За последние 6–12 месяцев компании заметно нарастили число инициатив по внедрению ИИ в бизнес‑процессы. Но сегодняшняя реальность - более 90% ИИ‑проектов либо проваливаются, либо не показывают ощутимого экономического эффекта. И чаще всего проблема не в «сырости» моделей и даже не в высокой цене on‑premise (закрытого контура), а в управленческих решениях: где применять ИИ, как перестраивать работу и привычки людей, как выстраивать системную платформу для развития бизнеса. ИИ‑трансформация — это не покупка инструмента. Это смена операционной модели, при которой в компании формируется новый когнитивный слой: накопленная, масштабируемая и усиливающаяся со временем способность организации анализировать, принимать решения и производить интеллектуальную работу быстрее, уверен Геннадий ГРЕБЕНИК, директор по трансформации Фора-Банка, генеральный директор Инновации бизнеса.

Почему ИИ‑проекты «не дают денег»: три причины, которые повторяются в разных отраслях

1) Неверная точка приложения: выбирают безопасно, а не прибыльно

Самый частый сценарий внедрения ИИ инструметов: компания начинает с HR процессов, юристов, внутренних ИТ‑процессов. Это выглядит рационально: меньше рисков, проще согласования, нет прямого влияния на клиента. Но если вы не рекрутинговое агентство, не юридическая фирма и не ИТ‑компания, то эффект даже от успешного внедрения остаётся «внутренней победой» — на общем бизнесе компании почти не заметен. ИИ ускорил подготовку вакансий и скрининг резюме, но это не меняет выручку магазина.
Напротив, ИИ‑помощник категорийного менеджера (анализ эластичности, конкурентов, замены ассортимента, сценарии промо) может влиять на валовую маржу и оборачиваемость товара. Похожий пример для корпоративного блока Банка или службы маркетинга. Практический вывод: первые кейсы должны попадать в прибыле-образующие цепочки: продажи, закупки, ценообразование, производство/простой, логистика, финансовое планирование.

2) Внедрение без смены парадигмы: ИИ встроили, но люди работают по‑старому

ИИ не работает как «новая кнопка» в привычном процессе. Команда, которая получает эффект, меняет модель мышления:

·       формулирует задачу через ограничения, критерии качества и контекст;

·       понимает, что ответ ИИ — черновик, который нужно проверить и довести до финала;

·       работает итерациями: установка - запрос - вариант - критика - улучшение и самое важное, фиксация «лучшей практики».

Если этой культуры нет, пользователи делают 2–3 попытки, ловят неточности, разочаровываются и возвращаются к старому способу работы. Запрос «сделай КП» даёт шаблон, менеджер правит 40 минут — и говорит: «ИИ не экономит время». Но если менеджер задаёт параметры (сегмент, возражения, ограничения по цене/срокам), прикладывает 2 лучших КП и просит 3 версии позиционирования, выбирает и улучшает вариант, сохраняя его в диалоге — правки занимают с начало 30 минут, потом 20, потом 10, а качество работы растёт с каждой новой итерацией. Вопрос не в «магии промптов», а в новой дисциплине постановки задач.

3) Нет системности: ИИ даёт кумулятивный эффект только при масштабе

ИИ отличается от классической автоматизации тем, что при использовании формируется новый когнитивный слой компании. Его сила зависит от времени (как долго вы накапливаете контекст и эталонные решения), масштаба (сколько процессов и ролей подключено), качества обратной связи (как фиксируются правки и лучшие ответы). Отсюда главный вывод: один‑два пилота редко окупаются, а платформенный подход даёт эффект, который нарастает.

Что такое ИИ‑трансформация: экзо‑мышление и масштабирование когниции

ИИ‑трансформация даёт бизнесу несколько стратегических преимуществ.

Экзо‑мышление: вынос части «умственной работы» за пределы головы человека

Раньше ключевая экспертиза жила в сознании сотрудника: он читал, сравнивал, делал выводы, писал письма и отчёты. Теперь существенную часть этой работы можно вынести во внешний контур: ИИ читает сотни страниц, собирает аргументы, предлагает варианты, проверяет согласованность, помогает принять решение.

Параллельность: вместо одной точки зрения — десятки

Раньше аналитик мог изучить 5 документов в день — теперь сотни. Раньше можно было сравнить 3–5 компаний — теперь весь рынок. Раньше бюджет был один — теперь вы быстро собираете 10 сценариев с чувствительностью к ключевым факторам.

Цифровые двойники: экспертиза остаётся в компании

Вчера сотрудник уходил и «уносил» половину практик и знаний. Сегодня при правильной архитектуре лучшие решения фиксируются: контекст компании становится ее главным активом.

Экономика ИИ трансформации

Сегодня технология уже готова для промышленного использования, и с каждым полугодием становится умнее, но для крупных организаций и Банков облачная или гибридная модель не подходит для промышленных решений по соображениям информационной безопасности. Модель on‑premise (закрытого контура) дорога и неэффективна для точечных внедрений: Большая языковая модель требует серьёзных вычислительных ресурсов, и один чат‑бот «для отдела» не способен окупить содержание инфраструктуры. Выход — строить единую платформу и запускать десятки сервисов поверх общей базы. В Enterprise‑секторе сегодня закрепился подход Multi‑LoRA Serving (динамическая загрузка адаптеров).

Multi‑LoRA Serving, технология разделения слоев:

1.     Ядро (базовая модель) — сильная open‑source модель (например, Llama 3 70B или Qwen 2.5 72B), развернутая на мощном сервере (условно 4–8 GPU H100). Эта модель не меняется компанией, используя базовые сценарии  

2.     Библиотека LoRA‑адаптеров — десятки небольших «надстроек» под роли и процессы: «Юридический отдел», ««Техподдержка клиентов», «HR‑помощник», «Программист (Python/SQL)» и т.д. Адаптеры лежат на обычном диске и почти ничего не стоят в хранении. Надстройки дообучаются под задачи своих направлений. Именно они несут в себе специфику компании.

3.     Динамический инференс — промежуточный слой по метаданным запроса подгружает нужный адаптер в VRAM, «приклеивает» к базе, генерирует ответ и выгружает обратно.

Экономический смысл: отдельное решение для юристов или HR не окупит базовую модель, но платформа на десятки кейсов — окупит. Плюс вы получаете единый контур безопасности, разграничение доступа, логирование и песочницы для экспериментов. Одновременно с этим, под адаптерами создается база «Золотых датасетов», определяющих лучшие практики компании и позволяющих в дальнейшем плавно переходить с одной модели на другую при их развитии. Именно этот переход, его простота, отличает ИИ трансформацию от классических подходов. В отличии от цифровой трансформации, где проекты перехода могут растянуться на годы, переход на новую версию модели, более умную, более экономичную, в AI–native компании (Компания в основу управления бизнес процессами заложен ИИ), может занимать дни, а иногда и несколько часов.

Трёхуровневая схема построения когнитивного слоя компании

Построение когнитивного слоя компании пронизывает подразделения, рабочие группы и  ее сотрудников. Можно выделить три уровня формирования мышления компании:

Уровень 1. «Мягкая» персонализация без дообучения (быстрый старт)

До 80% «индивидуальности» сотрудника фиксируется без обучения модели:

·       Digital Persona (динамический системный промпт, который описывает тон, формат, риск‑профиль, стиль коммуникации сотрудника);

·       персональный RAG — личная база знаний (лучшие письма, шаблоны, решения, фрагменты кода).

Финансовый менеджер хранит эталонные объяснения отклонений, структуру отчётов и правила. ИИ готовит черновик анализа за минуты, человек проверяет и утверждает.

Уровень 2. «Фабрика данных»: сбор экспертизы во время работы

Это культурный элемент компании. Чтобы модель реально улучшалась, нужно фиксировать не только вопрос, но и то, как сотрудник исправил ответ ИИ. Лог коммуникации выглядит должен содержать: [Промпт] + [Ответ ИИ] + [Финальный текст старшего сотрудника]. Это формирует «золотой датасет» сотрудника/отдела.

ИИ предлагает сотруднику поддержки ответ клиенту, инженер дописывает важные шаги и предупреждения. Эти правки ложатся в общую базу знаний службы поддержки. В следующей итерации ответ ИИ станет точнее..

Уровень 3. Асинхронные LoRA‑адаптеры и Continuous Fine‑Tuning

Самый важный уровень формирования мышления организации, из знаний сотрудников и отделов, в общие знания организации. Индустриализация опыта, полученного сотрудниками и сохраненного в их личных датасетах. По сформированной за период базе мышления, по расписанию или триггерам запускается процесс дообучение адаптера. Для дообучения выбираются успешные кейсы, сформированные сотрудниками за период. На этой стадии определяются критерии качества и осуществляется проверка валидности кейсов. 

Риск, который нужно признать: корпоративное ИИ‑пространство учится на сотрудниках. Качество людей определяет качество «корпоративного сознания» — но теперь с кумулятивным эффектом. Это означает, что в процесс постоянного обучения должны быть внедрены процедуры контроля качества датасетов и определена роль «владельца знаний».

Где искать реальный эффект: 5 зон, которые чаще всего дают измеримые деньги

1.     Продажи и пресейл: CRM и исследование клиента нового поколения, подготовка КП/писем, аналитика причин потерь клиентов, next best action – лучшее следующее действие в цепочке касания с клиентом, персонализация под сегмент, гиперперсонализация под каждого клиента.

2.     Закупки: анализ альтернатив, выявление завышений условий, сценарии замены поставщиков, контроль контрактов.

3.     Операции и процессы: эффективность процессов, поиск причин простоев, анализ инцидентов по журналам и инструкциям.

4.     Финансы: сценарное планирование, анализ отклонений, контроль расходов, аналитика по запросу.

5.     ИТ и надежность: управление инцидентами, отказоустойчивость, предсказание нагрузки, снижение количества и последствий сбоев за счёт ранних предупреждений и автоматизации коммуникаций.

KPI и юнит‑экономика ИИ‑платформы: как измерять эффект от трансформации

Чтобы не попасть в ловушку «вроде пользуются, но денег нет», метрики нужно делить на три уровня.

1) Бизнес‑эффект (то, что видно в P&L)

·       рост конверсии/среднего чека/маржи в выбранном процессе;

·       снижение себестоимости (закупки, простои, логистика);

·       сокращение времени цикла (time‑to‑quote, time‑to-resolution, time‑to-close).

2) Операционные метрики процесса

·       доля задач, где ИИ дал полезный черновик (accept rate);

·       среднее время «до финала» (ИИ + правки);

·       процент случаев, когда требуется эскалация к эксперту.

3) Экономика платформы (чтобы закрытый контур «сходился»)

·       стоимость 1 запроса / 1 000 токенов (с учётом амортизации железа и энергопотребления);

·       утилизация GPU (сколько времени мощность реально занята полезной нагрузкой);

·       стоимость поддержки и обновлений;

·       стоимость хранения и обработки RAG‑индексов.

Основные выводы

1.     90% провалов ИИ‑инициатив объясняются не технологией, а управлением: не те процессы, не та модель работы, нет системности.

2.     ИИ‑трансформация — это создание когнитивного слоя с кумулятивным эффектом: чем больше масштаб и время, тем выше отдача.

3.     Экономика закрытого контура сходится при платформенном подходе: одна базовая модель + множество LoRA‑адаптеров (Multi‑LoRA Serving).

4.     Устойчивый результат даёт трёхуровневая модель: персонализация → фабрика данных → непрерывное обучение адаптеров.

5.     Начинать нужно сейчас: технологии дешевеют, но перестройка процессов и культуры занимает месяцы — и ранний вход даёт конкурентное преимущество.