Ниже пример внедрения ИИ в бизнес по карте ИИ-решений: условная оптовая компания, разобранная так же, как настоящая. Отделы, потери, решения, расчет эффекта и порядок внедрения, а в конце реальные примеры по тем же процессам из крупных компаний. Вводные взяты из калькулятора окупаемости на главной, поэтому любую строку расчета можно повторить на данных своей компании.
Условная компания торгует оптом: принимает заявки от магазинов и дилеров, держит склад, закупает у производителей и сверяет расчеты с клиентами. Отделы: продажи, склад, закупки, бухгалтерия и поддержка клиентов.
Вводные те же, что в калькуляторе на главной. Сотрудников, чья работа в основном повторяется: 5. Зарплата каждого: 80 000 ₽. Доля их работы, которую забирает ИИ: 60%.
Зарплату умножаем на 1,3: это налоги и взносы сверх суммы на руки. Сопровождение решений стоит 40 000 ₽ в месяц и вычитается из экономии сразу.
Других чисел в примере нет намеренно. Объемы заявок, ошибок и сроков у каждой компании свои, и в реальной карте мы берем их из учета клиента.
Внедрение ИИ в компании среднего размера чаще всего упирается в отсутствие плана: по отраслевому опросу 700 компаний (декабрь 2025), у 74% российских компаний нет стратегии развития ИИ. Карта ИИ-решений для среднего бизнеса собирает такой план по всем отделам, с расчетом в рублях и ответственным.
В среднем бизнесе деньги теряются на стыках отделов. Заявку принимают продажи, остаток проверяет склад, счет выставляет бухгалтерия, и на каждом переходе работа ждет человека.
Каждый такой переход стоит времени: менеджер ждет ответа склада, клиент ждет счета, руководитель ждет отчета к концу недели. В карте потерь эти ожидания считаем в часах и рублях по каждому отделу.
Каждый отдел часто покупает ИИ сам: маркетинг одну подписку, продажи другую, поддержка третью. Сведения в них не сходятся, и общего эффекта никто не видит.
Поставщика тоже выбирают без сравнения. По отраслевому опросу декабря 2025 года, 91% российских компаний работают с одним поставщиком ИИ, и сравнить его цену и качество им не с чем.
Разбор на открытых данных. Модель: оптовая компания с постоплатой, 150 клиентов, сверка раз в месяц. Просрочку замечают через две-три недели, менеджеры не любят звонить по деньгам, и долги копятся, пока рынок ставит рекорды по неплатежам.
Один процесс пилота. Агент каждое утро читает оплаты и сроки в 1С, в первый день просрочки пишет клиенту с суммой, счетом и датой, через три дня напоминает, через семь передает менеджеру список с историей.
Метрика из договора. Доля просрочек с напоминанием в первый день и средний срок закрытия просрочки.
Что подключили. 1С, CRM, почту и мессенджеры, шаблоны писем компании.
Как передавали сложные случаи. Спор по поставке, просьба об отсрочке и претензия уходят менеджеру вместе с перепиской.
Разбор на открытых данных. Модель: оптовая компания, три менеджера на заявках, 150 клиентов на постоплате. Ответ через полчаса снижает шанс квалифицировать лид в 21 раз, более 16% звонков теряется, а просрочка по оплатам в стране выросла до 8,2 трлн ₽. Отдел держит и заявки, и деньги.
Языковая модель в CRM разбирает входящие запросы клиентов и проверяет обязательные параметры: менеджеры освободили около 15% рабочего времени.
Производитель цветного металлопроката подключил языковые модели к CRM: ИИ анализирует входящие запросы, проверяет наличие обязательных параметров и сортирует почту, а отдельный парсер ищет потенциальных поставщиков. Менеджеры коммерческого подразделения высвободили около 15% рабочего времени; компания планирует расширить сценарии на другие процессы.
Разбор входящих заявок и проверка комплектности до менеджера: первый агент, который мы ставим в опте.
Машинное обучение считает прогноз спроса у дистрибьютора: точность прогнозов выросла с 40% до 85%, оборотный капитал за год снизился больше чем на 1 млрд ₽.
Дистрибьютор перевел прогноз потребительского спроса на систему с математическими алгоритмами и машинным обучением. За несколько лет точность прогнозов выросла с 40% до 85%. За год работы оборотный капитал снизился больше чем на 1 млрд ₽, на фонде оплаты труда отдела заказов компания сэкономила 20%. Сценарий работы цепочки поставок теперь можно перестраивать раз в сутки.
Прогноз спроса и остатков по каждой позиции: ИИ-агент считает его по истории продаж и показывает руководителю, где заморожены деньги.
Кейс ИИ для оптовых продаж на открытых данных. Модель: дистрибьютор с тремя менеджерами на входящих заявках: прайс, остатки, счета. Заявки приходят из почты и мессенджеров с утра до ночи, отвечают в рабочие часы.
Один процесс пилота. Прием заявок из почты и мессенджеров: агент отвечает первым, уточняет позиции и объем.
Метрика из договора. Время до первого ответа и доля заявок, заведенных в CRM с источником и историей.
Что подключили. CRM для сделок, 1С для остатков и цен, почта и мессенджеры как каналы.
Как передавали сложные случаи. Нестандартная заявка уходит менеджеру вместе с историей переписки.