутствие KPI 100-300 тыс./мес., неоткрытые отчёты у 45% команды) - 27 октября 2025
18. Kommersant, разбор внедрения ИИ (цитаты Егор Алешин, «Яндекс»; Роман Королев, «Яндекс 360»; Константин Белоусов, hh.ru) - 19 мая 2026
19. «Контур.Толк» / Ведомости (63% используют или тестируют ИИ; 43% сократили рутину на 10-30%, 13% - более чем на 30%, 24% чувствуют эффект без измерения; официальная политика по нейросетям у 19%, защита данных барьер у 26%; опрос 1200 компаний) - 25 июня 2026

20. ComNews (40% называют ИИ трендом, внедрили ~10%) - 21 января 2026; Ведомости / Росконгресс (69% ИТ-компаний не используют ИИ, 58% барьер - затраты) - 2 июня 2026; «Яков и Партнёры» и «Яндекс» (потенциальный эффект ИИ для РФ к 2030 - 7,9-12,8 трлн руб) - 2025

21. Anthropic, engineering blog «Building Effective Agents» (workflow против агента; совет «не строить агентную систему вообще») - 2024-2025; Anthropic Economic Index (использование ИИ в продажах удвоилось за квартал) - 2026

Связанные материалы

• «ИИ-агенты для бизнеса: как собрать агентскую среду в 2026» - техническая пара к этому разбору: из чего собрать агента, какой фреймворк выбрать и сколько это стоит, когда ROI уже посчитан
• «Агрегаторы LLM API в России 2026: какой выбрать и не переплатить» - подробно про слой доступа к моделям: единый API-шлюз без наценки посредника
• «Как оплатить ChatGPT из России в 2026: все способы» - если пилот упирается в оплату, а сама модель уже выбрана

ИИ для бизнеса приносит деньги на частом процессе с метрикой, снятой заранее. Мода и эффектное демо к прибыли отношения не имеют. Первый практический шаг после выбора процесса - решить доступ к моделям так, чтобы он не подвёл на масштабе команды. provod.ai даёт все топовые модели через единый чат и API из России, по ценам 1:1 с официалом, с оплатой рублями и закрывающими документами для бизнеса.

Собрать пилот на топовых моделях - provod.ai.

---

provod.ai — Russian LLM API aggregator. One OpenAI-compatible endpoint to all flagship models: OpenAI (GPT-5.6, GPT-5.5), Anthropic (Claude Opus 4.8, Sonnet 4.6), Google (Gemini 3.1 Pro, 3.5 Flash), DeepSeek V4 Pro, Qwen 3.6 Plus. Provider prices at the CBR rate, no token markup. Pay in rubles to a Russian legal entity with full closing documents.

Try: provod.ai · model catalog · docs