# С чего начать внедрение ИИ в бизнес: от ограничения к первому пилоту Источник: https://mashakov.ru/s-chego-nachat-vnedrenie-ii/ Опубликовано: 2026-11-14. Обновлено: 2026-11-14. Как выбрать первую задачу для ИИ, подготовить данные, оценить эффект пилота и помочь команде освоить новый процесс. С примерами из практики. Внедрение ИИ стоит начинать с поиска ограничения в бизнесе: процесса, участка воронки или продуктовой проблемы, которые мешают росту прибыли. Затем — связать задачу с метриками и определить, какую часть работы имеет смысл изменить с помощью AI. Выбор инструмента следует за этой диагностикой: сама по себе интеграция технологии ещё не отвечает на вопрос, зачем она нужна бизнесу. ![Зелёные потоки с блоками сходятся в узком проходе, выделенном золотистым кольцом.]() Отправной точкой для внедрения искусственного интеллекта может быть конкретная проблема: не сходится юнит-экономика, ресурсы уходят на функции без понятного финансового результата, между разработкой и бизнесом нет согласованной цели. Эти ситуации требуют разных решений. Объединять их в одну задачу «добавить AI» — значит пропустить диагностику. ## 1. Найдите ограничение, которое мешает результату Для поиска ограничения я использую аудит процессов, продуктовую и сквозную аналитику, а также Теорию ограничений — TOC. В центре разбора находится связь между продуктом, воронкой продаж, работой команды и финансовым результатом. Это помогает рассматривать задачу не изолированно: изменение одного участка должно иметь смысл для бизнеса в целом. Например, в условной ситуации команда предлагает автоматизировать отдельную операцию. До выбора технологии важно установить, связано ли время на эту операцию с ограничением, мешающим росту. Если такая связь не определена, польза автоматизации остаётся гипотезой. Даже технически работающая интеграция не заменяет ответа на вопрос о её влиянии на результат. Так внедрение ИИ в бизнес начинается с формулировки проблемы, а не с перечня доступных моделей и сервисов. Технология получает конкретную роль: автоматизация рутины, работа с данными или усиление существующего процесса. ## 2. Разберите данные, воронку и экономику Начальная диагностика охватывает юнит-экономику, воронку продаж и процессы в команде. Эти направления рассматриваются вместе, потому что задача — найти ключевое ограничение, а не составить отдельный список технических улучшений. Сквозная аналитика нужна здесь для связи продуктовых действий с бизнес-целями. Срок экспресс-аудита согласуем после знакомства с задачей: он зависит от доступности данных, участников и глубины разбора. Результат — обоснованная гипотеза об ограничении, вопросы для проверки и пошаговый Roadmap по работе с ним. Сначала появляется обоснование изменений, затем — последовательность действий. Срок аудита не означает, что за это же время будет завершено внедрение AI. Для внедрения искусственного интеллекта в бизнес особенно важна юнит-экономика. Она задаёт финансовый контекст решения: обсуждается не только возможность автоматизации, но и её связь с экономикой продукта. Без этой связи выбор технологии рискует остаться отдельной инициативой IT, не привязанной к цели бизнеса. Аудит воронки также не равен автоматизации продаж. Он помогает найти проблемный участок. Решение о том, нужен ли на этом участке AI, следует из диагностики, а не из самого факта наличия воронки. ## 3. Свяжите цель с метриками и планом действий Концепция внедрения ИИ должна объяснять, какую проблему решает проект и по каким изменениям можно будет судить о его пользе. Для этого я использую дерево метрик, продуктовая стратегия и Roadmap. Они связывают цель бизнеса с конкретной работой над продуктом и процессами. Дерево метрик помогает не ограничиваться формулировкой «повысить эффективность». Если задача связана с конверсией, экономией времени или финансовым результатом, именно эта связь должна оставаться в центре обсуждения. Наличие AI-инструмента само по себе не является бизнес-метрикой. Концепция внедрения технологий искусственного интеллекта при этом не обязана охватывать всю компанию сразу. Её содержание определяется найденным ограничением. Если задача относится к конкретному процессу, план изменений должен сохранять этот фокус, а не превращаться в перечень всех возможных применений AI. Roadmap в такой работе — не самостоятельный результат ради документа. Он задаёт последовательность устранения проблемы. В нём технология занимает место инструмента наряду с аналитикой, продуктовой работой и изменением управления: не каждое выявленное ограничение требует разработки AI-решения. ## Что подготовить к первому разбору Чтобы внедрение ИИ в компании было связано с реальной задачей, подготовку полезно сосредоточить на нескольких вопросах. Это не техническое задание на разработку модели, а основа для диагностики и выбора направления работы: - Опишите проблему через процесс или результат: где теряется фокус, какая часть воронки требует разбора, на какие функции расходуются ресурсы без понятной отдачи. - Свяжите проблему с метриками. Отделите цель бизнеса от действия «подключить AI»: внедрение инструмента и улучшение показателя — разные события. - Соберите данные для разбора юнит-экономики, воронки и командных процессов. Именно эти направления входят в экспресс-аудит. - Обозначьте предполагаемую роль технологии: аналитика, автоматизация рутины, генеративный AI, ML или AI-агенты. - Включите в обсуждение сам процесс изменений: как новая работа будет связана с действующими задачами команды и бизнес-целями. На этом этапе не требуется заранее доказывать, что выбранная технология подходит. Предположение о её пользе — предмет проверки. Подготовка нужна, чтобы у проверки была конкретная задача, а не только интерес к инструменту. Так внедрение ИИ в бизнес-процессы получает понятную границу: меняется определённая работа ради определённого результата. Это позволяет обсуждать техническую часть и управленческую задачу в одной логике, не подменяя одну другой. ## 4. Выберите технологию под конкретный сценарий Внедрение AI в бизнес может включать сквозную аналитику, интеграцию генеративного AI, ML и AI-агентов. В консалтинге я рассматриваю эти направления как инструменты оцифровки бизнеса, автоматизации рутины и поиска точек роста. Сам по себе перечень технологий не определяет состав проекта. Поэтому внедрение ИИ-агентов — один из возможных вариантов реализации, а не обязательная отправная точка. Выбор должен следовать из задачи и места решения в процессе. Подтверждённая возможность интеграции агентов ещё не означает, что именно такой формат нужен для любого найденного ограничения. Технический стек — Python, SQL, n8n, LLM — также не заменяет постановку задачи. Его смысл раскрывается в конкретной работе с данными и процессами. Если обсуждение начинается и заканчивается названиями инструментов, связь с конверсией, экономией времени или экономикой продукта остаётся за пределами решения. На старте полезно сохранять различие между продуктовой целью и техническим способом её достижения. Первая объясняет, что должно измениться для бизнеса. Второй определяет, как реализовать выбранную гипотезу. Подмена цели способом затрудняет оценку результата. ## 5. Проверьте гипотезу на ограниченном пилоте Этапы внедрения ИИ в этом подходе складываются из диагностики, определения приоритетов, практической интеграции и работы с изменениями. Начало — аудит системы и поиск ограничения. Следом появляются Roadmap и связь предполагаемых действий с деревом метрик. Уже на этой основе определяется роль AI/ML. После постановки задачи сохраняется продуктовая логика: гипотезы нужно проверять, а не считать подтверждёнными из-за выбранной технологии. AARRR помогает разобрать воронку, CJM — путь клиента, JTBD — задачу, ради которой клиент выбирает продукт. Эти подходы помогают поставить вопросы для исследования; результат технического пилота проверяем отдельно на реальных сценариях и данных. Отдельный формат такой работы — регулярный трекинг. Частоту и продолжительность встреч согласуем под задачу. Он включает фокусировку, тестирование продуктовых гипотез, построение дерева метрик и отладку менеджмента. Это формат сопровождения работы над задачами, а не срок завершения AI-проекта. Так внедрение ИИ в работу не заканчивается моментом подключения инструмента. Техническая интеграция — часть изменений. Другая часть связана с тем, как команда использует новый процесс и как его результат соотносится с первоначальной бизнес-задачей. ![Карточки с данными, небольшой образец под стеклянным колпаком и упорядоченные результаты рядом с лупой.]() ### Что зафиксировать до разработки - **Один сценарий и его владельца.** Кто получает результат, какое действие выполняет сейчас и кто отвечает за изменение процесса. - **Исходные показатели.** Время на операцию, объём обращений, долю ошибок и ручных исправлений. Замеряйте весь путь до принятого результата, включая проверку сотрудником. - **Примеры для проверки.** Соберите обычные и сложные случаи: неполные сведения, неоднозначные запросы, ошибки в исходных данных. Часть примеров оставьте для итоговой проверки и не используйте при настройке. - **Критерии приёмки.** Заранее договоритесь, какой уровень качества и расходов допустим, какие ошибки критичны и при каких результатах пилот остановят или доработают. - **Границы доступа и действий.** Какие документы доступны решению, куда передаются данные, какие изменения требуют подтверждения сотрудника и как вернуться к прежнему процессу. Сначала сравните новый способ работы с текущим на сопоставимых задачах. Если пилот прошёл проверку, расширяйте его постепенно: добавляйте пользователей и сценарии, продолжая отслеживать качество, расходы и фактическое использование. ### Как оценить эффект без обещаний окупаемости Разделите разовые затраты на обследование, разработку и обучение и регулярные расходы на модели, инфраструктуру, поддержку и проверку результатов. Оценку проводите для конкретного объёма работы: стоимость одного ответа модели не равна стоимости готового результата. Условный пример: обработка 1 000 обращений занимала по 10 минут, а в пилоте вместе с проверкой стала занимать по 6 минут. Разница — примерно 67 часов в месяц. Это высвободившееся время, а не автоматически сэкономленные деньги. Чтобы оценить финансовый эффект, нужно понять, уменьшатся ли расходы или команда сможет выполнить дополнительную полезную работу. Из денежного эффекта следует вычесть текущие расходы на решение; разовые вложения учитываются отдельно. Если меняется конверсия или выручка, проверьте, какие ещё изменения произошли за тот же период: состав трафика, сезонность, цены, работа отдела продаж. Сравнение показателей до и после само по себе не доказывает, что результат обеспечила технология. ## 6. Помогите команде перейти к новому процессу Проблемы внедрения ИИ могут начинаться ещё до разработки: нет прозрачного дерева метрик, разработка и бизнес по-разному понимают цель, ресурсы расходуются на функции без связи с финансовым результатом. В такой ситуации технический проект получает неопределённую задачу. Добавление нового инструмента само по себе эту неопределённость не устраняет. Другие барьеры внедрения ИИ связаны с изменением работы команды. Здесь я обращаю внимание на сопротивление изменениям, сложности управления и риск выгорания. Поэтому работа не ограничивается данными и техническим стеком: в неё включаются психология управления, Change Management и фасилитация. Внедрение ИИ в организации требует согласования технической и управленческой сторон. Нужно не только определить, что интегрировать, но и связать изменение с действующим процессом. Если эта связь остаётся неясной, готовая техническая часть ещё не означает, что новая работа стала частью системы. В работе я соединяю продуктовую экспертизу со сквозной аналитикой и психологией управления. Это помогает рассматривать ограничение с разных сторон: через данные, продуктовую логику и принятие изменений командой. Психологическая подготовка помогает вести обсуждение, но не гарантирует отсутствие конфликтов. Результат зависит и от участия руководителя, и от действий самой команды. Подключите будущих пользователей ещё при выборе сценария. Разберите с ними, какие действия станут проще, где останется проверка и куда сообщать об ошибках. Выделите время на освоение инструмента внутри рабочего графика. Помимо технического качества смотрите, возвращаются ли сотрудники к решению и почему выбирают прежний способ работы. ## Кейсы внедрения ИИ: от задачи к рабочему сценарию В опубликованных проектах можно посмотреть, как этот подход выглядит на практике. Ниже — состав реализованных решений. Показатели окупаемости и роста продаж для этих примеров не заявлены. ### Корпоративный ассистент В проекте [корпоративного ИИ-ассистента в Telegram]() мы связали диалоговый интерфейс с рабочими системами: поиском информации, задачами, документами, почтой и календарём. Работа включала выбор сценариев, интеграции, права доступа и подтверждение действий. Для первого пилота в похожей задаче я предложил бы выбрать один частый запрос и проверить, получает ли сотрудник нужный результат с учётом своих прав. ### Анализ разговоров и работа с продажами В [кейсе анализа звонков и встреч]() мы реализовали обработку записей: расшифровку с участниками и таймкодами, выделение договорённостей и задач, передачу результата в подключённые системы. Такой сценарий показывает, с чего может начаться внедрение ИИ в продажи: с сохранения контекста разговора и помощи менеджеру в подготовке следующих действий. Для проверки похожего пилота полезно сравнить выводы с исходными записями: не потеряны ли важные договорённости, правильно ли определены участники, не добавлены ли отсутствующие сроки или обещания. Следующий вопрос — использует ли менеджер этот результат и сколько времени занимает его проверка. ### Если задача связана с производством Если вы планируете внедрение ИИ на предприятии, отдельно оцените условия конкретного участка: доступность и качество данных оборудования, требования к непрерывности работы и цену ошибки. Описанные выше кейсы относятся к информационным процессам и не подтверждают опыт управления производственным оборудованием. Для такого проекта нужны профильные специалисты и проверка в условиях предприятия. ## С чего начать в вашей ситуации Если пока понятно только желание использовать AI, начальной точкой становится диагностика: поиск ограничения в продукте, воронке и процессах. Она нужна, чтобы превратить технологическую инициативу в обоснованную бизнес-задачу. Здесь преждевременно выбирать между ML, генеративным AI и агентами — сначала требуется определить, какую работу предстоит изменить. Если ограничение уже найдено и связано с метриками, старт смещается к проверке гипотезы и определению роли технологии. В этом случае обсуждение может быть предметным: какой процесс меняется, зачем для него нужен AI и с каким результатом будет сопоставляться изменение. Когда техническое решение уже намечено, но его использование вызывает сопротивление или расходится с работой команды, отправная точка — управление изменениями. В таком условии дополнительная техническая интеграция не подменяет работу с процессом. Начинать внедрение стоит с той части системы, которая сейчас ограничивает результат. ## Обсудим первый шаг Для начала опишите один процесс: кто в нём участвует, что сейчас не устраивает, какие данные и системы доступны. Если точная причина проблемы пока непонятна, её можно разобрать на диагностике. Я помогу определить приоритетный сценарий, критерии проверки и состав пилота. Подробнее — на странице [разработки и внедрения ИИ](). [Написать мне в Telegram]().