У испанского телеком-холдинга MASORANGE сотрудники получили доступ к Copilot и начали закрывать часть рутинных задач на 55% быстрее. Годовой ROI проекта превысил 400%. Похожие цифры получают компании, которые доводят пилот до продакшена и не останавливаются на презентации для совета директоров.
Сам вопрос про ИИ в 2026 году сменился. Раньше спрашивали, стоит ли пробовать. Сейчас спрашивают, почему пилот, запущенный полгода назад, до сих пор не приносит денег.
Кратко о главном
- 89% компаний в мире используют ИИ хотя бы в одной функции, а 44% уже масштабировали его на уровне всего предприятия против 38% годом ранее, по данным McKinsey State of AI
- 71% крупных российских компаний применяют генеративный ИИ минимум в одном бизнес-процессе, согласно исследованию «Искусственный интеллект в России — 2025»
- 39% российских организаций работают с ИИ-агентами и ассистентами, чаще всего в документообороте (70% случаев) и финучёте (55%), по данным СберПро
- на развитие ИИ-решений уходит 13–17% годового IT-бюджета, и 78% компаний уже видят финансовую отдачу (исследование Яндекса и «Яков и Партнёры»)
- разрыв между «попробовали» и «встроили в процессы» остаётся главной причиной, почему деньги на ИИ не превращаются в результат
ИИ для бизнеса: что это на практике, а не в теории
Когда компания ищет «ИИ решения для бизнеса», она обычно имеет в виду что-то одно конкретное: ускорить ответы клиентам, перестать вручную собирать отчёты, сократить расходы на копирайтеров. За общим словом скрывается несколько разных категорий инструментов. Они решают несвязанные задачи и стоят по-разному.
Самая массовая категория — клиентский сервис. Чат-боты и голосовые ассистенты закрывают типовые обращения без оператора; такие решения есть у 46% компаний, которые вообще применяют ИИ. Вторая категория — генерация и обработка контента: тексты, изображения, видео, описания товаров, суммаризация документов, поиск по внутренним базам знаний. Третья — аналитика и прогнозирование: скоринг клиентов, прогноз спроса, выявление аномалий в данных — например, в финансовом мониторинге или в показаниях датчиков на оборудовании.
Автоматизация документооборота закрывает более узкую, но дорогую задачу — обработку заявок, договоров и счетов, которая раньше требовала часов работы бухгалтера или юриста. Самый молодой слой — ИИ-агенты. Агент выполняет цепочку действий самостоятельно: собирает данные, принимает решение по правилам, запускает следующий шаг процесса. Отдельная категория — кодогенерация: GitHub Copilot и его аналоги, где эффект на продуктивность измерен подробнее всего.
Дальше — 12 кейсов, где каждая из этих категорий работает в операционке компании, с деньгами и сроками.
Что изменилось на рынке ИИ за год
Общий объём рынка ИИ в России по итогам 2025 года составил 316,1 млрд рублей, по данным ICT.Moscow. Это вся индустрия целиком, включая инфраструктуру, компьютерное зрение и NLP. Число интересное, но куда показательнее то, что происходит внутри: доля генеративного ИИ растёт кратно быстрее остальных сегментов.
Исследование Яндекса и «Яков и Партнёры» даёт более узкий срез: 71% крупных российских компаний используют генеративный ИИ хотя бы в одной функции. Из тех, кто инвестирует, 78% уже фиксируют финансовую отдачу — в текущих отчётах, а не в планах на следующий бюджетный цикл.
Глобальная картина показывает тот же вектор. McKinsey фиксирует: 56% организаций применяют ИИ в трёх и более функциях бизнеса, годом раньше таких было 51%. Доля тех, кто масштабировал ИИ на всю компанию, а не на отдельный отдел, выросла до 44%. Deloitte добавляет: доступ сотрудников к корпоративным ИИ-инструментам за последний год расширился примерно на половину, и это расширение опережает рост самих бюджетов на ИИ.
Разговор сместился от «попробовать» к «масштабировать». Компания, которая всё ещё обсуждает пилот в одном отделе, отстаёт от конкурента, который встроил тот же инструмент в три процесса параллельно.
По отраслям в России лидируют e-commerce, телеком и медиа, IT, строительство и здравоохранение. Причина — в длине цикла внедрения: данные там структурированы, процессы стандартизированы, эффект виден за месяцы. Металлургия и традиционная розница сдвинулись во вторую волну, там ИИ работает не хуже, но окупается дольше.
12 кейсов внедрения ИИ с измеримым результатом
| Отрасль | Инструмент / компания | Задача | Результат | Срок внедрения |
|---|---|---|---|---|
| Клиентский сервис | Сбер, AI-ассистенты | обработка обращений | 70%+ без оператора, время решения −40% | в проде |
| Enterprise-поддержка | GenAI-платформа (кейс из исследования Wiley) | обработка клиентских запросов | время обработки −50%, CSAT +40% | несколько месяцев |
| Телеком | MASORANGE + Copilot | рутинные задачи сотрудников | ROI > 400%, экономия времени ≈55% | несколько кварталов |
| Корпоративный GenAI | внутренний ассистент, ~500 пользователей | рост продуктивности команд | adoption 70%, +€1,2 млн продуктивности в год | 6–9 месяцев |
| E-commerce | Moonpig | генерация дизайна и персонализация | продажи +6,7% за полгода, доля AI-покупок 2% → 50% | 6 месяцев |
| FMCG | Unilever, NVIDIA Omniverse | производство визуалов вместо фотосъёмок | расходы на визуал −50% | — |
| Логистика | UPS, система ORION | маршрутизация доставки | экономия $300–400 млн в год | многолетний проект |
| Логистика / e-commerce | Wildberries | планирование маршрутов и загрузки складов | экономия сотен млн рублей в год на логистике | — |
| Металлургия | НЛМК | предиктивное обслуживание оборудования | снижение незапланированных простоев (цифры не раскрываются) | — |
| HR | российские компании, ИИ-агенты | онбординг и скрининг резюме | цикл найма: недели → дни | — |
| Финансы | Morgan Stanley, ассистент на базе OpenAI | поиск по базе из 100 000 документов | ответ за секунды вместо часов | — |
| Разработка | GitHub Copilot | написание и ревью кода | задачи быстрее на 55%, 88% меньше когнитивной нагрузки | — |
Клиентский сервис остаётся самым массовым сценарием
Причина проста: объём типовых обращений огромен, ценность каждого низкая, а стоимость оператора фиксированная. Сбер довёл долю обращений, обработанных без участия человека, выше 70%, среднее время решения сократилось на 40%.
Enterprise-кейс из исследования Wiley показывает похожую динамику: время обработки запросов упало вдвое, удовлетворённость клиентов выросла на 40%. Эффект здесь виден быстрее всего, потому что метрика простая — количество обращений, закрытых без оператора.
Продуктивность сотрудников — новая метрика, которую научились считать
Прирост эффективности по кейсам, %
Раньше эффект от внутренних AI-ассистентов оценивали на глазок. Сейчас появились кейсы с конкретными деньгами. У MASORANGE это ROI выше 400% и экономия около 55% времени на задачах, где эффект измеряли напрямую. В компании с 500 активными пользователями внутреннего GenAI-ассистента adoption дошёл до 70%, а годовой прирост продуктивности оценили в 1,2 млн евро. Это эквивалент примерно 20 полных ставок.
В командах, которые внедряли похожие ассистенты, чаще всего отмечают одно. Экономия не столько в часах, сколько во внимании: сотрудник тратит меньше энергии на переключение между системами и поиск контекста задачи. Для людей это ощутимее любой цифры в квартальном отчёте.
Маркетинг и продажи: где ИИ ускоряет, а где обесценивает бренд
Moonpig, британский онлайн-ритейлер открыток, внедрил генерацию дизайнов и персонализацию сообщений. За полгода продажи выросли на 6,7%, доля покупок с AI-функциями поднялась с 2% до 50%. При этом компания держит жёсткую границу: финальный дизайн проходит редакторскую проверку и не публикуется автоматически. Автоматизация без такого контроля быстро даёт обратный эффект, и это подтверждают другие enterprise-кейсы, где скорость роста продаж прямо зависела от того, оставили ли человека в цепочке проверки.
Unilever сократил расходы на производство маркетинговых визуалов вдвое, перейдя на генерацию через NVIDIA Omniverse вместо традиционных фотосессий. ИИ заменил здесь конкретную производственную операцию — съёмку каталога для e-commerce. Творческий процесс остался за людьми.
Логистика и производство считают деньги, а не эффективность в процентах
UPS с системой ORION экономит $300–400 млн операционных расходов в год за счёт маршрутизации, которая учитывает трафик, погоду и загрузку. Wildberries применяет похожий подход к планированию доставки: при объёме заказов в миллионы штук в день даже небольшая экономия на логистике превращается в сотни миллионов рублей.
НЛМК использует предиктивное обслуживание. Датчики фиксируют вибрацию, температуру и давление, модель выявляет аномалии до аварии. Компания не раскрывает данные по простоям, но экономика здесь считается просто: час простоя прокатного стана стоит десятки миллионов рублей, поэтому одна предотвращённая авария окупает систему.
HR и финансы: там, где агенты уже заменили ручные цепочки
По данным СберПро, 34% российских компаний с ИИ-агентами применяют их в HR: чаще всего для скрининга резюме и ведения нового сотрудника по чек-листу первых недель. Цикл найма, который занимал недели ручной переписки, сжимается до нескольких дней.
В финансах Morgan Stanley внедрил ассистента на базе OpenAI. Он ищет нужную информацию среди 100 000 документов и формирует ответ за секунды вместо часов. Российские банки идут похожим путём в скоринге и антифроде: автоматическая обработка заявок сокращает время рассмотрения с нескольких дней до нескольких часов при сопоставимом уровне одобрений.
Разработка — единственная категория с измеренным эффектом на продуктивность
По GitHub Copilot собрано больше всего замеров. По данным исследования GitHub, разработчики, которые используют инструмент, выполняют задачи на 55% быстрее, а 88% отмечают снижение когнитивной нагрузки на рутинных операциях. Эффект воспроизводится в замерах разных компаний и разных команд.
Агентный ИИ стал операционным слоем
Год назад агентный ИИ обсуждали как перспективу. Сейчас компании, вышедшие за пределы чат-бота, используют его в повседневных операциях: агент собирает данные из разных систем, принимает решения по заданным правилам и запускает следующий шаг без участия человека.
По прогнозу Gartner, к 2028 году более 33% корпоративных приложений будут включать автономных агентов, тогда как в 2024 году таких было меньше 1%. Российская статистика подтверждает тот же рост: 39% организаций уже используют агентов и ассистентов, чаще всего в процессах с предсказуемой цепочкой действий — документооборот, финансовый мониторинг, закупки.
Сдвиг признали и на уровне отраслевых наград. В 2026 году совместный проект ЕДИНОГО ЦУПИС и Shtab по внедрению ИИ-агентов в управление проектами получил премию CNews «Инновация года» — именно за то, что агент сам выполняет часть операционных задач по проекту, а не отвечает на вопросы менеджера.
Переход от «ИИ отвечает» к «ИИ выполняет» меняет модель управления командой. Менеджер ставит задачу агенту так же, как сотруднику: с контекстом, критериями и дедлайном. Подробнее об устройстве таких сценариев — в материале о трёх типах AI-ассистентов в управлении проектами.
Сколько стоит внедрение ИИ и когда оно окупается
Цену определяет задача.
Готовые SaaS-инструменты стартуют от 2 990 ₽ в месяц. Для большинства задач малого и среднего бизнеса этого хватает: запустить чат-бота или автоматизировать документооборот можно без единой строки кода за 2–4 недели.
По оценке Shtab, основанной на практике внедрения у клиентов, интеграция готового решения в существующую инфраструктуру стоит от 300 тыс. до 2 млн рублей. Разброс широкий, потому что цена зависит от количества систем и состояния данных. Срок — 4–12 недель.
Разработка кастомной модели с нуля начинается от 3 млн рублей плюс постоянные расходы на поддержку и дообучение. Такой путь оправдан только при уникальных требованиях к данным или узкой отраслевой специфике.
Компании направляют на ИИ 13–17% годового IT-бюджета, и 78% из них уже видят финансовую отдачу. По той же внутренней оценке Shtab, реалистичный бюджет первого пилота для среднего бизнеса — от 500 тыс. до 1,5 млн рублей с горизонтом окупаемости 6–12 месяцев. Важная оговорка: при условии, что задача выбрана правильно и данные заранее приведены в порядок. До 80% времени AI-проекта уходит именно на подготовку данных, а не на настройку модели.
Как внедрить ИИ в бизнес: план на первые 90 дней
Как внедрить ИИ в бизнес: план на 90 дней
Малый бизнес часто считает ИИ историей для корпораций с дата-сайентистами в штате. По факту порог входа упал кратно за последние два года, и план ниже работает и для ИП без технической команды, и для менеджера в компании без выделенного AI-специалиста.
- Выберите одну измеримую задачу. Формулировка «автоматизировать бизнес» ни к чему не приведёт. Работают узкие цели: «сократить время ответа на входящие обращения», «ускорить подготовку еженедельного отчёта». Чем уже формулировка, тем быстрее результат.
- Проверьте, есть ли данные. Для чат-бота нужен FAQ или история переписки, для генерации текстов — примеры хороших текстов, для аналитики — таблица с историей продаж. На пустых входных данных инструмент работает по общим шаблонам и выдаёт посредственный результат.
- Возьмите готовый инструмент и зафиксируйте метрику «до». Без этой цифры через три месяца вы не докажете эффект руководству.
- Синхронизируйте пилот с рабочими процессами. Отдельно живущий эксперимент почти всегда умирает — об этом ниже.
Если внедрение ИИ идёт параллельно с несколькими проектами команды, легко потерять картину: кто отвечает за пилот, какой у него дедлайн и как он связан с общими целями квартала. Shtab закрывает эту практическую задачу — синхронизирует задачи AI-пилота с общим планом проекта и OKR компании, чтобы эксперимент не превратился в отдельную вселенную, за которой никто не следит.
Почему большинство пилотов не доходит до продакшена
Модель тут почти всегда ни при чём. Всё решают данные, процессы и ответственный за результат после запуска.
Типичный сценарий такой. Пилот запускают в одном отделе, показывают красивую презентацию на пять слайдов, а через квартал выясняется, что данные, на которых обучалась модель, устарели, а сотрудник, который её поддерживал, перешёл в другой проект. Deloitte фиксирует рост доступа сотрудников к ИИ-инструментам примерно на 50% за год, но доступ не равен эффекту, если инструмент не встроен в ежедневный рабочий цикл.
Вторая по частоте причина провала — отсутствие владельца метрики. Когда за конкретное число (время ответа, конверсию, стоимость обработки заявки) никто не отвечает, пилот вечно живёт на стадии «тестируем» и постепенно забывается.
Третья — попытка сразу решить общую задачу вместо узкой. Компании, которые получили измеримый ROI, почти без исключения начинали с одного процесса. «Внедрим ИИ во все отделы» — это не постановка задачи.
Четвёртая причина встречается реже, но бьёт больнее: инструмент выдали сотрудникам без объяснения, зачем он им. Люди открывают его дважды в первую неделю и больше не возвращаются, а через квартал компания делает вывод, что «ИИ не работает». О смежных рисках — в материале о том, когда генеративный ИИ становится палкой о двух концах.
FAQ
Частые вопросы про внедрение ИИ в бизнес
Как внедрить ИИ в бизнес с нуля?
Начните с одной измеримой задачи, проверьте данные, возьмите готовый SaaS-инструмент, зафиксируйте метрику «до» и сравните через месяц.
Сколько стоит внедрение ИИ в компании?
Готовые SaaS-сервисы — от 2 990 ₽ в месяц, интеграция в инфраструктуру — от 300 тыс. до 2 млн рублей, кастомная модель — от 3 млн рублей плюс поддержка.
С чего начать внедрение ИИ в 2026 году?
С аудита данных и выбора одного узкого процесса с понятной метрикой; готовые инструменты закрывают большинство задач за 2–4 недели.
Какие риски при внедрении ИИ в бизнес-процессы?
Главные риски — в данных и отсутствии владельца результата, а также автоматизация без человеческой проверки в чувствительных зонах.
Нужен ли data scientist для внедрения ИИ?
Для большинства задач малого и среднего бизнеса нет — готовые SaaS-инструменты закрывают клиентский сервис, тексты и базовую аналитику.
Сколько времени занимает внедрение ИИ и когда оно окупается?
Готовое решение запускается за 2–4 недели, интеграция с CRM или ERP — за 4–12 недель, окупаемость первого пилота — 6–12 месяцев.
Как внедрить ИИ в бизнес с нуля?
Начните с одной измеримой задачи: ответы клиентам, генерация описаний товаров, обработка заявок. Проверьте наличие данных, возьмите готовый SaaS-инструмент, зафиксируйте метрику «до» и сравните через месяц.
Сколько стоит внедрение ИИ в компании?
Готовые SaaS-сервисы стоят от 2 990 ₽ в месяц. Интеграция в существующую инфраструктуру — от 300 тыс. до 2 млн рублей. Кастомная модель с нуля — от 3 млн рублей плюс поддержка. Выбор зависит от задачи: небольшая компания с нестандартными данными может потратить больше, чем корпорация на типовом сценарии.
С чего начать внедрение ИИ в 2026 году?
С аудита данных и выбора одного узкого процесса с понятной метрикой. Готовые инструменты закрывают большинство задач малого и среднего бизнеса за 2–4 недели без разработчиков и дата-сайентистов.
Какие риски при внедрении ИИ в бизнес-процессы?
Главные риски — в данных и в отсутствии владельца результата; сама технология подводит редко. Пилот без ответственного за конкретную метрику живёт неопределённо долго и не доходит до продакшена. Второй риск — автоматизация без человеческой проверки в чувствительных зонах, например в брендовом контенте.
Нужен ли data scientist для внедрения ИИ?
Для большинства задач малого и среднего бизнеса нет. Готовые SaaS-инструменты закрывают клиентский сервис, генерацию текстов и базовую аналитику без своей команды разработки. Data scientist нужен, когда задача требует кастомной модели под уникальные данные компании.
Сколько времени занимает внедрение ИИ и когда оно окупается?
Готовое решение запускается за 2–4 недели, интеграция с CRM или ERP — за 4–12 недель. Окупаемость первого пилота при верно выбранной задаче — 6–12 месяцев. Среди компаний, которые инвестируют в генеративный ИИ, 78% уже фиксируют финансовую отдачу.
