ИИ перестал быть экспериментом
Ещё пару лет назад внедрение ИИ выглядело как ставка на будущее: попробуем, вдруг выстрелит. Сегодня картина другая. По оценкам, которые приводит OpenAI в своём разборе корпоративных внедрений, за первые два года ИИ попробовали около 39% взрослых американцев — быстрее, чем когда-то расходился интернет, охвативший за тот же срок порядка 20%.
Разрыв между теми, кто внедряет осмысленно, и теми, кто «пилотирует ради галочки», уже измерим в деньгах. По данным той же публикации, за три года выручка компаний-лидеров по внедрению ИИ росла примерно в 1,5 раза быстрее конкурентов, доходность для акционеров была выше в 1,6 раза, а рентабельность капитала — в 1,4 раза. Мы в tacto.tech собираем такие проекты под ключ и видим обе стороны: и кейсы, где ИИ за месяцы окупает себя, и внедрения, которые тихо умирают на стадии пилота. Граница между ними проходит не по бюджету и не по выбору модели — она проходит по тому, как компания подошла к самой задаче. Ниже — разбор публичных кейсов и закономерностей, которые из них вытекают.
Что объединяет успешные внедрения
Если выписать удачные проекты в один список, первое, что бросается в глаза, — за каждым стоит не технолог, а эксперт предметной области. Решения, которые приживаются, рождаются у людей, которые знают, где именно болит процесс. Технология здесь инструмент в их руках, а не самоцель.
Второе общее свойство — итеративность. По публикации OpenAI, в Estée Lauder работает внутренняя «GPT Lab», где решения проходят пятиэтапный цикл: проектирование, подготовка, сборка, запуск, корректировка. Никто не пытается с первого захода построить идеальную систему. Третье — фокус на быстрых победах вместо амбициозных монолитов, чаще всего через автоматизацию рутины. И четвёртое — поддержка сверху и обучение людей: компания сообщила, что в Morgan Stanley ИИ ежедневно пользуются 98% консультантов, и это не случилось само собой — за этим стоят хакатоны, семинары и программы взаимообучения.
Любопытно и то, где именно ИИ даёт максимум. По оценке из публикации, около 62% потенциальной пользы ИИ приходится на ключевые функции бизнеса — финансы, маркетинг, продажи и разработку продукта. Там, где процессы повторяемы, а результат измерим, отдача наступает быстрее всего.
- 39%
- взрослых попробовали ИИ за первые два года (по данным OpenAI)
- 62%
- потенциальной ценности ИИ приходится на ключевые функции бизнеса
- 92%
- компаний планируют наращивать инвестиции в ИИ
- 1%
- компаний считают свои текущие вложения в ИИ разумными
Кейсы, на которых видно отдачу
Лучше всего закономерности проявляются на цифрах. Мы собрали несколько публичных внедрений из разбора OpenAI, где результат измерен, а не описан общими словами. Все цифры ниже — публично заявленные компаниями и приведённые в источнике.
| Компания | Задача | Заявленный результат |
|---|---|---|
| BBVA | Развернуть ChatGPT Enterprise на 125 000+ сотрудников | 2900+ собственных GPT-приложений за 5 месяцев; сроки проектов сократились с недель до часов |
| Klarna | Перевести поддержку на ИИ-ассистента в чате | время решения сократилось с 11 до 2 минут, две трети обращений без человека; прогноз дополнительной прибыли ~$40 млн |
| Morgan Stanley | Дать консультантам доступ к базе знаний | доступность документов выросла с 20% до 80%; ИИ ежедневно пользуются 98% консультантов |
| Lowe's | Дообучить GPT-3.5 на своих данных для тегирования товаров | точность тегирования +20%, эффективность поиска ошибок в данных +60% |
| Indeed | Дообучить меньшую модель на 20 млн сообщений в месяц | на 60% меньше токенов при сравнимом качестве; отклик на вакансии +20%, вероятность найма +13% |
| Mercado Libre | Тегирование каталога и антифрод (GPT-4o mini Vision) | ёмкость каталогизации ×100; точность фрод-детекции по подозрительным товарам ~99% |
Объединяет эти кейсы одно: ни в одном из них ИИ не «внедряли вообще». Везде была узкая, измеримая задача с понятным критерием успеха. Klarna не строила «умную поддержку» — она сокращала время ответа. Lowe's не «внедрял нейросети» — он повышал точность тегов на конкретном каталоге. Когда задача звучит так конкретно, её легко проверить, а значит — легко доказать ценность и масштабировать. Эта же логика лежит в основе подсчёта окупаемости: мы разбирали сколько стоит и когда окупается автоматизация на примере отчётности.
Чему учат провалы
Обратная сторона тоже поучительна. Большинство буксующих внедрений объединяет не нехватка денег или вычислительных мощностей, а нечёткость постановки. Если компания не может объяснить словами, что считается хорошим результатом, ИИ не починит эту неясность — он лишь отразит её обратно, быстрее и в большем объёме. Косвенно это подтверждает и цифра из публикации: лишь около 1% компаний считают свои вложения в ИИ разумными, при том что 92% планируют их наращивать. Денег вливают много, ясности при этом не хватает.
Второй типичный провал — ставка на базовую модель там, где нужно дообучение. Кейс Indeed показывает обратный подход: компания дообучила меньшую модель на своих данных и, по её данным, сократила расход токенов на 60% без потери качества, попутно подняв отклик на вакансии на 20%. Те, кто пытается решить нишевую задачу «голой» большой моделью, получают дороже и хуже. Третий — отсутствие системы оценки. Без фреймворка, который измеряет качество ответов, нельзя ни выстроить доверие, ни поймать деградацию. Morgan Stanley, по публикации, отдельно выстраивал оценку точности и качества резюмирования со сравнением с эталонами экспертов — именно это делало внедрение управляемым, а не «чёрным ящиком».
И четвёртый урок — самый стратегический. Зрелые компании перестают думать категориями отдельных задач и переходят к встраиванию ИИ в целые процессы. Сначала ИИ ускоряет отдельный шаг — как ChatGPT помогает разработчикам Tinder с синтаксисом и архитектурными задачами или экономит Promega порядка 135 часов за полгода на черновиках писем. Потом выясняется, что вокруг новых возможностей можно перестроить весь процесс. Те, кто застревает на уровне «давайте автоматизируем одну операцию», упираются в потолок, который сами себе и поставили. Отдельная ветка этой зрелости — переход от ассистентов к автоматизированным процессам с минимальным участием человека.
Главная закономерность
Если свести наблюдения из этих кейсов к одной мысли: успешные внедрения почти всегда начинаются с узкой задачи, измеримого результата и эксперта, который понимает процесс. Технология, бюджет и выбор модели вторичны. Сначала ясная цель и критерий «сделано хорошо» — потом всё остальное. Все компании из таблицы выше шли именно так, и именно поэтому их результаты можно назвать цифрами, а не ощущениями.
С чего начать вам
Выигрывает не тот, кто внедряет ИИ масштабнее, а тот, кто внедряет его точнее. Узкая задача, измеримый результат, эксперт у руля и система оценки качества — этого достаточно, чтобы первый проект окупился и стал опорой для следующих.
Для сценариев поддержки и работы с базой знаний мы отдельно описали разработку ботов и AI-ассистентов: где достаточно правил, а где нужна модель и контроль её ответов.
Мы помогаем пройти этот путь без типичных ошибок: находим процесс, где отдача наступит быстрее всего, ставим метрики, собираем решение и при необходимости дообучаем модель под ваши данные, а не под усреднённый мир. Если хотите — разберём ваш случай и честно скажем, где ИИ даст результат уже в ближайшие месяцы, а где пока рано.