ИИ — новый слой
производительности бизнеса
От хайпа к измеримому ROI: практика внедрения искусственного интеллекта в российских
компаниях
Василий Рыжонков
Предприниматель, Ex- руководитель Центра
мобильных технологий Фонда «Сколково»,
сооснователь ARena Lab и ARena Space. Руководитель
направления по ИИ продуктам IT-компании Self. Автор
SELF AI Strategic Leadership Framework по ИИ-
трансформации бизнеса.
REALITY CHECK
Иллюзия vs Реальность
Вижн понятен — теперь про приземление
ИИ оценивается не по "умности", а по влиянию на скорость решений и стоимость операций . Без хайпа. Только практика
и измеримые результаты.
ИЛЛЮЗИЯ
(Hype)
«Умный чат-бот»
Красивый интерфейс без измеримого эффекта
«Внедрили ИИ»
Технология ради технологии
«Автоматизация»
Локальное решение без системного эффекта
РЕАЛЬНОСТЬ
(Value)
-30%
времени на обработку заявок
18 000
часов высвобождено
-15%
операционных затрат
THE PROBLEM
80% запросов
"Давайте автоматизируем продажи/поддержку/HR"
Продажи
"Давайте внедрим ИИ в продажи"
→ Отдел хочет выглядеть модно
Поддержка
"Разгрузим поддержку"
→ KPI оператора, а не клиента
HR
"Автоматизируем HR"
→ Чтобы отстали
Контекст 2024–2026
Выручка под давлением
Сокращения до 20–25%
Жёсткий контроль инвестиций
Реальность
Много песочниц и пилотов
Мало масштабирования
Почти нет измеренного ROI
Результат: Иллюзия прогресса → эффект ≠ масштабирование
KEY FRAME
ИИ — не «чатик»,
а новый слой производительности бизнеса
Не «внедрить ИИ»
а снять узкие места
Где течёт время
Где дорогая ручная работа
Где решения принимаются вслепую
Ускорить цикл
вопрос → решение → действие
Вопрос
Решение
Действие
ИИ встраивается в процессы
а не живёт отдельно
3×
быстрее цикл решений
ECONOMIC IMPACT
Три волны экономического эффекта от ИИ
1
Экономика времени
4–8 недель
-30%
времени на поиск документов, согласования, рутину
Высвобождение capacity
2
Операционные затраты
3–6 месяцев
-15-20%
операционных затрат, меньше ошибок и переделок
Снижение cost-to-serve
3
Управляемость и выручка
6–12 месяцев
+5-10%
к конверсии, меньше «пожаров»
Точность решений, скорость реакции
Совокупный эффект
Эффект появляется волнами, а не сразу
50–500+
млн ₽
CASE STUDY 1 • RESULTS
Результат: 18 000 часов за 6 месяцев
18 000
часов высвобождено
(90% от цели)
≈27 млн ₽
в эквиваленте capacity
+25%
рост бизнеса
рост штата: 0%
Контекст
Туристический бизнес
~700 сотрудников, 12 BU
Проблема
Бизнес вырос на 25%, штат не растёт
Почему это было возможно
Время "текло" по 6–7 процессам, а не в одном месте
Процессы были повторяемыми (документы, заявки, поддержка)
Данные были доступны, но не использовались
Как высвободить 20 000
часов?
“
Было:
10 000 ч/мес
на рутину
Стало:
7 000 ч/мес
-30% = 3 000 ч/мес
CASE STUDY 1 • RESULTS
Как пришли к результату: 4 шага
1
Диагностика
2 недели
Анализ 6–7 процессов
2
Приоритизация
1 неделя
Выбор 4 приоритетов
3
Внедрение
8 недель
Встраивание в workflow
Карта процессов — где
"течёт" время?
ROI-матрица — ROI +
риски + данные
ИИ в CRM , заявки,
документы — не отдельно
Baseline → факт →
тиражирование
4
Масштаб
12 недель
На все 12 BU
Ключ успеха
Начали не с бота, а с диагностики
Эффект измеряли по каждому
процессу
ИИ встроен в workflow, а не живёт
отдельно
CASE STUDY 1 • RESULTS
Почему у 80% компаний такой результат невозможен
1
Нет карты процессов
→ Не знают, где течёт время
2
Нет baseline
→ Не могут измерить эффект
3
ИИ живёт отдельно от процессов
→ "Прикрутили чат" — процесс не изменился
4
Capacity без управления исчезает
→ Высвободили время — оно "растворилось"
5
Нет владельца результата
→ Пилот умер через 3 месяца
Воронка смертности
100
компаний запустили ИИ
80%
умирают
20%
работают
Причины провала:
Нет процессов
35%
Нет метрик
25%
ИИ в вакууме
20%
Нет владельца
20%
Вывод: Без процессного подхода + метрик + владельца = иллюзия эффекта
CASE STUDY 1 • RESULTS
140 млн ₽ высвобожденного капитала за год
-28%
неликвида
с 15% до 11%
≈140 млн ₽
высвобождено
65% → 82%
точность прогноза
Контекст
Крупный ритейл
Федеральный масштаб
Проблема
15% запасов = неликвид (500 млн ₽)
Почему это было возможно
Были 4–5 лет данных (продажи, промо, внешние факторы)
Процесс прогнозирования существовал, но был ручной
Закупки, продажи, логистика готовы работать вместе
Эффект Waterfall
Неликвид
500 млн ₽
Снижение
-140 млн ₽
(-28%)
Остаток
360 млн ₽
CASE STUDY 1 • RESULTS
Почему эффект в сотни миллионов, а не в копейки
1
Между
функциями
Эффект рождается между функциями,
а не внутри одной
Единый контур:
Закупки
Продажи
Логистика
Финансы
Локальная оптимизация ≠ системный
результат
2
Согласование
решений
ИИ — инструмент согласования
решений для всех участников
процесса
ML даёт прогноз
GenAI помогает интерпретировать
Все видят одну картину
3
Портфельный
подход
Quick wins + Big bets — баланс
быстрых результатов и
стратегических инициатив
Quick Wins
База знаний, поддержка — быстрый эффект
Big Bets
Управление запасами — масштабный эффект
Один кейс ≠ трансформация.
Нужен портфель инициатив
CASE STUDY 1 • INSIGHTS
5 самых быстроокупаемых сценариев
Практика "первых волн"
База знаний
40% времени на поиск информации
-40%
времени
Срок:
4–6
недель
Поддержка
Перегрузка операторов, рост обращений
-25%
времени
Срок:
6–8
недель
Продажи (КП)
Долго готовят коммерческие предложения
+15%
скорость
Срок:
8–10
недель
Финансы (первичка)
Ручная сверка документов и проводок
-30%
времени
Срок:
8–12
недель
Закупки
Анализ поставщиков и ценовых предложений
-20%
времени
Срок:
10–12
недель
Общий принцип: встраиваются в процесс, а не живут
отдельно
Расширенный чек-лист
(20+ сценариев)
STRATEGY
Квадрант зрелости: пионеры vs прагматики
АМБИЦИИ ИИ-ТРАНСФОРМАЦИИ
ЗРЕЛОСТЬ
КОМПАНИИ
ОПАСНАЯ ЗОНА
«Хотим всё и сразу»
Низкая зрелость +
высокие амбиции
Риск: зоопарк пилотов,
нет фундамента
ПИОНЕРЫ
«Строим сами»
Высокая зрелость +
высокие амбиции
Долго, дорого, высокий
риск, но контроль
СТАРТ
«Начинаем с малого»
Низкая зрелость +
умеренные амбиции
Quick wins, набираем
зрелость
ПРАГМАТИКИ
«Платформы +
интеграция»
Высокая зрелость +
умеренные амбиции
Быстрее time-to-market,
ниже риски
Низкая
Высокая
Рекомендации по профилю
Опасная зона
Делать: снизить амбиции, набрать зрелость
Не делать: НЕ строить с нуля, НЕ всё сразу
Старт
Делать: quick wins, процессы, данные
Не делать: НЕ big bets, НЕ пионерить
Пионеры
Делать: строить, контроль, долгосрок
Не делать: НЕ торопить, НЕ экономить на команде
Прагматики
Делать: платформы, интеграция, быстрый ROI
Не делать: НЕ строить велосипед
Pitfalls
Почему у 80% компаний ИИ-пилоты умирают в первый год
Топ-4 причины провала
1
Нет пересборки процессов
«Прикрутили чат» — процесс остался прежним → локальный эффект
2
Нет метрик ROI и baseline
Неясно, был ли эффект вообще → нечего масштабировать
3
Слабые данные и интеграции
ИИ работает «в вакууме», без доступа к ERP/CRM → качество низкое
4
Нет владельца результата
Никто не отвечает за эффект → пилот «рассасывается»
Воронка смертности пилотов
100 компаний
запустили ИИ-пилот
70%
умирают в первый год
Причины провала
Нет пересборки
35%
Нет метрик ROI
25%
Слабые данные
20%
Нет владельца
20%
30% выживают
У них: процессный подход
Вывод: без процессного подхода = зоопарк решений без эффекта на бизнес
NEXT STEPS
Диагностика = 2 недели, эффект = 90 дней
Что даёт диагностика / мини-аудит
1
Зафиксируем узкие места
Где теряется время и деньги (процессы, роли, системы)
2
Выберем 3–5 сценариев
С быстрым ROI, приоритеты волны 1 (4–12 недель до эффекта)
3
Дадим план действий
90 дней (первые эффекты) + roadmap на 12 месяцев
4
Оценим риски и готовность
Данные, интеграции, governance, безопасность
Без диагностики
Гадаем, где ROI
Пилоты вслепую
Зоопарк решений
Риски не оценены
Эффект неясен
С диагностикой
Знаем узкие места
3-5 приоритетов
Единый подход
Риски управляемы
План на 90 дней
Без диагностики = риск «зоопарка решений» и слепых
инвестиций
2 недели
до понимания пути
Заявка на персональную
диагностическую сессию