Как внедрить ИИ в бизнес: пошаговый план на 2026 год
Большинство провальных проектов с ИИ выглядят одинаково: компания покупает технологию, а потом ищет, куда её приткнуть. Разбираем обратный порядок — от процесса к инструменту — и показываем, как выглядит внедрение по шагам.
За полтора года мы прошли больше 20 проектов внедрения ИИ — от небольших автоматизаций до собственных платформ. Закономерность простая: результат определяется не моделью и не бюджетом, а тем, насколько точно выбран первый процесс. Ниже — порядок действий, который мы используем сами.
Зачем бизнесу ИИ, если убрать маркетинговый шум
ИИ решает три типа задач, и все они про экономику, а не про технологии. Первый — операции, где много однотипных повторяющихся действий: разбор заявок, заполнение систем, подготовка отчётов. Второй — работа с объёмом данных, который человек физически не осилит: тысячи отзывов, все звонки отдела продаж, история покупок по всей базе. Третий — скорость реакции: ответ клиенту в момент интереса, а не через два часа.
Если задача не попадает ни в одну из категорий, ИИ, скорее всего, не нужен. Нормальный ответ на вопрос «внедрять ли нам нейросети» — «пока нет, сначала опишите процесс».
Шаг 1. Аудит процессов: где именно теряются деньги
Начинается всё не с выбора модели, а с инвентаризации. Нужно выписать процессы, посчитать, сколько человеко-часов уходит на каждый, и найти те, где время тратится на механические действия. Обычно на аудит хватает 3–5 дней.
Полезный критерий: если сотрудник делает одно и то же больше 20 раз в неделю по понятным правилам — это кандидат на автоматизацию. Если каждый случай уникален и требует переговоров, начинать нужно не отсюда.
На этом же шаге фиксируются цифры «до»: сколько заявок обрабатывается за день, какая доля клиентов возвращается, сколько времени проходит от обращения до ответа. Без этих чисел через полгода невозможно будет доказать, что внедрение сработало.
Шаг 2. Выбор пилота: один процесс, а не вся компания
Главная ошибка на старте — попытка «внедрить ИИ везде». Такой проект тонет в согласованиях и умирает до первого результата. Пилот должен отвечать трём условиям: понятная метрика, ограниченный контур, владелец внутри компании, которому результат нужен лично.
Хорошие кандидаты для первого проекта: обработка входящих обращений, работа с существующей клиентской базой, разбор звонков отдела продаж, подготовка типовых документов. Плохие — «поменять стратегию с помощью ИИ» и всё, где результат нельзя посчитать.
Шаг 3. Данные: проверка до, а не после
ИИ работает на тех данных, которые у вас уже есть. Поэтому до разработки нужно честно ответить: данные вообще собираются? Они в одном месте или в трёх системах и голове менеджера? Их можно выгрузить?
Типичная ситуация: компания хочет предсказывать отток, а история покупок ведётся в 1С частично, потому что половина сделок оформлялась «по договорённости». Это не повод отказываться от проекта — но сначала чинится сбор данных, и только потом строится модель.
Отдельно проверяется, что с персональными данными: где хранятся, есть ли согласия, кто имеет доступ. Подробно разбирали это в статье про безопасность данных при работе с нейросетями.
Шаг 4. Выбор инструментов: готовое, чужое или своё
Три варианта, и выбор между ними — вопрос не вкуса, а масштаба задачи.
- Готовый продукт. Быстро и дёшево, если задача типовая. Например, «Умный цикл» закрывает повторные продажи, «Государыня» — задачи команды из переписки. Ограничение: подстраиваться придётся под логику продукта.
- Готовая модель плюс интеграция. Подходит, когда нужен свой сценарий, но не нужна своя модель: чат-боты и AI-агенты, автоматизация в Битрикс24, разбор отзывов.
- Собственная разработка. Оправдана, когда решение становится частью продукта или конкурентным преимуществом. Это уже уровень AI-платформы с моделями и аналитикой.
Практическое правило: не стройте своё, пока не убедились, что готовое не подходит. Собственная разработка окупается на объёме, а не на желании иметь «свою нейросеть».
Шаг 5. Прототип за 2–4 недели
До полноценной разработки собирается рабочий прототип. Его задача — не впечатлить руководство, а проверить гипотезу на реальных данных и реальных пользователях. Если прототип не сработал, вы потеряли недели, а не полгода и бюджет.
На этом этапе почти всегда всплывает то, чего не было в задании: менеджеры используют поля не по назначению, у трети клиентов не заполнен телефон, а «стандартный» процесс в двух филиалах устроен по-разному. Это нормально и именно для этого прототип и нужен.
Шаг 6. Запуск и метрики
После запуска сравниваются те самые цифры «до». Не «нам кажется, стало удобнее», а конкретное: время обработки заявки сократилось с 40 минут до 6, доля повторных покупок выросла на столько-то процентов.
Важно заложить период притирки. Первые две-три недели решение работает хуже, чем будет работать через месяц: сценарии дорабатываются по реальным обращениям, а команда привыкает к новому порядку.
Шаг 7. Масштабирование
Только после подтверждённого результата пилот распространяется на соседние процессы. К этому моменту у вас есть не только работающий инструмент, но и внутренний опыт: понятно, кто отвечает, как считать эффект и что ломается.
Здесь же решается вопрос обучения. Если сотрудники не понимают, зачем им инструмент, внедрение тихо останавливается через месяц после запуска — решение формально работает, но им никто не пользуется. Мы включаем обучение команды в проект и разбираем на нём рабочие задачи компании, а не общие возможности нейросетей.
Пять ошибок, которые повторяются чаще всего
- Технология вперёд задачи. «Нам нужен ИИ» вместо «у нас менеджеры тонут в заявках». Порядок должен быть обратным.
- Слишком большой первый проект. Чем шире контур, тем выше шанс, что проект не доживёт до результата.
- Нет владельца внутри компании. Если за внедрение не отвечает конкретный человек, оно не приживётся ни при каком подрядчике.
- Не зафиксированы метрики «до». Потом невозможно доказать эффект, и проект выглядит как трата денег.
- Забыли про людей. Инструмент внедрён, обучение не проведено, сотрудники продолжают работать по-старому.
Сколько это стоит и сколько занимает
Ориентиры по нашим проектам: техническое задание — от 30 000 ₽, аудит с прототипом — от 90 000 ₽, продукт под ключ — от 350 000 ₽, полноценная AI-платформа — от 1,2 млн ₽. Аудит занимает 3–5 дней, прототип обычно готов за 2–4 недели, решение под ключ — от 6 недель.
Подробный разбор с вилками по типам решений — в отдельной статье: сколько стоит внедрение ИИ в бизнес.
Как понять, что компания готова
Короткий чек-лист перед стартом. Если на большинство пунктов ответ «да» — можно начинать, если нет — сначала закрываются они, иначе проект уйдёт в песок.
- Есть процесс, где повторяющиеся действия занимают заметную долю рабочего времени.
- Этот процесс можно описать правилами, а не только «по ситуации».
- Данные по процессу собираются и их можно выгрузить.
- Есть человек внутри компании, которому нужен результат и который может принимать решения.
- Понятно, какую цифру мы улучшаем и как её измерить сегодня.
- Руководство готово к тому, что первые недели после запуска будут хуже, чем через месяц.
Кто участвует со стороны компании
Внедрение не бывает полностью «под ключ» в том смысле, что подрядчик всё сделает сам, а вы получите готовое. Минимальное участие — три роли, и все три обычно уже есть в компании.
Владелец процесса — тот, чью работу меняет проект: руководитель отдела продаж, главный врач, операционный директор. Он принимает результат и отвечает за то, что команда начнёт пользоваться инструментом. Носитель знаний — сотрудник, который реально выполняет процесс и знает исключения, не описанные ни в одном регламенте. Именно он спасает проект на этапе прототипа. И технический контакт — тот, кто даёт доступы к системам; если своего IT нет, эту роль закрывает подрядчик.
Суммарно это несколько часов в неделю на время проекта. Меньше не получается: без людей, знающих процесс изнутри, автоматизируется воображаемый процесс, а не настоящий.
Если хотите пройти этот путь с подрядчиком, который отвечает за результат, посмотрите, как устроено внедрение ИИ в бизнес под ключ — там же можно оставить заявку на бесплатный аудит процессов.
