Привет, Хабр! Меня зовут Игорь Акимов, CEO Abasis.AI. Мы в последний год смотрим, как российский и не только бизнес пытается оседлать хайп-трейн с надписью «Искусственный Интеллект»

И знаете, что? Чаще всего это выглядит как карго-культ. Все бегают, кричат "Надо срочно всем использовать AI! Сейчас все будут работать в 2 раза быстрее!", покупают лицензии ChatGPT и аналогов всему офису и ждут чуда. Но будем честны: у 9 из 10 компаний получается не «цифровая трансформация», а дорогостоящий «театр инноваций».

Я видел десятки компаний, которые вбухивают в AI миллионы, а получают нулевой выхлоп. И несколько тех, кто тихо, без громких анонсов, зарабатывает на этой технологии (ну или хотя бы экономит).

Сегодня расскажу, в чём разница.

Почему большинство AI-проектов — это деньги на ветер

Кладбище AI-проектов растёт каждый день. Самый наверное показательный был отчет. MIT про провал 95% проектов. О нем уже писали на хабре. И самое удивительное, что мне не хотелось верить в эти цифры, но наверное по рынку они и правда приближаются к 1-к-20.

Вот классика жанра: недавно ко мне обратился владелец средней IT-компании, примерно 50 сотрудников. Назовём его... ну, скажем, Сергей.

За год Сергей потратил около 20,000 долларов на «внедрение AI». Купил всем ChatGPT for Business (300 баксов в год на сотрудника), разработчикам дополнительно Cursor ($384 в год на сотрудника) оплатил курсы, даже нанял специалиста по трансформации.

Результат? Не стоит даже малейшего внимания

Когда я начал разбираться, почему деньги сгорели, а магия не случилась, я увидел одну и ту же картину маслом. Четыре критические ошибки, которые делают почти все.

1. AI-Анархия (Отсутствие централизации)

Каждый отдел — сам себе режиссёр. Маркетологи втихаря пилят картинки в Midjourney и Nano‑Banana через прокси, разрабы копаются в Copilot и тестируют Codex, метаясь и пытаясь найти «самую лучшую технологию», поддержка пытается скормить базу знаний о продукте какому‑то левому чат‑боту, который просто сольет эти данные дальше.

Полный зоопарк инструментов. Координации — ноль. Знания? Какие знания? Каждый варится в своем соку. Компания, по сути, покупает пять разных отвёрток, чтобы закрутить один и тот же шуруп.

2. Сизифов труд XXI века (Нет интеграций)

AI-инструменты живут в вакууме, отдельно от корпоративных систем. 90% "внедрения" — это старый добрый копипаст.

Представьте: менеджер по продажам после звонка вручную:

1. Открывает ChatGPT.

2. Копирует туда расшифровку (если её вообще кто‑то сделал и не забыл нажать кнопку).

3. Промптит: «Сделай саммари».

4. Копирует результат в CRM (если CRM вообще есть).

5. Повторяет это 10 раз в день.

На эту рутину уходит 30 минут жизни ежедневно. Полчаса, которые можно было потратить на звонки, улетают псу под хвост. И это при том, что всё это автоматизируется одной кнопкой!

3. "Дали обезьяне гранату" (Недостаток обучения)

Классика: сотрудникам купили дорогую игрушку, а инструкцию не да��и. Люди тыкают в ChatGPT, как в «умный Google», и получают мусор.

В лучшем случае — генерируют некачественный контент, который потом приходится полностью переписывать, тратя ещё больше времени.

Но этому надо учить. Плюс добавлять контент-инжиниринг, чтобы подсовывать подходящие примеры, корпоративный стиль, внутренние источники данных и документы. Но это делает только 1% самых грамотных, остальные пишут "AI-слоп", который действительно потом переделывать дольше, чем писать с нуля.

4. День сурка (Потеря знаний)

Внутренняя экспертиза утекает сквозь пальцы. Один сотрудник нащупал гениальный промпт, который решает его задачу? Супер! Но он уволился — и всё, знание потеряно.

Каждый отдел заново изобретает велосипед. Каждый раз. Снова и снова. Это не просто неэффективно, это дико дорого.

А как надо? Четыре столпа, на которых всё держится

Хорошая новость: всё это лечится. Это не rocket science, это банальная управленческая гигиена. Компании, которые реально зарабатывают на AI, строят всё на четырёх китах:

1. Единая платформа и стратегия (А не зоопарк)

Вместо "AI-анархии" — централизованный "AI-аппарат" с единым подходом.

• Выделенный AI-бюджет и один ответственный (AI Lead), а не «каждый сам по себе».

• Одна платформа для всех:

  • Google Workspace + Gemini

  • Microsoft 365 + Copilot

  • ChatGPT Enterprise + нужные коннекторы

  • Яндекс/МТС/Сбер/То, что вам нравится по AI система и где лежат ваши данные.

  • Или кастомное решение на базе API, если вы уже большие.

• Четкие KPI, а не «авось поможет»:

  • Какую боль лечим?

  • В каких цифрах будем измерять успех (сэкономленные часы, $$, лиды)?

  • Кто отвечает головой за результат?

2. Магия интеграций (AI "под капотом")

AI должен бесшовно встраиваться в то, чем вы УЖЕ пользуетесь, а не быть 101-й вкладкой в браузере.

Пример реальной интеграции (делали для B2B-софта):

1. Звонок в телефонии заканчивается.

2. Аудио автоматически улетает на транскрибацию (Whisper API/GigaAM).

3. AI анализирует текст: кто звонил, о чём договорились, какие следующие шаги.

4. Данные автоматически летят в CRM и заполняют нужные поля.

5. Если AI засек сигнал «клиент горячий» — автоматом ставится задача сейлзу.

6. Вдогонку генерируется follow‑up письмо клиенту.

Результат: Экономия 2 часов в день на каждого менеджера. Плюс ни одна договорённость больше не теряется в блокноте, в CRM появляются чистые данные, которым можно доверять. Автомагически!

Куда ещё смотреть:

• Обработка заявок: Письмо упало → AI распарсил → заполнил CRM → предложил черновик ответа.

• Генерация отчётов: Скрипт дёргает данные из 5 систем → AI пишет саммари с выводами для босса.

• Подготовка к встречам: AI парсит LinkedIn клиента, новости о его компании → создаёт brief для сейлза.

3. Системное развитие команды (а не разовый воркшоп)

Хватит этих унылых лекций и курсов. Развитие AI-компетенций — это непрерывный процесс. LLM-ки и подходы меняются каждые 3-6 месяцев. Никакие курсы вам этого не дадут, нужно выращивать экспертизу и любопытство изнутри!

Форматы, которые реально работают:

• Еженедельные AI-демо (15 минут): Кто-то из команды (не обязательно руководитель!) показывает 1 крутой приём/софт/промпт, который сэкономил ему время.

• Внутренние хакатоны: "У нас есть вот эта больная задача. Команда, у вас есть 1 день и AI, чтобы её 'убить'".

• База знаний (живая!): с лучшими промптами и кейсами.

• AI-чемпионы: энтузиасты в каждом отделе, которые помогают остальным.

Главное: Никакой "голой" теории. Люди должны руками применять AI к своим реальным задачам прямо на обучении.

4. "Мозг" компании (Накопление знаний)

Создание единой базы корпоративных знаний – того самого single source of truth.

Но это касается базы знаний вцелом, то типичная проблема — бардак вообще со всеми документами. В папке лежат два разных регламента, третий поменялся на созвоне, но его не записали. Добавляете AI ассистента с доступом к этой «базе», а он начинает галлюцинировать, и люди бегут по старинке к Мариванне из HR, чтобы рассказала, как на самом деле обстоят дела.

Магия начинается, когда вы мотивируете команду создавать и «прокачивать» своих AI‑ассистентов, например, того же HR по внутренним кадровым политикам. Если становится понятно, что ассистент косячит, но есть желание и мотивация его улучшить, это автоматически приводит к чистке данных, лучшим промптам, дополнению ответов по пропущенным местам. И в итоге получается магия:

1. Качество базы растёт → нагрузка на людей падает → AI умнеет.

2. Экономится время → пропадает рутина → появляется вера в эту шайтан-машину.

3. Появляется возможность автоматически пополнять базу со звонков, из писем и т.д.

Плюс эти знания vendor agnostic. Завтра выйдет GPT-6 или Claude-5 — вы просто переключите свою базу на новую, более умную "голову".

А деньги где? Реальные результаты правильного внедрения

Цифры ниже – это не фантазии, а реальные кейсы за последний год.

Disclaimer: AI — не волшебная таблетка. Если у вас в процессах бардак, AI превратит его в бардак в квадрате. Сначала гигиена, потом магия.

3x – Ускорение процессов

Пример: Команда контент-маркетинга из 3 человек раньше рожала 8 статей в месяц. После внедрения AI-ассистента с правильными промптами и доступом к базе знаний – 25 статей того же (а то и выше) качества

Важно: Я против «контент‑заводов». Это попытка переложить творческую часть и собственно сердцевину вашей сущности на машину, которая многого не знает. AI — это гениальный стажёр. Он пишет черновик, ищет факты, а человек делает из этого «конфетку».

40% – Экономия ресурсов

Кейс: SaaS-компания с 50 сотрудниками автоматизировала первую линию поддержки. Вместо найма 3 новых спецов — внедрили AI-ассистента, который закрывает 60% типовых вопросов. Экономия: ~$180K в год.

Без радикализма:Полная автоматизация поддержки убьёт ваш бренд. Но отвечать на «где моя посылка?» 24/7 должен робот, а сложные кейсы сразу передавать живому человеку, тогда вас будут любить и уважать.

25% – Рост выручки

E-commerce проект внедрил AI-персонализацию email-кампаний. Анализ поведения + генерация индивидуальных предложений = рост конверсии с 2.1% до 2.8%.

1.45x – Производительность разработки

Пример: После внедрения Cursor с кастомным системным промптом под архитектуру проекта, команда стала доводить до продакшена на 45% больше задач. Плюс автогенерация тестов и документации. Разработчики счастливы, потому что AI забрал ту самую рутину, которая всех бесит. Но конечно сначала надо разобраться с качеством кодовой базы и правила работы с ней с помощью AI.

Куда бить? Правильные точки приложения AI

Не пытайтесь автоматизировать всё подряд. Успех — в выборе правильной мишени: часто повторяемые и важные для бизнеса задачи с простым внедрение��.

Критерии выбора "вкусных" задач

✅ Высокая частота: Делается 50+ раз в день (а не раз в год).
✅ Чёткие правила: Вы можете объяснить пятилетке, что такое «хороший результат».
✅ Жрёт много времени: Идеально: задача тупая, долгая, и в ней легко ошибиться.
✅ Есть данные: У AI есть хорошие примеры, на которых можно учиться.
✅ Низкая цена ошибки: Начинайте с задач, где «галлюцинация» AI не приведёт к катастрофе.

Где AI даёт лучший "выхлоп" (low-hanging fruit)

• Обработка текста: Извлечение данных из писем, договоров, заявок.

• Создание контента по шаблонам: Посты, email-рассылки, описания товаров.

• Коммуникация с клиентами: Первая линия поддержки, квалификация лидов.

• Анализ данных: Сводки по отзывам, анализ звонков, авто-отчёты.

• Разработка: AI-ассистенты, автотесты, ревью кода.

Пошаговый план (без воды)

От нуля до работающей системы за 6-12 месяцев.

Шаг 1: Аудит "болей" (1-2 недели)

Цель: Найти, где "течёт" больше всего времени и денег.
Что делать: Опросите сотрудников: "Какая самая дурацкая задача жрёт твое время?" Соберите топ-10.
Инструмент: Google-форма + анализ с помощью AI.

Шаг 2: Выбор мишеней (1 неделя)

Цель: Приоритизировать.
Что делать: Матрица «влияние на бизнес / сложность внедрения». Выберите 2-3 задачи из квадранта «высокое влияние, низкая сложность».
Примеры: Авто-ответы поддержки, саммари звонков, генерация постов.

Шаг 3: Пилот (1-2 месяца)

Цель: Доказать, что это работает (и не слить бюджет).
Что делать: Возьмите один отдел (5-10 человек). Внедрите. Соберите метрики: время до/после, качество, NPS.
Важно: Фиксируйте всё. Эти цифры вы понесёте руководству, чтобы получить бюджет на масштабирование.

Шаг 4: Масштабирование (3-6 месяцев на отдел)

Цель: Раскатать успех на всю компанию.
Что делать: Документируйте кейс с цифрами. Адаптируйте решение. Обучите новые команды. Прикрутите интеграции.
Подход: Не пытайтесь съесть слона целиком. Один отдел → профит → следующий.

Шаг 5: Формирование культуры (постоянно)

Цель: Создать самообучающуюся систему.
Что делать:

1. Оцифровывайте всё: звонки, встречи, переписки.

2. Создавайте единый "мозг" компании.

3. Обучайте через хакатоны и обмен опытом.

4. Растите AI-чемпионов.

"А в попугаях-то сколько?" Как измерять успех

Без метрик вы просто "играетесь в AI".

Важно: Определите метрики ДО старта, а не после.

Выводы: Хватит покупать "таблетки"

Подход «давайте всем купим ChatGPT» — это как покупать дорогие кроссовки, но продолжать лежать на диване. Это попытка лечить симптомы, а не болезнь.

Так вы получаете 10% от реальных возможностей AI.

Оставшиеся 90% лежат здесь:

1. Аудит → найти реальную «боль».

2. Платформа → убрать «зоопарк».

3. Данные → оцифровать «мозг» компании.

4. Интеграции → встроить AI «под капот».

5. Обучение → сделать AI «второй рукой» для команды.

В общем, хватит думать, что оно само рассосется и AI разберется в вашем бардаке и поломанных бизнес‑процессах.

Начните с малого. Измеряйте. Итерируйте. Масштабируйте. Чините и автоматизируйте все постепенно.

AI-трансформация — это марафон, а не спринт. И те, кто стартовал вчера, уже обгоняют вас на круг.

Спасибо за внимание!