Российский рынок генеративного ИИ в 2025 году достиг 58 млрд рублей. В 4,5 раза больше, чем годом ранее. При этом 55% внедрений застряли на пилотной стадии и так и не перешли к промышленной эксплуатации.
Типичный сценарий из жизни PM-сообществ: команда три месяца тестирует ИИ-ассистента для генерации ТЗ. На выходе — 40 промптов, которые так и не встроились в рабочий процесс. В итоге менеджер тратит на проверку «машинных» текстов больше времени, чем раньше уходило на их написание вручную. Пилот признают «перспективным» и откладывают до следующего квартала.
Так происходит, когда ИИ внедряют в отрыве от реальных рабочих процессов. Этот разбор — прикладная инструкция для руководителя проекта, который хочет выйти из стадии бесконечных пилотов. Мы обсудим, какие ошибки менеджмента тормозят работу и как подготовить почву внутри проекта, чтобы ИИ начал экономить время, а не сжигать его.
71% компаний уже используют GenAI, но сколько из них получают результат?
Цифра впечатляющая: по данным ICT Moscow, доля компаний с GenAI достигла 71% — это плюс 17 процентных пунктов всего за год. Среднее число функций на одну компанию тоже выросло: с 2,4 до 3,1. Кажется, рынок на подъёме.
За этими цифрами скрывается другая картина. Только 15% российских GenAI-проектов дошли до промышленной эксплуатации с реальным ROI в 20–30% годовых. Ещё 30% находятся на стадии масштабирования. Остальные — в пилоте. Бесконечном.
Здесь и живёт «пилотная ловушка»: компания запускает тесты, получает обнадёживающие результаты, однако не переходит к масштабированию, потому что никто заранее не определил критерии успеха. Нет показателей перехода, нет самого перехода. Пилот превращается в постоянное состояние, пожирающее ресурсы без отдачи.
Параллельно 40% российских IT-компаний признают, что барьерами являются дефицит кадров и нежелание делиться данными с внешними системами. Это не технические проблемы, а управленческие. Компании часто нарушают очередность действий: внедрение сложных технологий дает результат только при наличии базового порядка в процессах.
Пять ошибок, которые превращают GenAI из ускорителя в тормоз
Ошибка 1. KPI измеряют активность, а не результат
Команды часто считают «количество запросов к ИИ» или «число сгенерированных черновиков». Это обычный журнал активности, который ошибочно принимают за метрики успеха.
Показателен пример Indeed: по заявлению компании, после внедрения GenAI для описания вакансий они зафиксировали рост откликов на 20% и повышение вероятности найма на 13%. Здесь измеряли бизнес-результат. Если ваш ИИ генерирует сто текстов в день при прежней конверсии — вы автоматизировали производство мусора. Прежде чем подключать GenAI, зафиксируйте одну цифру, что конкретно должно улучшиться через три месяца. Время на операцию, стоимость лида, процент ошибок в документах. Всё остальное — производные.
Ошибка 2. Внедрение GenAI без процессной базы
GenAI усиливает существующие процессы. Без них он усиливает бардак. Автоматизировать его — значит получить автоматизированный бардак быстрее. Если задачи размазаны по чатам и таблицам, ИИ-ассистент будет генерировать артефакты, которые некуда положить и некому проверить. Черновик ТЗ появился и растворился в Telegram-переписке.
До подключения GenAI убедитесь, что у команды есть база: бэклог, понятные стадии задачи, ответственные за каждый этап. В этом контексте Agile — минимальная гигиена, а не просто идеология. Без неё любой новый инструмент просто увеличит количество лишних сущностей и перегрузит команду.
Ошибка 3. Перегрузка команды: ИИ добавляет работу вместо того, чтобы её убирать
Когда в команде заранее не распределены роли, возникают проблемы с проверкой и утверждением результатов. Если никто не несет персональную ответственность за качество, сотрудники тратят на контроль больше времени, чем экономят на самой генерации.
Галлюцинации нейросетей в бизнес-контексте представляют вполне конкретную угрозу. Лишний ноль в финансовом отчёте или некорректное условие в договоре — это реальные последствия, которые потом разбирают на Habr в материалах про корпоративные GenAI-платформы. Проблема здесь кроется не в самих ошибках ИИ, а в отсутствии выделенного ревьюера, способного их вовремя заметить.
Культура обратной связи внутри команды работает здесь напрямую. Привычка проверять работу друг друга и давать комментарии помогает легко встроить ИИ-выход в привычные процессы. В противном случае GenAI просто создаст ещё один поток непроверенного контента, который только увеличит нагрузку на руководителей.
Ошибка 4. Игнорирование теневого ИИ
Сотрудники уже используют ChatGPT без ведома руководства и политики работы с данными. В публичные сервисы попадают внутренние документы, клиентские данные, черновики договоров.
Это shadow AI — теневой ИИ. По данным Inc Russia, в малом и среднем бизнесе это один из главных источников инцидентов с данными. Инцидент с кэшированием ChatGPT показал: даже крупные платформы уязвимы. А генераторы вредоносного кода вроде WormGPT снижают порог входа для злоумышленников. Если руководитель проекта не видит, какие ИИ-сервисы используются в команде, он не управляет рисками. Они остаются вне зоны его внимания.
Ошибка 5. Прыжок от пилота к «всё на ИИ» без этапа масштабирования
На текущий момент около 30% российских GenAI-проектов находятся на стадии масштабирования, и именно этот этап становится критическим. Компании, успешно завершившие пилот, часто пытаются моментально распространить решение на всю организацию. В результате они сталкиваются с накоплением технического долга, потерей данных и сопротивлением команды одновременно.
Масштабирование — это отдельный этап со своими критериями успеха. Логика «пилот работает, значит, запускаем везде» здесь ошибочна. Нужен поэтапный переход с зафиксированными milestones, иначе проект пополнит те самые 55% «вечных» пилотов, которые так и не вышли в промышленную эксплуатацию.
Кейс Klarna: как сократить время обслуживания в 5 раз и не потерять качество
До внедрения среднее время обработки обращения в чате составляло 11 минут. После того как Klarna запустила ИИ-ассистента на базе GenAI, две трети всех обращений стали обрабатываться за 2 минуты. Удовлетворённость клиентов не упала. По заявлению компании, дополнительная прибыль за первый год составила $40 млн.
При этом Klarna не заменила всех операторов. Треть обращений, представляющих собой сложные случаи, по-прежнему обрабатывают люди. Это было осознанным архитектурным решением: ИИ берёт то, что поддаётся стандартизации, человек остается там, где нужен контекст. Успех не случился по щелчку пальцев. Модель настраивали под конкретные сценарии, тестировали на реальных обращениях и постепенно расширяли охват.
Схожая логика у Toyota: по данным кейса Google Cloud, компания сэкономила 10 000 рабочих часов в год. Для этого создали внутреннюю платформу с 10 000 ML-моделей. Масштаб подготовки определил масштаб результата. Один промпт не может дать десять тысяч сэкономленных часов сразу. Обе компании сначала выстроили процесс, а потом подключили ИИ. Не наоборот.
Контр-интуитивный вывод: чем больше ИИ-инструментов, тем медленнее команда
Среднее число функций с GenAI-пилотами выросло с 2,4 до 3,1 за два года. Компании запускают ИИ сразу в нескольких направлениях — маркетинг, клиентский сервис, внутренние коммуникации, разработка. Логика понятна: больше охват — больше эффект.
На практике происходит обратное.
Каждый ИИ-ассистент генерирует артефакты в своём контексте. Один пишет черновики в одном формате, другой — в другом. У каждого своя история запросов, свои промпты, своя логика. Команда получает «ИИ-спагетти»: разрозненные генерации без единого хранилища, которые нужно сводить воедину вручную.
Это как если бы в команде было три таск-трекера, два мессенджера и пять таблиц, а ещё к ним добавились три ИИ-ассистента, каждый со своим контекстом. И именно поэтому 55% пилотов не выходят на масштабирование: каждый пилот живёт отдельно, без связи с общим процессом управления.
Эксперты ВШЭ отмечают, что навыки промпт-инжиниринга станут обязательными на ближайшие 5–10 лет. Это верно, но промпт-инжиниринг без процессной дисциплины бесполезен. Запрос будет отличным. Результат — мёртвым, потому что некуда положить и некому проверить.
Добавьте к этому скрытый «налог»: по данным ITU, GenAI-системы требуют растущих объёмов энергии и вычислительных ресурсов. Бесконтрольное масштабирование бьёт не только по процессам, но и по инфраструктурным затратам.
Правильная стратегия выглядит иначе: один сервис, одна функция, измеримый результат. Потом следующий, не параллельно.
Что должно быть выстроено ДО подключения GenAI: чек-лист для проджект-менеджера
GenAI — надстройка, а не фундамент. Прежде чем внедрять, убедитесь, что базовые элементы управления проектом на месте. Масштабирование ИИ требует подготовленной команды, процессов и культуры адаптивности. Без всего этого технология остаётся мёртвой инвестицией.
Семь вопросов, которые стоит закрыть до старта.
- Единое хранилище задач. Все задачи, статусы и дедлайны живут в одном месте — не в чатах и не в таблицах. Если этого нет, ИИ-артефакты будут теряться сразу после генерации. Красивые черновики, которые никто не найдёт через неделю — пустая трата вычислительных ресурсов.
- Определённые стадии процесса. Kanban-доска или спринты с понятными переходами: бэклог → в работе → ревью → готово. Без этого непонятно, на каком этапе подключается ИИ и кто принимает его результат.
- Ответственные за каждый этап. Кто ставит задачу ИИ, кто проверяет результат, кто утверждает. Если ответственный не назначен — галлюцинация пройдёт незамеченной. Именно отсутствие этой роли превращает ИИ из помощника в генератор непроверенного контента.
- Бизнес-KPI, а не метрики активности. Что конкретно должно улучшиться: время на операцию, стоимость, процент ошибок. Без этого через 3 месяца будет сложно объяснить, зачем вообще запускали пилот.
- Политика работы с данными. Какие данные можно загружать в ИИ-сервисы, какие — нельзя, кто контролирует соблюдение. Защита от инцидентов, которые потом разбирают на уровне совета директоров.
- План рескилинга команды. Кого обучить промпт-инжинирингу, кого переквалифицировать, как снять сопротивление. Люди, которые боятся, что ИИ заменит их, саботируют внедрение — осознанно или нет. Открытый разговор о ролях и перспективах снимает большую часть этого напряжения.
- Критерии перехода от пилота к масштабированию. При каких показателях пилот считается успешным и расширяется. Без этого критерия пилот живёт вечно. Дорожная карта проекта с зафиксированными milestone-ами — минимально необходимый артефакт до старта любого GenAI-пилота.
Отдельно стоит подумать о структурированной истории проекта. Когда задачи, решения и контекст хранятся в трекере, а не в головах участников, ИИ-ассистенту проще работать с актуальными данными, а не додумывать за команду. Это напрямую снижает число галлюцинаций. Чем полнее контекст, тем точнее генерация.
Как связать GenAI-инициативы с реальным управлением: роль таск-трекера
ИИ-ассистенты генерируют артефакты — тексты, черновики, отчёты, код. При этом без системы управления задачами эти артефакты теряются, дублируются или не проходят проверку.
Вот типичный сценарий: команда использует GenAI для генерации черновиков ТЗ. Черновик появился, но куда он попадает? Если в чат — потеряется через день. Если в отдельный документ — не привязан к задаче и не виден ревьюеру. Правильный путь: черновик сразу становится подзадачей в карточке проекта с назначенным ревьюером и дедлайном на проверку.
Именно это закрывает первый пункт чек-листа — единое хранилище задач.
В Shtab можно настроить автоматизацию. При создании задачи определённого типа автоматически назначается исполнитель и создаётся чек-лист для проверки ИИ-выхода. Триггер запускает действие без ручного вмешательства. Это снимает нагрузку с PM-а и исключает ситуацию, когда артефакт ИИ «завис» без ответственного. Для GenAI-задач можно создать отдельный тип карточки с нужными полями, чтобы ИИ-генерации были видны отдельно от ручной работы и их можно было отслеживать как отдельный поток. Если команда переходит с другого трекера, данные переносятся без потерь — Shtab поддерживает импорт из Jira.
Попробуйте выстроить процесс управления GenAI-задачами в Shtab — начните с одного типа карточки и одной автоматизации, прежде чем масштабировать.
Теневой ИИ — главный риск, о котором не говорят на планёрках
Пока руководитель проекта обсуждает стратегию внедрения GenAI, часть команды уже использует ChatGPT. Без согласования, без политики, без контроля.
Диагноз мы поставили в разделе про ошибки. Теперь — что с этим делать.
Первый шаг — аудит. Выясните, какие ИИ-сервисы уже используются в команде неофициально. Спросите напрямую, без угроз: люди пользуются ими не из злого умысла, а потому что удобно и под рукой. Второй шаг — whitelist: список разрешённых сервисов с чёткими правилами, какие данные можно в них загружать. Третий — перевод ИИ-задач в управляемое пространство. Это не попытка всё запретить, а способ сделать работу с ИИ прозрачной и безопасной.
Есть и внешняя угроза. Генераторы вредоносного кода снижают порог входа для злоумышленников. GenAI облегчает создание персонализированных фишинговых атак и deepfake-схем. Если сотрудники бесконтрольно открывают данные изнутри, а хакеры используют ИИ для атак снаружи, вы оказываетесь в заведомо проигрышной позиции. Это бой, в котором противник вооружен лучше вас.
Руководитель видит реальную картину только тогда, когда все задачи, включая работу с ИИ, ведутся в едином рабочем пространстве. В Shtab задачи группируются по проектам, каждая карточка привязана к конкретному проекту. Это исключает ситуацию, когда ИИ-артефакты «живут» вне поля зрения команды в личных чатах и личных аккаунтах внешних сервисов.
Окно возможностей закрывается: почему 2026–2027 — критический период
По прогнозам Ведомостей и Generation AI, GenAI может принести около 2 трлн рублей ежегодно в ВВП России к 2030 году (базовый сценарий — до 5,5% от общего объёма). Однако такой рост возможен только при условии, что B2B-внедрения успешно масштабируются в ближайшие два года. Иначе рынок заморозится на уровне накопленных пилотов.
Объём задач, решаемых GenAI в российском IT, уже достиг эквивалента труда 34 тысяч специалистов — рост в 5–7 раз выше прогнозов. Параллельно формируется следующая волна: переход от чат-ботов к автономным агентам, которые не просто генерируют текст, а принимают решения и выполняют цепочки действий.
Это не повод срочно внедрять всё подряд. Скорее знак, что нужно срочно навести порядок в процессах, чтобы внедрение дало результат.
Те 55% пилотов, которые не масштабируются сейчас, через два года станут списанными затратами. Компании, переходящие к реальному внедрению в ближайшие два года, получат преимущество за счет глубокой интеграции ИИ в рабочие процессы. Сама по себе модель вторична по отношению к системе, в которой она работает.
ИИ — это только надстройка: результат дает система управления
71% компаний используют GenAI. Только 15% получают измеримый ROI. Этот разрыв не закрывается новой моделью или дополнительным сервисом.
Он закрывается управлением.
GenAI усиливает то, что уже есть. Klarna сократила время обслуживания в пять раз благодаря точному пониманию того, что именно нужно автоматизировать. Успех обеспечили четкие критерии оценки и закрепленная ответственность за проверку результатов.
Прежде чем подключать следующий ИИ-ассистент, откройте свой бэклог и проверьте: у скольких задач нет ответственного? У скольких нет критериев завершения? Если таких больше трети — начните с фундамента.
ИИ подождёт.
