Около 95% корпоративных пилотов с генеративным ИИ не дают измеримого влияния на прибыль — так оценивает результаты исследование MIT [1]. При этом среди российских организаций, которые ИИ уже применяют, 62,7% отмечают рост качества и эффективности бизнес-процессов [2]. Свежий опрос McKinsey добавляет третий слой: 80% респондентов говорят, что ИИ повысил их личную продуктивность, и лишь 37% приписывают ему хотя бы какое-то влияние на EBIT компании [3].
Все три цифры верны одновременно, потому что описывают разные выборки. Для руководителя это плохая новость только на первый взгляд: средняя цифра по рынку всё равно не отвечает на его вопрос — что даёт применение ИИ в бизнесе и какой результат считать эффектом в его компании. Этот ответ никто не подскажет из отчёта: его приходится строить самому — выбрать процесс, зафиксировать исходную метрику и сравнить её после пилота. Ниже — как отличить эффект от его имитации, что конкретно измерять и когда честно признать, что эффекта нет.
Почему отчёты противоречат друг другу
Цифры складываются из разных выборок. MIT считал все корпоративные пилоты, включая брошенные через месяц. Росстат обследует организации, которые уже применяют ИИ, — их среди крупных и средних около 5% [2]. McKinsey спрашивает об атрибуции финансового результата — самый жёсткий и самый редкий способ считать эффект [3].
Есть и второй слой: всё это самоотчёты. «Отметили улучшение» означает, что кто-то в организации решил, будто стало лучше. Замером это не является: не названа метрика, не зафиксировано исходное значение, не сделано сравнение.
Практический вывод: цифры отчётов описывают рынок, а не ваш процесс. Ни 95%, ни 62,7% на конкретную компанию не переносятся. Переносится другой элемент — способ измерения: замерить процесс до проекта, повторить замер после и сравнить в тех же единицах.
Что считать эффектом — и что им не является
Эффект внедрения ИИ живёт в единицах процесса: время обработки заявки, стоимость одного обращения, доля обращений, закрытых без специалиста, доля ошибок, время подготовки документа. Microsoft в руководстве по внедрению агентных систем формулирует это так: начинать стоит с бизнес-результата, выраженного измеримым изменением, а не технологией — например, стоимость обслуживания, длительность цикла, качество результата [4].
На эффект часто выдают то, что эффектом не является:
- факт внедрения — «у нас теперь есть ассистент» ничего не говорит о процессе;
- восторг от демо — демо показывает удачный сценарий, а не рабочий поток;
- «сотрудникам стало удобнее» — личное ускорение не гарантирует изменения метрик компании: разрыв между 80% личной продуктивности и 37% влияния на EBIT именно об этом [3];
- количество обращений к ассистенту — использование инструмента не равно результату процесса.
Условный пример. Заявки обрабатывал менеджер — 40 минут на заявку. После внедрения ассистент готовит черновой ответ, менеджер тратит 15 минут. На операции выигрыш есть. Но клиенты по-прежнему получают ответ через три часа, потому что узкое место не в подготовке ответа, а в том, что заявки собирают из почты вручную. Метрика процесса — время первого содержательного ответа — не сдвинулась, потому что её никто не назвал до проекта. Внедрение состоялось, эффект на процессе — нет.
Операционное улучшение при этом не бесполезно. В подтверждённом кейсе этого сайта ИИ-ассистент поддержки отвечает по базе знаний на типовые вопросы, а специалисты остаются со сложными случаями и эскалациями — разбор проекта. Разница с примером выше в том, что эффект определён заранее и в тех единицах, которые потом можно проверить: в кейсе посчитаны доля обращений без участия человека и стоимость одного обращения — до и после запуска.
Как измерить эффект
Порядок такой.
- До проекта — исходный замер. Время обработки, стоимость, доля ошибок — из журналов CRM, почты и учётной системы, а не из ощущений. Если по процессу нет учёта, сначала наладить его: это не ИИ-задача, и без исходной цифры эффект потом придётся доказывать на доверии. Проверки перед пилотом, включая выбор исходной метрики, разобраны отдельно [5].
- На пилоте — тестовый набор. Качество ассистента проверяется на наборе реальных кейсов: отдельно поиск, отдельно ответ, отдельно отказ и передача человеку [6]. Живой поток — для наблюдения, не для приёмки.
- После пилота — сравнение с исходным замером в тех же единицах, что и до старта. Стоимость одного обращения считается по журналам провайдера и учётной системе, а не «на глаз» [7].
- Через два-три месяца — проверка устойчивости. Документы устаревают, люди возвращаются к привычному способу работы, метрика может сползти обратно. Это уже задача эксплуатации, и её тоже нужно планировать.
Почему эффект застревает на личной продуктивности
Опрос McKinsey фиксирует разрыв 80/37 и подсказывает, чем отличаются компании с реальным эффектом. У тех, кто приписывает ИИ заметное влияние на финансовый результат, чаще перестроены рабочие процессы, а процессы измерения эффекта ИИ-инициатив встречаются примерно вдвое чаще, чем у остальных [3].
Механика зазора простая. Ассистент ускоряет сотрудника на его участке, но процесс вокруг не меняется: заявки по-прежнему собираются вручную, согласования идут по почте, ответы ждут в очереди. Выигранные минуты растворяются в ожидании на следующем шаге. Поэтому если операция ускорилась, а метрика процесса не двигается, смотреть нужно не на модель, а на процесс: где теперь узкое место и есть ли у процесса владелец. Как найти эти точки — отдельный разбор о том, почему внедрение буксует [8].
Когда эффекта честно нет
Бывает, что пилот прошёл нормально: качество на тестовом наборе в порядке, сотрудники пользуются, — а целевая метрика не сдвинулась. Это не повод «дать проекту время». Это сигнал, что процесс не меняется там, где планировалось, и у проекта три честных варианта: перестроить встраивание, изменить сам процесс или закрыть его. Закрытие — тоже решение об эффекте: содержание работающего, но не меняющего метрики ассистента стоит денег каждый месяц. Критерии, когда проект честнее закрыть, — в разборе о буксующих внедрениях [8].
Граница у темы есть и с другой стороны: если задача решается однозначными правилами, эффект даст обычная автоматизация без всякой модели — и посчитать его проще.
Вывод
Эффект внедрения ИИ считается не по отчётам об отрасли, а по вашему процессу: одна названная заранее метрика, исходный замер, сравнение после пилота, проверка устойчивости через пару месяцев. Первый шаг не требует разработки: выберите один процесс и замерьте его текущее состояние по журналам. Если нужен внешний взгляд на процесс, данные и границы пилота до старта — это задача аудита.
Частые вопросы
Какой эффект реально даёт ИИ в бизнесе?
Типовые единицы эффекта — время обработки заявки, стоимость одного обращения, доля ошибок, доля обращений без специалиста. Рост доходов тоже встречается, но он дальше по цепочке и хуже поддаётся атрибуции. Смотреть нужно на метрики своего процесса, а не на средние цифры отчётов.
Как посчитать эффект от внедрения ИИ?
Зафиксировать исходные значения метрик процесса по журналам до проекта, провести пилот, сравнить в тех же единицах, проверить устойчивость через два-три месяца. Стоимость одного обращения считается по журналам провайдера и учётной системе.
Почему сотрудникам стало удобнее, а показатели не растут?
Личное ускорение — не метрика процесса. По опросу McKinsey 80% отмечают рост личной продуктивности, а влияние на EBIT видят 37% [3]: выигрыш на операции растворяется в очередях и ручных переносах на следующем шаге. Ищите новое узкое место процесса.
Через сколько времени появляется эффект от ИИ?
Гарантированного срока не существует, и цифры «через полгода» из чужих презентаций проверке не поддаются. Сравнение двух замеров — до и после пилота — отвечает на вопрос точнее календаря. Устойчивость проверяется ещё два-три месяца после пилота.
Что делать, если эффекта нет?
Сначала диагностика: нет названной метрики, нет владельца процесса, данные не в порядке, решение не встроено в рабочий поток, не посчитана эксплуатация — пять точек, где обычно ломается внедрение [8]. Дальше — перестроить встраивание, изменить процесс или закрыть проект.
Источники
- MIT report: 95% of generative AI pilots at companies are failing — Fortune (Sheryl Estrada), 18 августа 2025, по материалам MIT Project NANDA «The GenAI Divide: State of AI in Business 2025»
- Крупный бизнес наиболее активно внедряет ИИ — ИСИЭЗ НИУ ВШЭ (Г. Ковалева, Г. Абдрахманова, П. Рудник) по данным сплошных обследований Росстата, 24 сентября 2026
- The state of AI in 2026: On the road to ROI — McKinsey QuantumBlack, 25 августа 2026
- Choose the right transformation pattern — Microsoft Learn, обновлено 14 июля 2026
- С чего начать внедрение ИИ: 8 проверок перед разработкой пилота — Андрей Волкоедов, ai-av.ru, 13 августа 2026
- Тестирование чат-ботов с ИИ: как проверить RAG-систему перед запуском — Андрей Волкоедов, ai-av.ru, 15 июля 2026
- Стоимость ИИ-ассистента: почему счёт за нейросеть растёт и как им управлять — Андрей Волкоедов, ai-av.ru, 22 сентября 2026
- Проблемы внедрения ИИ в компании: почему проекты буксуют — Андрей Волкоедов, ai-av.ru, 10 октября 2026
