ИИ в бизнес-процессах: где теряются деньги и время

В почте лежит письмо. Незнакомая компания предлагает сократить рутинную административную работу на 70–80% с помощью ИИ-помощников, обученных «на ваших документах и процессах». В конце — предложение за пятнадцать минут назвать три места, где это можно сделать. На сайте отправителя обещан расчёт окупаемости уже на этапе анализа, который занимает от трёх до семи дней.

Таких писем приходит по несколько штук в месяц, и дело не в конкретном отправителе. Дело в том, что рынок научился продавать результат, которого никто ещё не измерял. Минус 70% — от чего? Сколько времени эта работа занимает сегодня? Кто это считал?

В первой статье серии мы разобрали, почему «просто и быстро» не работает, и разложили внедрение ИИ на три ступени: личный помощник, ИИ в отдельном шаге процесса и агенты в сквозном процессе. Эта статья — о том, что происходит дальше, когда компания уже решилась и начала. Семь ошибок, каждая из которых стоит денег и времени, и то, что делать вместо них.

Как это выглядит. Процесс остаётся прежним, в один из его шагов добавляют ИИ. Ничего не переделывается: ни маршруты, ни роли, ни правила. Так быстрее, дешевле и не вызывает сопротивления.

Почему это дорого. Процессы в большинстве компаний спроектированы для мира без ИИ. Они предполагают, что человек прочитает, поймёт, решит и передаст дальше. Когда в такую цепочку встраивают ИИ, он ускоряет один шаг, а остальные остаются прежними. Ускоренный шаг начинает подавать работу быстрее, чем следующий способен её обрабатывать.

Перед ним копится очередь, а узкое место либо усугубляется, либо появляется там, где его раньше не было. Пропускная способность процесса при этом не выросла.

Мотив понятен: по данным Camunda, 79% компаний признают, что добавить ИИ к существующим процессам проще, чем их перепроектировать. Эту цифру мы приводили и в первой статье – здесь важно, чем такой выбор оборачивается дальше.

Обратная картина у тех, кто получает от ИИ заметный экономический эффект. По данным McKinsey, среди таких компаний 73% фундаментально перепроектируют рабочие процессы. Среди остальных – 25%.

Как правильно. Вопрос звучит не «куда вставить ИИ», а «как должна быть устроена эта работа, если ИИ уже есть». Это разные вопросы, и ответы у них разные. Первый даёт ускоренный участок внутри прежнего процесса. Второй – другой процесс, в котором часть шагов просто исчезает.

Как это выглядит. Решение принимают руководитель и IТ. Исполнителям сообщают о новом инструменте в день запуска.

Почему это дорого. В первой статье мы приводили цифру Camunda: 69% сотрудников не обсуждали с руководством, как ИИ будет использоваться в их работе. Дальше начинается тихое сопротивление, которое никто не оформляет как сопротивление. Люди заводят параллельные таблицы, пересылают задачи в обход системы, перепроверяют всё вручную. Формально инструмент внедрён, фактически процесс идёт мимо него.

Есть и обратная сторона, о которой говорят реже. По данным Workday, 39% компаний вкладывают высвободившуюся экономию обратно в технологии и лишь 30% – в развитие сотрудников, а 32% просто увеличивают нагрузку. Если сотрудник видит, что за сэкономленное время ему добавили работы, он больше не будет помогать эту экономию находить.

Там же – разрыв в обучении: 66% руководителей называют обучение навыкам приоритетом, но среди сотрудников, которые больше всех переделывают после ИИ, доступ к такому обучению есть лишь у 37%.

Как правильно. Сначала сверить регламент с тем, как работа выполняется на самом деле. Регламент – обязательная опора: именно он становится техническим заданием на автоматизацию и на инструкции для ИИ. Но опорой он служит только тогда, когда актуален. Если процедуры актуализации документов нет, расхождение между написанным и выполняемым накапливается годами, и ИИ настраивают по тексту, которым давно никто не пользуется. Поэтому порядок такой: пройти процесс с исполнителями, зафиксировать расхождения, привести регламент в соответствие – и только потом встраивать ИИ. Затем пересмотреть роли: что теперь делает человек, если черновик готовит ИИ. По данным того же исследования Workday, в 89% организаций меньше половины должностей обновлены с учётом возможностей ИИ. Инструмент выдали, а работу под него не перестроили.

И отдельно: заранее ответить себе, что произойдёт с высвободившимся временем. Это вопрос не про гуманизм, а про то, будет ли следующая инициатива встречена помощью или саботажем.

Речь здесь не о сопротивлении руководителей – эту тему мы разбирали в статье «Бизнес-процессы: кто на самом деле сопротивляется?». С ИИ появляется своя причина: людям не объяснили, зачем это им.

Как это выглядит. Модель подключают к корпоративным документам и базам как есть. Логика простая: данные у нас есть, пусть разбирается.

Почему это дорого. Данные есть почти у всех. Пригодных для ИИ — почти ни у кого. В исследовании Cloudera и Harvard Business Review Analytic Services только 7% компаний считают свои данные полностью готовыми к использованию ИИ. Ещё 27% прямо говорят, что данные не готовы. Установленная стратегия работы с данными для ИИ есть у 23%.

Gartner ещё в начале 2025 года прогнозировал, что до конца 2026 года компании откажутся от 60% ИИ-проектов, не обеспеченных пригодными для ИИ данными. И там же: 63% организаций либо не имеют нужных практик управления данными, либо не знают, есть ли они у них.

Самая показательная цифра из исследования Cloudera: 47% компаний считают, что агентный ИИ сам решит их проблемы с качеством данных. Это ставка на то, что беспорядок разберёт тот, кто в этом беспорядке работает.

На практике выглядит это так. Библиотека процессов, где половина инструкций не обновлялась несколько лет, владельцы уволились, а часть систем уже заменена. ИИ-агент выдаёт всё это уверенным тоном как действующий порядок. Он не знает, что данные устарели: он работает с тем, что дали. Или другой случай: клиент числится активным в CRM, должником в учётной системе и вовсе отсутствует в старой базе. Агент принимает решение по той картине, которую увидел первой.

Как правильно. До подключения ИИ провести аудит того, на чём он будет работать. Четыре вопроса:

1. Покрытие. Какие функции вообще не описаны?
2. Владельцы. У скольких процессов владелец сменил роль или уволился?
3. Актуальность. Где упоминаются системы, формы и роли, которых больше нет?
4. Пригодность. Какие шаги содержат ручной ввод и дублирующие согласования?

Дальше — правило доступа к данным: ИИ отвечает только из проверенного источника, а если ответа там нет, так и говорит. Без этой инструкции он начнёт заполнять пробелы правдоподобными выдумками.

И третье: разделить данные на те:

1. которые вы хотите использовать;
2. которые легко подключить;
3. которым вы доверяете.

Работать можно только с третьей группой.

Как это выглядит. Для пилота берут либо самый заметный процесс, либо тот, который проще согласовать.

Почему это дорого. Эффект от ИИ распределён крайне неравномерно. В одних процессах он даёт результат сразу, в других не даёт вообще, сколько в него ни вкладывай.

Как правильно. Есть три признака процесса, где ИИ окупается:

• большой объём входящих документов или обращений в свободной форме;
• ручная классификация и разбор занимают заметное время;
• дальше процесс идёт по понятным правилам.

Если все три совпали – ИИ берёт на себя ту часть, которая раньше требовала человеческой интерпретации, и передаёт результат в отлаженную цепочку. Если не совпали, вы покупаете дорогую игрушку.

Общие критерии процесса, пригодного для автоматизации, мы разбирали в статье «Бизнес-процессы: почему автоматизация не спасёт?». Специфика ИИ добавляет к ним одно: он оправдан там, где на входе неструктурированные данные, а не таблица с полями.

И обратный порядок действий, который экономит месяцы: сначала сделать процесс прозрачным, увидеть, где и сколько теряется, и только потом решать, какой участок отдать ИИ.

Как это выглядит. Бюджет считают как стоимость внедрения. Дальше предполагается, что система просто работает.

Почему это дорого. Процесс с ИИ не бывает «готов». Поставщики обновляют модели и снимают старые с поддержки, меняются форматы входящих данных, обновляются интерфейсы смежных систем – и поведение ИИ меняется вместе с ними, даже если сам процесс не менялся.

К этому добавляется постоянная проверка результатов, о которой говорилось выше. Это не разовая настройка, а регулярная работа, у которой должен быть исполнитель и бюджет.

В первой статье серии мы приводили пример из собственной практики: процесс, созданный с нуля вместе с автоматизацией и ИИ, за пятнадцать месяцев менялся 129 раз, а инструкции для моделей – около 190 раз. Это процесс одного человека, без согласований и смежных отделов.

Как правильно. Заложить сопровождение в бюджет с самого начала и назначить владельца – человека, который отвечает за то, что процесс с ИИ продолжает давать нужный результат. Не за модель и не за платформу, а за результат процесса.

Каждый из них закрывает одну из ошибок выше. Если хотя бы на три вопроса нет ответа, запускать рано.

1. Какой именно процесс изменится и как он будет устроен после внедрения?
2. Кто из исполнителей участвовал в обсуждении и что изменится в их ролях?
3. На каких данных будет работать ИИ и кто отвечает за их актуальность?
4. Что происходит, когда ИИ не справился: кому и за какое время передаётся случай?
5. Почему выбран именно этот процесс и какие три признака в нём совпали?
6. Что мы измерили до запуска и по каким метрикам будем следить после?
7. Сколько стоит сопровождение в год и кто владелец процесса?

Эти же вопросы стоит задать и тому, кто прислал вам письмо с обещанием минус 70%. Ответы на них за пятнадцать минут не даются.

Деньги в ИИ-проектах теряются не на лицензиях. Они теряются на том, что процесс остался прежним, людей не спросили, данные никто не проверил, исключения не описаны, а результат не с чем сравнить.

«Мы внедрили ИИ» – это про активность. Результат начинается с вопроса: что изменилось в процессе и чем мы это докажем?

В следующей статье серии – про ИИ-агентов: кто отвечает, когда агент ошибся, где хранится журнал его действий и в какой момент решение остаётся за человеком.

Понимание собственных процессов – навык, без которого ни один из семи вопросов не имеет ответа. Начать можно с системного обучения основам управления бизнес-процессами.

1. Camunda. The AI Process Gap, пресс-релиз, сентябрь 2026.
2. McKinsey & Company. The State of AI, 2026.
3. Workday. Companies Are Leaving AI Gains on the Table, январь 2026. Опрос 3200 руководителей и сотрудников, ноябрь 2025.
4. Cloudera, Harvard Business Review Analytic Services. Taming the Complexity of AI Data Readiness, опрос октября 2025, более 230 респондентов.
5. Gartner. Lack of AI-Ready Data Puts AI Projects at Risk, февраль 2025.