ИИ без процессов: почему большинство внедрений не улучшают бизнес
Российский бизнес быстро осваивает ИИ, однако переход от экспериментов к системному эффекту пока остается сложным. Согласно данным опроса 700 российских компаний, готовая стратегия внедрения ИИ есть лишь у 22% микропредприятий и малого бизнеса, 22% средних, 25% крупных и 36% крупнейших игроков. Что касается конкретных решений, чат-боты уже используют 41% компаний, а виртуальных, голосовых и специализированных ассистентов – 27%.
Тем не менее исследования ONSIDE и Just AI демонстрируют тревожную тенденцию – 55% проектов в сфере генеративного ИИ на отечественном рынке все еще находятся в пилотной стадии. Технологию покупают, пилоты запускают, а системного результата нет.
Почему так происходит и что с этим делать рассказывает Илья Народицкий, директор по стратегическим инновациям компании «Навикон».
Почему скорость ИИ-проекта не дает результат
По данным ONSIDE, объем российского рынка генеративного ИИ в 2025 году вырос более чем втрое – с 13 до 58 млрд рублей. При этом корпоративный сегмент формирует 77% рынка, а более половины отечественных компаний уже используют GenAI-решения. Однако массовое внедрение технологии не означает ее зрелого использования – 55% проектов все еще остаются на стадии пилота. Инвестиции приходят быстрее, чем компании успевают выстроить системную работу с ИИ и получить измеримую отдачу от отдельных экспериментов.
Сам ИИ редко оказывается слабым местом проекта. Значительно чаще ограничения возникают внутри компании. Процессы между подразделениями описаны лишь частично, одни и те же данные существуют в нескольких системах одновременно, а исключения обрабатываются вручную. В такой среде ИИ начинает решать локальные задачи: он быстрее готовит договор, классифицирует обращения клиентов, находит информацию и составляет отчет. Каждый такой результат сам по себе полезен. Именно поэтому первые демонстрации производят сильное впечатление на бизнес.
Однако дальше выясняется, что документ по-прежнему проходит согласование две недели. Клиентское обращение все так же переходит между подразделениями. Получается отдельные операции ускорились, а время выполнения всего процесса не изменилось. В этом и заключается раздел между автоматизацией и трансформацией. Автоматизация делает быстрее конкретную операцию. Трансформация меняет суть и экономику процессов в целом.
Российский бизнес внедряет ИИ в сжатые сроки. Согласно данным исследования MWS, у 55% компаний этот процесс занимает от одного до шести месяцев, а наиболее распространенный сценарий укладывается всего в один-три месяца. Компании работают в условиях дефицита кадров, давления со стороны издержек и необходимости быстро повышать производительность.
Не случайно в 67% компаний решения о внедрении ИИ принимает прежде всего CIO. Для обычного ИТ-проекта это естественная модель управления. Но ИИ перестал быть исключительно технологической темой. Если компания рассчитывает изменить скорость принятия решений, стоимость операций или качество сервиса, разговор неизбежно выходит за пределы ИТ. Меняется уже не программный продукт, а способ работы бизнеса.
Вторая проблема – данные. Исследование McKinsey State of AI 2025 показывает интересную закономерность. Компании, которые получают эффект от ИИ в масштабе бизнеса, практически никогда не ограничиваются внедрением одной технологии. Они одновременно перестраивают операционную модель, работают с качеством данных, развивают компетенции сотрудников, формируют стратегию и заранее думают о масштабировании. ИИ оказывается лишь одним из элементов более крупных изменений.
К похожему выводу приходит Deloitte. Главным препятствием для возврата инвестиций становятся фрагментированные ИТ-платформы, качество корпоративных данных, сложности интеграции и принятие новой технологии пользователями.
Автоматизация хаоса
Многие думают, что достаточно встроить агента в существующий процесс, и дальше он сам разберется с рутиной. Исследование IBM показывает, чтобы агент действительно приносил пользу, приходится перепроектировать сам процесс исполнения, пересматривать пользовательские сценарии, выстраивать взаимодействие между несколькими агентами, определять контекст, память и источники данных, на которых строятся решения. Иначе интеллектуальный агент лишь наследует все недостатки существующей организации работы.
Во многих проектах отсутствует владелец конечного результата. За модель отвечает одна команда, интеграцией занимается другая. Бизнес формулирует требования, ИТ контролирует инфраструктуру, а центр компетенций оценивает качество ответов модели.
В результате компания получает успешный пилот, красивую презентацию для руководства и работающую модель. Но сам процесс остается почти таким же, каким был до начала проекта. Именно поэтому разговор об ИИ неизбежно приводит рынок к теме управления бизнес-процессами.
Недостающее звено
BPM (Business Process Management) как набор методов и инструментов для описания бизнес-процессов, их автоматизации, контроля и постоянного улучшения, заставляет компанию ответить на несколько важных вопросов.
Где процесс начинается и заканчивается? Кто принимает решение на каждом этапе? Какие данные нужны для следующего шага? Что происходит, если стандартный сценарий нарушается? Как понять, что процесс действительно стал лучше? И наконец, кто отвечает не за отдельную операцию, а за итог всей цепочки?
Возьмем документооборот. Современная языковая модель без труда определит тип входящего документа, извлечет реквизиты, найдет потенциально рискованные формулировки, подготовит краткое резюме для юриста или финансового контролера. Все это занимает секунды вместо 20-30 минут. Но дальше начинается работа процессной модели. Если ее нет, компания автоматизирует просто анализ документа, а не управление документом. BPM может выстроить прозрачную и эффективную схему выполнения процесса, где ИИ займет место, которое позволит избежать традиционных узких мест, прерывания и необоснованных временных затрат.
В HR различие между автоматизацией операции и автоматизацией процесса проявляется еще заметнее. Сегодня практически любая крупная компания может создать внутреннего ассистента, который отвечает сотрудникам на типовые вопросы. Намного сложнее встроить его в процессы онбординга, оформления отпусков, выдачи доступов, командировок, кадровых изменений, обучения и внутренних сервисов.
Пока эти процессы распределены между почтой, мессенджерами и ручными согласованиями, даже очень хороший ассистент не способен ощутимо изменить пользовательский опыт. Он быстро отвечает сотруднику, но не ускоряет получение результата.
По оценкам Onside и Just AI, уже 77% российского рынка генеративного ИИ приходится на корпоративный сегмент. Компании все чаще внедряют решения для клиентского сервиса, технической поддержки, продаж, маркетинга и бэк-офиса. Чем глубже ИИ интегрируется в процессы компании, тем важнее становятся безопасность данных, доступ к внутренним системам и возможность встроить решение в существующую архитектуру.
Одновременно растут и требования к самому процессу. Когда решение работает внутри корпоративного контура необходимо заранее определить права доступа, источники данных, правила обработки исключений, порядок аудита, критерии качества, нормативы времени и ответственность участников процесса. Иначе компания переносит на собственную инфраструктуру те же проблемы, которые существовали до появления ИИ.
Параллельно растет интерес к технологиям процессной аналитики. По данным Сбера и компании «Технологии Доверия», в 2025 году российский рынок Process Mining увеличился на 53% и достиг 1,4 млрд рублей. Каждая третья крупная российская компания уже использует такие инструменты либо тестирует их в пилотных проектах. Авторы исследования прогнозируют, что к 2030 году объем рынка при разных сценариях может составить от 4 до 14 млрд рублей. Process Mining помогает увидеть фактическое устройство процессов – и поэтому становится естественным фундаментом для масштабного внедрения ИИ.
Таким образом, начинается следующий этап развития корпоративного ИИ, когда внимание смещается от первичного внедрения к качеству процессов.
Что дальше: процессы, метрики и регулирование
Практический вопрос заключается в том, как понять, что процесс вообще готов к внедрению ИИ. Практика последних лет позволяет выделить несколько признаков. Первый – массовость и повторяемость. Наибольший эффект ИИ приносит там, где ежедневно проходят сотни или тысячи однотипных операций, а цену ошибки легко измерить.
Второй признак – наличие цифрового следа. Любая модель принимает решения, опираясь на данные. Если процесс существует преимущественно в личных чатах сотрудников, ИИ неизбежно будет работать с неполным контекстом.
Во многих компаниях процессы выглядят стандартными только на презентациях. На практике значительная часть работы состоит из нестандартных ситуаций, которые опытные сотрудники решают, опираясь на собственную экспертизу. Такие знания редко описаны в регламентах и почти никогда не отражены в информационных системах.
Наконец, у проекта должна быть понятная бизнес-метрика – показатель, который связан с экономикой бизнеса. Сократилось ли время согласования договора? Уменьшилась ли стоимость обработки одного обращения? Снизились ли операционные потери? Пока таких метрик нет, разговор об эффективности ИИ просто обмен субъективными впечатлениями.
К этим вопросам уже добавился фактор регулирования. В марте 2026 года Минцифры опубликовало законопроект о государственном регулировании ИИ, а в июле закон № 1271570-8 «О поддержке развития технологий искусственного интеллекта в Российской Федерации», на данный момент он ожидает подписания и официального опубликования.
Закон носит рамочный характер. Он закрепляет базовые понятия ИИ и больших фундаментальных моделей, а дальнейшая детализация регулирования будет формироваться подзаконными актами.
Для компаний это означает, что уже сейчас необходимо понимать, в каких процессах применяется ИИ, на каких данных он работает, кто отвечает за его внедрение, как фиксируются решения и каким образом контролируются риски. Регулятор подталкивает бизнес к тому же выводу, что и логика развития рынка – ИИ нельзя рассматривать в отрыве от процессов, данных и ответственности.
***
Большинство компаний ждут от технологии системного эффекта, не создав системного фундамента. ИИ подключают к отдельному участку работы, тогда как сам процесс остается практически неизменным.
В следующие несколько лет наиболее важным станет умение пересобрать процессы, определить их владельцев, навести порядок в данных и встроить ИИ в новую логику работы. Именно это будет главным отличием между внедрением технологии и настоящей цифровой трансформацией.
