Куда внедрять ИИ первым: ценность, выполнимость, риск

Куда внедрять ИИ первым: ценность, выполнимость, риск

Самый частый вопрос у собственников и директоров про искусственный интеллект звучит одинаково: «С чего вообще начать?» Не «какую модель выбрать» и не «сколько это стоит» — а именно с какого процесса заходить, чтобы не слить ресурс впустую.

Ответ, который дают по умолчанию — «начните с маленькой узкой задачи» — звучит разумно, но на практике ничего не решает. Узких задач у любой компании средней руки — десятки. Вопрос не в том, чтобы найти узкую задачу, а в том, чтобы из этих десятков выбрать правильную первую. Дальше — про то, как это сделать системно, а не наугад.

Сразу оговорюсь про рамку. Эта статья — не про то, как технически внедрить нейросети в компанию: не про выбор вендора, не про интеграцию с вашими системами и не про настройку моделей. Это про управленческий шаг, который идёт до всего технического, — про выбор, куда направить первый ресурс. Ошибка на этом шаге не лечится никаким качеством внедрения: можно безупречно реализовать проект, который не стоило начинать. Поэтому приоритизация ИИ-проектов важнее инструментов, и именно с неё мы и начнём.

Почему «начните с узкой задачи» — плохой первый совет

Совет «возьмите небольшую задачу и попробуйте» выглядит безопасным, и именно поэтому он провальный. Он переносит всю тяжесть выбора на интуицию, а интуиция в момент первого касания с ИИ обычно ошибается в одну и ту же сторону — туда, где громче, а не туда, где ценнее.

Это видно по тому, куда уходят бюджеты. По данным исследования MIT NANDA «The GenAI Divide» (2025), больше половины корпоративных ИИ-бюджетов в обследованных компаниях уходили в пилоты для продаж и маркетинга — самые заметные, презентабельные направления. А наибольшую отдачу при этом давала автоматизация бэк-офиса: рутина, документооборот, внутренние процессы, которые никто не показывает на совете директоров. То есть деньги системно текут не туда, где ценность, а туда, где виднее.

Второй изъян совета — он молчит про последствия. «Маленькая задача» в зоне, где ошибка модели стоит дорого (расчёт с клиентом, юридическая формулировка, медицинская или финансовая рекомендация), — это не безопасный эксперимент, а мина. Маленький масштаб не делает задачу низкорисковой.

И третий: «попробуйте и посмотрите» не оставляет следа. Попробовали, получилось так себе, забросили — и в компании рождается ещё один мёртвый пилот. Почему такие пилоты умирают пачками, я разбирал отдельно — здесь. Корень почти всегда один: не было критерия, по которому задачу выбрали, — поэтому не было и критерия, по которому её можно было довести.

Хороший первый совет должен звучать иначе: не «возьмите узкую задачу», а «прогоните своих кандидатов через три фильтра и возьмите того, кто проходит все три». Эти три фильтра — ценность, выполнимость, риск.

Три оси приоритизации: ценность, выполнимость, риск

Любой процесс-кандидат на внедрение ИИ полезно оценивать по трём независимым осям. Не по одной («где больше выгода»), а именно по трём — потому что процесс с гигантской потенциальной ценностью, под который нет данных и где ошибка дорого стоит, — это худшая первая инициатива, какую можно выбрать, хотя по «выгоде» он лидер.

• Ценность — сколько эта задача освобождает, если ИИ закроет её рутинную часть. В двух валютах сразу: рублях и часах ключевых людей.
• Выполнимость — насколько реально получить результат уже сейчас. По большей части это вопрос данных: есть ли у вас то, на чём модель может работать, и в каком оно состоянии.
• Риск — что произойдёт, если модель ошибётся именно в этом месте. Где-то ошибка — это смешная опечатка, где-то — иск или потерянный клиент.

Идея простая: первой берётся задача с высокой ценностью, высокой выполнимостью и низким риском. Это не компромисс «два из трёх», это пересечение всех трёх. Таких задач у компании обычно немного — две-три, — и именно поэтому ответ «с чего начать» перестаёт быть мучительным: список схлопывается сам.

Это и есть скелет дорожной карты внедрения ИИ: не «сначала чат-бот, потом аналитика, потом агенты», а ранжированный по трём осям список ваших собственных процессов. Дальше разберём каждую ось отдельно — как её честно оценить, не обманывая себя.

Ось ценности: как оценить задачу в рублях и часах

Ценность задачи я предлагаю считать в двух валютах, потому что одна без другой врёт.

Часы. Возьмите процесс и прикиньте: сколько человеко-часов в неделю он съедает и какого уровня люди в нём заняты. Час юриста, финансового директора или самого собственника и час оператора колл-центра — это разные деньги и разный дефицит. ИИ редко убирает задачу целиком; реально он снимает её рутинную долю — на типовых операциях это обычно ощутимая часть работы, но не вся. Поэтому считайте не «сколько часов уходит», а «сколько часов уходит на ту часть, которую модель реально может взять на себя».

Рубли. Часы переводятся в деньги двумя путями. Прямой — стоимость этих часов плюс то, что вы платите на сторону (аутсорс, подрядчики, лишние штатные единицы). Косвенный — что эти освобождённые часы дадут, если их направить на работу, которую сейчас никто не успевает делать. Второй путь обычно крупнее первого, но и спекулятивнее, поэтому в первой итерации опирайтесь на прямой счёт — он защищаемый.

Тут есть ловушка, в которую попадают почти все. Ценность считают там, где её видно, а не там, где она есть. Клиентский чат-бот нагляден — его можно показать. Автоматизация подготовки внутренних отчётов невидима — но именно она часто освобождает дорогие часы дороже всех. Я специально не называю абсолютных цифр экономии: они зависят от вашего конкретного процесса, и любая «гарантированная экономия N часов» — это маркетинг, а не расчёт. Честная оценка ценности всегда привязана к вашим данным о вашем процессе.

Про то, как не обмануться в расчёте отдачи и почему красивый ROI на слайде подрядчика часто не имеет отношения к реальности, — отдельный разбор про ROI внедрения ИИ. Здесь же ось ценности нужна не для финального бизнес-кейса, а для грубого ранжирования: какой из процессов-кандидатов крупнее остальных по освобождаемому ресурсу.

Ось выполнимости: где у вас есть данные, а где нет

Это самая недооценённая ось, и именно она чаще всего решает судьбу проекта. Я сформулирую жёстко: выполнимость ИИ-задачи по большей части упирается в данные, а не в модель.

Модели сегодня очень сильны. Узкое место почти никогда не в том, «справится ли ИИ». Узкое место в том, есть ли у вас то, на чём он будет работать, и в каком оно состоянии. То же исследование MIT прямым текстом говорит: главная причина провалов — не качество моделей, а разрыв между моделью и тем, как устроена работа и данные внутри компании. Это совпадает и с тем, что отраслевые обзоры масштабирования ИИ называют главным барьером: препятствия организационные и связаны с данными, а не технологические.

Под выполнимостью я понимаю четыре простых вопроса по каждому процессу-кандидату:

• Есть ли данные вообще? Существует ли то, на чём модель будет работать, — документы, переписка, история обращений, таблицы, записи?
• В каком они состоянии? Лежат в одном месте в читаемом виде — или раскиданы по головам сотрудников, бумажным папкам и десяти несвязанным системам?
• Доступны ли они легально и технически? Можно ли их дать модели без нарушения 152-ФЗ и внутренних ограничений? (Это управленческий вопрос периметра, не юридическая консультация — индивидуальные правовые нюансы это отдельная территория.)
• Понятен ли критерий «правильно»? Сможете ли вы или эксперт отличить хороший ответ модели от плохого? Если даже человек не уверен, что считать верным результатом, — модель тем более не поймёт.

Этот мини-опрос и есть основа того, что часто называют «аудит готовности к ИИ» или ИИ-аудит бизнес-процессов. Не обязательно нанимать кого-то под красивое слово: пройдитесь по своим топ-5 процессам с этими четырьмя вопросами — и картина проявится сама. Процесс, где данных нет или они в хаосе, — это не «нельзя», это «дороже и позже»: данные и ИИ здесь идут двумя волнами — сперва навести порядок в данных, ИИ подключается по их готовности. А процесс, где данные уже лежат структурированно, — кандидат номер один, даже если по ценности он не самый громкий.

Ось риска: что будет, если модель ошибётся именно здесь

Третья ось отвечает на вопрос, который оптимисты пропускают: модель ошибётся — и что тогда? Ошибаются все модели, вопрос только в цене ошибки в конкретном месте.

Риск удобно раскладывать на три уровня по тому, кто и насколько поздно ловит ошибку:

• Низкий. Результат модели всегда проходит через человека до того, как уйдёт наружу или во что-то важное. Черновик письма, заготовка отчёта, первичная аналитика, идеи и варианты. Ошибся ИИ — человек поправил, цена нулевая. Это идеальная зона для первого внедрения.
• Средний. Результат влияет на решения, но обратим и заметен не сразу. Внутренняя аналитика, на которую опираются, классификация обращений, приоритизация. Ошибка не взрывается мгновенно, но может тихо копиться — нужен контроль выборкой.
• Высокий. Результат уходит напрямую клиенту, в документ с юридической силой, в расчёт денег или в регулируемую область. Здесь ошибка — это претензия, иск, потеря клиента, репутационный удар. Сюда не заходят первым проектом, какой бы заманчивой ни была ценность.

Неочевидное следствие: масштаб задачи и её риск — это разные вещи, их постоянно путают. «Маленький» автоответчик, который сам отправляет клиенту финальный текст без человека, — это высокий риск при крошечном масштабе. А «большая» система, которая готовит черновики для сотни сотрудников, но каждый черновик проходит через человека, — низкий риск при большом масштабе. Первой берут вторую, не первую.

Практическое правило: первый проект должен жить в зоне, где между моделью и внешним миром всегда стоит человек. Это не навсегда — по мере роста доверия и накопления статистики ошибок человека из контура можно убирать там, где это оправдано. Но входить — только через зону, где ошибка ловится до того, как стала дорогой.

Матрица: куда внедрять ИИ первым, а что отложить

Соберём три оси в один инструмент. Оцените каждый процесс-кандидат по трём осям — грубо, по шкале «низко / средне / высоко», без ложной точности. Дальше — таблица решений.

Логика читается сверху вниз: идеальный первый проект — высокая ценность, есть данные, низкий риск. Если такого в чистом виде нет, спускаемся: берём задачу с хорошей выполнимостью и низким риском даже при средней ценности — она даст команде опыт и первую победу, на которой строится доверие к следующим шагам.

Чек-лист первого проекта, если коротко:

1. Освобождает заметный ресурс — дорогие часы или прямые расходы.
2. Под него уже есть данные в приличном состоянии.
3. Ошибка модели ловится человеком до того, как станет дорогой.
4. Есть понятный критерий, что считать хорошим результатом.
5. У задачи есть владелец внутри компании, а не «общая инициатива».

Пятый пункт не из трёх осей, но без него матрица не спасёт: проект без хозяина превращается в очередной пилот вне зависимости от того, как красиво он лёг в клетки.

Отдельно стоит честно ответить себе на вопрос, который мало кто задаёт: а нужен ли ИИ этому процессу вообще сейчас. Иногда правильный ответ — «пока нет», и это нормальный взрослый вывод, а не поражение. Когда внедрение лучше отложить и почему это бывает сильным решением — разобрал здесь.

Как собрать зоопарк пилотов обратно в систему

Отдельная история — компании, которые вопрос «с чего начать» давно проскочили и теперь живут в обратной ситуации: пилотов не ноль, а десяток, и все разные. Маркетинг подключил один сервис, финансы — другой, кто-то из менеджеров втихую гоняет рабочие задачи через личный чат. Это уже не чистый лист, это зоопарк.

Картина, кстати, массовая, а не исключение. По данным McKinsey за 2025 год, искусственный интеллект уже используют около 88% компаний, но до стадии масштабирования по предприятию дошла лишь примерно треть — остальные две трети застряли между «попробовали» и «работает в системе». А то самое исследование MIT отдельно описывает «теневую ИИ-экономику»: официальные подписки есть у меньшинства компаний, тогда как сотрудники массово используют личные инструменты для рабочих задач. То есть ИИ у вас в компании, скорее всего, уже работает — просто бесконтрольно.

Разбирать зоопарк я предлагаю в четыре шага, и это, по сути, тот же ИИ-аудит бизнес-процессов, только применённый к тому, что уже есть:

1. Инвентаризация. Выписать всё, что реально используется, включая теневое. Какой процесс, какой инструмент, кто пользуется, на каких данных, кто за это отвечает (часто — никто).
2. Оценка по трём осям задним числом. Прогнать каждый живой пилот через ту же матрицу: какую ценность он реально даёт (а не обещал), на каких данных стоит, какой риск несёт. Половина обычно отсеивается на этом шаге — оказывается, держались на энтузиазме одного человека.
3. Периметр данных и безопасность. Здесь же закрыть управленческий вопрос: какие данные уходят во внешние сервисы и нет ли там нарушения 152-ФЗ и внутренних правил. Это вопрос контура и политики компании — не толкование закона, а решение, что куда можно отдавать.
4. Консолидация. Оставить выжившие пилоты, назначить каждому владельца, свести на общий периметр инструментов и встроить в дорожную карту как полноценные элементы, а не партизанские эксперименты.

Важно не впадать в крайность «всё запретить и построить заново с нуля». ИИ-слой ложится поверх существующих процессов и существующего опыта, а не вместо них. Зоопарк и стройная система — это не выбор «или-или»: чаще всего правильный путь идёт через консолидацию того, что уже выросло, а не через снос. Чем стратегический ИИ-слой отличается от набора разрозненных фич и почему одно без другого не работает — разобрал в отдельной статье.

Что будет в ближайшие 12 месяцев

Один прогноз, в котором я достаточно уверен. В ближайший год центр тяжести разговора про ИИ в компаниях сместится с вопроса «какие инструменты внедрить» на вопрос «как приоритизировать и как привести данные в порядок». Доступ к топовым моделям перестаёт быть преимуществом — он есть у всех. Преимуществом становится система приоритетов и состояние данных: кто умеет выбирать правильные задачи и у кого есть, на чём модель может работать.

Практическое следствие для собственника: вкладываться сейчас стоит не столько в «ещё один ИИ-сервис», сколько в дисциплину выбора — куда внедрять первым — и в наведение порядка в данных под выбранные процессы. Те, кто разберёт свой зоопарк пилотов в систему в ближайший год, получат заметную фору перед теми, кто продолжит коллекционировать разрозненные эксперименты. Разрыв здесь будет копиться тихо, но к концу горизонта станет очень виден.

FAQ

С чего начать внедрение ИИ, если процессов много и все кажутся подходящими?

Не выбирайте «на глаз» — прогоните кандидатов через три оси. Выпишите топ-5 процессов и оцените каждый по ценности (сколько освобождает рублей и часов), выполнимости (есть ли данные и в каком они состоянии) и риску (что будет при ошибке). Первой берите задачу с высокой ценностью, готовыми данными и низким риском. Обычно после такого прохода список из «всё подходит» схлопывается до двух-трёх реальных кандидатов.

Как понять, готова ли компания к ИИ — нужен ли отдельный аудит?

Полноценный аудит готовности к ИИ полезен, но начать можно своими силами. Пройдитесь по ключевым процессам с четырьмя вопросами: есть ли данные, в каком они состоянии, можно ли их легально дать модели, понятен ли критерий «правильного» результата. Если по большинству процессов ответы мутные — это и есть ответ: первый шаг не ИИ, а наведение порядка в данных. Внешняя диагностика помогает там, где внутри сложно посмотреть на себя трезво.

Что делать с пилотами, которые уже запустили разные отделы?

Не сносить и не пытаться разом подчинить. Сначала инвентаризация — выписать всё живое, включая теневое использование личных инструментов. Потом прогнать каждый пилот через ту же матрицу ценность-выполнимость-риск: часть отсеется как державшаяся на энтузиазме одного человека. Выжившим назначить владельцев, проверить периметр данных и встроить в общую дорожную карту. Зоопарк пилотов — это не провал, а разведка, которая уже показала, где в компании реальный спрос.

Сколько процессов брать в первую волну внедрения ИИ?

Один, максимум два. Соблазн запустить пять направлений сразу — частый и вредный: ресурс размазывается, ни один проект не доходит до состояния, в котором виден результат. Лучше довести одну задачу до работающего состояния с понятной отдачей, чем держать пять наполовину живых пилотов. Первая победа на одном процессе создаёт доверие и шаблон, по которому масштабируются следующие. Дорожная карта внедрения ИИ — это последовательность, а не залп.

Обязательно ли начинать с самой ценной задачи?

Нет, и это распространённое заблуждение. Самая ценная задача часто оказывается и самой рискованной, и самой бедной на готовые данные — то есть худшим первым проектом, несмотря на привлекательность. Первой разумнее взять задачу попроще: средняя ценность, но готовые данные и низкий риск. Она даст команде опыт и первую победу, на которой строится доверие. К самым ценным и сложным процессам переходят со второй-третьей волны, когда уже набита рука.

Об авторе Егор Борисенко

AI-консультант для крупного бизнеса. Помогаю руководителям выстроить AI-слой поверх существующих процессов: стратегия, обучение команды, прототипирование инструментов, личное партнёрство с C-suite. Работал с Минцифры РФ, телекомами, девелоперами, юридическими фирмами, университетами и под мандатом ЮНЕСКО.

Telegram Связаться