ИИ в бизнес-процессах: иллюзия быстрого результата

«Обучающий центр по внедрению ИИ в бизнес-процессы компаний. Просто и быстро». Звучит убедительно. Особенно после того, как вы своими глазами увидели: модель за минуту делает то, на что у сотрудника уходит час.

Возьмём один процесс – внутренний, из нашей практики, где работает ИИ. Раньше такого процесса не было: он создавался с нуля и сразу проектировался как автоматизированный, с ИИ внутри. То есть одновременно шли три работы: проектирование самого процесса, его автоматизация и настройка ИИ.

Начинался он не с ИИ, а с модели процесса. Модели ИИ выполняют в нём меньшую часть задач. Остальное – обычная процессная механика: источники данных, маршрутизация, планирование, контроль ошибок. Ключевые решения по-прежнему принимает человек.

Первая рабочая версия появилась в июне 2025 года. С тех пор в процесс 129 раз вносились изменения – в его модель, логику автоматизации или работу ИИ. Инструкции для ИИ дорабатывались около 190 раз. Весной 2026-го изменилась внешняя среда: поток входящих данных резко сократился. Процесс пришлось перепроектировать и добавить новые контуры. Их доработка идёт до сих пор, потому что ошибки на малом и на большом масштабе проявляются разные.

Будь это давно устоявшийся, изученный и стабилизированный процесс, доработок было бы меньше. Но в компаниях, которым обещают «просто и быстро», процессы чаще всего существуют только в головах сотрудников. На деле это почти всегда то же проектирование с нуля.

При этом у нашего примера есть и обратная сторона. Один процесс. Один владелец, он же исполнитель и заказчик. Ни согласований, ни смежных отделов, ни чужих данных, ни сопротивления.

А теперь представьте десятки процессов в своей компании. Кросс-функциональных, с разными владельцами, с данными в пяти системах, с людьми, которых никто не спросил. Именно руководителям таких компаний сегодня и обещают, что всё будет просто и быстро.

Откуда берётся это обещание и почему оно не выполняется?

Когда говорят «внедрить ИИ», за одними и теми же словами скрываются три совершенно разные вещи.

На первой ступени обещание «просто и быстро» – правда. Но с оговоркой: пока речь идёт о собственной работе сотрудника. Навык работы с ИИ-помощником действительно осваивается за несколько занятий, и эффект виден почти сразу.

Только улучшение «для себя» ещё не означает улучшения для тех, кто получает результат дальше по потоку. Сотрудник подготовил отчёт вдвое быстрее, а коллега теперь тратит время на перепроверку данных в нём. Один участок ускорился, а узкое место просто сдвинулось на следующий. По данным Стэнфорда и BetterUp (2025), 40% сотрудников за последний месяц получали от коллег сделанную с помощью ИИ работу, которая выглядела солидно, но требовала доработки. В среднем на каждый такой случай уходило около двух часов.

Проблема в том, что рынок продаёт первую ступень в упаковке третьей. Обучают пользоваться инструментом, а называют это «внедрением ИИ в бизнес-процессы».

Разница хорошо видна в цифрах. По данным McKinsey (2026), 80% опрошенных говорят, что ИИ повысил их личную продуктивность. Но лишь 37% отмечают, что ИИ положительно сказался на прибыли компании. Между этими двумя цифрами и лежит вторая ступень – та самая, которую обещают пройти за несколько занятий.

Эта же лестница объясняет, почему одни эксперты говорят о пилоте за 2–3 месяца, а другие – о пяти годах. Пилот на одном процессе одного подразделения, где уже есть регламент и метрики, – это вторая ступень, и 2–3 месяца для неё реальный срок. Перестройка ключевых процессов крупной компании под ИИ – это третья ступень. По данным Camunda, 82% компаний оценивают её срок до пяти лет. Обе оценки верны. Просто они о разном.

Обещание. Проведём обучение, сотрудники освоят инструменты – и процессы станут эффективнее.

Почему не срабатывает. Водительские права не прокладывают дорог. Сотрудник после обучения возвращается в тот же процесс: те же правила, те же роли, те же системы, те же согласования. Переписать регламент, изменить распределение ответственности или перенастроить интеграцию он не может. У него нет на это полномочий, и это не его задача.

И это ещё при условии, что регламенты есть. В большинстве компаний, которые покупаются на обещание «просто и быстро», процессы существуют только в головах сотрудников: каждый выполняет работу по-своему. Встраивать ИИ там пока не во что. Сначала придётся пройти путь от изучения процесса до его оптимизации и регламентации.

В итоге ИИ используется «для себя»: быстрее написать письмо, быстрее найти ответ. Процесс при этом не меняется.

Boston Consulting Group формулирует это через принцип 10-20-70. 10% успеха ИИ-инициатив определяют алгоритмы, 20% – технологии и данные, 70% – люди и процессы. Обучение сотрудников – лишь небольшая часть этих семидесяти процентов.

Исследования подтверждают разрыв:

• у 9 из 10 компаний ИИ-компетенции внесены менее чем в половину должностей (Workday, 2026). Инструмент выдали, а работу под него не перестроили;
• лишь 14% сотрудников стабильно получают от ИИ положительный результат (там же);
• 69% сотрудников вообще не спросили, как ИИ будет использоваться в их работе. 48% компаний пришлось откатить использование ИИ, потому что он мешал людям работать (Camunda).

Что на самом деле. Обучение – необходимое, но не достаточное условие. Иллюзия «обучим – и заработает» хорошо знакома по внедрению процессного подхода: мы подробно разбирали её в статье «Бизнес-процессы: анатомия одного запроса». С ИИ она не исчезла, а просто сменила вывеску.

Обучить – не значит внедрить.

Обещание. Сотрудник тратил на задачу час, с ИИ – десять минут. Умножаем на количество сотрудников и получаем экономию.

Почему не срабатывает. Потому что сэкономленное время – это ещё не результат.

По данным Workday (2026), почти 40% времени, сэкономленного с помощью ИИ, уходит на исправление и доработку результатов. Из каждых десяти сэкономленных часов около четырёх возвращаются обратно.

Ещё показательнее эксперимент METR (2025). Опытные разработчики с ИИ-инструментами выполняли задачи на 19% медленнее, чем без них. При этом сами они были уверены, что работали на 20% быстрее. Исследование небольшое и узкое, но урок универсален: ощущение скорости – это не метрика.

И третий вопрос, который задают редко: на что тратится освободившееся время? Если на него нет ответа, говорить о росте продуктивности преждевременно.

Что на самом деле. Эффект ИИ нужно измерять по результату процесса, а не по ощущениям сотрудников. Как это делать – тема следующей статьи.

Обещание. Запустим пилот, получим результат, тиражируем на всю компанию.

Почему не срабатывает. Здесь важны оговорки. Пилот за 2–3 месяца реален, если это один процесс в одном подразделении, с понятными правилами и метриками. Но пилот почти всегда проходит на «чистом» случае: без исключений, без сложных интеграций, с командой энтузиастов.

Масштаб ломается на том, чего в пилоте не было. На исключениях, которые «все знают, но нигде не записано». На данных из соседних систем. На людях, которых в пилот не включили.

В процессе, с которого мы начали, 40% всех доработок пришлись на первые три месяца. А когда изменилась внешняя среда и процесс пришлось расширять, пошла новая волна. Ошибки на малом и на большом масштабе проявляются разные.

Что на самом деле. Успешный пилот доказывает, что идея работает. Он не доказывает, что она будет работать в масштабе компании. Реалистичные сроки для процессных проектов мы разбирали в статье «Бизнес-процессы: почему «быстро» не получится?». С ИИ к ним добавляется ещё и время на обработку исключений.

Обещание. Современная платформа с ИИ-агентами: они сами анализируют, сами решают, сами выполняют.

Вот как это обычно выглядит в презентации: «Точность обработки заявок выросла до 99,99%, качество клиентского опыта – на 95%». Впечатляет. Вопросы, которые стоит задать до того, как впечатлиться: в каком процессе? На каких данных? Относительно какой исходной точки? Кто проверял?

Почему не срабатывает. Во-первых, не всё, что называется ИИ-агентом, им является. По оценке Gartner (2025), из тысяч вендоров, заявляющих о своих «агентных» решениях, реально их предлагают около 130. Остальные переименовали привычные чат-боты и программных роботов. Для этого явления даже появился термин – «agent washing».

Во-вторых, даже настоящие агенты требуют того, о чём в презентациях не говорят: кто отвечает за ошибку агента, где журнал его действий, в какой момент решение принимает человек. Gartner прогнозирует, что более 40% проектов агентного ИИ будут закрыты к концу 2027 года. Причины – растущие затраты, неясная ценность и недостаточный контроль рисков.

Что на самом деле. Платформа – это инструмент, а не процесс. Об ИИ-агентах и о том, кто за них отвечает, будет отдельная статья.

Отказываться от ИИ не нужно. Нужно понимать, что именно вы покупаете.

1. Определите ступень. Вам нужен помощник для сотрудников, ИИ в конкретном шаге процесса или агенты в сквозном процессе? От ответа зависят сроки, бюджет и состав команды.
2. Не путайте обучение с внедрением. Для первой ступени обучение уместно и достаточно. Для второй и третьей начинать нужно с процесса: как он устроен сейчас, где в нём место для ИИ, кто за него отвечает.
3. Задайте продавцу три вопроса. Какой процесс изменится? Кто будет за него отвечать? Как измерим результат – и относительно чего?
4. Заложите сопровождение. Процесс с ИИ не бывает «готов». Даже если сам процесс стабилен, ИИ в нём требует постоянного внимания. Поставщики обновляют и снимают с поддержки модели, меняются данные и внешняя среда, и вместе с ними меняется поведение ИИ. Это не разовая покупка, а постоянная статья расходов и чья-то зона ответственности.

ИИ действительно меняет то, как можно выполнять работу. Но меняет он процессы, а не обещания в рекламе. Быстрый результат возможен – на первой ступени. Всё, что выше, требует времени, внимания руководства и понимания собственных процессов.

«Обучим людей работать с ИИ» – это желание. Результат начинается с вопроса: какой процесс изменится и кто за это отвечает?

Понимать собственные процессы – навык, без которого любое внедрение ИИ остаётся экспериментом. Начать можно с системного обучения основам управления бизнес-процессами.

Источники

1. McKinsey & Company. The State of AI, 2026.
2. Stanford Social Media Lab, BetterUp. AI-Generated "Workslop" Is Destroying Productivity, Harvard Business Review, 2025.
3. Camunda. The AI Process Gap, 2026.
4. Boston Consulting Group. Принцип 10-20-70 (Forbes, 2026).
5. Workday. Companies Are Leaving AI Gains on the Table, 2026.
6. MIT NANDA. The GenAI Divide: State of AI in Business 2025.
7. S&P Global Market Intelligence. Voice of the Enterprise: AI & Machine Learning, 2025.
8. METR. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, 2025.
9. Gartner. Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, 2025.