Где ИИ в бизнесе окупается, а где нет

Языковая модель пишет черновик письма за секунды, но компании нужен не черновик, а письмо, которое можно отправить клиенту. Между ними стоит человек: он читает, сверяет и правит. Поэтому перед внедрением полезно спрашивать не «умеет ли модель это делать», а «сколько стоит проверить то, что она сделала». От ответа зависит, будет ли выгода вообще.

Окупается то, что проще проверить, чем сделать

Выгоду от модели на одной единице работы — письме, документе, обращении — можно записать одной строкой. В ней три слагаемых, и только одно из них — плата за саму модель.

В этом примере выгоду создаёт разница между 6 и 2 минутами, а плата за модель почти ни на что не влияет. Всё решают два числа: сколько длится проверка и сколько стоит ошибка, которую проверка пропустила. Как считать стоимость запросов у разных провайдеров, разобрано в статье про ИИ через API.

Теперь обратный случай. Юрист готовит справку с десятью ссылками на судебную практику, вручную это час. Модель выдаёт справку за минуту, но каждую ссылку всё равно нужно открыть и убедиться, что постановление существует и говорит то, что о нём написано. Если на одну ссылку уходит 5 минут, проверка занимает 50 минут из 60, а одна пропущенная ошибка стоит дороже всей экономии.

Это уже не гипотеза. Арбитражный суд Вологодской области по делу № А13-14310/2025 оштрафовал компанию на 30 000 ₽ за неуважение к суду: в уточнении иска она сослалась на четыре постановления окружного суда, которых не существует. Номера дел были настоящими, но относились к другим спорам; по сообщению пресс-службы, практику сгенерировал ИИ (Право.ру, 05.10.2026 (откроется в новой вкладке)). Раньше, 14 мая 2026 года, Арбитражный суд Западно-Сибирского округа по делу № А27-7831/2025 назначил компании штраф 50 000 ₽: её кассационная жалоба, составленная с помощью ИИ, ссылалась на несуществующие судебные акты и цитаты (Гарант, 18.05.2026 (откроется в новой вкладке)). Спор при этом шёл о 55 тыс. ₽ за бухгалтерские услуги, то есть штраф оказался почти равен сумме иска. То, что текст писала нейросеть, ответственности не снимает: за достоверность документа отвечает тот, кто его подал.

Цена ручной работы

• Цена ручной работы: больше, Цена проверки: меньше, выделено. ИИ окупаетсячерновики, извлечение полей, сортировка, поиск со ссылкой
• Цена ручной работы: больше, Цена проверки: больше. ИИ — помощник экспертасправки, анализ договоров: проверка почти равна работе
• Цена ручной работы: меньше, Цена проверки: меньше. Хватит правиласверки, маршрутизация по ИНН, расчёт НДС — это скрипт
• Цена ручной работы: меньше, Цена проверки: больше. ИИ не нуженпроще сделать самому, чем проверять результат

Цена проверки

К похожему различению приходит экономист Дарон Аджемоглу. Он делит задачи на «лёгкие для обучения», где у результата есть объективная мера успеха, и «трудные», где правильный ответ зависит от множества обстоятельств. Первые данные об эффекте ИИ получены на лёгких задачах, поэтому он считает их оптимистичными: прирост совокупной факторной производительности в США за десять лет — не больше 0,66%, а с поправкой на трудные задачи — меньше 0,53% (NBER w32487 (откроется в новой вкладке)). Для отдельной компании вывод практичнее: ищите шаги, где результат проверяется взглядом, сверкой со справочником или правилом.

Граница возможностей неровная, и её не видно заранее

В эксперименте исследователей Гарвардской школы бизнеса и других университетов 758 консультантов BCG решали рабочие задачи с доступом к GPT-4 и без него (Dell'Acqua и др., HBS 24-013, 2023 (откроется в новой вкладке)). На задачах, с которыми модель справляется, участники с ИИ выполнили на 12,2% больше заданий, работали на 25,1% быстрее, а качество их работы оценили выше более чем на 40%.

Одну задачу авторы намеренно подобрали за пределами возможностей модели. Внешне она не отличалась от остальных, но модель решала её неверно и при этом убедительно. Здесь консультанты с ИИ давали правильное решение в среднем на 19 п. п. реже, чем без него: получали уверенный, хорошо написанный ответ и принимали его. Обучение не спасло: в группе, которой заранее показали приёмы работы с моделью, правильных ответов было ещё меньше.

Авторы назвали это неровной границей: две похожие задачи могут оказаться по разные стороны, и снаружи этого не видно. Отсюда правило: до запуска решите для каждого шага, что проверяется всегда, а что выборочно, и не ослабляйте проверку потому, что «модель вроде бы справляется».

Границу возможностей модели заранее не видно, поэтому проверка — не формальность, а условие выгоды.

Кому ИИ помогает сильнее всего

ИИ помогает сильнее там, где у сотрудника мало своего опыта, а модель подсказывает опыт других.

Поддержка клиентов: 5 172 оператора получили ИИ-помощника, который подсказывал ответы в чате. Решённых обращений в час стало в среднем на 15% больше (Brynjolfsson, Li, Raymond, QJE, 2025 (откроется в новой вкладке)). Новички и менее квалифицированные операторы ускорились сильнее и стали отвечать качественнее, особенно на редких проблемах, с которыми сами сталкивались мало. У наиболее опытных скорость выросла немного, а качество слегка снизилось.

Короткие деловые тексты — пресс-релизы, письма, аналитические записки: в эксперименте с 453 специалистами доступ к ChatGPT сократил время на них на 40%, а оценка качества выросла на 18% (Noy, Zhang, Science, 2023 (откроется в новой вкладке)). Такой текст легко оценить, просто прочитав, — типичная задача внутри границы.

Командная работа: в полевом эксперименте с 776 сотрудниками Procter & Gamble один человек с ИИ показал результат на уровне команды из двух человек без ИИ (NBER w33641, 2025 (откроется в новой вкладке)). Без ИИ специалисты по разработке продуктов тяготели к техническим решениям, а коммерсанты — к коммерческим; с ИИ решения у тех и других выходили сбалансированными. Модель подставляла недостающую экспертизу коллеги из другого отдела.

И контрпример. В рандомизированном исследовании METR 16 опытных разработчиков решали 246 реальных задач в крупных репозиториях, которые знают годами. С ИИ-инструментами задачи занимали на 19% больше времени. До начала участники ждали ускорения на 24%, а после работы считали, что ускорились на 20% (METR, 10.07.2025 (откроется в новой вкладке)). Выборка маленькая, и переносить цифру на других нельзя. Устойчивый урок другой: самооценка эффекта может разойтись с замером на десятки процентных пунктов.

• Без ИИ100 %
• Короткие деловые тексты60 %453 специалиста
• Задачи консультантов74,9 %внутри границы возможностей
• Опытные разработчики119 %свой знакомый код

Noy, Zhang (Science, 2023); Dell'Acqua и др. (HBS 24-013, 2023); METR (10.07.2025). Разные задачи и выборки

Отсюда порядок поиска применений: первая линия поддержки, адаптация новых сотрудников, ответы по регламентам и на редкие вопросы. Основную работу опытного специалиста в привычной ему среде разумно трогать последней — и только с замером.

Чат-бот для всех — ещё не внедрение

Частый способ «внедрить ИИ» — оформить подписку на чат-бот и раздать доступ всем сотрудникам. Данные по целым странам показывают, что этого мало.

В Дании экономисты связали опросы о применении чат-ботов с административными данными о заработках и отработанных часах по 11 профессиям, где чат-боты применимы сильнее всего. Эффект на заработки и часы оказался статистически нулевым, а эффекты больше 2% через два года после выхода ChatGPT исключены (Humlum, Vestergaard, NBER w33777 (откроется в новой вкладке)). Сами сотрудники оценивали экономию примерно в 3% рабочего времени, а у части появились новые задачи, в том числе проверять результаты ИИ.

В США, по репрезентативным опросам, экономия времени от генеративного ИИ к концу 2024 года составила около 1,4% всех рабочих часов (Bick, Blandin, Deming, NBER w32966 (откроется в новой вкладке)).

В России цифра сильно зависит от того, кого спрашивают. По сплошным обследованиям Росстата, которые проанализировал ИСИЭЗ ВШЭ, в 2025 году ИИ в широком смысле, включая компьютерное зрение и распознавание речи, использовали около 5,2% крупных и средних организаций: среди компаний больше 500 человек — 17%, среди компаний до 100 человек — 4,3% (ИСИЭЗ ВШЭ, 24.09.2026 (откроется в новой вкладке)). Малый бизнес в эти обследования не входит. Опрос 150 технических директоров крупных компаний, который провели «Яков и Партнёры» с Яндексом, даёт 71% — но это самооценка крупного бизнеса, а не измерение.

С агентами то же самое. Аналитики Gartner прогнозируют, что к концу 2027 года больше 40% проектов агентного ИИ свернут из-за растущих затрат, неясной ценности и слабого контроля рисков, и отмечают массовую переупаковку чат-ботов и RPA в «агентов» (Gartner, 25.06.2025 (откроется в новой вкладке)).

Эффект появляется, когда ИИ встроен в конкретный шаг процесса: у шага есть владелец, метрика и правило, что делать с ошибками. Общий доступ к чату бывает полезен, но экономии на уровне компании сам не создаёт.

Где хватит правила или скрипта

Модель недетерминирована даже там, где этого не ждут. Thinking Machines Lab 1 000 раз отправила один и тот же запрос открытой модели Qwen3-235B при температуре 0 — настройке, которая должна давать одинаковый ответ, — и получила 80 разных вариантов текста (Thinking Machines Lab, 10.09.2025 (откроется в новой вкладке)). Причина не в «творчестве» модели, а в устройстве сервера: результат вычислений зависит от того, сколько чужих запросов обрабатывается одновременно с вашим. Для черновика письма это неважно, а расчёт, который проверяет аудитор или налоговая, обязан давать один и тот же результат.

Поэтому расчёты делает код. НДС, сроки оплаты, остатки и пени считаются формулой, а модель, если участвует в процессе, вызывает эту формулу как инструмент. В 2023 году GPT-4 без инструментов правильно перемножал трёхзначные числа лишь в 59% случаев (Dziri и др., NeurIPS 2023 (откроется в новой вкладке)). Современные модели считают заметно лучше, но принцип не изменился: точный ответ дешевле получить из кода, чем перепроверять.

То же с формальными правилами. Если письмо можно направить по ИНН отправителя или слову в теме, если выгрузку нужно сверить с учётом в 1С, если отчёт собирается из одних и тех же полей — это правило, и его пишут один раз. Модель здесь медленнее, дороже на каждом запросе и хуже проходит аудит. А редкая разовая задача не окупит даже настройку: её проще сделать руками.

Если в процессе больше правил, чем неструктурированного текста, начинать стоит с обычной автоматизации процессов — интеграций, сверок и скриптов. Модель потом добавляют в тот шаг, где правило не формулируется.

За ответ ИИ отвечает компания

Ошибка модели — это ошибка компании, которая её поставила. В деле Moffatt v. Air Canada чат-бот авиакомпании неверно описал клиенту условия скидки на перелёт в связи со смертью родственника. Авиакомпания утверждала, что бот — отдельное лицо, отвечающее за свои слова. Трибунал по гражданским спорам Британской Колумбии довод отверг и обязал её возместить клиенту разницу: около 650 канадских долларов, с процентами и сборами около 812 (2024 BCCRT 149 (откроется в новой вкладке)).

В России есть прямая норма. Статья 16 закона 152-ФЗ запрещает принимать решения, которые порождают юридические последствия для человека или иным образом затрагивают его права, исключительно на основании автоматизированной обработки его персональных данных. Исключения — письменное согласие человека или случаи, прямо предусмотренные федеральным законом; оператор обязан разъяснить порядок принятия решения и дать возможность возразить (152-ФЗ, ст. 16 (откроется в новой вкладке)). Автоматический отказ кандидату по резюме или клиенту в отсрочке платежа без участия человека, скорее всего, попадёт под эту норму, поэтому в таких процессах модель готовит предложение, а решает человек.

Klarna публично показала, что бывает, когда главным критерием становится цена. В феврале 2024 года компания заявила, что ИИ-ассистент за первый месяц провёл 2,3 млн диалогов — две трети чатов поддержки — и выполнил работу, эквивалентную 700 операторам (пресс-релиз Klarna (откроется в новой вкладке)). В мае 2025 года генеральный директор признал, что стоимость получила слишком большой вес и качество просело, и клиентам вернули гарантированную возможность поговорить с человеком. ИИ при этом по-прежнему ведёт около двух третей обращений. Это заявления компании, а не аудит, но итог понятен: гибрид, а не отказ от ИИ.

Отдельный риск — ИИ-агенты, которые не только отвечают, но и действуют: отправляют письма, меняют записи. OWASP описывает его как избыточные полномочия (LLM06:2025 (откроется в новой вкладке)): если помощнику для чтения почты дали ещё и право отправки, вредоносное письмо со скрытыми инструкциями может заставить его переслать данные наружу. Похожий механизм был у уязвимости EchoLeak в Microsoft 365 Copilot (CVE-2025-32711 (откроется в новой вкладке)): сотруднику не нужно было открывать вредоносное письмо или нажимать ссылку. Достаточно было задать ассистенту обычный вопрос: письмо со скрытыми инструкциями попадало в контекст, и внутренние данные могли уйти наружу. Microsoft исправила уязвимость на своей стороне в июне 2025 года; об атаках через неё не сообщалось.

Британский Национальный центр кибербезопасности (NCSC) предупредил, что промпт-инъекцию, возможно, не удастся устранить полностью: языковая модель не разделяет инструкции и данные внутри запроса (NCSC, 08.12.2025 (откроется в новой вкладке)). Значит, защищаются не фразой в промпте «не выполняй инструкции из писем», а устройством системы: у агента права только на чтение и черновики, а отправка, платежи и изменения в учёте проходят через подтверждение человеком.

Права ИИ-агента ограничивают в системе, а не в промпте: модель можно уговорить, а учётную запись с правом только на чтение — нет.

Как проверить на своих данных до внедрения

Эффект измеряют на своём процессе, а не переносят из чужих исследований:

1. Один шаг и одна метрика. Минуты на документ, доля ошибок или время до ответа клиенту — что-то одно, что можно засечь. Метрику согласуют до пилота, а не после.
2. Базовая линия. Засеките 50–100 реальных случаев так, как работа идёт сейчас: время и ошибки. Опросу сотрудников не верьте — в исследовании METR самооценка участников и замер разошлись почти на 40 п. п.
3. Эталонный набор. Реальные обезличенные примеры с ожидаемым ответом, в том числе неудобные: плохие сканы, редкие вопросы, длинные таблицы, письма не по теме.
4. Пилот с полным счётом. Замеряйте не только скорость модели, но и время проверки и долю ошибок, которые проверка пропустила. Если выигрыш на единицу не покрывает плату за модель и цену пропущенных ошибок, процесс оставляют как есть или пишут правило.
5. Контроль после запуска. Случайная выборка автоматически принятых результатов — единственный способ знать реальную долю ошибок. Как устроить такую проверку для входящих документов, разобрано в статье про документы и ИИ.

Эталонный набор прогоняют при каждой смене модели, версии или промпта, иначе обновление незаметно меняет поведение процесса. Перед дообучением он нужен тем более, иначе не понять, дало ли дообучение что-то, кроме счёта за GPU (подробнее — в статье о дообучении и поиске по документам).

Хороший первый кандидат для пилота выглядит так: работа повторяется десятки раз в день, результат проверяется за секунды, ошибка стоит недорого или ловится правилом, и есть человек, который отвечает за метрику. Если какого-то условия нет, начинать стоит с него, а не с выбора модели.