ИИ-трансформация бизнеса: этапы, приоритеты, метрики

Большинство компаний уже попробовали ИИ, но мало кто довёл его до работы в масштабе. По оценкам «ДОМ.РФ Технологии» и компании «Яков и Партнёры» (июль 2026), ИИ тестируют около 64% девелоперов, масштабируют — менее 10%, а количественно оценивать экономический эффект умеет лишь каждая пятая компания. Барьеры называют не технологические: неподготовленные бизнес-процессы, низкое качество данных и отсутствие единой стратегии внедрения.

Зарубежная статистика резче. В исследовании MIT NANDA «The GenAI Divide: State of AI in Business 2025» при инвестициях в генеративный ИИ в 30–40 миллиардов долларов 95% организаций не получили отдачи, а до промышленной работы доходят лишь около 5% внедрённых решений. Разница между теми, у кого получается, и остальными объясняется не моделью и не отраслью, а подходом.

ИИ-трансформация — это как раз программа: набор процессов, ролей и правил, которые компания меняет в течение года, чтобы решения на базе ИИ давали измеримый результат.

Про штатную роль — обязанности, подчинение первому лицу и вилки оплаты — отдельный разбор: «Директор по искусственному интеллекту: кому нужен в штате, а кому — внешний специалист».

Коротко

ИИ-трансформация — это программа изменений на 6–12 месяцев, а не один проект: компания меняет несколько процессов, роли людей и способ измерения результата. Сначала выбирают приоритеты по эффекту, риску и готовности данных, затем снимают базовые метрики, запускают первый пилот и передают решение в штат. Начать можно без бюджета и обязательств: бесплатный разбор стратегии внедрения ИИ показывает, где эффект достигается быстрее и что делать первым.

Содержание

• Чем ИИ-трансформация отличается от проекта внедрения
• Почему программы ИИ останавливаются на пилотах
• Как выбрать приоритеты: эффект, риск и готовность данных
• Этапы программы на 6–12 месяцев
• Кто ведёт программу
• Как измерять эффект: что считать до старта
• Расчёт эффекта на типовом примере
• Почему «рост выручки» не работает как метрика пилота
• Что остаётся за человеком
• Источники

Чем ИИ-трансформация отличается от проекта внедрения

Проект внедрения — понятная единица работы: есть задача, срок, подрядчик и результат в одном процессе. Программа начинается там, где таких процессов несколько и они связаны: если в одном отделе решение работает, а в соседнем тот же процесс живёт вручную, эффект теряется на стыке. Как устроен отдельный проект, разобрано в материале Внедрение ИИ-агентов: от аудита до сопровождения.

Показатель	Проект внедрения	ИИ-трансформация
Объём изменений	Одна задача или процесс	Набор процессов, роли и правила работы
Горизонт	Недели, ограниченный срок	6–12 месяцев с квартальным пересмотром
Кто отвечает	Руководитель проекта и подрядчик	Владелец программы уровня руководства
Метрика	Результат в одном процессе	Портфель процессов и суммарный эффект
Что остаётся после	Работающее решение в одной точке	Регламенты, роли и способ внедрять дальше

Практическая разница — в трёх вещах. Программа отвечает на вопрос «что меняем в этом году», а не «какую технологию покупаем». Она определяет, что делают люди, когда решение ошибается. И ограничивает себя: два-три процесса с доведением до результата сильнее десяти пилотов без продолжения.

Почему программы ИИ останавливаются на пилотах

Причины отказа от ИИ выглядят как деньги и ясность, а не как качество моделей. По данным Института статистических исследований и экономики знаний НИУ ВШЭ (обследование крупных и средних организаций по данным Росстата), 48% организаций заявляют об отсутствии потребности в технологиях ИИ, 58% называют главным препятствием высокие затраты, для трети мешают недостаточная ИКТ-инфраструктура, нехватка кадров и дефицит данных, а каждая пятая указывает на сложность интеграции ИИ в процессы.

Дальше в дело вступает механика пилотов — и она дорогая. Gartner называет четыре причины, по которым проект бросают после проверки концепции: низкое качество данных, недостаточный контроль рисков, растущая стоимость владения и неясная бизнес-ценность. По оценке Gartner, не менее 30% проектов генеративного ИИ заброшены после проверки концепции, а развёртывание в крупной организации стоит миллионы долларов. Исследование MIT NANDA показывает, где теряется результат: из компаний, которые рассматривали корпоративные ИИ-решения, до оценки дошло около 60%, до пилота — 20%, до промышленной работы — 5%. Деньги тратятся там, где никто не отвечает за переход от пилота к процессу.

Отсюда три типичные точки отказа:

• У пилота нет владельца. Работу ведёт ИТ-служба или подрядчик, а владелец процесса считает её чужой задачей. Пилот заканчивается презентацией, дальше процесс живёт как раньше.
• Метрика не снята до старта. Не осталось цифры «до», и спор о результате превращается в спор мнений. В отчёте McKinsey о глобальном исследовании ИИ за 2026 год разрыв виден на масштабе рынка: 80% респондентов говорят, что ИИ повысил их личную производительность, но только 37% видят его положительный вклад в прибыль до вычета процентов и налогов, а 6% компаний относят к ИИ не менее 5% этого показателя.
• Данные не готовы, и это выясняется в середине проекта. Качество данных называют и Gartner, и российские исследования, а подготовка данных редко попадает в бюджет и срок.

Как выбрать приоритеты: эффект, риск и готовность данных

Программа начинается с отбора процессов. Фильтр — три вопроса по каждому кандидату, и порядок важен.

Первый: где эффект считается в часах и рублях? Процесс-кандидат выглядит одинаково в любой отрасли: он массовый, повторяемый и выполняется по похожему правилу — обработка документов, заявки и согласования, сверки, отчётность. По данным Банка России, чаще всего ИИ применяют в маркетинге и продажах — почти каждое второе предприятие, далее идут производство, управление персоналом и обработка больших массивов данных. Обзор процессов — в материале ИИ в бизнесе: 12 процессов, которые окупаются первыми.

Второй: что будет, если решение ошибётся? Риск определяет, где в контуре остаётся человек и сколько проверок заложить. Ошибка в черновике письма стоит минуты, ошибка в платёжном документе — денег и репутации, поэтому часть процессов берут в программу позже.

Третий: готовы ли данные? Нужны история операций за несколько месяцев, доступ к системам, где живёт процесс, и человек, который подтвердит полноту данных. Если данных нет, это не отказ, а отдельная задача с бюджетом и сроком — её ставят в план первой.

Итог отбора — портфель из двух-трёх процессов: один с эффектом в первом квартале, один крупный, где подготовка данных занимает время, и один запасной. Широкий портфель — частая ошибка: внимание руководства расходится, и ни один процесс не доходит до передачи в штат. Как выбрать первый процесс — Внедрение ИИ в бизнес-процессы: с чего начать.

Этапы программы на 6–12 месяцев

Порядок этапов подчинён одной идее: сначала факты и метрики, потом один работающий процесс, потом масштаб.

1. Месяц 0: рамка программы. Владелец, бюджет, границы первого года и метрики отчётности.
2. Месяц 1: диагностика. Интервью с владельцами процессов, разбор систем и данных, ревизия прошлых попыток. Результат — карта процессов с оценкой потенциала, рисков и готовности данных.
3. Месяц 1–2: приоритеты и бизнес-кейсы. По каждому процессу считается эффект в часах и деньгах, стоимость пилота и критерии остановки — условия, при которых проект честнее закрыть.
4. Месяц 2–4: первый пилот. Узкий объём, одна метрика, снятая до старта, и способ её измерения. Пилот длится 6–10 недель: за это время видно, работает схема или нет.
5. Месяц 4–5: решение по пилоту. Масштабировать, доработать или остановить — решение принимает владелец процесса вместе с владельцем программы.
6. Месяц 5–8: передача в штат. Регламент, обучение, ответственные, разбор ошибок и отчётность по метрике. Внедрение завершается здесь, а не в день запуска.
7. Месяц 6–12: масштабирование. Решение разворачивается в других подразделениях, параллельно идут второй и третий процессы.
8. Управленческий ритм. Ежемесячный срез по одним и тем же метрикам и пересмотр приоритетов раз в квартал — по фактам.

Кто ведёт программу

У программы должен быть человек с доступом к владельцам процессов и правом решать по бюджету. Без такой роли ИИ-повестка конкурирует с текущими задачами и проигрывает — так появляются «вечные пилоты». Вариантов три: первое лицо компании, штатный директор по ИИ или внешний руководитель. Первое лицо задаёт рамку, но не ведёт ежедневную работу; штатная роль требует найма на узком рынке; внешний формат даёт опыт и независимый расчёт эффекта. Как устроена эта роль и когда выгоднее брать её на аутсорсе — в материале Директор по ИИ на аутсорсе: что делает и когда нужен.

Границы стоит проговорить сразу: руководитель программы отвечает за приоритеты, расчёт эффекта, постановку задач и контроль, но не подписывает решения за компанию и не заменяет ИТ-службу. Доступ к данным и приёмка результата остаются на стороне компании.

Как измерять эффект: что считать до старта

Метрика пилота выбирается до запуска, иначе результат будет нечем подтвердить. Шесть показателей, которые снимаются по журналам и системам или ручным замером за две-четыре недели:

• время операции — сколько минут уходит на одну обработку: заявку, документ, сверку, отчёт;
• стоимость операции — время, умноженное на стоимость часа сотрудника с налогами;
• доля ручных действий — какая часть шагов делается руками: перенос данных, поиск, проверка;
• число ошибок и возвратов — сколько раз работу переделывают из-за расхождений;
• сроки — сколько операций выполняется в срок и какова задержка на пике;
• загрузка людей — сколько часов в месяц уходит на процесс и что с ними происходит дальше.

К каждой метрике сразу привязываются источник данных, период замера и ответственный. Если цифру нельзя получить из системы, её снимают ручным замером на выборке — этого хватит, чтобы сравнить «до» и «после».

Расчёт эффекта на типовом примере

Арифметика простая. Типовой расчёт для 1 200 операций в месяц, где на операцию уходит 12 минут, а час сотрудника с налогами стоит 650 рублей:

• 1 200 операций × 12 минут = 14 400 минут, то есть 240 часов в месяц;
• 240 часов × 650 рублей = 156 000 рублей в месяц на этот процесс;
• если решение снимает половину времени обработки, возвращается 120 часов и около 78 000 рублей в месяц;
• за год это порядка 936 000 рублей — уже сопоставимо со стоимостью проекта и сопровождения.

Оговорка: в расчёт берётся только время, которое действительно освобождается. Часть работы остаётся за человеком — проверка, спорные случаи, общение с контрагентом, поэтому в бизнес-кейсе сразу фиксируются доли операций, уходящих в автоматический режим и доходящих до ручной проверки.

Почему «рост выручки» не работает как метрика пилота

Выручка — итог работы всей компании, и вклад отдельного пилота в неё не выделить: на неё влияют спрос, сезонность, цены и работа отдела продаж. В отчёте McKinsey разрыв виден на данных: 80% респондентов фиксируют рост личной производительности от ИИ, но только 37% — вклад ИИ в прибыль до вычета процентов и налогов, и лишь 6% компаний относят к ИИ не менее 5% этого показателя. Поэтому пилот нельзя оценивать по выручке.

Порядок метрик такой: сначала показатели процесса (время, доля ручных действий, ошибки), затем деньги этого процесса, затем выручка и прибыль — но уже как метрика программы. Ещё одна причина отказаться от выручки в пилоте: она не даёт обратной связи. Если метрика не сдвинулась, непонятно, что менять — решение, объём или сам процесс.

Тот же McKinsey описывает, чем отличаются компании с результатом: около трёх четвертей перепроектировали процессы вокруг ИИ, тогда как в остальной выборке — примерно четверть. Эффект даёт не подключение инструмента, а изменение того, как устроен процесс.

Что остаётся за человеком

Программа не снимает с компании ответственность, а делает её явной. За человеком остаются приоритеты и бюджет, приёмка результата по метрикам, разбор спорных случаев и ответственность перед клиентом. Плюс работа с людьми: кому меняют задачи и как их готовят. За программой — план, метрики, постановка задач и передача решения в штат.

Что в итоге

ИИ-трансформация выигрывает не технологией, а порядком работ: приоритеты по эффекту, риску и готовности данных, метрики до старта, один процесс, доведённый до передачи в штат, и только потом масштабирование. Проект внедрения закрывает отдельную задачу — программа отвечает за то, чтобы решения работали в практике компании и результат подтверждался цифрами.

Начать удобно с одного процесса: разбор покажет, есть ли в нём задача с измеримым эффектом и сколько будет стоить пилот. Логика проекта и его бюджета разобрана в материале Внедрение ИИ в бизнес: этапы, сроки и бюджет, а состав решений с примерами — в статье ИИ-агенты для бизнеса: что это, где работают и с чего начать.

Источники

• «ДОМ.РФ Технологии» и «Яков и Партнёры», июль 2026 — доли тестирующих ИИ компаний (около 64%), масштабирующих (менее 10%) и считающих эффект (каждая пятая), барьеры: неподготовленные процессы, качество данных, отсутствие стратегии: vedomosti.ru
• MIT NANDA, «The GenAI Divide: State of AI in Business 2025» — 95% организаций без отдачи при инвестициях 30–40 млрд долларов, 5% решений доходят до промышленной работы, воронка 60% / 20% / 5%: artificialintelligence-news.com (PDF)
• Gartner через APMdigest — не менее 30% проектов генеративного ИИ заброшены после проверки концепции; причины: данные, контроль рисков, стоимость, неясная бизнес-ценность: apmdigest.com
• Глобальное исследование McKinsey по ИИ за 2026 год (через публикацию Livemint, сентябрь 2026) — масштабирование ИИ на всю организацию у 44% компаний против 38% годом ранее, вклад ИИ в прибыль у 37%, у 6% — не менее 5% такого вклада, рост личной производительности у 80% и перепроектирование процессов у трёх четвертей лидеров: livemint.com
• Институт статистических исследований и экономики знаний НИУ ВШЭ по данным Росстата — отсутствие потребности в ИИ у 48% организаций, высокие затраты у 58%, нехватка инфраструктуры, кадров и данных у трети, сложность интеграции и качество данных у каждой пятой: issek.hse.ru