Что ИИ делает хорошо
ИИ хорошо справляется с работой, которая повторяется сотни раз в день и идет по правилам: принять заявку и завести ее в CRM, записать клиента, ответить на типовой вопрос, собрать отчет из нескольких систем.
Он отвечает круглые сутки, без выходных и с той же скоростью при росте потока. Заявка в девять вечера получает ответ сразу, а не утром.
Он не устает и не забывает правила к концу дня. Ответ на сотую заявку такой же, как на первую.
Он готовит черновики: письмо, коммерческое предложение, сверку договора с реквизитами, протокол встречи. Человек проверяет и отправляет.
Он ищет ответ в больших массивах текста. Договоры, инструкции, переписка за год: нужный пункт находится за секунды, если у ИИ есть доступ к этим документам.
Признак подходящей задачи: ее можно описать правилами, а результат можно проверить. Если сильный сотрудник может объяснить новичку, как ее делать, ИИ обычно тоже справится.
Что остается людям
Сложные переговоры, спор, жалоба, крупный клиент с нестандартными условиями. ИИ передает такие случаи человеку вместе с историей диалога, и менеджер не начинает с нуля.
Решения о людях и деньгах: найм, оценка, увольнение, платежи. Агент может подготовить и посчитать, а отправить деньги и принять решение должен человек.
Работа без правил: новый продукт, разовая задача, процесс, который живет в голове одного человека. Сначала его описывают, потом отдают ИИ.
Стратегические решения тоже за людьми: какой продукт выпускать, с кем работать, куда вкладывать. ИИ может собрать сведения и варианты, но выбор делает руководитель.
Ответственность тоже остается за людьми. Агент работает от имени компании, и за его ответ клиенту отвечает компания, поэтому правила для агента утверждает человек.
Поэтому вопрос «заменить ли менеджера» на практике звучит иначе: сколько менеджеров нужно, если поток типовых обращений заберет агент. Сравнение по деньгам и скорости есть в разборе «ИИ-агент или менеджер».
Откуда завышенные ожидания
Демонстрации показывают удачный случай: чистый вопрос, готовый ответ, никаких исключений. В рабочем процессе многие обращения на пример не похожи.
Продавцы ИИ обещают «заменить отдел» и не говорят, сколько работы уйдет на правила, подключение к системам и разбор ошибок в первые недели.
Новости пишут о моделях, которые сдают экзамены и пишут код. Компания переносит это на свои процессы и ждет того же от бота на сайте.
Еще один источник: ожидание, что ИИ сам разберется в процессе. На деле агенту нужны ваши правила, цены, сроки и примеры переписок, иначе он отвечает правильно и бесполезно.
Итог виден в цифрах: по отчету MIT NANDA до рабочего использования доходит 5% заказных ИИ-инструментов. Остальные до него не доходят, и что ИИ может в бизнесе, компания так и не узнает.
Завышенные ожидания дорого стоят: проект закрывают после первых ошибок, хотя на типовой работе он мог окупиться.
Какие цифры реальны
Ориентир лучше брать из рабочих внедрений, а не из демонстраций. ВТБ в апреле 2026 года сообщил, что роботы решают больше 62% обращений клиентов без оператора. В одном из крупнейших банков, по данным на сентябрь 2025 года, робот делает 83% исходящих звонков по просроченным долгам.
Обе цифры получены в крупных банках с огромным потоком обращений и своими командами по ИИ. Для первого пилота средней компании это направление, а не цель на первый месяц.
Исследования показывают то же на уровне одного сотрудника. По работе экономистов NBER 2023 года, операторы поддержки с ИИ-помощником в среднем на 14% продуктивнее, а новички на 34%. ИИ здесь ускоряет человека, а не занимает его место.
У этой пользы есть граница. В эксперименте Harvard Business School и BCG 2023 года консультанты с ИИ сделали работу на 40% качественнее, но в задачах за пределами возможностей ИИ ошибались чаще. Поэтому новые для ИИ задачи проверяет человек.
Правило для ожиданий: берите цифру из похожего процесса в похожей компании, свою цель ставьте скромнее и проверяйте замером.
Что проверить до старта
Многие разочарования видны еще до старта. В опросе ИСИЭЗ НИУ ВШЭ по данным Росстата (сентябрь 2026) организации называют барьерами для ИИ высокие затраты (54%), нехватку данных (34%) и нехватку специалистов (33%). Каждый барьер проверяется за один разговор.
Данные. Где лежат заявки, ответы клиентам, цены и правила? Если половина знаний живет в головах и личной переписке, первые недели уйдут на то, чтобы их записать.
Люди. Кто будет каждый день смотреть ответы ИИ и править правила? Если такого человека нет, проект так и останется пилотом.
Деньги. Кроме запуска, ИИ стоит денег каждый месяц: сопровождение, оплата модели, время ответственного. У нас сопровождение стоит 40 000 ₽ в месяц, и от него можно отказаться в любой месяц.
Gartner в июне 2025 года прогнозировал, что больше 40% проектов с ИИ-агентамиИИ-агент. ИИ-агент это нейросеть, которая сама выполняет задачу по шагам: ищет данные и пользуется программами, а в конце проверяет результат. закроют к концу 2027 года из-за расходов, неясной пользы и слабого контроля рисков. Все три причины видны на этой проверке, до первого рубля на разработку.
Как поставить реальную цель
1. Выберите один процесс с типовой работой и большим потоком: заявки, запись, вопросы поддержки.
2. Замерьте его до старта: сколько обращений в день, сколько времени уходит на ответ, сколько людей занято.
3. Запишите цель как долю работы, которую берет ИИ. Например, для ИИ-оператора поддержки целью пилота может быть до 80% типовых вопросов без людей. Это цель, которую проверяют замером, а не обещанный результат.
4. Решите заранее, что делать по итогам: оставить, расширить или остановить. Как выбрать метрику и записать ее в договор, разобрано на странице о метрике до старта.
5. Назначьте ответственного, который в первые недели каждый день смотрит ответы ИИ и правит правила. Без этого цель остается на бумаге.
Реальная цель звучит скучнее обещаний: не «заменить отдел», а «снять с операторов часть типовых вопросов и отвечать на заявки ночью». Зато ее можно проверить и посчитать в рублях.
Если процессов несколько и непонятно, с какого начать, порядок задает карта ИИ-решений: где ИИ даст деньги, каким решением и сколько это стоит.