5 ноября 2026 · AXIIOM

ИИ-трансформация за 90 дней: как считать эффект, а не количество пилотов

За последние два года почти в каждой небольшой компании появился свой набор «ИИ-инициатив»: кто-то из сотрудников пишет письма через чат-бота, кто-то в свободное время собрал прототип ассистента, кто-то оплатил подписку и забыл. Эффект от всего этого обычно нулевой, потому что ни одна инициатива не была привязана к процессу, который стоит денег.

Программа на 90 дней решает эту проблему порядком действий: сначала измеряем, потом внедряем, потом закрепляем. Ниже — как это устроено и как считать эффект.

Ошибка первая: начинать с инструмента

«Давайте внедрим ИИ-ассистента» — это то же самое, что «давайте купим станок», не зная, что собираемся производить. Правильная отправная точка — процесс: сколько раз в неделю он повторяется, сколько человек-часов занимает, сколько стоит ошибка в нём.

Только после этого имеет смысл выбирать инструмент: внешняя модель, локальная модель, простой скрипт или ничего из перечисленного.

Эффект в трёх единицах

Мы считаем эффект в часах, деньгах и риске — отдельно, потому что они не всегда переводятся друг в друга.

  • Часы. Сколько человеко-часов в месяц уходит на процесс и сколько останется. Это самая честная метрика: её нельзя приукрасить.
  • Деньги. Стоимость часов, стоимость моделей и инфраструктуры, стоимость поддержки. Разница — и есть экономика внедрения.
  • Риск. Что будет, если модель ошибётся. Для внутренней рутины это одно, для клиентских коммуникаций и персональных данных — совсем другое.

Точка, где эффект нельзя посчитать хотя бы в часах, в программу не попадает — и это нормальный результат диагностики.

Дни 1–30: карта возможностей

Разбираем процессы и собираем список точек, где ИИ может дать эффект. Для каждой точки фиксируем: текущие часы, ожидаемое сокращение, стоимость внедрения, стоимость эксплуатации, риск.

Важно, что карта строится не по технологиям, а по процессам. «Поддержка отвечает на повторяющиеся вопросы», «менеджер собирает коммерческое предложение вручную», «документы пишутся с нуля каждый раз» — вот из чего состоит карта в малом бизнесе.

Результат этапа — карта возможностей «часы / деньги / риск» и 2–3 кандидата на пилот, отобранных по окупаемости, а не по красоте.

Дни 31–70: пилоты с замером

Пилот отличается от демо двумя вещами: у него заранее описан критерий успеха и есть точка остановки. До старта фиксируем метрику (например, «среднее время подготовки ответа клиенту»), после — замер «до / после» на реальном процессе.

Три типовых пилота, которые чаще всего дают результат в небольшой компании:

  • Ассистент по базе знаний. Отвечает по вашим документам с указанием источника. Экономит часы на онбординге и внутренних вопросах.
  • Подготовка документов и предложений. Собирает черновик по шаблону и данным, человек проверяет и дорабатывает.
  • ИИ в инженерном пайплайне. Ревью, тесты, спецификации, документация. Эффект виден в цикле поставки, а не в презентации.

Если пилот не дал эффекта, это фиксируется и пилот закрывается. Отрицательный результат тоже результат: вы перестаёте тратить деньги на гипотезу, которая не работает.

Дни 71–90: регламенты и передача

Хорошее внедрение заканчивается не демонстрацией, а тем, что процесс работает без консультанта. Для этого нужны три вещи:

  • Политика ИИ. Что можно и что нельзя, какие данные допустимы, что запрещено отдавать во внешние модели, кто отвечает за результат.
  • Экономика эксплуатации. Стоимость запроса, подписки, локального контура, поддержки. Где предел, после которого это перестаёт окупаться.
  • Обучение. Практические воркшопы на реальных задачах и инструкции по процессам, а не общая лекция про нейросети.

Про данные и 152-ФЗ

Отдельная тема, которую нельзя откладывать на финал. Персональные данные не должны уходить в сторонние сервисы произвольно; для части задач нужен локальный контур, для части — обезличивание, для части — вообще никакой модели, только правила.

Политика ИИ пишется не для проверяющих, а для сотрудников: чтобы человек понимал, что он может сделать сам, а что нужно согласовать.

Чего в программе нет

Мы не обещаем заменить команду и не считаем успехом количество запущенных пилотов. Показатель работы — измеримое сокращение часов или денег на конкретном процессе плюс регламент, который продолжает действовать через полгода после нашего ухода.

Вопросы и ответы

Нужна ли своя ML-команда?

Нет. В малом бизнесе большинство точек применения — работа с текстами, документами и повторяющимися вопросами, для этого достаточно инженерной дисциплины и регламента.

Что если эффект окажется меньше ожидаемого?

Это фиксируется замером и обсуждается на этапе пилота. Решение о масштабировании принимается по цифрам, а не по впечатлению от демонстрации.