Большинство внедрений ИИ проваливаются не из-за технологий, а из-за подхода. Рабочая методика, выработанная за 100+ проектов автоматизации в промышленности.
Большинство компаний, которые пробовали автоматизировать бизнес с помощью искусственного интеллекта, прошли через одно и то же: система сделана, деньги потрачены — а эффекта нет. Сотрудники продолжают работать по-старому, директор решает, что «ИИ — это хайп», и тема закрывается.
Проблема не в технологии. Проблема в том, как компании подходят к внедрению.
В этой статье — рабочий подход, который мы выработали за 100+ проектов автоматизации в промышленности, логистике и корпоративном секторе. Без маркетинга, с реальными цифрами.
Почему большинство внедрений ИИ не работают
Классическая ошибка выглядит так: руководитель приходит к подрядчику и говорит «нам нужен чат-бот» или «хотим автоматизировать закупки». Подрядчик кивает, берётся за работу — и через три месяца сдаёт систему.
Система работает. Эффекта нет.
Почему? Потому что задача была сформулирована неправильно с самого начала.
«Нам нужен чат-бот» — это уже готовое решение, а не задача. Настоящая задача может быть совсем другой: онбординг занимает три месяца, а могло бы занимать две недели. Или регламенты устаревают быстрее, чем обновляются. Или узкое место вообще не в знаниях сотрудников, а в том, что данные разбросаны по пяти системам.
Вторая проблема: топ-менеджмент не видит, где реально теряется время внизу. Директор по закупкам знает, что «закупки работают медленно». Он не знает, что пять из тридцати двух специалистов тратят 60–70% рабочего времени на сравнение цен по 55 000 позиций номенклатуры — и именно это узкое место.
Пока вы не найдёте правильную задачу — правильное решение построить невозможно.
С чего начать автоматизацию бизнеса: диагностика, а не ТЗ
Прежде чем писать техническое задание и выбирать подрядчика, нужно пройти фазу диагностики. Обычно она занимает 2–3 недели и даёт ответ на главный вопрос: что именно автоматизировать и какой эффект это принесёт.
Диагностика включает интервью на двух уровнях:
- Руководители рассказывают, где болит стратегически: какие цели по оптимизации, где теряется скорость, что мешает росту
- Исполнители дают данные: что делается руками, как часто, сколько времени уходит
На выходе — список конкретных процессов с оценкой потенциала автоматизации по каждому. Не «автоматизируем закупки», а «автоматизируем подбор аналогов МТР — высвобождаем 0,6 ставки специалиста по закупкам».
Что можно автоматизировать, а что нет
Хорошее правило: автоматизировать можно только упорядоченный процесс. Если процесс хаотичный — сначала его нужно описать и стандартизировать. Иначе вы просто сделаете хаос быстрее.
Порядок работы с процессом:
- Убрать лишнее (экономия 100% затрат на ненужную работу)
- Упростить избыточное (экономия 50–70%)
- Автоматизировать оставшееся с помощью ИИ (высвобождение 60–95%)
ИИ — это третий шаг, а не первый.
Как считать эффект от внедрения ИИ
Самая частая ошибка в оценке проектов автоматизации — считать эффект в деньгах с потолка. «Сэкономим 2 миллиона в год» — это число, которое никто не может проверить и которому никто не верит.
Мы считаем эффект в штатных единицах (ставках). Одна ставка — объём работы одного сотрудника при полной занятости: 220 рабочих дней, 1 760 часов в год.
Почему ставки? Потому что это язык, который понимает директор: он видит конкретную роль в конкретном подразделении, а не абстрактные миллионы рублей.
Формула:
Базовые трудозатраты = Годовой объём операций × Время на одну операцию ÷ 1 760 ч
Высвобождение = Базовые трудозатраты × Доля автоматизации
Доля автоматизации зависит от того, насколько машина берёт на себя решение:
| Класс процесса | Доля автоматизации |
|---|
| Машина выполняет, человек контролирует выборочно | 80–95% |
| Машина готовит результат, человек утверждает каждый | 50–75% |
| Машина помогает (подсказки, поиск), решение за человеком | 15–35% |
Пример из реального проекта
Машиностроительный завод, отдел закупок, 32 специалиста. Задача: актуализация цен и подбор аналогов для 300 технико-коммерческих предложений в год. Реестр цен — 55 423 позиции, 91% устарели.
По хронометражу: 5–8 ставок из 32 в отделе заняты этой работой. Класс автоматизации — 40–60% (машина ищет и составляет черновик, человек утверждает).
Расчёт: (5–8 ставок) × 40–60% = 2,0–4,8 ставки к высвобождению. Итоговая оценка — 3,5 ставки.
Это конкретная цифра, на которую можно строить договор.
Какие процессы лучше всего поддаются автоматизации
Опыт промышленных проектов показывает несколько классов задач, где ИИ даёт наибольший эффект:
Поиск и сопоставление данных — поиск аналогов в номенклатуре, сравнение цен, подбор техпроцессов по чертёжному номеру. Человек тратит 0,1–0,5 часа на операцию, машина — секунды.
Подготовка документов — заполнение паспортов, формирование отчётов по шаблонам, составление черновиков запросов поставщикам. Класс «машина готовит — человек утверждает», доля 50–75%.
Обработка входящих запросов — классификация обращений, маршрутизация по подразделениям, первичные ответы на типовые вопросы. Хорошо работает там, где есть большой поток однотипных задач.
Аналитика и исследования — патентный поиск, мониторинг рынка, сбор данных о поставщиках. Здесь ценность не столько в экономии времени, сколько в охвате: машина просматривает в 100 раз больше источников.
Чего ожидать по срокам: кривая освоения
Один из главных источников разочарования — завышенные ожидания на старте. Компании ждут результата через месяц, а реальный эффект приходит позже.
Типичная кривая освоения AI-системы выглядит так:
| Срок | Освоение потенциала |
|---|
| 5 месяцев | ~30% — первые результаты, команда адаптируется |
| 12 месяцев | ~60% — система вошла в рабочий режим |
| 24 месяца | ~80% — устойчивый эффект |
По данным McKinsey (исследование 340 000 проектов изменений): в среднем компании достигают 67% от расчётного потенциала. Это нормально — при условии, что потенциал посчитан честно.
Разрыв между 100% и 67% — это не провал технологии. Это управление изменениями: обучение команды, перестройка процессов, сопротивление на местах. Именно поэтому план внедрения важен так же, как и техническое решение.
Как выбрать подрядчика для внедрения ИИ
Три вопроса, которые стоит задать на первой встрече:
1. Вы проводите диагностику до разработки?
Если подрядчик готов сразу писать ТЗ — это тревожный сигнал. Хороший исполнитель сначала разберётся в процессах, потом предложит решение.
2. В каких единицах считается эффект?
Если в деньгах «с потолка» — осторожно. Надёжная оценка строится на прямых данных: хронометраж, объём операций, доля автоматизации.
3. Что является критерием приёмки?
«Система работает» — не критерий. Критерий: «доля автоматических сопоставлений не ниже 80%», «время обработки запроса — не более 2 минут». Без конкретных метрик проверить результат невозможно.
Итог: с чего начать прямо сейчас
Если вы думаете об автоматизации бизнеса с помощью ИИ — начните не с выбора технологии и не с поиска подрядчика. Начните с аудита процессов.
Задайте своим руководителям направлений три вопроса:
- Где у нас больше всего рутинной работы, которую выполняют вручную?
- Сколько людей этим занимается и сколько времени уходит?
- Что происходит, если этого не делать — данные накапливаются, решения задерживаются?
Ответы на эти вопросы — основа для диагностики. Уже по ним можно примерно понять, где автоматизация даст наибольший эффект.
О том, как мы строим полную диагностику и считаем потенциал кейсов — подробно написали на Хабре: «От ТЗ к диагностике: как меняется модель AI-разработки для промышленности».
Если хотите разобрать свою ситуацию — напишите нам. Проведём первичный разбор бесплатно.