В мае 2025 года McKinsey в State of AI 2025 зафиксировала: 88% организаций используют AI хотя бы в одной функции, но только 6% вышли за пределы пилотов. Провал — не в технологии. Провал — в выборе процесса. Эта глава о том, как делать этот выбор правильно: какие процессы отдавать модели, какие не трогать, как собрать вокруг неё воркфлоу и как посчитать, что получилось.

С этой главы разговор переходит из технической плоскости в управленческую. К её концу у вас будет набор фильтров для отбора процесса под AI-пилот: пять критериев пригодности, десятиминутный тест «брать или не брать», список стоп-признаков, список признаков готовности и балльная оценка кандидата. Отдельно — анатомия воркфлоу, в котором AI работает в связке с человеком, и три метрики, по которым ROI (окупаемость инвестиций) считается без сложных финансовых моделей.

КРИТЕРИИ ПРИГОДНОСТИ ПРОЦЕССА ДЛЯ ПЕРЕДАЧИ AI

Процесс пригоден для AI, если он одновременно проходит пять фильтров: повторяемость, формализуемость, цена ошибки, наличие данных и точка контроля менеджера. Разберём каждый.

Повторяемость. Задача выполняется хотя бы раз в день, в идеале — десятки раз в день. Если процесс запускается раз в месяц, AI не окупится: затраты на интеграцию, настройку и обучение сотрудников съедят выигрыш от ускорения.

Формализуемость. Задачу можно описать за 30 секунд: вот входные данные, вот критерии качества, вот готовый результат. Не можете сами сформулировать критерий качества — модель его не угадает.

Цена ошибки. Цена, которую компания заплатит, если AI ошибётся. Ошибка ловится автоматически или её последствия поправимы за минуту — кандидат хороший. Ошибка означает юридический или финансовый ущерб — кандидат плохой.

Наличие данных. В логах или архивах лежат сотни примеров «как должно быть». Нет данных — AI работает как дорогая случайность.

Точка контроля менеджера. Место в процессе, где человек принимает решение. Заранее определите, где именно менеджер включается в контур и без какого шага нельзя запустить процесс. Точка контроля размыта или менеджер должен одобрять каждый шаг — процесс для AI не готов. Вы автоматизируете рутину ценой менеджерского времени.

Из пяти критериев обычно упускают два: наличие данных и точку контроля менеджера. McKinsey в State of AI 2025 опросила компании, чьи пилоты не масштабировались, и в топ-3 причин попали «нет качественных данных» (38%), «нет инфраструктуры» (27%), «нет внутренней экспертизы» (21%). Цифры говорят сами за себя. Процесс сортировки входящих писем по 5 категориям требует сотен размеченных примеров, прежде чем модель начнёт работать стабильно. Процесс «сформулировать позицию по новому закону» требует тысяч примеров и всё равно промахивается. Нет данных — AI не ускорит процесс, а покажет, что компания к нему не готова.

Пятый критерий решает обратную задачу. Даже если данные есть и процесс повторяется, без явной точки, где менеджер принимает решение, AI-воркфлоу размывает ответственность и ломается на первом же споре с клиентом.

Есть миф, который мешает десяткам компаний: «AI умеет делать всё, нужно только правильно настроить». Это опасное заблуждение. Фабио Делл’Аква (Fabio Dell’Acqua) и коллеги из Harvard Business School в 2023 году ввели понятие jagged technological frontier — неровная граница применимости AI. Задачи, которые выглядят одинаковыми по сложности, оказываются по разные стороны границы. Сортировка резюме по формальным критериям — задача для AI. Отбор по культурному соответствию — AI противопоказан. Попытка отдать модели процесс, который выглядит как типовой, но внутри хаотичный и требует субъективной оценки, обычно проваливается.

Рядом может работать похожий процесс, вполне типовой, который та же модель решает отлично. Разница между «похожим» и «тем же самым» — это и есть граница, на которой AI перестаёт быть полезным и начинает делать вид.

Свежие цифры BCG в Build for the Future 2025 подтверждают картину: только 5% компаний достигли зрелости, при которой AI даёт устойчивую ценность. 60% остаются в зоне «эксперименты без масштаба». Это значит, что для большинства читателей вопрос звучит не «какую модель выбрать», а «какой процесс вообще довести до состояния, в котором модель сможет в нём работать».

ЭКСПРЕСС-ТЕСТ НА ДЕСЯТЬ МИНУТ

Прежде чем подписывать бюджет на пилот по автоматизации процесса, возьмите паузу в десять минут и пройдите по шести вопросам:

1: Как часто выполняется процесс? Менее 5 раз в неделю — стоп.

2: Что случится, если AI ошибётся? Наступят серьёзные юридические или финансовые последствия, пострадает безопасность людей — стоп.

3: Можете ли вы за 30 секунд описать, как выглядит «правильный» результат этого процесса? Нет — стоп.

4: Есть ли в архивах 50 и более примеров хорошего результата? Нет — стоп, либо сначала соберите данные.

5: Кто в компании будет оценивать качество работы AI? Если никто — стоп.

6: Какая метрика покажет, что AI стал лучше человека? Если не придумали — стоп.

Процесс, успешно прошедший все шесть шагов, — кандидат на пилот. Если процесс провалил хотя бы один пункт — сначала устраните причину отказа, и только потом возвращайтесь к идее AI.

ПРИЗНАКИ ПРОЦЕССА, КОТОРЫЙ НЕЛЬЗЯ ОТДАВАТЬ AI

– Процесс существует только в голове одного эксперта: регламента нет, и «правильно» — его субъективная оценка.

– За последний год процесс сильно менялся три раза, и нет оснований считать, что он остановится на текущей версии.

– Цена ошибки невозвратима: потеря клиента, юридическая ответственность, угроза безопасности людей.

– Нужных данных меньше пятидесяти примеров, и собрать больше негде.

– У задачи нет чёткого стоп-сигнала: непонятно, когда результат считается готовым.

– Процесс требует от человека эмоционального участия, соболезнования, переговоров о чувствительных вещах.

В этих случаях AI не ускорит процесс, а добавит ему риск. Точка.

ПРИЗНАКИ ПРОЦЕССА, ГОТОВОГО К ПЕРЕДАЧЕ AI

Все семь условий должны выполняться одновременно. Хотя бы одно не сошлось — процесс рано отдавать AI.

– Задача повторяется хотя бы раз в день, в идеале — десятки раз. Это первый признак пригодности.

– Есть чек-лист, регламент, шаблон или KPI (ключевые показатели эффективности) качества для результата. Без явного критерия «правильно» модель не догадается.

– Ошибка неприятна, но не катастрофична: её поймает человек за минуту. Такие процессы — кандидаты на автоматизацию.

– В логах или архивах лежат сотни примеров «как должно быть». Без такого массива данных модель на этом процессе не выйдет на стабильное качество.

– Процесс можно описать в одном абзаце простым языком. Сложные процессы сначала формализуют, и только потом автоматизируют.

– В компании уже есть человек, который оценивает качество по этой задаче — значит, есть эталон для проверки.

– Время выполнения укладывается в 5–60 минут для языковой модели или в миллисекунды для классификатора. Если задача требует дней работы эксперта, AI-модель на такое не рассчитана.

Все семь совпали — процесс готов к пилоту.

БАЛЛЬНАЯ ОЦЕНКА КАНДИДАТА НА АВТОМАТИЗАЦИЮ

Все пять критериев оцениваются по шкале от 1 до 5 баллов, и сумма определяет готовность процесса к пилоту.

– Частота: раз в месяц — 1 балл, несколько раз в неделю — 3 балла, десятки раз в день — 5 баллов.

– Стандарт результата: зависит от вкуса — 1, частичный регламент — 3, чёткий чек-лист и метрика — 5.

– Цена ошибки: юридические или финансовые последствия — 1, заметна, но поправима — 3, ловится автоматически — 5.

– Данные: размеченных примеров нет — 1, есть, но неполные — 3, сотни и более размеченных примеров — 5.

– Усиление менеджера: без человека процесс не запустить — 1, менеджер проверяет 50% результатов — 3, полная автономия модели в пределах области задач — 5.

Процессы с суммой 20–25 баллов идут в пилот первыми. С суммой 10–15 баллов требуют подготовки данных и регламента. Ниже 10 баллов — откладываются.

Всё, что описано выше, — это фильтры до того, как AI попадает в процесс. Следующий раздел — о том, что происходит, когда AI уже внутри: как собрать воркфлоу, в котором модель работает в связке с человеком и не убивает эффект ручной работой на входе или выходе.

АНАТОМИЯ AI-ВОРКФЛОУ: ЦЕПОЧКА ШАГОВ ВМЕСТО ОДНОГО БЛОКА

Самая частая ошибка в воркфлоу-презентациях — рисовать AI как один волшебный блок между входом и выходом. В реальности рабочий AI-воркфлоу — это цепочка из трёх–шести шагов с разной степенью автоматизации. AI почти никогда не работает один: данные собирает интеграция, черновик делает модель, проверяет человек, отправляет действие система, обратную связь собирает CRM. AI делает шаги, которые повторяются и проверяемы. Человек делает шаги, которые единичны или требуют контекста вне данных. На входе процесса почти всегда работает AI — приём, классификация, подготовка. В середине — смесь: черновик от AI, проверка человеком. На выходе — снова человек: решение, действие, коммуникация. Хорошее правило: AI на входе и выходе, человек в середине.

Рядом с этим правилом существует второй миф, распространённый среди заказчиков: «волшебный воркфлоу из одного блока». Так не бывает.

В компаниях, где воркфлоу формализован, AI даёт результат за недели. Там, где процесс живёт в головах, — за месяцы, либо не даёт результата вообще. Это и есть ответ, ради которого собран весь раздел.

Хороший AI-воркфлоу имеет три свойства. Во-первых, у каждого шага есть измеримый результат. Не «обработай», а «верни JSON с полями X, Y, Z». Это позволяет автоматически проверять, справился ли AI. Во-вторых, между шагами стоят явные ворота — места, где человек принимает решение. В одних воркфлоу это «человек проверяет каждый шаг», в других — «AI работает автономно, но при ошибке человек получает алерт». В-третьих, воркфлоу задокументирован: новый сотрудник может по документу восстановить процесс без потерь.

ШАГИ ТИПОВОГО ВОРКФЛОУ

1: Вход: запрос, документ, событие, тикет. Кто делает: CRM, почта, ERP, форма. Автоматизация: полная.

2: Подготовка: классификация, извлечение сущностей, нормализация. Кто делает: AI-модель. Автоматизация: полная с логированием.

3: AI-обработка: черновик ответа, резюме, рекомендация, прогноз. Кто делает: LLM (большие языковые модели) или ML-модель (модель машинного обучения). Автоматизация: полная.

4: Верификация: проверка человеком, оценка качества. Кто делает: человек-эксперт. Автоматизация: ручной шаг, узкое горлышко всего процесса.

5: Действие: отправка, запись в систему, уведомление, платёж. Кто делает: интеграция. Автоматизация: полная.

6: Обратная связь: сбор результата, метрика, ретро. Кто делает: аналитик и дашборд. Автоматизация: полуавтоматизация.

Эти шесть шагов покрывают большинство AI-воркфлоу, которые встречаются в офисных задачах. Конкретный набор шагов меняется от процесса к процессу. Структура — вход, подготовка, AI-обработка, верификация, действие, обратная связь — остаётся постоянной.

Воркфлоу, в котором перегружен шаг 4 (верификация), убивает эффект. Если человек-проверяющий тратит столько же времени, сколько уходило на ручную работу, AI не ускоряет процесс, а накапливает очередь. Хорошее правило: на шаг верификации должно уходить не больше 30% времени всего процесса. Больше — воркфлоу спроектирован неправильно, и AI ставится не туда.

Ошибки вокруг шага 4 — не единственное, что ломает пилоты. Ниже — пять типовых ошибок в построении всего воркфлоу, которые встречаются в восьми из десяти проектов.

ТИПИЧНЫЕ ОШИБКИ ПРИ ПОСТРОЕНИИ ВОРКФЛОУ

Каждая из них лечится не покупкой новой модели, а изменением процесса.

1: AI только в середине — вход и выход остаются ручными, выигрыш тонет в очереди на проверке.

2: Рекомендация без проверки — сотрудник соглашается с машиной, не разбираясь, и формируется «автоматизированный авторитет».

3: Сотрудник не понимает, что делает AI — модель не доверяют и отключают.

4: Воркфлоу собран вокруг модели, а не вокруг задачи — получается красиво и бесполезно.

5: Нет логирования — невозможно разобрать, почему AI выдал такой результат.

ОБЯЗАТЕЛЬНЫЕ ЭЛЕМЕНТЫ ПРОДАКШН-ВОРКФЛОУ

Без этих пяти элементов воркфлоу не выходит в продакшн, даже если модель показывает 99% точности на тестах.

– Логирование каждого вызова модели: вход, выход, кто проверял.

– Версионирование промптов: какой шаблон использовался в каждом случае.

– Метрика качества на каждом шаге: точность классификации, доля ручных правок, время ответа.

– Красная кнопка: возможность мгновенно отключить AI и перевести процесс на ручной режим.

– Правила эскалации: при каких условиях запрос уходит к человеку.

Характерный сценарий: вендор обновляет модель, качество ответов падает, но у команды нет быстрого способа откатиться. Два-три дня клиенты получают плохие ответы, пока инженеры катят патч. Это происходит в каждой третьей компании, которая внедряла AI без полной инфраструктуры вокруг модели.

Каркас, описанный выше, нужен любой функции: продажам, маркетингу, работе с документами. Дальше разберём эти три функции по очереди — где в каждой из них AI даёт результат, где ломается и какие конкретные шаги ставить первыми. Начнём с продаж: именно там сегодня самые зрелые AI-инструменты и самая большая доля готовых процессов.

AI В ПРОДАЖАХ: ТОЧКИ УСКОРЕНИЯ И ТОЧКИ ТОРМОЖЕНИЯ

Продажи — одна из самых оцифрованных функций в офисе, и AI-приложений здесь больше, чем в любой другой. McKinsey в Superagency 2025: маркетинг и продажи лидируют по приросту от AI-внедрения — на них приходится 28% общего потенциального эффекта генеративного AI. Следом идёт software engineering с 25%. Salesforce в State of Sales 2024–2025 фиксирует: продавцы тратят 60% рабочей недели на не-продажные задачи — сбор материалов к встрече, ведение заметок в CRM, обновление контактной информации. Это та зона, которую AI закрывает без потери качества, и та зона, по которой продавец не скучает.

ПРОДАЖИ: ЗОНЫ УСИЛЕНИЯ МЕНЕДЖЕРА С ПОМОЩЬЮ AI

AI берёт на себя четыре направления работы менеджера по продажам, на которые раньше уходили часы рутины.

Квалификация входящих лидов

Модель оценивает лид по 5–10 критериям (размер компании, должность, отрасль, поведение на сайте) и присваивает оценку от 0 до 100. При оценке выше порога лид идёт в воронку, ниже — отбрасывается или уходит в прогревающую кампанию. Gong и специализированные AI-скоринговые платформы делают это в реальном времени на звонках.

Подготовка к встрече

Модель собирает информацию о клиенте из CRM, последних переписок и публичных источников и формирует одностраничный бриф — что важно знать перед встречей.

Логирование звонка

AI расшифровывает звонок, выделяет ключевые мысли и следующие шаги, обновляет CRM. Экономия: 15 минут после каждого звонка.

Кастомизация презентации

Модель берёт стандартную короткую презентацию для привлечения клиентов (питч-дек, pitch deck) и адаптирует её под конкретного клиента (отрасль, задача, уровень). Gong фиксирует, что персонализированные письма увеличивают процент ответов на 30%.

Gong в феврале 2024 опубликовал исследование «How AI really affects your sales deals» по миллиону сделок с 1200 клиентов. Продавцы, которые используют AI для управления сделками, увеличивают процент закрытых сделок на 35%. Это не «AI закрывает сделки за продавца». Это «AI подсказывает, какие сделки держать в фокусе, где затык, какие следующие шаги назначить». Менеджер, который тратил 4 часа в неделю на подготовку, стал тратить 40 минут. Эффект — в освобождённом времени, не в замене продавца машиной.

HubSpot в AI Trends for Sales 2024 зафиксировал уровень принятия инструмента: 43% продавцов уже используют AI в работе, год назад было 24%. Рост почти в два раза. Задачи: оценка входящих лидов по перспективности, персонализированный первый контакт с потенциальными клиентами, прогнозирование сделок. Из тех, кто внедрил автоматическую оценку лидов с AI, 50% отмечают рост числа квалифицированных лидов. Это не «AI нашёл новых клиентов». Это «AI помог сфокусироваться на правильных клиентах».

Где AI в продажах замедляет, а не ускоряет. HBR в феврале 2026 опубликовал исследование Винсента Ранганатана (Ranganathan) и Сяо Е (Ye): восьмимесячное наблюдение за 200 техническими специалистами, добровольно внедрившими AI-инструменты. Результат — 12-часовые рабочие дни, когнитивная усталость, расширение круга задач. 83% опрошенных заявили, что AI расширил то, что от них ожидают, а переход с двух AI-инструментов на три начал снижать продуктивность. Прямое приложение к продажам: если менеджер получил AI для генерации писем, AI для скоринга, AI для резюме звонков и AI для прогноза, он тратит больше времени на проверку и координацию, чем раньше.

Когда компания автоматизирует AI-агентом первый шаг воронки продаж — квалификацию входящих лидов — и убирает человека-верификатора, первые два-три месяца выглядят как успех. Скорость обработки вырастает в разы, в CRM приходит в пять раз больше лидов, отчётность по объёму блестящая. Через несколько месяцев выясняется, что AI-модель классифицирует не тех лидов как горячие. Она выучила паттерны «компания выглядит как наш клиент» (размер, отрасль, должность), но не отличает реальный спрос от любопытства. Продавцы тратят время на разговоры с «квалифицированными» лидами, которые никогда не купят. Реальные покупатели проходят мимо, потому что модель их отсеяла. Воронка квалифицированных сделок проседает на 30–40%, при этом общая цифра по «обработанным лидам» выглядит как рост. Механика та же, что в поддержке: попытка полностью убрать живого человека из цепочки обходится дороже, чем кажется. В B2B-продажах (business-to-business, продажи компаниям) клиенту нужен человек, которому он доверяет, а не бот, который отвечает за 3 секунды, поэтому автономный AI-агент вместо продавца здесь почти никогда не работает. В B2C (business-to-consumer, розничных продажах) он срабатывает, но только в сегментах с минимальным личным контактом и с простым продуктом.

Типичные ошибки в продажах с AI. Семь типовых ловушек повторяются от компании к компании.

1: AI-агент, который сам закрывает сделки — для B2B это миф, для B2C работает только в сегментах с минимальным личным контактом.

2: Генерация 1000 писем в день — клиенты распознают массовую рассылку и удаляют её без прочтения.

3: Замена SDR (менеджера по развитию продаж) на AI — SDR делает первую квалификацию, без которой воронка пухнет.

4: Скоринг лидов, который менеджер не понимает — чёрный ящик вызывает недоверие, инструмент отключают.

5: Прогноз воронки, который не совпадает с реальностью — менеджеры перестают верить и процессу, и инструменту.

6: AI-агент в чате на сайте, который обещает скидку — конфликт с коммерческой политикой и реальный отток клиентов.

7: Запись звонков без согласия — юридический риск по 152-ФЗ и потеря доверия клиента.

Что внедрять первым в отделе продаж. Резюмирование звонков в CRM через Gong или Chorus — низкий риск, высокий эффект, понятная метрика. Скоринг лидов через Einstein или HubSpot AI — быстро ставится, эффект виден на конверсии. Черновики повторных продающих писем клиентам через Outreach AI — освобождает 1–2 часа в день менеджера. Обогащение контактов через Clay или Apollo — фундамент для любой работы по первому контакту с клиентами. Подсказки на звонке через Gong или Salesloft — для опытных менеджеров, не для новичков. Не внедрять первым полный автономный AI-агент вместо менеджера по развитию продаж (SDR, Sales Development Representative), генерацию голосовых звонков, кастомную модель прогноза воронки и замену CRM на платформу, нативно работающую с AI. Каждый из этих инструментов требует зрелого процесса, которого на старте ещё нет.

Продажи построчно описаны: где модель усиливает, где замедляет, что ставить первым. Следующая функция по близости к клиенту — маркетинг. Контур тот же (где работает, где нет, какие ловушки, что внедрять первым), специфика другая: там AI трогает бренд-голос, а не конверсию в воронке.

AI В МАРКЕТИНГЕ: ПРАВО НА ЧЕРНОВИК, НО НЕ НА ПОДПИСЬ

Маркетинг — вторая функция по приросту от AI после продаж. McKinsey в State of AI 2025 приводит: 71% организаций регулярно используют генеративный AI в маркетинге и продажах, и это самая частая функция применения. Внутри маркетинга разброс огромный: рутинный контент ускоряется в разы, а стратегический креатив почти не трогается. Тезис: AI усиливает маркетолога и редактора, а бренд-голос остаётся за человеком. AI закрывает черновой слой, человек закрывает голос бренда и финальное решение.

МАРКЕТИНГ: РУТИНА, КОТОРУЮ ЗАКРЫВАЕТ AI

Шесть направлений, где AI снимает рутину и не выходит за пределы безопасной зоны.

1: Генерация контента по шаблону — описания товаров, посты в соцсетях, email-рассылки, лендинги. Модель берёт шаблон и информацию о товаре, генерирует 10–20 вариантов за минуту. Качество: 70% от того, что напишет копирайтер, за 5% времени.

2: SEO-контент — статьи для блога, FAQ, мета-теги. Подбор ключей, кластеризация запросов, черновик мета-тегов — AI закрывает за часы, не за недели.

3: Персонализация email — AI адаптирует одно и то же письмо под разные сегменты аудитории. Salesforce Marketing Cloud Einstein показывает 25–40% роста email open rates за счёт predictive content selection и predictive send time.

4: A/B-тестирование — AI генерирует 5 вариантов заголовка, 3 варианта CTA, автоматически тестирует их на части аудитории.

5: Аналитика кампаний — AI анализирует данные рекламных кабинетов, находит неэффективные кампании, предлагает перераспределение бюджета.

6: Анализ тональности — AI читает отзывы и упоминания в соцсетях, классифицирует их по тональности, выделяет тренды.

Persado в исследовании «Better Together: Generative AI + Human Marketer» 2023 года зафиксировало: маркетологи в одиночку выбирают лучший вариант формулировки только в 33% случаев. Когда в паре с AI, точность выбора вырастает до 96%. Это не «AI лучше маркетолога». Это «AI снимает когнитивную нагрузку по перебору вариантов, маркетолог принимает финальное решение». Применительно к практике: AI-инструмент, который даёт 5–10 черновиков под один тезис, освобождает у копирайтера 1–2 часа в день, которые уходили на пустую страницу.

МАРКЕТИНГ: AI БЕЗ РЕДАКТОРА КАК УГРОЗА БРЕНДУ

Стратегическое позиционирование — «почему наш бренд — это X, а не Y» — работа основателя, не AI. Большие креативные концепции уровня «Just Do It» или «Think Different» требуют понимания культурного контекста, который у модели хуже, чем у человека. Антикризисные коммуникации: когда случился скандал, нужен человек, который понимает нюансы, а не шаблонный ответ от AI. Стратегические партнёрства — переговоры с инфлюенсером или медиа — это отношения, не текст. Бренд-голос на длинной дистанции: через 3–4 AI-текста без редактуры всё начинает звучать одинаково. Медицинский, юридический и финансовый контент — там, где критична точность фактов.

Почему AI-контент без редактуры — антибренд. В январе 2023 года издание Futurism обнаружило, что CNET массово публиковал AI-сгенерированные статьи без специальной редакционной пометки «создано с помощью AI». CNN, The Verge и Washington Post подхватили тему: 41 из 77 опубликованных AI-статей содержали существенные ошибки, потребовались коррекции, и генерацию поставили на паузу. AI плохо пишет сам по себе, а без редактора-эксперта он не отличает правдоподобное от фактически верного. CNET через несколько месяцев выкатил формальную политику, запрещающую публикацию AI-текста без человеческого контроля. Для офисного работника это прямой сигнал: AI-контент без вычитки ускоряет публикацию, но откладывает репутационный удар.

HubSpot в AI Trends for Marketers 2025 приводит: 64% маркетологов уже используют AI хотя бы в одной задаче, годом ранее было 45%. Риск, который сами маркетологи называют первым, — потеря аутентичности бренда. Это совпадает с моим опытом: компании, которые внедряют AI без редактора-бренд-голоса, через 3–4 месяца получают сайт или рассылку, где каждый материал звучит как все остальные.

ТИПИЧНЫЕ ОШИБКИ МАРКЕТИНГА С ИСПОЛЬЗОВАНИЕМ AI

«AI-агент, который сам ведёт бренд-аккаунт в соцсетях» — голос распознаётся клиентами за 2–3 поста. «100% AI-генерация контента без редактора» — путь к CNET-сценарию и потере доверия. «AI генерирует офферы и цены» — оффер и цена это работа коммерции, а не модели. «AI-бот отвечает за бренд в комментариях» — клиенты чувствуют подмену и пишут негатив в два раза чаще. «AI переводит юридические оговорки без юриста» — путь к юридическому и репутационному убытку. «AI пишет отзывы и кейсы клиентов» — нарушение закона о рекламе в большинстве юрисдикций. «AI-персонализация без согласия клиента» — нарушение 152-ФЗ и GDPR.

Третий миф, который мешает маркетинговым командам: «AI заменяет маркетолога». На практике AI заменяет рутину и расширяет объём, но бренд-голос и стратегию держит человек. Маркетолог, который делегировал AI бренд, через полгода получает сайт, который читатели распознают как машинный и перестают открывать.

Если в продажах и маркетинге AI работает в зоне текста и коммуникации, то в работе с документами он упирается в цифры, реквизиты и юридическую значимость. Здесь цена ошибки другая, и набор процессов — другой.

AI В ДОКУМЕНТАХ: ЗОНА УВЕРЕННЫХ 99% И СКРЫТАЯ ЛОВУШКА

Работа с документами — классический кандидат на AI. Документы структурированы, повторяются, есть регламенты. Счета, договоры, акты, претензии, заявки — все обрабатываются по похожим правилам. McKinsey в State of AI 2025 приводит: 30% времени юриста и бухгалтера уходит на рутинную обработку документов. AI закрывает большую часть этой рутины.

ДОКУМЕНТЫ: ЗОНА СКОРОСТИ AI И ЗОНА ЮРИСТА

Извлечение реквизитов

Модель берёт PDF или скан счёта или договора, извлекает ИНН, КПП, банковские реквизиты, суммы, даты, номера договоров. Качество: 99%+ при наличии хороших сканов. JPMorgan в 2017 году запустил систему COIN (Contract Intelligence), которая за секунды делала то, что юристы банка делали за 360 000 часов в год: разбирала коммерческие кредитные договоры.

Сверка с базой

Модель проверяет, что реквизиты клиента в счёте совпадают с реквизитами в CRM. Эта проверка занимает у бухгалтера 5–10 минут, у AI — 5 секунд.

Классификация входящих документов

Модель сортирует счёт, договор, претензию, акт, запрос и маршрутизирует документ в нужный отдел.

Поиск в больших корпусах документов

AI ищет по смыслу, а не по ключевым словам, и находит релевантные пункты договоров за секунды. Harvey AI в феврале 2025 года в бенчмарке Vals Legal AI Report получил лучшие результаты среди всех участников в пяти из шести задач: contract review, clause extraction, precedent search. Hebbia Matrix автоматизирует 90% работы в финансовом и юридическом ресёрче для крупных инвестиционных банков.

Где «99% точности» становится ловушкой. Mistral OCR в марте 2025 года выпустил OCR — распознавание текста с картинок — API, который показывает 99%+ точности на простых документах. Но это не значит «99% на любых документах». В тестах на сложных PDF с многослойной вёрсткой, рукописным вводом и нестандартными таблицами ошибка LLM-подхода составляет 1–5%. Практический вывод: «99% точности» означает «1 ошибка на 100 полей». На счёте-фактуре в 50 полей это 0,5 ошибки — то есть на каждом втором счёте ошибка в номере, ИНН или сумме. Без человеческой проверки это прямой путь к расхождениям в учёте.

Кейс Mata v. Avianca, подробно разобранный в этой книге как пример AI-ошибки, для офисного работника остаётся рабочей метафорой: если юрист не может доверять выходу LLM при подготовке процессуального документа, ни один бухгалтер, HR или маркетолог не может доверять выходу LLM при подготовке критичного документа. К августу 2025 года федеральные суды США начали применять более жёсткие санкции: один из судей объявил, что денежные штрафы не останавливают подачу фальшивых ссылок. Для офисного работника это прямой сигнал: критичный документ — не место для AI-черновика без двойной проверки.

Типичные ошибки в работе с документами. «AI прочитал договор, можно подписывать» — договор без юриста это бомба замедленного действия. «AI генерирует ответ на претензию клиента без юриста» — путь к Moffatt v. Air Canada в любом контексте. «AI делает комплексную проверку (due diligence) при сделках M&A (слияния и поглощения) без команды» — пропустит структурные риски. «AI-OCR без сверки с 1С» — расхождения в учёте вылезут через 2–3 месяца при закрытии квартала. «AI заполняет налоговую декларацию без бухгалтера» — путь к доначислениям и штрафам. «AI переводит юридический договор на английский для контрагента» — потеря юридической силы. «AI-ассистент подписывает документы за руководителя» — юридически ничтожно.

Что внедрять в работе с документами первым. AI-сравнение версий договоров через Harvey или Luminance — ускорение разметки правок (redline) в 5–10 раз. Поиск по внутренней базе знаний компании через Glean или Guru — 1–2 часа в день на одного сотрудника. Классификация входящих документов по типу — фундамент для любого документооборота. AI-помощник при подготовке типовых документов по шаблону. Не внедрять первым полный автономный AI-агент для подготовки судебных документов, AI для заполнения регуляторных форм (ЦБ, ФНС, ФАС), AI для перевода юридически значимых документов, собственную модель OCR без базового эталона, любой AI-инструмент, который обещает «100% точности». Таких инструментов нет, и обещание «100% точности» — сам по себе красный флаг.

Четвёртый миф, касающийся внедрения AI в юридических и бухгалтерских отделах: «AI прочитал документ» равно «AI понял документ». Понял он строку, не смысл. И 99% точности без проверки — это 1% дыра, через которую уходят деньги. Решение не в замене юриста или бухгалтера, а в перераспределении их времени: AI делает первичный просмотр, человек читает подсвеченные AI места и принимает решение.

Критерий отбора, воркфлоу и три функции разобраны. Осталось собрать всё в одну управленческую цифру — иначе пилот не защитить перед руководителем и не довести до масштабирования. Этой цифрой служит ROI, и считается он не «лицензия против сокращения штата», а тремя прикладными метриками плюс состоянием зрелости компании.

ROI AI-ВНЕДРЕНИЯ: МЕТРИКИ ЭФФЕКТА И СТАДИИ ЗРЕЛОСТИ

ROI измеряется заработком сверх затрат. Экономия на лицензии сама по себе здесь не показатель. Классическая ошибка — считать ROI как «сокращение штата, умноженное на зарплату, минус стоимость AI». Эта формула работает только для полной автоматизации, которая в офисных задачах почти недостижима. Реальный ROI считается иначе и описывается тремя метриками.

МЕТРИКИ, КОТОРЫЕ ОПИСЫВАЮТ ЭФФЕКТ ВНЕДРЕНИЯ

Этих трёх метрик хватает на 80% случаев, когда нужно обосновать пилот перед руководителем.

– Время: часы, которые AI сэкономил на задаче.

– Качество: точность, процент ошибок, оценка эксперта.

– Стоимость: деньги, которые раньше уходили на задачу.

По данным Deloitte State of Generative AI Q4 2024, 78% компаний измеряют эффект gen AI через экономию времени, 54% — через рост качества, 41% — через сокращение расходов. Только 23% измеряют рост выручки, и это самый шумный показатель. Для офисного работника, который защищает пилот перед руководителем, формула простая: «AI сэкономил X часов в неделю, повысил точность с Y до Z, сократил стоимость операции на N рублей за полгода».

Полная стоимость владения (TCO). В TCO входят семь статей расходов. Все нужно учитывать, иначе пилот встанет через квартал.

– Лицензия — 20–40% от TCO.

– Интеграция — 15–25%, разовые, но часто недооцениваются.

– Данные — 10–20%, очистка, разметка, поддержка качества.

– Переобучение сотрудников — 5–15%, без этой статьи принятие технологии сотрудниками падает до 10%.

– Инфраструктура — 10–30% при крупной локальной модели.

– Поддержка и мониторинг — 5–15%, постоянная статья, не разовая.

– Compliance и юристы — 3–10%, критично для финансов, медицины, госкомпаний.

McKinsey в State of AI 2025 фиксирует: неочевидные расходы (время на настройку, сопровождение, потери при ошибках) составляют 50–70% от общей стоимости AI-внедрения, и только 30–50% — лицензия. Если в бюджете пилота стоит только лицензия, проект через квартал встанет.

СТАДИИ ЗРЕЛОСТИ AI В КОМПАНИИ

BCG в декабре 2025 года в отчёте «AI Adoption Puzzle» описал четыре стадии принятия технологии на уровне сотрудника: информационная помощь (AI отвечает на вопросы), помощь с задачей (AI помогает с конкретной задачей), делегирование (AI выполняет задачу с минимальным контролем), полуавтономное сотрудничество (AI и человек работают в цепочке без жёсткого разделения). 80% сотрудников в среднем застряли на стадиях 1–2, и это объясняет, почему использование растёт, а эффект — нет. Один и тот же инструмент в одной команде даёт ×3 эффект, а в другой — нулевой, и разница здесь не в модели, а в стадии принятия технологии сотрудником.

По этой же оси строится зрелость компании. Это параллельная шкала: уровни принятия технологии описывают, как сотрудник переходит к работе с AI, а стадии зрелости описывают, как компания выстраивает инфраструктуру вокруг этого. Четыре стадии идут последовательно, и каждая требует своей инфраструктуры.

Стадия 1 «Эксперимент»

Бюджет $0–50K в год. AI живёт у энтузиастов, базовых метрик нет, типичный результат — «попробовали и забросили». На этой стадии цель — найти 2–3 процесса, в которых AI может работать, и накопить данные о реальном поведении.

Стадия 2 «Точечные внедрения»

Бюджет $50K–500K. AI работает в 1–2 отделах, базовые замеры по пилоту есть, есть 1–2 успешных кейса. На этой стадии появляется обоснование для следующего уровня — формула ROI из этого раздела начинает давать положительные числа.

Стадия 3 «Системное внедрение»

Бюджет $500K–5M. AI в 5+ отделах, единый дашборд, корпоративное управление AI-проектами, 5+ стабильных сценариев использования с положительным ROI. AI перестаёт быть экспериментом и становится частью операционной системы.

Стадия 4 «Трансформация»

Бюджет $5M+. AI встроен в операционную систему компании, метрики привязаны к OKR (целям и ключевым результатам) и P&L (отчёту о прибылях и убытках), AI — конкурентное преимущество. На этой стадии AI — не проект, а инфраструктура.

Для большинства читателей этой книги вопрос звучит не «как перейти в стадию 4», а «как из стадии 1 перейти в стадию 2 без провала пилота». Весь раздел про ROI AI-внедрения — именно про это.

Миф о невозможности посчитать ROI. Пятый миф, с которым я часто сталкиваюсь: «ROI AI посчитать невозможно». На практике ROI считается через три простые метрики за полгода, и цифры из десятков исследований 2024–2025 годов дают ориентиры. McKinsey в отчёте об экономическом потенциале генеративного AI (июнь 2023, обновлено в 2024) оценила, что 63 рассмотренных кейса применения gen AI дают $2,6–4,4 трлн годовой экономической ценности. Из них 28% приходится на маркетинг и продажи, 25% — на software engineering. MIT NANDA в августе 2025 года параллельно зафиксировал: 95% корпоративных gen AI пилотов не дают измеримого ROI. Эти цифры не противоречат друг другу. Первая — про потенциал в масштабе экономики. Вторая — про то, что большинство компаний внедряют AI неправильно. Решение лежит между: считать ROI на своём пилоте по трём метрикам, фиксировать, что получилось, и не масштабировать то, что не сработало.

Формула ROI. ROI = (Сэкономленное время × Ставка сотрудника + Увеличение выручки + Сокращение ошибок) / (Лицензия + Интеграция + Сопровождение + Обучение). Принципы расчёта простые. Считайте всё в деньгах, не в часах: час — абстракция, деньги — нет. Считайте полный цикл, не только пилот: пилот может быть прибыльным, а масштабирование убыточным. Считайте со скрытыми расходами, они составляют 50–70% от общей стоимости. Считайте по метрикам, не по ощущениям: «вроде бы AI помогает» — не ROI, а «время обработки счёта сократилось с 10 до 3 минут, точность выросла с 92% до 98%» — это ROI.

Числовой пример. Сотрудник тратил на задачу 10 часов в неделю, ставка — 2000 ₽/час. AI сократил время до 3 часов. Экономия: 14 000 ₽ в неделю, или 728 000 ₽ за год (52 недели). Лицензия 50 000 ₽ в месяц, интеграция 200 000 ₽ разово, сопровождение 10 000 ₽ в месяц. За год: ROI = (728 000 − 600 000 − 200 000 − 120 000) / (600 000 + 200 000 + 120 000) = −192 000 / 920 000 = −20%. Пилот убыточен. Если AI сокращает время с 10 до 4 часов, экономия 6 × 2000 × 52 = 624 000 ₽, и расчёт показывает положительный ROI к десятому месяцу. Вывод: формула одна и та же, решает ставка и реальная экономия часов, а не обещание вендора.

АРГУМЕНТЫ ДЛЯ РУКОВОДИТЕЛЯ: ЧТО ПОКАЗЫВАЕТ ПРАКТИКА

Аргумент, который работает с CFO (финансовым директором) и CEO (генеральным директором), — не «AI — это будущее», а «AI-пилот за $X даст $Y экономии за полгода с риском $Z в случае провала». BCG AI Radar 2025 зафиксировал: 74% компаний испытывают трудности с измерением ROI от AI — это и есть блокер масштабирования. Компании, которые успешно защищают пилоты, делают три вещи. Показывают базовую метрику до старта пилота. Ограничивают пилот 8–12 неделями с чётким go/no-go решением на фиксированной неделе. Заранее определяют, что будет, если пилот провалится, и это не «всё пропало», а «мы зафиксировали, что не сработало, и не масштабируем». Руководитель соглашается на пилот, когда видит, что риски ограничены, а потенциал измерим.

Bain в 2025 году в «Commercial Excellence Agenda» опросил 1300 коммерческих руководителей и зафиксировал: более 90% из них масштабировали хотя бы один сценарий использования AI за пределы пилота. Из них 27% сообщили, что AI-инициативы дали значимый вклад в выручку. Остальные 63% масштабировали, но не уверены, что эффект оправдал затраты. Это лучше, чем 95% провала по версии MIT, потому что Bain смотрит на компании, которые уже прошли фильтр «вообще внедрили AI», и среди них 27% получают значимый результат.

Существуют четыре грубых ошибки в расчёте ROI, каждая из которых объясняет, почему пилот не переходит в продакшн.

1: Считать «сокращение времени на задачу» как «сокращение штата» — в реальности сэкономленное время идёт на новые задачи, а не на увольнения.

2: Не учитывать время на интеграцию и обучение — три месяца команды по 5 человек на интеграцию это часто больше, чем лицензия за 3 года.

3: Считать пилот как «масштаб» — пилот на 100 задач это 100 задач, не 100 000.

4: Считать «качество» по ощущениям — метрика это «точность на тестовом наборе (eval set) выросла с 70 до 90%», а не «вроде бы AI помогает».

Эти четыре ошибки — причина, по которой 95% пилотов по версии MIT не дают измеримого ROI.

Кому и в каком формате отчитываться. В компаниях, которые успешно масштабируют AI, отчётность идёт в трёх форматах. Еженедельный одностраничный отчёт (one-pager) с тремя метриками (время, качество, стоимость) и статусом (зелёный, жёлтый, красный). Ежемесячный разбор на 30 минут с владельцем процесса и представителем IT, где обсуждается, что идёт по плану, что нет, какие решения нужны. Ежеквартальный executive summary на 3–5 страниц, который показывает совокупный эффект всех активных пилотов и рекомендацию по масштабированию. Правило: отчёт о AI-пилоте должен быть в формате, в котором уже отчитываются другие проекты в компании. Если AI требует особого формата, он будет восприниматься как «ещё одна статья расходов».

Критерий отбора, анатомия воркфлоу, три функции и расчёт ROI описаны по отдельности. В резюме ниже они собраны в одну карту, по которой можно проверить любой пилот, не перечитывая всю главу.

РЕЗЮМЕ

AI усиливает процесс, но не создаёт его. Рабочий процесс ускоряется в разы, сломанный — превращается в хаос.

Процесс отбирается через пять критериев: повторяемость, формализуемость, цена ошибки, наличие данных, точка контроля менеджера. Балльная оценка по каждому критерию превращает фильтры в решение о пилоте.

Рабочий воркфлоу — цепочка из трёх-шести шагов с обязательными воротами для человека. Правило простое: AI на входе и выходе, человек в середине. Без логирования, версионирования промптов, метрик качества и красной кнопки воркфлоу в продакшн не выходит.

AI усиливает менеджера и маркетолога, а не заменяет их. В B2B автономный AI-агент вместо продавца почти никогда не работает. В маркетинге AI без редактора бренд-голоса за полгода превращает сайт в безликий набор AI-текстов.

ROI считается по трём метрикам — время, качество, стоимость — со скрытыми расходами 50–70%. Пилот без базовой метрики до старта обречён на самообман. Защита пилота строится на конкретной формуле, а не на обещании вендора.

Следующая глава — про то, как AI становится вашим личным инструментом. Вы узнаете, из каких трёх–пяти приложений собирается личный AI-стек, как встроить его в ежедневную рутину за две–три недели и какой выигрыш во времени это даёт на практике. Разговор пойдёт про планирование, обучение, подготовку к совещаниям и переговорам — то есть про задачи, в которых корпоративный AI вам ещё не поможет, потому что до него в компании очередь дойдёт через год, а личный AI-ассистент можно собрать уже сейчас.