Бюджеты на AI растут, а отдачи нет: разбираемся в чем дело
Эксперт по стратегическим трансформациям объясняет, что мешает компаниям получать результат от автоматизации
Бюджеты режут почти везде. На маркетинг, на найм, на офисы. Единственная статья расходов, которую сейчас не трогают, — это AI и автоматизация. Компании вкладывают в них все больше, но прорывных результатов пока никто не показал. Точечные улучшения — да, ускорение отдельных операций — да. А вот чтобы бизнес внедрил AI и вырос в разы — таких историй практически нет.
О том, почему так происходит и что компании делают не так, рассказала Светлана Берендеева — советник и эксперт по стратегическим трансформациям, руководитель внедрения стратегических изменений в «Росгосстрахе».
→ Смотреть запись на RuTube
→ Смотреть запись на YouTube
Возврат инвестиций в AI получает 1 компания из 5
Светлана объясняет, как обычно проходит автоматизация в компаниях. Все идет по одной и той же логике: поставили задачу, собрали данные, построили решение, передали пользователям, отслеживают метрики. Схема привычная, поэтому для многих в ней нет ничего нового:
По наблюдениям Светланы, такая последовательность дает 15–20% прироста производительности на одном конкретном участке — и на этом эффект заканчивается. На практике это значит, что внутри одного отдела работа ускоряется, но на показатели всей компании этот прирост почти не влияет.
Похожую картину фиксирует McKinsey в отчете State of AI 2025, но уже на уровне ИИ-внедрений: 88% компаний используют AI хотя бы в одной функции, но только 39% видят какое-либо влияние AI на операционную прибыль. При этом у большинства из них на AI приходится меньше 5% всей прибыли. Группа компаний, которые получают от AI существенную отдачу — около 6% от всех опрошенных.
Те же выводы звучат и от самого бизнеса. На финансовой конференции в конце прошлого года, где выступала Светлана, директора по финансам обсуждали один вопрос — когда же будет возврат на вложения в автоматизацию. Прямого ответа не было ни у крупных корпораций, ни у компаний поменьше: все ссылались на то, что нужно подождать еще год и заложить новый бюджет.
Почему автоматизация не дает прорыва
За слабой отдачей от AI стоит один и тот же механизм. Компании не решают исходную проблему, а перекладывают ее на пользователя. Вот как это выглядит на практике:
- Голосовые боты в поддержке — клиент с нестандартным вопросом не может выйти на живого оператора и тратит на разговор с ботом больше времени, чем раньше уходило на звонок в колл-центр.
- QR-коды вместо меню в ресторанах — посетитель разбирается с ними сам, и с первого раза это удается далеко не всем.
- Электронный документооборот в сервисах — клиент сканирует 10 документов и шлет фотографию себя с паспортом в небликующем виде, вместо того чтобы прийти в офис.
Зоны работы ИИ: что он умеет, а что все еще остается за человеком
ИИ хорошо работает с одними типами задач и не справляется с другими. Примеры таких задач можно представить в виде таблицы:
| ИИ умеет | ИИ не умеет |
|---|---|
| Обрабатывать большие объемы данных | Понимать стратегию бизнеса |
| Выявлять паттерны в прошлом | Моделировать реалистичное будущее |
| Давать четкие и детализированные ответы на основе базы знаний | Самостоятельно задавать правильные вопросы |
| Автоматизировать рутину | Пользоваться интуицией и проявлять здравый смысл |
| Ускорять уже работающие процессы | Думать над тем, какие процессы вообще могут быть нужны |
Главное ограничение AI — он не отвечает на вопрос, зачем компании эта автоматизация. Без ответа на него бюджет уходит впустую.
Пример из практики крупной финансовой организации: в компании в свое время автоматизировали одобрение платежей: процесс, который раньше занимал 2 часа, стал укладываться в 2 секунды. Однако при тестировании оказалось, что около 80% подготовленных платежей пришлось возвращать — где-то не сошлись реквизиты, где-то нужно было дополнительно подтвердить детали с получателем.
Как итог, решение об отправке платежа оставили за человеком. Если бы AI отправлял платежи сам, поток ошибочных переводов шел бы дальше, и компания получала бы массовые претензии.
Этот пример показывает еще один принцип: AI усиливает то, что уже встроено в работу компании. В случае с банком — он усилил скорость подготовки. Но если в процессе есть слабые места: непрозрачные согласования, дублирующиеся шаги, не до конца отлаженные регламенты — AI масштабирует и их.
Необходимость в AI зависит от формулировки цели
Сегодня компании балансируют между гибкостью и управляемостью:
- С одной стороны, нужно быстро реагировать на изменения, запускать новые продукты, внедрять технологии.
- С другой — следить за расходами и считать возврат инвестиций.
AI кажется инструментом, который закроет обе задачи сразу: ускорит процессы и сократит издержки. Но именно здесь компании чаще всего и спотыкаются — потому что зацикливаются на вопросе «как ускориться», хотя сначала стоило ответить на вопрос «зачем нам это нужно».
С вопросом «как» технологии справляются — умеют ускорять, оптимизировать, автоматизировать. А вот ответа на «зачем» они не дают. Решить, какую именно задачу бизнеса должно закрыть ускорение и какой результат компания хочет получить, может только человек. И если этот шаг пропустить, деньги уходят на инструмент, который работает сам по себе, но не приближает компанию к цели.
Эксперт предлагает посмотреть на цели компании и проверить, как они сформулированы — через инструмент или через смысл. От этой формулировки напрямую зависит, какие решения будет искать команда и на что в итоге уйдут деньги.
Например, возьмем задачу нарастить аудиторию профессионального бренда. Если поставить цель через инструмент, она звучит так: «достичь миллиона подписчиков в Telegram». Команда потратит ресурсы, выполнит задачу и отчитается. А дальше может выясниться, что миллион подписчиков сам по себе не приближает компанию к результату, ради которого все начинали.
При этом если сформулировать ту же задачу через смысл, она звучит иначе: «построить самое цитируемое профессиональное комьюнити в отрасли». И здесь уже может оказаться, что для достижения одного мессенджера недостаточно — нужны VK, Max, отраслевые СМИ, цитирование в исследованиях.
С клиентской поддержкой работает та же логика. Цель «внедрим ИИ-ассистента в поддержку» приведет к тем самым голосовым ботам, через которые невозможно получить ответ на нетиповой вопрос и обратиться к живому сотруднику.
Цель «сделаем поддержку, которая станет якорем для клиентов» — другая постановка. Тут может выясниться, что для достижения цели нужно сделать не 1 бота, 10 под разные сценарии и нанять сотрудников для дополнительной поддержки.
Этот подход не новый. Светлана приводит пример того, как постановка цели через смысл работала еще в прошлом веке. Речь о танке Т-34. В воспоминаниях конструктора Кошкина задача на его разработку звучит так:
- работать на опережение, а не догонять конкурентов;
- опираться на новые тенденции, а не копировать готовые аналоги;
- создать машину, которая надолго останется перспективной и не потребует переделок, ломающих ритм производства.
То есть Кошкин не описал танк через параметры, а сформулировал, какой эта машина должна стать и зачем она нужна стране. Дальше команда подбирала под эту задачу конкретные решения — и результат вошел в историю.
Что сделать перед внедрением ИИ
Перед тем как инвестировать в ИИ, Светлана советует пересмотреть сам процесс, который команда хочет автоматизировать. По ее опыту, старый процесс часто можно перестроить вручную — быстрее и в разы дешевле, чем через ИИ. В текущих условиях это относится к любой инвестиции, ведь любая статья расходов может стать критичной.
Второй шаг — работа с командой. Руководители часто жалуются: сотрудники саботируют изменения, не разделяют смыслы, тормозят трансформацию. Светлана видит ситуацию иначе:
Светлана добавляет: чтобы команда поддержала изменения, руководству придется быть с ней честным. Объяснять не только что делать, но и зачем — какие реальные мотивы стоят за решениями, что меняется и почему. Без этого сотрудники продолжат сомневаться, что завтра курс снова не развернется.
Когда сотрудники понимают смысл задачи и сами участвуют в ее постановке, поддержка появляется естественно. Чтобы выстроить такую работу, Светлана советует использовать методологию OKR: она помогает ставить цели через смысл и вовлекать команду в их формулировку.
Главное: с чего начинать внедрение ИИ
Сегодня перед компаниями стоят 2 главных вопроса про ИИ: как его внедрять и зачем. Без ответов на них автоматизация чаще всего дает точечные улучшения и большие счета вместо прорыва.
Светлана советует выстраивать работу так. Сначала компания определяет, какой результат хочет получить. Потом разбирается с процессом, который к этому ведет: что в нем работает, что нужно поменять. И только в самом конце подбирает инструменты — иногда это ИИ, иногда пересмотр регламента, иногда ручная перестройка процесса.
В этой последовательности AI стоит в самом конце, среди других инструментов, и работает с тем, что компания уже построила до него: с процессами, стратегией, командой. Если в основе понятная картина — AI ее усилит. Если в основе хаотичные процессы и непрозрачное управление — масштаб проблем тоже вырастет. Поэтому до разговора об инструментах стоит разобраться, что именно компания собирается улучшать с помощью ИИ.
