Эффект есть — но не у всех
Вопрос об эффективности ИИ в бизнесе уже не стоит. Компании, которые уже начали работать с ИИ системно, получают измеримые результаты. В Microsoft с помощью ИИ оптимизировали работу кол-центров, сэкономив $500 млн, корпоративный ИИ-ассистент Lilli в McKinsey экономит 50 000 человеко-часов в месяц, Amazon сократил затраты на содержание складских помещений на 25%.
По оценке McKinsey, долгосрочный эффект от корпоративного использования ИИ может достичь $4,4 трлн за счет роста производительности. 92% компаний планируют увеличить инвестиции в ИИ в ближайшие три года. Казалось бы, рынок движется в едином порыве.
Но картина оказывается не столь однозначной. Вдохновившись публичными кейсами, многие компании начинают внедрять ИИ у себя — и сталкиваются с разочарованием. Почти половина проектов, по данным The Economist, останавливаются уже на стадии пилота. Согласно упомянутому выше исследованию McKinsey, лишь 1% компаний называют себя зрелыми с точки зрения ИИ — то есть действительно перестроили свою работу с помощью технологии и уже получают устойчивый бизнес-эффект. The Australian приводит цифру в 58% — доля компаний, не увидевших ожидаемой отдачи от генеративного ИИ.
Один и тот же инструмент в одной компании становится драйвером роста, а в другой — источником фрустрации. Зачастую причина кроется не в самой технологии и даже не в бизнес-кейсах ее применения, а в управленческой рамке, в подходе к внедрению ИИ со стороны менеджмента компании. Там, где ИИ воспринимается как еще один IT-продукт, который можно купить «из коробки» и встроить без пересборки процессов и работы с людьми, эффекта нет. Чтобы ИИ начал приносить реальную ценность, он должен стать не надстройкой, а частью новой операционной модели. А значит, важнейшая точка трансформации — это не освоение технологии, а работа с людьми и «прошивка» культуры компании искусственным интеллектом.
AI Native: еще не стандарт, но уже ориентир
Сегодня на рынке все чаще звучит термин «AI Native-компания» (а также AI Driven, AI Ready), но его содержание пока является скорее направлением движения, чем сформированной концепцией. Даже на зрелых рынках нельзя однозначно сказать, какие компании следует отнести к понятию AI Native (за исключением разве что компаний, которые сами создают фундаментальные AI-решения — такие как LLM-модели).
Концепцию AI Native можно описать как совокупность признаков. В таких компаниях:
ИИ встроен во все процессы работы компании;
реализуется подход «AI для всех» — все сотрудники имеют доступ к различным ИИ-инструментам в рамках рабочей среды, причем не только к общим LLM-сервисам, но и к специализированным отраслевым AI-решениям для конкретной бизнес-функции;
настроен цикл тестирования идей, гипотез и пилотов вокруг применения ИИ-технологий и их внедрение в компанию;
ИИ создает добавленную ценность для продуктов компании либо является драйвером создания новых продуктов;
культура компании отражает «ИИ-амбассадорство» во внутренних коммуникациях, развитии сотрудников, в C& B-блоке. Успешные кейсы применения ИИ активно транслируются и масштабируются внутри компании.
В российской практике уже появляются элементы AI Native-подхода, но системных кейсов трансформации компаний пока нет. Несмотря на это ряд крупнейших банков, телеком-операторов и других компаний находятся в процессе осмысления этой концепции: создают внутренние GenAI-платформы, ищут точки применения ИИ в бизнес-процессах, тестируют гипотезы, обучают персонал использованию ИИ.
Как только появится первый успешный рыночный опыт — не просто набор кейсов применения ИИ, а полноформатная AI Native-модель компании, — он станет ориентиром для отрасли. И компании, которые начали экспериментировать уже сейчас, скорее всего, окажутся в числе тех, кто этот стандарт и сформирует.
Страх, инерция, недоверие: что мешает ИИ прижиться
Многие проблемы при внедрении ИИ связаны не с технологиями и не с наличием успешных бизнес-кейсов, а с особенностями корпоративной культуры и HR-процессов. Компании не отрицают пользу ИИ, но сталкиваются с внутренними ограничениями: недоверием к результатам работы ИИ, отсутствием понятной методологии внедрения, нехваткой компетенций, сопротивлением на уровне команд.
Один из ключевых факторов — ожидание гарантированного эффекта. Многие управленцы по-прежнему оценивают ИИ как инвестицию с предсказуемым возвратом. При этом на данный момент технология работает иначе: не как линейный проект, а как среда для тестов и адаптации. Там, где этого понимания нет, внедрение либо останавливается, либо остается поверхностным и в конечном итоге не дает ожидаемых результатов.
Второй барьер — отсутствие внутреннего ИИ-амбассадорства, когда менеджмент компании сам не использует ИИ в рабочих процессах. В итоге даже мотивационные призывы со стороны руководства звучат как пустые слова. Даже при наличии доступа к передовым ИИ-сервисам сотрудники, скорее всего, не начнут с ними работать. И наоборот — личный опыт применения ИИ среди топ- и миддл-менеджеров становится положительным примером для остальных.
Отдельная причина — личные опасения. Страх быть замененным, страх ошибиться, страх потерять контроль над результатом, страх показать свою некомпетентность. Такие установки часто не артикулируются, но становятся фоном, блокирующим инициативу. Без открытого разговора об этих барьерах и поддержки со стороны топ-менеджмента и линейных руководителей адаптация к новой культуре невозможна.
При этом инфраструктурный барьер часто переоценивается. Доступ к ИИ становится все более демократичным: появляются новые open-source LLM-модели, меняются архитектурные подходы, создаются готовые ИИ-инструменты. Для первых шагов в применении ИИ уже не требуются многомиллионные инвестиции — достаточно внутренней готовности.
Системность как условие успеха
Чтобы ИИ начал работать как часть бизнес-структуры, необходима системность. У нее есть минимум три слоя.
Первый — уровень целеполагания. В компаниях, где ИИ действительно становится драйвером трансформации, он закрепляется на уровне стратегических целей. Это может быть обязательное внедрение ИИ в каждый новый продукт, требование к применению ИИ в бизнес-процессах или цели по созданию определенного набора ИИ-решений для рынка или внутреннего использования. Такие цели работают как точка сборки — задают вектор всем подразделениям и снижают риск фрагментации.
Второй слой — технологическая инфраструктура. Речь идет не только о выборе больших языковых моделей, но и о построении единой ИИ-платформы, где обеспечивается доступ к различным облачным и локальным LLM, осуществляется защита данных, а также создание и управление ИИ-агентами. Без общей технологической среды эксперименты останутся разрозненными инициативами отдельных команд и не смогут масштабироваться. В зрелой архитектуре бизнес-подразделения понимают, какие инструменты доступны, для каких задач они применимы и как обеспечивается безопасность.
Третий слой — работа с людьми. ИИ не приживается в компаниях, где сотрудники не понимают, зачем он нужен и как его использовать. Здесь важна как практическая подготовка — обучение, внутренние методички, поддержка кейсов — так и работа на уровне коммуникации.
Системный подход не означает немедленной перестройки всей компании. Но он требует синхронизированных действий сразу на всех слоях изменений — постановка бизнес-целей должна подкрепляться изменениями на уровне культуры и на уровне технологий.
Шаги к развитию AI-культуры
Развитие AI-культуры — это не разовое обучение и не набор мотивационных постов в корпоративном чате. Это работа на стыке инфраструктуры, коммуникации и лидерской позиции. Начать можно с шести базовых направлений.
Доступность инструментов
Без технической возможности использовать ИИ-сервисы культура применения ИИ зародиться не может. Сотрудники должны иметь стабильный, безопасный и простой доступ к LLM-моделям, как в облаке, так и в локальном контуре.
Понятные юзкейсы
ИИ-инструмент не должен быть абстракцией. Необходим набор рабочих сценариев — от простейших до более продвинутых — с инструкцией, как использовать модель в конкретной роли — аналитика, маркетолога, юриста.
Регулярное обучение
Один вебинар или презентация вряд ли сработают. Обучение должно быть системным процессом: по ролям, задачам, с возможностью обсуждать и проверять гипотезы. Это может быть серия модулей, воркшопы. ИИ-навыки должны появиться в требованиях к каждой позиции.
Эксперименты как базовый процесс
В ИИ необходимо постоянно искать новые идеи, проводить технологические эксперименты и действовать методом проб и ошибок. В культуре компании должно быть нормой тестировать новое, причем не только в R& D-блоке, но и в остальных подразделениях.
Внутренний PR
Даже небольшие кейсы внедрения ИИ внутри компании должны освещаться. Один сотрудник с помощью ИИ-агентов автоматизировал часть своих рабочих процессов, другой создал удобный промпт и упростил себе работу — это повод рассказать об этом всей команде. Такие сигналы формируют среду, в которой ИИ воспринимается как помощник и усилитель, а не как угроза.
Трансляция подхода от топ-менеджмента
Люди должны понимать, как компания видит будущее в контексте ИИ. Это может быть миссия — например, «ИИ как личный ассистент для каждого». Но может быть и радикально честный посыл о том, что компания берет курс на human-less-структуру. Ясность помогает создать точку опоры.
Новые стандарты, роли, рынки
ИИ дает компаниям не только возможность сократить издержки или ускорить отдельные процессы. Его главный потенциал — в пересборке бизнес-логики. Классический подход означает анализ текущих процессов, выбор точек оптимизации,
реализацию решения и оценку эффектов. В то время как ИИ способен не просто оптимизировать существующее — он способен изменить саму суть процесса.
Радикальные трансформации невозможны, если ограничиваться точечной оптимизацией. Если бы Uber в свое время анализировал, как пользователи вызывают такси — по телефону или на улице — он бы, скорее всего, улучшил кол-центр. Вместо этого компания выбрала другую рамку: соединила клиента и водителя через цифровую платформу, полностью переосмыслив сам принцип услуги — и задала новый стандарт.
ИИ дает бизнесу такую же возможность. Но трансформация не происходит по шаблону. Это путь проб, ошибок, локальных экспериментов. Компании, которые начнут двигаться в этом направлении сегодня, скорее всего, и будут теми, кто сформирует стандарты завтра.
***
Материал подготовлен для Forbes.