Вам ИИ сейчас не нужен — и это нормально

Вам ИИ сейчас не нужен — и это нормально

Меня нанимают помогать компаниям с искусственным интеллектом. Логично было бы убеждать каждого, что внедрять надо вчера. Но я регулярно говорю собственникам обратное: вам это сейчас не нужно, подождите. Не потому что AI не работает — работает, и я покажу, как именно. А потому что для конкретно вашего бизнеса, в конкретно вашей точке, большая программа с высокой вероятностью даст отрицательную отдачу — потраченный бюджет без результата и просевшую мотивацию команды. Эта статья — честная рамка: кому действительно рано, где хайп является сигналом, а где — продажей страха, и как поймать момент, когда время приходит именно для вас.

Почему эксперт, который отговаривает, заслуживает доверия

Простая проверка любого совета: что человек получает, если вы его послушаетесь. Подрядчик, который продаёт «AI-трансформацию», получает контракт независимо от того, нужна она вам или нет. Поэтому его «вам срочно надо» стоит ровно столько же, сколько «вам срочно надо» у продавца, работающего на проценте.

Когда консультант говорит «погодите, вам пока рано» — он отказывается от денег здесь и сейчас. За этим обычно стоит либо глупость, либо расчёт вдолгую: репутация важнее одного контракта. Я выбираю второе сознательно. Собственник, которому я честно сказал «не сейчас», вернётся через год, когда время действительно придёт, и приведёт двоих знакомых. Собственник, которому я продал ненужную программу, расскажет всем, что «AI — это развод».

Это и есть неочевидное наблюдение из практики: в нише AI-консалтинга умение отговорить — более сильный сигнал компетентности, чем умение убедить. Убедить может кто угодно с красивой презентацией. Отговорить, потеряв деньги, может только тот, кто понимает, где технология реально создаёт ценность, а где — нет.

Кому ИИ сейчас действительно рано — и почему

Уточню сразу, чтобы не было путаницы. Речь не про личное использование моделей — оно стоит около $20 в месяц, порог входа символический, и при регулярной работе ценность обычно становится очевидной быстро. Конкретная отдача зависит от ваших задач. Речь про большую программу внедрения в компании: бюджеты, подрядчики, перестройка процессов, найм под AI.

Вот ситуации, в которых я обычно советую не торопиться с такой программой:

• Базовые процессы ещё не наведены. Если у вас бардак в учёте, нет нормальной аналитики и половина решений принимается «на ощущениях» — AI этот бардак не починит, а ускорит. Сначала наводится управленческий порядок, потом на него ложится AI-слой.
• Нет ни одного человека внутри, кто щупал модели руками. Программа, которую никто в компании не может оценить по существу, превращается в веру в подрядчика. А вера — плохая основа для бюджета на годы.
• Команда на пределе. Любое внедрение — это нагрузка сверху текущей работы на несколько месяцев. Если люди уже выгорают, новый поток изменений добьёт мотивацию быстрее, чем принесёт пользу.
• Бизнес слишком мал, чтобы окупить отдельную инициативу. Для микро-команды «программа внедрения» часто избыточна: тех же результатов даёт личное освоение инструментов парой ключевых людей, без бюджета и подрядчиков.

Важно: «рано» здесь не приговор и не «вы не доросли». Это просто состояние, в котором отдача от большой программы пока ниже её цены. Состояние меняется — иногда за квартал. И параллельно дешёвая дверь — личное знакомство с моделями — открыта всегда, ею можно пользоваться, пока программа ещё преждевременна. Подробнее о том, почему поспешные внедрения не доживают до результата, я разбирал в тексте «Почему AI-пилоты умирают».

Антихайп: что сигнал, а что продажа страха

Сравнение с блокчейном слышу постоянно: «это же как блокчейн, шуму много, толку ноль». Сравнение неточное. У блокчейна за годы хайпа так и не появилось массового применения, ради которого обычный бизнес менял бы работу. У AI оно появилось сразу: модель пишет код, готовит исследование за вечер, разбирает договор, собирает черновик презентации. Это видно невооружённым глазом любому, кто пробовал. Хайп вокруг AI — это в значительной части рыночный сигнал, что технология реально перестраивает работу, а не пустой шум.

Но внутри того же хайпа живёт и второй слой — продажа страха. И вот его надо уметь отделять. Помогает простая таблица.

Признак продажи страха всегда один: срочность и неизбежность вместо конкретной измеримой пользы. Когда вам называют дедлайн вашего вымирания, но не называют задачу, которую решат на следующей неделе, — это работа со страхом, а не с вашим бизнесом.

Цифры это подтверждают, и они отрезвляют. По данным исследования MIT, опубликованного в 2025 году, подавляющее большинство корпоративных пилотов генеративного AI не дали измеримого эффекта на P&L. Gartner прогнозировал, что значительная доля проектов будет брошена уже после стадии proof-of-concept. А по опросу S&P Global Market Intelligence доля компаний, забросивших большинство своих AI-инициатив, за год резко выросла. Вывод не «AI не работает». Вывод другой: торопиться вслед за хайпом — статистически проигрышная стратегия. Те, кто спешил из страха, чаще всего и пополнили эту печальную статистику.

«Сначала данные» — когда это правда, а когда отговорка

Есть фраза, которую вы услышите от любого подрядчика: «сначала наведём данные, потом AI». Иногда это абсолютно верно. Иногда — способ продлить проект и счёт.

Когда это правда. Если вы хотите строить предсказательные модели на собственных исторических данных — прогноз спроса, скоринг, антифрод, — то качество данных решает всё. Грязные, неполные, несогласованные данные дадут красивую модель, которая ошибается. Здесь «сначала данные» — не отговорка, а закон жанра.

Когда это отговорка. Современные топ-модели работают с текстом, документами и рассуждениями и не требуют вашего идеального хранилища данных для огромного класса задач: разбор договоров, подготовка аналитики, ресёрч, работа с почтой и отчётами, второе мнение по стратегии. Для этого не нужен data lake — нужен доступ к модели и умение ставить ей задачу. Когда подрядчик уводит вас в полугодовой проект «наведения данных» под задачу, которой данные в принципе не нужны, — это либо непонимание инструмента, либо растягивание сметы.

Практическое правило: спросите, какую конкретную задачу будут решать после того, как данные «наведут». Если внятного ответа нет, а есть только «ну, будете готовы к AI» — перед вами отговорка. Куда осмысленнее внедрять туда, где отдача видна сразу; об этой логике приоритизации я писал в «Куда внедрять AI первым».

Как понять, что время пришло именно для вас

Универсального «пора» не существует — есть ваши конкретные признаки. Я свёл их в короткий чек-лист. Чем больше галочек, тем ближе ваш момент для серьёзной программы, а не для чужого дедлайна.

• [ ] Вы лично пробовали топ-модель (Claude, ChatGPT или Gemini) на своих задачах хотя бы пару недель и у вас сложилось собственное ощущение, что они могут, а что нет.
• [ ] Есть конкретная задача или функция, где вы своими глазами видите узкое место, которое модель могла бы расшить, — не «вообще AI», а вот это.
• [ ] Базовые процессы под этой задачей наведены: вы понимаете, как она устроена сегодня, и сможете измерить, стало ли лучше.
• [ ] Есть человек, который потащит инициативу внутри и которому хватит компетенции оценить подрядчика по существу.
• [ ] Команда не в режиме выживания и способна выдержать несколько месяцев изменений сверху текущей работы.
• [ ] Вы готовы к итерации, а не к чуду: понимаете, что первая гипотеза может не сработать, и это нормальная часть пути.

Три и больше галочек — стоит предметно считать ROI и планировать пилот; как считать честно, а не на красивых слайдах подрядчика, я разбирал в «ROI внедрения AI: правда». Меньше трёх — скорее всего, выгоднее пока ограничиться личным использованием и достроить недостающее. И ещё раз: эти два пути не исключают друг друга. Личное освоение моделей и подготовка к программе идут параллельно — первое как раз и закрывает несколько пунктов чек-листа для второго.

Мой прогноз на ближайшие 12 месяцев: рынок AI-консалтинга начнёт чиститься. Истории про брошенные пилоты накопятся, собственники станут осторожнее, и спрос сместится от «продайте нам трансформацию» к «скажите честно, нужно ли это нам». Способность отговорить из сигнала доверия превратится в норму профессии. А разрыв между руководителями, у которых есть личное ощущение моделей, и теми, кто отложил знакомство, за этот год станет заметным невооружённым глазом.

Если решите разбираться — с чего начать без больших трат

Допустим, чек-лист показал, что спешить с программой рано. Это не повод закрывать тему — это повод зайти с дешёвой двери.

Самый недорогой и при этом самый полезный первый шаг не требует бюджета, подрядчиков и решений на годы:

1. Возьмите одну топ-модель — Claude, ChatGPT или Gemini. Платный тариф, около $20 в месяц. Не пять сразу, одну.
2. Давайте ей реальные задачи со своего стола в формате «роль + задача + контекст»: кто модель сейчас, что нужно сделать, и максимум вводных. Не «напиши письмо», а развёрнутая постановка с деталями.
3. Разговаривайте, а не запрашивайте. Спорьте, уточняйте, просите аргументы. Цель — нащупать границы: где модель сильна, где врёт, где удивляет.
4. Через пару недель сверьтесь с чек-листом выше. Скорее всего, часть пунктов закроется сама собой — а вместе с ними прояснится, нужна ли вам вообще большая программа.

Это и есть честная антихайп-стратегия: вместо того чтобы прыгать в дорогое внедрение из страха опоздать, вы за копейки формируете собственное суждение. После него любой разговор про внедрение — ваш собственный или с подрядчиком — становится разговором на равных. И этих четырёх шагов хватит, чтобы стартовать на ближайших выходных.

FAQ

Так нужен ли бизнесу искусственный интеллект или нет?

Личное использование моделей полезно почти любому руководителю — порог входа около $20 в месяц, символический, а ценность при регулярной работе обычно проявляется быстро. Большая программа внедрения в компании нужна не всем и не всегда сейчас: она оправдана, когда есть конкретная задача, наведённые процессы и человек, который потащит инициативу. Если этого пока нет — выгоднее начать с личного знакомства, а программу отложить до момента, когда сойдутся условия из чек-листа выше.

Это правда, что почти все AI-проекты проваливаются?

По ряду исследований 2024–2025 годов значительная доля корпоративных пилотов не доходит до измеримого результата или забрасывается после стадии proof-of-concept. Но это не приговор технологии — это следствие спешки, отсутствия конкретной задачи и наведённых процессов. Те, кто внедрял осознанно и с понятным критерием успеха, как раз и попадают в успешное меньшинство.

Если я подожду, не отстану ли я от конкурентов?

Отставание создаёт не пауза в большой программе, а отсутствие личного понимания моделей у первого лица. Знакомство с AI стоит около $20 и выходных — этой дверью можно пользоваться прямо сейчас, не запуская никаких дорогих инициатив. Реальный разрыв возникает между теми, кто щупал модели сам, и теми, кто отложил даже это.

Чем личное использование отличается от внедрения в компании?

Личное использование — это вы и модель на ваших задачах: разбор отчётов, ресёрч, второе мнение, подготовка к встречам. Стоит копейки, не требует решений. Внедрение в компании — это процессы, бюджеты, подрядчики и изменения для команды. Это два параллельных трека: личным можно и нужно заниматься всегда, к программному переходят, когда сойдутся условия. Одно не отменяет другое.

Как отличить честного консультанта от продавца страха?

По тому, говорит ли он о конкретной измеримой пользе или о неизбежности вашего вымирания. Честный называет задачу, ограничения подхода и готов сказать «вам пока рано». Продавец страха называет дедлайн вашей гибели, но не задачу, и утверждает, что без него вы не разберётесь. Срочность вместо конкретики — главный красный флаг.

Информация в материале: не является публичной офертой (ст. 437 ГК РФ) · носит общий ознакомительный характер, не является индивидуальной консультацией (юридической, финансовой, налоговой или иной) · отражает мнение автора и личный опыт на дату публикации · не гарантирует конкретные результаты, доход или сроки. Цены, условия и функциональность сторонних инструментов могут измениться без уведомления. Кейсы и наблюдения из практики отражают конкретные ситуации и не являются обещанием аналогичного результата — эффективность AI-внедрения зависит от исходного состояния компании, готовности команды и масштаба проекта.

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