ИИ-трансформация бизнеса: почему автоматизация старых процессов не даёт эффекта

Дистрибьютор электрооборудования: десять менеджеров, 65 000 позиций в каталоге, четыре разработчика в штате. За несколько месяцев команда сама собрала бота, который подбирает товар с точностью 99%, ежедневную аналитику по менеджерам и прогноз оплаты счетов. Всё работает. Но каждый разработчик строил свой кусок отдельно, данные стекаются в Google-таблицы, а бот отвечает клиенту за 40 секунд. Компания ускорила десяток операций и упёрлась в потолок.

Это частая картина. ИИ-трансформация бизнеса начинается не с вопроса «что ещё автоматизировать», а с вопроса «как должен работать процесс, если часть работы теперь делает нейросеть». Разберём, что об этом говорят исследования 2026 года, чем трансформация отличается от автоматизации и в каких случаях она вам не нужна.

Чем ИИ-трансформация бизнеса отличается от автоматизации

Автоматизация берёт процесс как есть и ускоряет его шаги. Менеджер получал заявку, считал цену, писал коммерческое предложение и ждал согласования. После автоматизации он делает то же самое, только КП ему пишет нейросеть.

ИИ-трансформация задаёт другой вопрос: какие из этих шагов вообще должны существовать? Может, согласование не влияет на качество решения. Может, девять заявок из десяти проходят по стандартным правилам и не требуют менеджера.

Сама идея не нова. Майкл Хаммер и Джеймс Чампи описали реинжиниринг бизнес-процессов ещё в начале 1990-х. Новое другое: многие конструкции процессов, которые раньше требовали армии операторов или дорогой разработки, сейчас стоят в разы меньше. Поэтому вопрос «как бы мы построили этот процесс с нуля» снова имеет практический смысл.

Что показывают исследования 2026 года

McKinsey в августе 2026 года опросила 1719 компаний из 97 стран. Среди лидеров, которые получают от ИИ заметный финансовый результат, 72% перерабатывают рабочие процессы. Среди остальных таких 27% ^[1]. Это корреляция, а не доказательство причины: лидеры могут отличаться и другим. Но разрыв почти втрое.

BCG в мае 2026 года сформулировала проблему жёстче: рост производительности сам по себе не снижает затраты и не улучшает результат. Время, которое освободилось, поглощает сложность, которая уже есть в организации ^[2]. Менеджер сэкономил два часа в день, а штат, согласования и сроки сделки остались прежними.

В сентябре BCG напомнила своё правило 10-20-70: 10% усилий в ИИ-проекте уходит на алгоритмы, 20% на технологии и данные, 70% на людей и процессы ^[3]. Это рабочая оценка консультантов, а не замер. Но она хорошо объясняет, почему нейросеть, которую просто купили, редко окупается сама.

Российские данные показывают ту же проблему с другой стороны:

• «Корус Консалтинг», сентябрь 2026: бизнес-эффект от ИИ могут подтвердить 12% компаний. 44% эффект вообще не измеряют, ещё 25% измеряют, но не связывают с экономикой компании ^[4].
• «Инфосистемы Джет», август 2026: 86% крупных российских компаний уже используют большие языковые модели, а 46% не видят устойчивого экономического эффекта ^[5].

В октябре CNews подвела черту под этой темой: ИИ-агенты в российских компаниях упираются «не в модели, а в то, что компания не может внятно объяснить им, как она работает» ^[6]. Технологию можно купить. Процесс за вас никто не опишет.

Один отдел продаж, два сценария

Возьмём типичный отдел продаж и посмотрим, как в нём выглядит автоматизация и как выглядит трансформация.

Сценарий А. Ускорить то, что есть.

• Менеджер получает заявку.
• Нейросеть помогает понять, что нужно клиенту.
• Нейросеть пишет коммерческое предложение.
• Руководитель согласует, менеджер отправляет.

Операции ускорились, но число передач и согласований осталось прежним. Заявка всё так же ждёт руководителя.

Сценарий Б. Перестроить процесс.

• Заявки приходят в один контур.
• Система определяет потребность, стоимость и допустимые условия сделки.
• Стандартные сделки проходят без участия человека.
• Менеджеру достаются исключения, нестандартные клиенты и крупные сделки.

Во втором сценарии меняется роль менеджера и устройство отдела. Для него нужны правила цен и скидок, чистые данные, матрица полномочий и контроль ошибок. Внедрять сложнее, зато эффект в другом масштабе.

Так поступила промышленная компания из обзора BCG. Она переделала процесс «от запроса до заказа»: приём, классификацию, подбор конфигурации, расчёт предложения и регистрацию заказа. Вместо набора отдельных ботов работает связка из четырёх ИИ-агентов, а затраты на труд в этом процессе снижаются на 30–40% ^[7]. Компания не названа, цифры даёт консультант, а не независимый аудит.

Пример крупнее: IBM. По данным BCG, более 90% кадровых запросов сотрудников компания закрывает через ИИ-помощника, расходы кадровой службы снизились на 40%, расходы на финансовое планирование и анализ на 35% ^[8]. Сама IBM в своём кейсе показывает, что к этим 40% шла несколько лет.

Три вида изменений при трансформации бизнес-процессов

Если разложить удачные примеры на части, видно три типа изменений. Обычно в проекте есть все три.

1. Убрать работу

Часть согласований, отчётов и сверок перестаёт быть нужной. Отчёт, который никто не читает, не надо генерировать нейросетью. Его надо отменить.

2. Перераспределить работу

Сотрудник перестаёт производить результат руками и начинает управлять результатом: проверяет исключения, разбирает спорные случаи, работает с ключевыми клиентами. Стандартный поток идёт без него.

3. Изменить структуру

Некоторые функции и границы между отделами теряют смысл. Если заявка больше не ходит между продажами, складом и финансами, может не понадобиться отдельная роль, которая эту заявку «пасёт».

Когда ИИ-трансформация компании не нужна

Перестройка процессов сама по себе собственнику не нужна. Ему нужны прибыль, управляемость и скорость, и иногда к ним ведёт короткий путь. Ориентир такой:

Последний уровень самый дорогой и рискованный. Переходить к нему только потому, что вышли новые модели, не стоит.

Ещё три оговорки, о которых редко пишут.

Иногда хватает инструмента. В полевом эксперименте с 776 сотрудниками Procter & Gamble специалисты с ИИ показали результат на уровне команд без ИИ ^[9]. Организация труда поменялась без всякой перестройки компании.

Дешёвая разработка не делает трансформацию дешёвой. Прототип агента сейчас собирают за дни. Договориться с руководителями, очистить данные, поменять мотивацию и добиться, чтобы сотрудники пользовались новым процессом, так же сложно, как десять лет назад.

Исследования лидеров стоит читать с поправкой. Когда консультанты изучают успешные компании, они находят у них много необычных практик. Это не значит, что копия практик даст тот же успех. И консультанты зарабатывают на трансформациях. Это относится и к нам, поэтому в этой статье есть раздел о том, когда трансформация не нужна.

Если сомневаетесь, готова ли компания к таким изменениям, начните с разбора типичных проблем внедрения ИИ: там есть тест на готовность бизнеса.

Что показывает наша практика

Электрооборудование, 10 менеджеров. Тот самый дистрибьютор из начала статьи. Новых ботов ему не требовалось. Мы нашли три архитектурные ошибки и спроектировали единый слой данных: один раз выгрузить данные из CRM в базу, обновлять их автоматически, а все шесть агентов, от заявки до оплаты, подключить к этой базе, а не к CRM напрямую. Запись в базу занимает миллисекунды, запись в Google-таблицу до 5 секунд.

Подробный кейс: архитектура для шести агентов →

Оконная компания, 500 сотрудников. Владелец хотел подключить нейросеть сразу ко всему: голосовой робот, приложение, аналитика звонков, помощник менеджерам, чистка базы. Корень проблемы оказался проще: менеджеры не заполняют карточки клиентов, и 110 000 контактов превратились в кашу. Первым шагом выбрали один процесс: звонок переводится в текст, нейросеть вытаскивает данные и заполняет карточку. Голосового робота отложили: на этой стадии он рискованный и дорогой.

Кейс: из пяти направлений выбрали одно →

Оптовая компания электроники. Продажи жили в Excel, заявки терялись, переписка с клиентами шла в разных каналах. Мы собрали единую воронку с автоматическим распределением заявок, напоминаниями и контролем статусов. Нейросети там нет. Потери заявок прекратились, а у компании появилась основа для следующих шагов. Хорошая базовая автоматизация часто даёт больше, чем сложное ИИ-решение поверх хаоса.

Кейс: порядок в опте без нейросетей →

С чего начать ИИ-трансформацию бизнеса

Аналитики «Яков и Партнёры» в июле 2026 года разобрали 30 продуктов и 65 публичных кейсов ИИ-агентов в России. Их главный совет звучит как «сначала процесс, потом технология» ^[10]. На этом и построим шаги.

1. Выберите один процесс, который повторяется

Не всю компанию и не отдел. Один сценарий из 3–7 этапов, у которого есть владелец, исходная метрика, контрольная группа и понятный источник денег. Это критерии из того же исследования.

2. Опишите процесс как есть

Каждую передачу задачи, каждое согласование, каждую ручную сверку. Посчитайте в рублях: сколько людей, сколько времени, какая зарплата, сколько стоят ошибки и задержки.

3. Спроектируйте процесс с нуля

Задайте вопрос: как бы мы построили этот процесс сегодня, если бы начинали с чистого листа и знали, что умеют нейросети? На этом шаге обычно видно, какие операции можно не делать вовсе.

4. Отделите правила от исключений

Стандартные случаи отдайте системе. Исключения, сложные и крупные сделки оставьте людям. Пропишите, кто и в каких пределах принимает решения.

5. Решите, где нужна нейросеть, а где обычный код

Проверка остатков, расчёт цены по прайсу, маршрутизация заявки не требуют нейросети. Она нужна там, где надо читать, понимать и писать свободный текст. Часто большая часть решения оказывается обычной программой.

6. Меряйте экономику процесса

Не число операций, которые автоматизировали, и не часы, которые сэкономили, а стоимость процесса до и после, скорость сделки, долю ошибок. Замеры «до» снимите заранее, иначе потом сравнивать будет не с чем.

Найти процессы, с которых стоит начать, помогает аудит. Как его провести и какие вопросы задать перед внедрением, мы разобрали в статье «ИИ-аудит бизнес-процессов».

Типичные ошибки

Покупать инструменты до описания процесса

Компания оформляет подписки и лицензии, а потом ищет, куда их применить. Инструмент ложится на хаос и ускоряет хаос. Сначала процесс, потом выбор технологии.

Мерить эффект в часах

Два часа, которые сэкономил менеджер, ничего не стоят, если они ушли на переписку в чатах. Эффект появляется, когда меняется экономика: меньше людей на тот же объём, быстрее сделка, меньше ошибок.

Строить агентов по отдельности

Каждый агент тянет данные сам, каждый разработчик решает задачу по-своему. Через полгода система упирается в лимиты и её трудно поддерживать. Общий слой данных проектируют до второго агента, а не после пятого.

Начинать с общения с клиентом

Голосовой робот или бот, который сам продаёт, выглядит эффектно. Но ошибка нейросети в разговоре с клиентом стоит дорого. Надёжнее начать с внутренних процессов, где ошибку поймает сотрудник.

Если хотите разобрать свой процесс с человеком, который строил такие системы, запишитесь на консультацию. Посмотрим, нужна ли вам трансформация или хватит точечной автоматизации.

Источники

1. McKinsey & Company. «The state of AI», 25.08.2026, опрос 1719 респондентов из 97 стран. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
2. BCG. «Making AI Productivity Deliver Real Value», 05.05.2026. https://www.bcg.com/publications/2026/making-ai-productivity-deliver-real-value
3. BCG. «The Formula for Agentic AI Value», 30.09.2026. https://www.bcg.com/publications/2026/the-formula-for-agentic-ai-value
4. «Корус Консалтинг». «70% российских компаний не могут оценить экономический эффект от внедрения ИИ», 02.09.2026. https://data.korusconsulting.ru/press-center/news/issledovanie-korus-konsalting-70-rossiyskikh-kompaniy-ne-mogut-otsenit-ekonomicheskiy-effekt-ot-vned/
5. «Инфосистемы Джет», исследование, пересказ: CNews, 26.08.2026. https://biz.cnews.ru/news/line/2026-08-26_issledovanie_infosistemy
6. CNews. «В России ИИ-агенты уперлись в процессы: компании начинают трансформацию регламентов», 08.10.2026. https://www.cnews.ru/news/line/2026-10-08_v_rossii_ii-agenty_uperlis
7. BCG. «Scaling AI Requires New Processes, Not Just New Tools», 20.01.2026. https://www.bcg.com/publications/2026/scaling-ai-requires-new-processes-not-just-new-tools
8. BCG. «How Leaders Build an AI-First Cost Advantage», 26.03.2026. https://www.bcg.com/publications/2026/how-leaders-build-an-ai-first-cost-advantage; IBM. «AskHR». https://www.ibm.com/case-studies/ibm-askhr
9. Dell’Acqua F. и др. «The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork». Organization Science, 12.06.2026; рабочая версия: NBER w33641. https://www.nber.org/papers/w33641
10. «Яков и Партнёры». «ИИ-агенты: где хайп, а где реальность», 30.07.2026. https://yakovpartners.ru/publications/ai-agents/