Внедрение ИИ в бизнес: какие процессы автоматизировать, сроки и стоимость

Коротко

ИИ окупается там, где есть повторяющаяся работа с текстом, документами и данными, понятный результат и человек, который проверяет спорные случаи. Он не окупается там, где процесс не описан, ошибка стоит дорого, а проверить ответ модели некому.

Ниже — как отличить одно от другого, почему большая часть ИИ-пилотов в мире так и не доходит до результата и как мы строим автоматизацию в своих проектах.

Что такое внедрение ИИ в бизнес

Внедрение ИИ в бизнес — это не покупка модели, а встраивание её в конкретный рабочий процесс: правила и данные, обучение сотрудников, интеграция с CRM или учётной системой, контроль качества и поддержка после запуска. Результат — измеримое изменение: быстрее обрабатываются заявки, меньше ошибок в документах, сотрудники тратят меньше времени на рутину. Эффект оценивают до старта: сколько часов уходит на процесс сейчас и сколько останется после. Обычно проект идёт в три шага — аудит процесса, пилот на части потока, масштабирование того, что показало результат.

Почему большинство внедрений не дают эффекта

Попробовать ИИ сейчас пробуют почти все. По глобальному опросу McKinsey «The State of AI» 2025 года, 88% организаций используют ИИ хотя бы в одной функции. Но влияние на прибыль до вычета процентов и налогов (EBIT) хоть в какой-то мере связывают с ИИ только 39% респондентов, и у большинства из них это меньше 5% EBIT.

Ещё жёстче выводы отчёта MIT NANDA «The GenAI Divide: State of AI in Business 2025»: 95% организаций из выборки не получили измеримой отдачи от проектов с генеративным ИИ. Главные причины, по версии авторов, — хрупкие рабочие процессы, слабая адаптация к контексту и плохая стыковка с повседневной работой. Сами модели работают, но внедряют их в процессы неправильно.

Из этого следует практический вывод: начинать нужно не с выбора модели, а с выбора процесса.

Какие процессы стоит автоматизировать

Хороший кандидат для ИИ обычно отвечает четырём признакам.

1. Много однотипной работы с неструктурированными данными. Письма, заявки, файлы в разных форматах, фотографии документов, сообщения из мессенджеров. Классический код с такими входными данными справляется плохо, а языковая модель хорошо.

2. Понятно, как выглядит правильный результат. Заполненный шаблон, карточка в CRM, таблица, ответ по базе знаний. Если результат можно проверить, можно и измерить качество.

3. Ошибку можно поймать до того, как она навредит. Человек подтверждает черновик, спорные случаи уходят на ручную проверку, автоматические проверки сверяют результат с правилами.

4. Процесс уже работает вручную. Автоматизировать хаос бесполезно: ИИ ускорит его, но не наведёт порядок.

Типичные задачи, где это выполняется:

• разбор входящих заявок, писем и документов с переносом в CRM или корпоративный шаблон;
• ответы клиентам и сотрудникам по базе знаний с передачей сложных вопросов человеку;
• подготовка контента: черновики текстов, описания товаров и фотографий в едином стиле;
• первичная обработка обращений: классификация, маршрутизация, извлечение ключевых полей.

Примеры внедрения ИИ по отделам

Отдел	Что можно отдать ИИ	Подробный разбор
Продажи	Разбор заявок, заполнение CRM, черновики ответов и КП, анализ звонков	ИИ в отделе продаж
Поддержка клиентов	Ответы по базе знаний с передачей сложных вопросов человеку	LLM в поддержке
Закупки	Перенос заявок из Excel, текста и фото в корпоративный шаблон	Автоматизация закупочных заявок
Бухгалтерия и 1С	Разбор первичных документов, ответы по данным учёта	ИИ для 1С
Документы и знания компании	Ответы сотрудникам по внутренним документам и регламентам	RAG для бизнеса
CRM и маркетинг	Нейросети в Битрикс24, сквозная аналитика	Битрикс24 и нейросети

Где ИИ лучше не использовать

• Решения с высокой ценой ошибки без проверки человеком: юридические заключения, финальные финансовые расчёты, медицинские выводы. Модель может ошибиться уверенным тоном.
• Задачи, которые решаются обычными правилами. Если данные всегда приходят в одном формате, обычный парсер надёжнее, быстрее и дешевле модели.
• Процессы без владельца. Если никто не отвечает за результат и не смотрит на качество, автоматизация тихо деградирует.
• Места, где нельзя отправлять данные наружу, если нет возможности развернуть модель у себя. Это решаемо, но требует отдельной инфраструктуры. Что говорит закон о персональных данных — в статье «ИИ и 152-ФЗ».

Как мы строим автоматизацию: пример PurchaseAI

Хорошо видно на проекте ITOQ PurchaseAI. Закупочные заявки от поставщиков приходили в разных форматах: Excel, CSV, текст в мессенджере, фотографии шильдиков оборудования. Их вручную переносили в корпоративный Excel-шаблон, и из-за этого появлялись ошибки в артикулах.

Главный принцип решения: ИИ — не единственный исполнитель, а часть системы с проверками.

• Для предсказуемых входных данных работает обычный детерминированный парсер. Модель там не нужна.
• ИИ подключается для сложной структуры и как независимый аудитор распознанных строк.
• Если результат неуверенный или проверки расходятся, позиция остаётся на ручную проверку.
• Пользователь видит редактируемый черновик и подтверждает каждую позицию до выгрузки.
• Поведение закреплено 121 автотестом.

Результат по данным проекта — ускорение обработки заявок в 4 раза при сохранении контроля человека над каждой позицией.

Тот же подход — ИИ плюс проверки плюс человек в спорных местах — мы используем и в других проектах. В SMM-платформе для сети отелей модель генерирует тексты с учётом голоса бренда и стоп-слов каждого отеля и описания фотографий, а маркетолог управляет всем из единого календаря. В n8n-контент-заводе цепочка сама генерирует и публикует ролики, а ручная работа сократилась до 30 минут в неделю.

Этапы внедрения ИИ в компании

1. Выберите один процесс по четырём признакам выше. Не «внедрить ИИ в компании», а «разбирать входящие заявки на закупку».
2. Опишите, как процесс работает сейчас: сколько времени занимает, где ошибаются, как выглядит правильный результат.
3. Соберите набор реальных примеров — обычные и сложные случаи. На них вы будете проверять качество до запуска и после каждого изменения.
4. Решите, где будет человек: что проверяется вручную всегда, что — только в спорных случаях.
5. Выберите модель под ограничения. Облачные модели проще подключить. Если данные нельзя передавать наружу, модель разворачивают на своих серверах — как в проекте ITOQ с локальной Llama 3.3.
6. Запустите на части потока и сравните с ручной работой по времени и ошибкам. Масштабируйте только то, что показало результат.

Сколько это стоит и из чего складывается цена — в разборе стоимости внедрения ИИ. Цены, сроки и состав работ ITOQ — на странице внедрение ИИ в бизнес под ключ. Как выбрать исполнителя — в чек-листе из 12 вопросов подрядчику.

Технические детали выбора локальной модели мы разбирали в статьях о лучших локальных LLM и запуске моделей через Ollama.

Сколько стоит и сколько занимает

Что внедряем	Цена в ITOQ	Срок
ИИ или чат-бот под одну задачу	от 60 000 ₽	от 2 недель
Веб-платформа или SaaS с ИИ	от 250 000 ₽	от 6 недель

Кроме разработки закладывайте оплату модели (облачный API или своё железо), инфраструктуру и поддержку после запуска. Из чего складывается цена и когда своя модель выгоднее облака — в разборе «Сколько стоит внедрение ИИ в бизнес».

Из чего складывается цена:

• Аудит процесса и данных — что автоматизируем, какие данные есть, где человек остаётся в контуре проверки.
• Разработка и интеграции — сценарии, модель, подключение к CRM, 1С, почте и мессенджерам.
• Тесты на реальных примерах — проверка качества до запуска и после каждого изменения.
• Инфраструктура — облачный API или свой сервер с видеокартой для локальной модели.
• Поддержка после запуска — мониторинг качества, обновления промптов и моделей.

Как выбрать подрядчика

Пять вопросов, которые отсекают большинство неудачных проектов:

1. Покажет ли подрядчик похожий проект с цифрами — не «внедрили ИИ», а «обработка ускорилась в N раз, ошибок стало меньше».
2. Начинает ли с аудита процесса, а не с выбора модели.
3. Заложены ли в архитектуру проверки и ручная проверка спорных случаев.
4. Может ли развернуть модель на ваших серверах, если данные нельзя передавать наружу.
5. Что происходит после запуска: кто смотрит на качество и как обновляются промпты.

Полный список из 12 вопросов и красные флаги — в статье «Как выбрать подрядчика для внедрения ИИ».

Итог

• Почти все компании пробуют ИИ, но измеримую отдачу получает меньшинство. Мешает не модель, а то, как её встраивают в процесс.
• Автоматизируйте повторяющуюся работу с понятным результатом, где ошибку можно поймать до вреда.
• Там, где хватает обычных правил, ИИ не нужен.
• Стройте систему с проверками: детерминированная логика там, где она работает, ИИ там, где нужна гибкость, человек в спорных случаях, тесты на реальных данных.

Если хотите разобрать, какой процесс в вашей компании даст эффект от ИИ, — посмотрите, как мы внедряем ИИ и чат-ботов, и напишите нам. Работу начинаем с аудита.

Вопросы и ответы

Какие процессы стоит автоматизировать с помощью ИИ? Те, где много однотипной работы с неструктурированными данными, понятно, как выглядит правильный результат, ошибку можно поймать до вреда и процесс уже работает вручную: разбор заявок и документов, ответы по базе знаний, первичная обработка обращений.

Почему большинство внедрений ИИ не дают эффекта? По McKinsey «The State of AI» 2025, 88% организаций используют ИИ хотя бы в одной функции, а по отчёту MIT NANDA 95% организаций из выборки не получили измеримой отдачи от генеративного ИИ. Мешает не модель, а то, как её встраивают в процесс.

Где ИИ лучше не использовать? В решениях с высокой ценой ошибки без проверки человеком, в задачах, которые решаются обычными правилами, в процессах без владельца и там, где нельзя отправлять данные наружу, а своей инфраструктуры для модели нет.

Сколько стоит внедрение ИИ в бизнес? В ITOQ решение под одну задачу — от 60 000 ₽ и от 2 недель, веб-платформа с ИИ — от 250 000 ₽ и от 6 недель. Отдельно учитывайте оплату модели, инфраструктуру и поддержку.

С чего начать внедрение ИИ в компании? Выбрать один процесс, описать, как он работает сейчас, собрать набор реальных примеров для проверки, решить, где участвует человек, выбрать модель под ограничения и запустить на части потока со сравнением с ручной работой.

Если среди кандидатов на автоматизацию есть задачи с непредсказуемым порядком шагов (разбор заявок, работа с документами) — это уже кандидат не на обычный сценарий, а на ИИ-агента, разбираем разницу в статье «ИИ-агенты для бизнеса».

Сколько времени занимает внедрение ИИ в бизнес? В ITOQ решение под одну задачу — от 2 недель, платформа с ИИ — от 6 недель. Срок зависит от того, описаны ли процессы, готовы ли данные и сколько систем нужно связать. Первый измеримый результат обычно появляется на пилоте, до масштабирования.

Что нужно подготовить компании перед внедрением ИИ? Конкретный процесс и его владельца, понимание, сколько времени процесс занимает сейчас, доступ к реальным примерам данных и человека, который будет проверять спорные случаи. Если процесс не описан, первым этапом становится не модель, а его описание.

Источники

• McKinsey, The State of AI: Global Survey 2025 — https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
• MIT NANDA, The GenAI Divide: State of AI in Business 2025 (обзор отчёта) — https://virtualizationreview.com/articles/2025/08/19/mit-report-finds-most-ai-business-investments-fail-reveals-genai-divide.aspx
• Кейсы ITOQ: PurchaseAI, SMM-платформа для сети отелей, n8n Контент-завод, Локальная Llama 3.3