Большая часть сегодняшних внедрений ИИ имеет мало отношения к его реальной ценности. Чаще это лишь имитация эффективности. Почему так происходит и как добиться, чтобы ИИ приносил кратный экономический результат?
Рассказывает Влад Завадский, исследователь эффективности внедрения инноваций в бизнес, ИИ-стратег и методолог, архитектор систем экспертных продаж, автор подхода «Экологичные продажи».
Слепота корпоративных метрик
Когда бизнес внедряет ИИ, он мыслит олимпийскими категориями: быстрее, выше, сильнее. Рекордные двузначные показатели многочисленных метрик показывают, насколько выросла скорость выполнения задач, объем проделанной работы и так далее. Какое это имеет отношение к успешности внедрения? Практически никакого. Все эти метрики отражают лишь интенсивность использования нового инструмента, но никак не связаны с бизнес-ценностями.
Причина кроется в том, что уже на старте ИИ часто воспринимается неправильно. Его рассматривают как некий мощный станок, с которым взаимодействует оператор. Проводя аналогию с промышленным производством — если раньше рабочий изготавливал за день одну деталь вручную, то сейчас на станке он делает сто. Но при этом и деталь, и профессиональный уровень работы остались прежними или изменились на уровне погрешности.
То же самое и в случае с ИИ, только результат его работы не отлит в металле, а представлен в графическом или текстовом виде. В большинстве компаний сотрудники-операторы отправляют запрос, то есть, продолжая сравнение, загружают заготовку в станок, после этого нажимают на кнопку и быстро получают результат: текст, код или изображение. При этом бизнес пребывает в иллюзии, что ИИ значительно повысил эффективность, но на самом деле это не что иное, как «умная деградация». Ее последствия скажутся не сразу, но уже через год-другой они будут очевидны.
Опыт многочисленных внедрений показывает, что ИИ-проект в компаниях собирается как технологическая задача — выбрать вендора, развернуть инфраструктуру, обучить сотрудников, запустить пилоты, масштабировать. Но именно в этом заключается главная и самая распространенная ошибка, которая воспроизводится в большинстве корпоративных внедрений.
Бизнес идет по накатанной, потому что всегда так делал, и к ИИ тоже относится как к проекту автоматизации. По каждому этапу — метрики, по каждому пункту — отчет. Но при масштабировании, по данным Gartner за 2025 год, 68 проектов из 100 не дают ожидаемого результата. Причина проста: все дело в том, что внедрение ИИ — это не автоматизация, это изменение когнитивной среды организации. И, кстати, не обязательно в лучшую сторону.
Вторая ошибка следует из первой. Компания прикручивает модель к старым процессам, не пересобирая сами процессы. Юрист продолжает писать заключения как писал, только с ИИ. Аналитик собирает отчеты как собирал, только с ИИ. Дальше работает закон Паркинсона: высвободившееся время заполняется той же работой, и компания попадает в ловушку «умной деградации».
@Freepik (лицензия INV-C-2024-8250540)
Чтобы ее избежать, необходимо относиться к ИИ не как оператор относится к станку, пусть даже современному и продвинутому, а работать с ним, как старший менеджер работает с ассистентом: ставить задачи, перепроверять, обучать, встраивать результаты в свою логику. При этом прокачиваются обе стороны. Сотрудник получает новый опыт, новые софт-, а иногда и хард-скиллы. ИИ, обучаясь и затачиваясь под конкретный пул задач, решает их с каждым разом точнее.
Специалисты компании, которая практикует такой подход, заметно вырастут как профессионалы. И даже если на старте цифры на дашборде были такие же, как у конкурентов, использовавших подход «оператор — станок», через год разрыв будет колоссальным, так как траектории у них противоположные: одни стремятся вверх, другие катятся вниз.
Это подтверждают результаты исследования, которые провел в 2025 году экономист Эрик Бриньолфссон и его коллеги из лаборатории цифровой экономики Stanford Digital Economy Lab. Он изучил данные контакт-центров, где в общей сложности работали 5000 операторов, и выяснил, что при одинаковой интенсивности работы с ИИ новички растут, а эксперты — нет, а местами даже деградируют.
О том же свидетельствуют цифры, полученные Хамсой Бастани из Стэнфордского университета: через 45 дней неограниченного доступа к генеративной языковой модели у сотрудников на 17% снижается способность работать без ИИ.
Слепота корпоративных метрик — именно в этом. Они измеряют объем применения, а не устройство и качество отдельной рабочей сессии. Квартальный отчет показывает зеленую зону, а человеческий капитал в это время уходит в минус. Компания управляет дашбордом, а эффективностью — нет.
Деньги вместо дашбордов
Почему корпоративные метрики не отражают объективную действительность, понятно. Но как же тогда измерять, ведь очевидно, что бизнес-эффективность должна выражаться в конкретных показателях и числах? Разумеется, деньгами. Это отправная точка, из которой исходят все остальные измерения. Исходите из финансового результата: ориентируйтесь на него и отслеживайте изменения по цифрам бухгалтерских ведомостей, а не дашбордов.
И с этим прицелом сформулируйте, что именно ИИ должен делать для финансового результата. Тут уже у всех свои варианты, они могут заметно различаться в зависимости от специфики и целей. К примеру, в одном случае это будет сокращение стоимости часа работы, поскольку с помощью ИИ сотрудник делает то же самое быстрее. Или, допустим, издержки сократятся за счет того, что теперь с помощью ИИ внутри компании решаются задачи, которые раньше выносились на аутсорс.
Еще один вариант — выход в категории, которые в отрасли пока отсутствуют (компания создает стандарт, за которым идут остальные). Использование ИИ вместо найма новых сотрудников тоже дает экономию, поскольку действующий коллектив выполняет больший объем задач за то же время. Все это очень разные формы денег, но если вы научитесь считать их вместо абстрактных корпоративных метрик, они начнут прирастать.
@Freepik (лицензия INV-C-2024-8250540)
Здесь может возникнуть резонный вопрос: а в чем разница между обычным ускорением операторского типа, о котором говорилось выше, ведь на первый взгляд тут и там за меньшее время решается больший объем задач. Ответ лежит на поверхности. Чтобы ИИ приносил кратный экономический эффект, ИИ должен давать сотруднику доступ к работе, которая иначе лежала бы за пределами его квалификации.
Фабрицио дель Аква с коллегами из Гарвардской бизнес-школы на примере 758 ее консультантов в 2026 году выяснил, что решая задачи относящиеся к их зоне компетенций, т.е. находясь внутри зоны надежности модели, сотрудник получает +40% к качеству и +25% к скорости. За пределами этой зоны, там, где компетенции сотрудника развиты слабо или их нет — минус 19% корректности. При этом сами консультанты часто не замечали и не осознавали ошибок, так как неправильные ответы выглядят так же убедительно, как правильные.
Ускорение типовых задач, конечно, тоже приносит эффект, этого никто не отрицает. Однако в часах он выражается в пределах 30%. То есть это оптимизация, а не рычаг. Кратный эффект появляется в другом сценарии: старший аналитик разбирает с ИИ задачу, за которой раньше шли к партнеру фирмы. Юрист готовит заключение по незнакомой области права с содержательной проверкой через модель. Компания получает доступ к классу задач, за который раньше платила вовне — внутренний сотрудник закрывает работу внешнего эксперта. Здесь уже не проценты, здесь переназначение статей бюджета.
Провалы же случаются там, где сотрудник идет в ИИ с задачей за пределами собственной области. Модель одинаково уверенно отвечает и там, где надежна, и там, где систематически ошибается. Отсюда галлюцинации в юридических документах, сфабрикованные ссылки в аналитике, стратегии на ложных данных. То есть оператор ИИ получает только скорость, а сотрудник на уровне партнерской работы с моделью получает выигрыш другого порядка. Вкладываться стоит именно во второе.
Возьмите ИИ в партнеры
Как же сделать ИИ ассистентом и партнером, переводя взаимодействие с ним на более высокий и продуктивный уровень, чем просто нажатие кнопки на нейростанке? Эффективное партнерство получается в том случае, когда человек четко понимает, что в его замысле неделегируемо, а что нужно отдать ИИ. Без этого знания партнерства нет. При переоценке объема неделегируемых задач человек не использует экспертный ресурс ИИ и получает результат беднее, чем мог бы. При недооценке — получает продукт, который не может потом понять, объяснить и защитить.
Партнерство с ИИ устроено вполне конкретно: замысел делится на два слоя, и это разграничение держит всю работу. Первый слой — авторское ядро задачи, ее основной мотив и уникальность. Его формирует и контролирует человек, его невозможно делегировать ИИ. Второй слой — экспертный, и он разворачивается с помощью модели. ИИ располагает образцами лучших практик, вариантами подходов, критериями качества из разных профессиональных традиций — в объеме, который недоступен отдельно взятому человеку, каким бы профессионалом он ни был.
@Freepik (лицензия INV-C-2024-8250540)
При таком разграничении сотрудник перестает быть пользователем инструмента и становится руководителем интеллектуального ассистента. Задачи распределяются в зависимости от возможностей модели. Качество отслеживается по ходу. Результат проверяется на основе собственного суждения, а не на основе внутренней уверенности модели.
Основываясь на нашем опыте работы с компаниями, которые хотя увидеть финансовый эффект от внедрения ИИ, мы разработали модель компетенций, которую можно использовать при найме или для оценки действующих сотрудников. Модель основывается на следующих компетенциях:
● Ось — целеполагание: способность держать собственный замысел через сессию, а не принимать шаблон, который модель достает из мейнстрима.
● Среда — управление диалогом.
● Ядро — решение задач и создание из собственной работы активов, накапливающихся от сессии к сессии.
● Мета-условие — ситуативная гибкость: способность распознавать природу задачи и переключать роль ИИ под нее.
● Рамка — ответственное использование: удержание результата в границах, за которые отвечает человек, а не модель.