Внедрение ИИ в бизнес - это перестройка одного процесса так, чтобы часть работы в нем выполняла модель, а люди проверяли результат и занимались сложными случаями. Проект проходит шесть этапов: выбор процесса и замер «до», подготовка данных, прототип, пилот, интеграция в рабочие системы и поддержка после запуска.
Ниже каждый этап разобран с позиции компании: что нужно сделать вам, кого из сотрудников подключить, какое решение принять и чем этап заканчивается. Отдельно - почему большинство ИИ-пилотов так и не становятся рабочим инструментом и как этого избежать.
Чем внедрение ИИ отличается от «попробовать нейросеть»
Сотрудник, который пишет письма в чат-боте, использует ИИ, но компания его еще не внедрила. Внедренный ИИ работает внутри процесса: его результат видят, измеряют, и за него кто-то отвечает. Отличия по пяти признакам:
| Признак | Попробовать нейросеть | Внедрить ИИ |
|---|---|---|
| Где работает | В отдельном окне, вручную | Внутри CRM, 1С, хелпдеска, мессенджера |
| На чем отвечает | На общих знаниях модели | На документах и данных компании |
| Кто отвечает за результат | Каждый сотрудник сам | Владелец процесса |
| Как понять, что работает | Нравится или нет | Метрика до и после: время, доля обращений без оператора, ошибки |
| Что при ошибке | Сотрудник заметит или нет | Правило: когда ответ проверяет человек и как исправляется база |
Поэтому внедрение искусственного интеллекта начинается с процесса. Модель подбирают позже, под требования к данным, скорости и бюджету.
Почему большинство ИИ-пилотов не доходит до работы
Самое известное исследование на эту тему - отчет MIT NANDA «The GenAI Divide: State of AI in Business 2025» (июль 2025). Авторы разобрали больше 300 публичных ИИ-проектов и опросили руководителей компаний. По их данным, 95% организаций не видят измеримой отдачи от генеративного ИИ, а до рабочей эксплуатации доходит около 5% ИИ-инструментов, которые компании делают под себя.
Главная причина, по мнению авторов, в том, что большинство систем не встроены в процесс: они не учитывают обратную связь, не адаптируются к контексту и не улучшаются со временем. Вторая находка касается подрядчиков: проекты с профильными поставщиками удаются примерно в двух случаях из трех, собственные разработки - в три раза реже. Похожую картину показывает и исследование Яндекса и «Яков и Партнёры»: 78% крупных российских компаний используют готовые ИИ-решения от внешних партнеров.
Отсюда три правила, на которых построены этапы ниже:
- Начинать с одного процесса с понятной метрикой.
- Встраивать ИИ в системы, где сотрудники уже работают.
- Заранее договориться, как система будет учиться на ошибках после запуска.
Как внедрить ИИ в бизнес: шесть этапов
Сроки каждого этапа зависят от задачи и готовности данных, поэтому в таблице вместо сроков - то, что компания должна сделать сама, и результат, без которого не стоит переходить к следующему шагу:
| Этап | Что делает компания | Результат этапа |
|---|---|---|
| 1. Выбор процесса | Выбирает один процесс, назначает владельца, замеряет показатели «до» | Процесс, метрика и ее текущее значение |
| 2. Данные | Собирает документы и выгрузки, решает вопрос доступа и персональных данных | База знаний и список систем для интеграции |
| 3. Прототип | Дает вопросы и примеры из архива, проверяет ответы | Понятно, справляется ли модель с вашей задачей |
| 4. Пилот | Запускает на части сотрудников или клиентов, собирает ошибки | Метрика «после» и решение: масштабировать или нет |
| 5. Интеграция | Дает доступы к CRM, 1С, хелпдеску, согласует права | ИИ работает внутри рабочих систем |
| 6. Поддержка | Обновляет базу знаний, разбирает ошибки, выбирает следующий процесс | Качество не падает, эффект растет |
Этап 1. Выберите процесс и замерьте показатели «до»
Первый проект стоит брать там, где искусственный интеллект для бизнеса уже показал измеримый эффект: поддержка, работа с документами, прогнозы, контроль по видео. Внутри компании ищите процесс, который повторяется десятки или сотни раз в день и в котором сотрудники тратят время на поиск, сверку или ответ по шаблону.
До старта зафиксируйте текущие цифры за типичный период, например за месяц: сколько обращений, сколько времени уходит на одно, сколько ошибок. Без этого замера после пилота будет не с чем сравнить результат. Здесь же назначьте владельца процесса - человека, который отвечает за результат и принимает решения по пилоту.
Этап 2. Соберите данные и решите вопрос доступа
ИИ отвечает на основе того, что вы ему дадите: регламентов, инструкций, истории обращений, выгрузок из учетных систем. Данные редко лежат в готовом виде. В проекте для инженеров по ремонту банкоматов заказчик передал 200 МБ документов и 30 ГБ видеоинструкций: видео пришлось расшифровать в текст, а таблицы Excel перевести в формат, который модель читает надежнее.
На этом же этапе решаются два организационных вопроса. Кто дает доступ к системам и в каком объеме. И есть ли в данных персональные данные клиентов: по 152-ФЗ их нужно хранить в базах на территории России, поэтому такие задачи решают на российских моделях или на серверах компании. Как модель будет пользоваться базой - искать по ней или учиться на ней, - зависит от задачи: разница между дообучением LLM и RAG определяет и стоимость, и то, как быстро обновляются ответы.
Этап 3. Проверьте задачу на прототипе
Прототип - это рабочая версия на ваших данных, но без интеграций и без нагрузки. Его задача - до больших вложений показать, справляется ли модель именно с вашими вопросами. Тестировать лучше на обращениях из архива: на них сотрудники сразу видят, где ответ точный, а где модель путается.
Люди формулируют один и тот же вопрос десятками способов, и прототип должен это выдерживать. В чат-боте для университета базу вопросов расширили вариантами формулировок, сгенерированными нейросетью, - после этого бот стал находить правильный ответ, как бы абитуриент ни задал вопрос.
Этап 4. Запустите пилот на одном участке
Пилот - это работа с живыми пользователями, но в ограниченном контуре: один отдел, одна линия поддержки, часть клиентов. Критерии успеха договорите до старта: какая метрика, на сколько она должна измениться и за какой срок. Тогда решение о масштабировании принимают по цифрам.
На пилоте важно собрать ошибки: вопросы, на которые ИИ ответил неверно или не нашел ответа. Каждая такая ошибка - это недостающий документ в базе, неясная формулировка регламента или сценарий, который нужно передать человеку. Если ошибки не разбирать, качество ответов не растет и пилот так и остается пилотом.
Этап 5. Встройте ИИ в рабочие системы
Внедрение ИИ в бизнес-процессы завершено, когда сотруднику не нужно переключаться между окнами: ответ бота попадает в хелпдеск, заявка - в CRM, распознанный документ - в 1С. Для этого нужны доступы к API систем и согласованные права: что ИИ может только читать, а что записывать. Если ИИ должен сам выполнять цепочку действий в нескольких системах, речь уже про ИИ-агентов.
На этом этапе принимают и решение, где будет работать модель: в облаке через API или на выделенном сервере. Для LLM-чат-бота производителя электромонтажных изделий выбрали приватный сервер: он не зависит от лимитов запросов и условий стороннего API и работает стабильнее в часы пиковой нагрузки.
Этап 6. Поддерживайте и масштабируйте
После запуска процессы продолжают меняться: выходят новые продукты, обновляются регламенты, клиенты задают новые вопросы. Базу знаний нужно обновлять, ошибки - разбирать, а сотрудникам - знать, что делать, когда модель ошиблась. Эту работу можно вести самим или передать подрядчику, но у нее должен быть ответственный.
Когда первый процесс стабильно показывает эффект, берут следующий, желательно соседний: он использует ту же базу знаний и те же интеграции, поэтому обходится дешевле и запускается быстрее. Так ИИ постепенно охватывает соседние процессы.
Кто нужен со стороны компании
Даже если разработку ведет подрядчик, без людей со стороны компании проект не запустить. Отдельная ИТ-команда не нужна, но пять ролей должны быть закрыты, даже если несколько из них совмещает один человек:
| Роль | Зачем нужна | Сколько участия |
|---|---|---|
| Владелец процесса | Отвечает за результат, принимает решения по пилоту и масштабированию | Постоянно, ключевая роль |
| Эксперт по содержанию | Знает правильные ответы, проверяет качество, пополняет базу знаний | Плотно на прототипе и пилоте |
| Ответственный за доступы | Дает доступ к CRM, 1С, хелпдеску, настраивает права | Точечно на этапах данных и интеграции |
| Юрист или служба безопасности | Проверяет работу с персональными данными и коммерческой тайной | На этапе данных и перед запуском |
| Пилотная группа | Работает с ИИ в ежедневных задачах и сообщает об ошибках | Весь пилот |
Минимальная конфигурация для небольшой компании - один ответственный, который совмещает роли владельца процесса и эксперта, и доступ к системам. Все остальное может взять на себя подрядчик.
Сделать самим, купить готовое или привлечь интегратора
Данные MIT и Яндекса говорят в пользу внешних решений и партнеров, но своя разработка тоже бывает оправдана. Выбор зависит от того, насколько типовая задача и есть ли в компании своя команда:
| Путь | Когда подходит | Риски |
|---|---|---|
| Готовый сервис с ИИ | Типовая задача, которую сервис уже решает: телефония, CRM, поддержка | Работает только в рамках возможностей сервиса, данные уходят поставщику |
| Своя разработка | Есть команда ML-инженеров, задача - ядро бизнеса | Дорогой найм, долгий старт; по данным MIT, удается в три раза реже внешних проектов |
| Интегратор | Нужна работа на своих данных и интеграция с вашими системами, а своей команды нет | Зависимость от подрядчика: заранее договоритесь о передаче кода и поддержке |
Сколько стоит внедрение ИИ
Стоимость внедрения складывается из объема работ. Сильнее всего на бюджет влияют пять факторов:
- Количество процессов и сценариев. Один сценарий поддержки и десять сценариев в разных отделах - разные проекты.
- Состояние данных. Если база знаний собрана, этап данных короткий. Если документы разрознены, устарели или хранятся в видео и сканах, их подготовка становится заметной частью бюджета.
- Интеграции. Каждая система - CRM, 1С, хелпдеск, телефония - добавляет работу по подключению и настройке прав.
- Где работает модель. Облачный API дешевле на старте, свой сервер требует оборудования, но дает контроль над данными.
- Требования к безопасности. Работа с персональными данными и коммерческой тайной добавляет требования к хранению и доступам.
Для ориентира: у Unistory внедрение начинается от 150 тыс. руб., точную сумму фиксируют после диагностики задачи. Чтобы понять, окупится ли проект, стоимость сравнивают с часами сотрудников и ошибками, которые он уберет, - так считают эффективность внедрения ИИ еще до старта.
Какие ошибки при внедрении ИИ встречаются чаще всего
Почти все ошибки ниже организационные. Если процесс выбран правильно и у проекта есть владелец, модель редко становится проблемой:
- Начать со «стратегии ИИ» вместо процесса. План ИИ-трансформации без конкретного процесса не дает метрики, по которой можно проверить эффект.
- Не замерить показатели до старта. Без исходных цифр эффект пилота невозможно доказать ни руководству, ни себе.
- Не назначить владельца. Если за результат отвечают «все», после пилота система остается без поддержки.
- Загрузить в базу знаний все подряд. Устаревшие и противоречивые документы модель воспроизводит так же уверенно, как актуальные.
- Ждать 100% точности. Ошибки будут, поэтому заранее определите, какие ответы ИИ дает сам, а какие передает человеку.
- Строить критичный процесс на зарубежном API. Доступ к нему могут ограничить, а оплата требует иностранной карты.
Как Unistory внедряет ИИ
Unistory работает по тем же шагам: сначала бесплатная диагностика на 30-60 минут, где разбираем процессы и выбираем сценарий с самым быстрым эффектом, затем прототип на ваших данных, который мы собираем и показываем до заключения договора. С вашей стороны нужен один ответственный за процесс, разработку, интеграцию и поддержку мы берем на себя.
Подробнее об этапах, интеграциях и условиях - на странице внедрения ИИ под ключ. Если база знаний - главный актив задачи, начать можно и с ИИ-ассистента по документам компании.
Заключение
Внедрение ИИ в бизнес начинается с одного процесса: выбрать задачу с понятной метрикой, замерить «до», проверить на прототипе, запустить пилот, встроить в рабочие системы и поддерживать. Пилоты чаще всего останавливаются из-за отсутствия владельца, данных и разбора ошибок, поэтому эти три вещи стоит обеспечить до старта.
Частые вопросы
С чего начать внедрение ИИ в бизнес?
С выбора одного процесса, который часто повторяется и который можно измерить: поддержка, обработка документов, отчеты. Зафиксируйте текущие показатели, назначьте владельца процесса и проверьте задачу на прототипе с реальными данными.
Сколько стоит внедрить ИИ в бизнес?
Стоимость зависит от числа сценариев, состояния данных, интеграций, размещения модели и требований к безопасности. У Unistory внедрение начинается от 150 тыс. руб., точную сумму фиксируют после диагностики.
Сколько времени занимает внедрение ИИ?
Зависит от задачи и готовности данных. Например, бота для инженеров по ремонту банкоматов Unistory разработала за месяц. Проекты с несколькими интеграциями или подготовкой данных с нуля занимают больше.
Нужна ли своя ИТ-команда для внедрения ИИ?
Нет. Разработку, интеграцию и поддержку может взять подрядчик. Со стороны компании нужен ответственный за процесс, который знает задачу и принимает решения, и доступ к системам.
Что делать, если у компании нет данных для ИИ?
Обычно данные есть, но не собраны: регламенты, инструкции, переписка, история обращений. Из них формируют базу знаний. Для компьютерного зрения большой размеченный датасет сейчас тоже не обязателен: визуально-языковые модели работают на небольшом числе примеров.
Можно ли внедрить ИИ в 1С или CRM?
Да, если у системы есть API. ИИ может читать данные из 1С или CRM, создавать заявки и записывать результат, а права на чтение и запись согласуются отдельно.
Как оценить эффект от внедрения ИИ?
Сравнить метрику процесса до и после пилота: время обработки, долю обращений без оператора, количество ошибок. Поэтому показатели «до» нужно замерить еще до старта проекта.
Почему ИИ-пилоты не доходят до работы?
По данным MIT NANDA, главная причина в том, что системы не встроены в процесс: не учитывают обратную связь и не улучшаются. Помогают владелец процесса, метрика и регулярный разбор ошибок после запуска.
Законно ли использовать ИИ с данными клиентов?
Да, если соблюдать 152-ФЗ: персональные данные граждан России хранят в базах на территории России. Для таких задач выбирают российские модели или разворачивают модель на серверах компании.
Что происходит после запуска ИИ?
Систему поддерживают: обновляют базу знаний под новые регламенты и продукты, разбирают ошибки, расширяют сценарии на соседние задачи. Это можно делать самим или передать подрядчику.
