Внедрение ИИ в бизнес: порядок шагов, сроки по этапам и из чего складывается смета
Внедрение ИИ в бизнес чаще проваливается не из-за технологии, а из-за порядка действий: сначала покупают инструмент, потом ищут, куда его приложить. Рабочий порядок обратный — сначала процесс с измеримой рутиной, потом узкий сценарий, потом пилот с замером до и после. Ниже — последовательность шагов, реалистичные сроки по каждому этапу и разбор того, из чего складывается смета, чтобы вы могли посчитать бюджет до первого платежа подрядчику.
Коротко
- Порядок: процесс → сценарий → пилот → замер → масштабирование. Начинать с закупки инструмента — типичная причина, по которой инвестиции в ИИ не окупаются.
- Масштаб рынка не равен вашему результату: по исследованию McKinsey ИИ хотя бы в одной функции используют 88% компаний, но это про факт использования, а не про эффект.
- В российских организациях разрыв по размеру: ИИ применяют 17% организаций с численностью более 500 человек и 4,3% — с численностью менее 100 человек.
- Смета складывается из подготовки данных, интеграции, разработки сценария, тестирования и сопровождения — а не только из подписки на модель.
- Человек остаётся в контуре: приёмка результата, разбор спорных случаев и правила эскалации — часть сметы, а не «потом настроим».
Почему начинать с инструмента — дорогая ошибка
Самая частая причина, по которой инвестиции в ИИ не окупаются, — неверный подход: деньги и время тратятся ради тренда, а не для решения конкретной бизнес-задачи. Об этом прямо пишут в разборе РБК. Читается это просто: если до внедрения вы не могли назвать процесс, его владельца и метрику, по которой поймёте «стало лучше», то и после внедрения назвать не сможете.
Поэтому первый шаг — не выбор модели и не сравнение тарифов, а инвентаризация рутины. Нужен процесс, который повторяется, имеет понятный вход и выход и стоит вам измеримых часов. Подробнее о том, как такой процесс описать, — в материале о нашем подходе и в статье про карту бизнес-процесса.
Шаг 1. Выбор процесса для пилота
Кандидат на пилот должен одновременно быть частым, однотипным и терпящим ошибку. Классические примеры: разбор входящих обращений, сортировка почты, первичная классификация заявок, подготовка ежедневной сводки. Логика выбора и критерии отсева описаны в разборе itglobal.com: сначала задача, потом оценка готовности данных и инфраструктуры.
Не берите в первый пилот процесс, где ошибка стоит денег или репутации: расчёт цен, юридические ответы, решения по отказам. И не берите процесс, который меняется каждую неделю. Если сомневаетесь между двумя — смотрите на узкие места процесса: там, где скапливается очередь, эффект виден быстрее.
Шаг 2. Описание сценария и границ
Сценарий описывается как контракт: что приходит на вход, что должно получиться на выходе, что считается ошибкой и что делать, если модель не уверена. Отдельно фиксируется, где остаётся человек: приёмка, спорные случаи, эскалация. Про границы полезно прочитать материал о том, чего ИИ-агент не должен делать сам.
Здесь же решается вопрос уровня автономии: агент только предлагает вариант, или сразу выполняет действие. Разница в смете существенная — во втором случае нужны журнал действий, откат и контроль. Об этом — уровни автономии ИИ-агента и журнал действий.
Шаг 3. Подготовка данных и интеграция
Это этап, который чаще всего недооценивают в смете. Модель — не главная статья расходов; главная — привести в порядок то, на чём она будет работать: справочники, историю обращений, доступы, каналы. Инфраструктурная часть и риски разобраны в материале itglobal.com.
Практическое правило: если данные живут в трёх местах и в каждом свой формат статуса, половина срока пилота уйдёт на согласование справочников. Это нормально и это закладывается в план заранее. Про связку каналов — как связать CRM и мессенджеры.
Шаг 4. Пилот и замер: без цифры «до» эффекта не будет
Пилот ограничивается одной командой и одним каналом. Метрика выбирается до старта и не меняется в процессе: скорость первого ответа, доля обращений, разобранных без человека, время на подготовку сводки. Как считать эффект честно, чтобы не приписать ИИ чужую работу, — в статье как измерить эффект автоматизации.
Цифры по рынку полезны как ориентир масштаба, но не как обещание. По данным McKinsey, приведённым в обзоре pitchavatar.com, ИИ хотя бы в одной функции используют 88% компаний. Это про факт использования, а не про окупаемость: сама по себе цифра не гарантирует, что ваш сценарий даст результат.
Сроки по этапам: чего ждать и от чего они зависят
Точных нормативов по срокам в источниках нет, и это честно: длительность определяется готовностью данных и числом согласующих. Ниже — рабочая раскладка этапов, которую используют на практике; в ней важна не абсолютная цифра, а порядок и то, что замер идёт отдельным этапом, а не «в процессе».
| Этап | Что делаем | От чего зависит длительность |
|---|---|---|
| Выбор процесса | Инвентаризация рутины, выбор кандидата | Число процессов и наличие владельца |
| Описание сценария | Вход, выход, ошибки, границы, роль человека | Число спорных случаев и согласующих |
| Данные и интеграция | Справочники, история, доступы, каналы | Качество данных, число систем |
| Пилот | Одна команда, один канал | Загрузка команды, объём потока |
| Замер | Та же метрика, что до старта | Наличие базового замера |
| Масштабирование | Расширение каналов и команд | Результат замера и правила эскалации |
Из чего складывается смета
Смета внедрения ИИ редко состоит только из стоимости модели или подписки. Основные статьи: подготовка данных, интеграция с учётной системой и каналами, разработка сценария и правил эскалации, тестирование на реальных примерах, обучение сотрудников, сопровождение и мониторинг. Общая логика разобрана в статье бюджет автоматизации: составляющие.
Отдельной строкой идёт работа человека в контуре: приёмка результатов, разбор спорных случаев, обновление правил. Если эту строку не заложить, сценарий тихо деградирует через несколько недель — и это будет выглядеть как «ИИ не работает», хотя дело в отсутствии обслуживания.
Инвестиции в ИИ часто не окупаются: причина — в неверном подходе, когда деньги и время тратятся ради тренда, а не для решения конкретных бизнес-задач.
Где человек остаётся в контуре
Даже в зрелом сценарии человек нужен в четырёх точках: утверждение правил, приёмка спорных случаев, контроль журнала действий и решение о расширении. Это не недоделка, а конструктивная часть — именно она позволяет не останавливать процесс при первой нестандартной ситуации. Как это устроено на практике — контроль обработки заявок руководителем.
Если пилот не дал эффекта, это не повод покупать второй инструмент. Сначала разберитесь, где потерялся результат: в данных, в сценарии или в том, что метрика была выбрана неверно. Разбор типичных провалов — ошибки внедрения ИИ в малом бизнесе.
Что сделать на этой неделе
- Выпишите три процесса, которые повторяются чаще всего и занимают больше всего часов.
- Для каждого укажите владельца и метрику, по которой видно результат.
- Выберите один процесс, где ошибка дешева и поток стабилен.
- Замерьте метрику «до» — без этого замера пилот бессмысленен.
- Опишите сценарий как контракт: вход, выход, ошибки, эскалация.
- Только после этого считайте смету и выбирайте исполнителя.
Выбор исполнителя — отдельный риск: смотрите не на демо, а на то, как подрядчик описывает границы и замер. Критерии — в статье как выбрать подрядчика автоматизации. Если нужен разбор вашего процесса и расчёт сметы под него — напишите нам.
Разберём ваш процесс и посчитаем смету по этапам — без обещаний роста в разы и с фиксированной метрикой до старта.
Получить диагностикуИсточники
- Внедрение ИИ в бизнес-процессы для снижения операционных затрат — РБК — Тезис о том, что инвестиции в ИИ часто не окупаются из-за неверного подхода и трат ради тренда. Это аналитический материал, а не выборочное исследование; цифр по срокам и смете не содержит.
- Внедрение ИИ в бизнес-процессы: этапы, примеры и риски — itglobal.com — Логика выбора процесса для пилота, оценка готовности данных и инфраструктуры, риски. Обзорная статья без статистической выборки.
- Статистика и прогнозы: Внедрение ИИ в 2025 году — pitchavatar.com — Цифра 88% компаний, использующих ИИ хотя бы в одной функции, со ссылкой на исследование McKinsey. Это доля использования, а не доля успешных внедрений; выборка — международные компании, опрошенные McKinsey.
- Внедрение искусственного интеллекта в российских организациях — Ведомости — Доли организаций, применяющих ИИ, по размеру: 17% при численности более 500 человек и 4,3% при менее 100 человек. Пресс-релиз по опросу российских организаций; говорит о факте применения, не о величине эффекта.