Про внедрение ИИ в бизнес сейчас пишут так, будто главный вопрос - какую нейросеть выбрать. На практике выбор модели занимает час и почти никогда не определяет результат. Деньги теряются раньше и в другом месте: на том, что процесс взяли не тот, цену его не измерили, а результат сравнивать оказалось не с чем.

Разберу порядок, которым пользуюсь сам, и покажу на своих цифрах, где именно бюджет утекает.

Главная ошибка - начинать с инструмента, а не с замера

У меня есть свежий пример на собственной шкуре, и он не про ИИ в чужом бизнесе, а про мою же работу.

В конце августа я планировал серию статей для сайта. План приоритетов был составлен головой: вот эти темы кажутся востребованными, эти - второстепенными. Выглядел он убедительно, я собирался писать по нему полтора месяца. Перед стартом я всё-таки прогнал темы через замер реального поискового спроса. Замер занял примерно десять минут.

Результат: план оказался неверным в самой дорогой своей части. Темы, стоявшие первыми, спроса почти не имели - по одной из них набиралось меньше десятка запросов в месяц. А две темы, которые я считал жирными, вели вообще не ту аудиторию: людей, которые ищут игрушку для себя, а не решение для компании. Шесть статей, то есть примерно три недели работы, были бы написаны в стол.

Десять минут замера против трёх недель работы. Соотношение, ради которого стоит запомнить правило: сначала замер, потом работа, а не наоборот.

С внедрением ИИ в бизнес происходит ровно то же самое, только цена ошибки выше. Компания выбирает модный инструмент, платит за настройку, получает работающую демонстрацию - и не может ответить на вопрос, стало ли лучше. Потому что «как было» никто не записал.

Порядок, который работает: четыре шага

Шаг 1. Один процесс, а не весь бизнес

Первое внедрение - это всегда один процесс. Не «ИИ в компании», не «цифровая трансформация», а конкретное место, где люди делают повторяющуюся работу руками.

Признаки хорошего кандидата:

Плохие кандидаты - редкие решения (автоматизировать то, что случается раз в квартал, дороже, чем делать руками), решения по интуиции, которые владелец сам не может сформулировать, и шаги, где ошибка необратима: платежи, удаление данных, отправка обязательств клиенту.

Покажу на своём выборе. Первым процессом, который я отдал машине, стал поиск клиентов в открытых Telegram-чатах. Раньше это выглядело так: человек листает десятки чатов, выхватывает глазами сообщения вроде «ищу, кто настроит бота», половину пропускает, потому что читает не круглосуточно. Процесс подошёл по всем четырём признакам сразу - решение принимается сотни раз в день, признаки формулируются словами, пропущенное сообщение стоит недорого, а тексты уже лежат в цифровом виде. Если бы хоть один признак не совпал, я бы начал с другого места.

Обратный пример из того же проекта: ответ найденному человеку я машине не отдал и не собираюсь. Это редкое действие, оно требует контекста и репутационно дорого при ошибке. Граница проходит ровно здесь - машина ищет и отбирает, человек говорит.

Шаг 2. Замерить, сколько процесс стоит сейчас

Это тот самый шаг, который пропускают чаще всего, и именно из-за него потом невозможно доказать окупаемость.

Замер простой, он не требует консультантов: сколько часов в неделю уходит на процесс, сколько стоит час этого человека, как часто в процессе ошибаются и во что обходится одна ошибка, сколько времени проходит между появлением задачи и реакцией на неё.

Четыре цифры на листе бумаги. Через два месяца они превращают спор «мне кажется, стало лучше» в разговор о фактах.

Шаг 3. Пилот на живых данных, а не на демонстрации

Демонстрация на подготовленных примерах не значит ничего - она всегда успешна, для того её и готовят. Смысл имеет только прогон на реальном потоке.

Скажу честную вещь, которую подрядчики говорить не любят: на старте система работает плохо. У моей системы мониторинга чатов первые прогоны давали три четверти мусора - она приносила сообщения, которые не имели отношения к делу. Это не поломка, это нормальное состояние в первый месяц. Разница между провальным проектом и рабочим не в том, что у второго сразу всё точно, а в том, что у него есть месяц на доводку и человек, который смотрит на ошибки и правит правила.

Сейчас та же система читает примерно 400 сообщений в сутки и решает по каждому сама, без моего участия. Как устроена такая система изнутри, я разбирал отдельно - в статье про ИИ-агентов для бизнеса.

Шаг 4. Решение по цифре, а не по впечатлению

У пилота должен быть срок и порог. Например: за четыре недели время реакции падает вдвое или проект закрывается. Порог назначается до старта, иначе он всегда подгоняется под полученный результат.

Это защищает от главного сценария потери денег - бесконечного пилота, который никому не мешает, ничего не приносит и тихо доедает бюджет.

Сколько это занимает по времени на самом деле

Здесь много мифологии в обе стороны: одни продают «за один день», другие закладывают полгода.

Мои реальные сроки. Система мониторинга чатов - от идеи до рабочего состояния около двух недель, в работе с 11 августа 2026 года. Первая версия квиз-бота для воронки заявок - 5 дней при плане в 8 дней. Это системы среднего размера: несколько источников данных, модель принимает решение, результат уходит человеку в мессенджер.

Недели, не кварталы. Кварталы появляются в двух случаях: когда вместо одного процесса берут сразу все и когда решение согласуют вместо того, чтобы запускать.

Куда на самом деле уходят деньги

Структура расходов почти всегда удивляет заказчика, потому что она обратная ожидаемой.

Обращения к модели - самая дешёвая часть. Для потока в несколько сотен сообщений в сутки счёт измеряется единицами долларов в месяц, максимум несколькими десятками при активном использовании. Подробную раскладку, включая то, как смена модели уронила счёт без потери качества, я приводил в статье про AI-автоматизацию.

Основная статья расхода - первый месяц после запуска. Настройка под живой поток, разбор ошибок, правка правил. Это работа человека, и она не исчезает от того, что её не заложили в смету: она просто ложится на сотрудников заказчика.

Третья статья, о которой забывают всегда, - наблюдение за системой. У меня есть два собственных случая, которые стоят того, чтобы их знать заранее. Один раз система молча потеряла 8 сообщений при неудачном обновлении настроек. Второй раз - 260 сообщений, когда кончился баланс у внешнего сервиса. Оба раза заметил человек, а не автоматика. Система, которая ломается с уведомлением, стоит немного дороже, а обходится сильно дешевле той, которая ломается молча.

Пять признаков, что бюджет будет потрачен впустую

  1. Задача звучит как «внедрить ИИ», а не как «убрать четыре часа ручной работы в неделю у отдела продаж». Формулировка через технологию - это заказ демонстрации, а не результата.
  2. Нет владельца процесса. Если у процесса нет человека, отвечающего за результат, править систему после запуска будет некому.
  3. Не сделан замер «как есть». Через два месяца доказать эффект будет нечем.
  4. Подрядчик обещает точность около ста процентов. Это значит, что систему не проверяли на реальных данных. На реальных так не бывает.
  5. Никто не спросил, что делать с ошибками. У любой системы будут ошибки; вопрос не в том, будут ли, а в том, видно ли их и во что обходится каждая.

Что мерить после запуска

Три показателя, которых достаточно на первые месяцы: время реакции на событие, доля решений, которые пришлось поправить человеку, и объём ручной работы, который реально исчез - в часах, а не в ощущениях.

Если через два месяца ручной работы стало меньше, а поправок системе требуется всё реже - внедрение состоялось. Если поправлять приходится столько же, сколько раньше делали руками, вы просто переложили ту же работу в другое окно.

Полный список того, что я делаю и что входит в каждую работу, - на странице услуг и цен.

Если задача похожа на вашу, опишите процесс, который хотите разгрузить, - разберём, тянет ли он на автоматизацию с ИИ или дешевле обойтись обычной, без неё.