От ИИ-хайпа к бизнес-эффекту: где искусственный интеллект действительно приносит деньги

Искусственный интеллект уже перестал быть технологией, которую бизнес внедряет просто ради эксперимента. Но вместе с количеством пилотов растёт и более неприятный вопрос: почему далеко не каждый ИИ-проект приносит измеримый экономический эффект?

Именно об этом говорили участники секции «От ИИ-хайпа к бизнес-эффекту» на XX Конгрессе «Подмосковные вечера». Модератором дискуссии выступил Леонид Головин (Газпромтранс). В обсуждении приняли участие Ринат Гимранов (СургутНефтегаз), Дмитрий Гуреев (Gureev.pro), Артём Задоя (СберСервис), Дмитрий Иншаков (Kept), Михаил Малышев (ИИ энтузиаст), Марат Мухарьямов (Группа ИТ компаний Lad) и Михаил Соломонов (УМАРТА).

Разговор быстро вышел за рамки вопроса «использовать ИИ или нет». Участники обсуждали, где заканчивается технологический хайп, какие процессы действительно стоит отдавать ИИ и кто в компании должен отвечать за превращение новой технологии в деньги.

ИИ уже не одна технология

Одна из первых проблем дискуссии оказалась терминологической. Сегодня словом «ИИ» зачастую называют прежде всего генеративные модели и LLM, хотя ещё несколько лет назад к искусственному интеллекту относили поисковые технологии, компьютерное зрение и множество других решений, которые теперь воспринимаются почти как обычная ИТ-инфраструктура.

Ринат Гимранов (СургутНефтегаз) предложил смотреть на ИИ именно с этой прагматичной позиции: «Сегодня, говоря об ИИ, мы в основном имеем в виду генеративные технологии и семейство LLM. То, что вчера называли искусственным интеллектом, например поисковые системы или компьютерное зрение, сегодня для нас уже просто технология. И с ИИ будет так же: если мы определили параметры, получили результат и можем посчитать экономический эффект, начинается нормальный технологический разговор. Сам я скорее ИИ-скептик, хотя сейчас мы пилотируем несколько ИИ-агентов».

Дмитрий Гуреев (Gureev.pro) обратил внимание на другое изменение: современные системы начинают работать с теми областями, которые прежде практически полностью оставались за человеком.

«ИИ можно определить как систему, моделирующую когнитивные функции человека. Но сама модель сегодня определяет далеко не всё: важнее обвязка и инструменты, с которыми она работает. У нас появилась “думающая машина”, способная планировать, работать с неструктурированными данными и заходить в области деятельности, которые раньше считались исключительно человеческими. Но эффект возникает только тогда, когда мы понимаем, как вместе работают человек, машина и команда».

Не искать задачу для ИИ, а искать ИИ для задачи

Один из сквозных выводов дискуссии: сам факт использования ИИ ещё не создаёт ценности. Иногда лучшим решением оказывается вовсе не генеративная модель.

Артем Задоя (СберСервис) рассказал, что компания работает более чем с 250 клиентами, и практика показывает: далеко не каждый процесс стоит начинать с ИИ.

«В семи случаях из десяти ИИ вообще не нужен. В нашей платформе базой часто выступает RPA: это “руки”, которые выполняют действия, а ИИ становится “головой”. Наша философия заключается именно в объединении этих технологий. В цифровую трансформацию нужно двигаться как ребёнок: сначала научиться ползать, потом ходить, а уже потом пытаться бежать».

Похожую позицию обозначил Дмитрий Иншаков (Kept). Вместо поиска эффектного нового сценария компания смотрит на уже существующие массовые процессы, в которых сотрудники ежедневно теряют время.

«Одна из моих задач — повышать эффективность коллег. И для этого необязательно каждый раз придумывать принципиально новое решение. Гораздо эффективнее взять существующую массовую проблему. Например, сотрудники часами работают с офисным пакетом: им постоянно нужно перефразировать текст, перевести его, сделать саммари. Это не новая задача и не новые деньги. Это старая задача, на которую люди тратят время. ИИ это время экономит, а уже задача бизнеса — понять, как использовать освободившееся время для заработка новых денег».

От стоимости модели к стоимости результата

Технологическая сторона ИИ при этом меняется настолько быстро, что вчерашние ограничения перестают быть постоянными. В презентации Михаила Малышева (ИИ энтузиаст) среди ключевых трендов 2026 года отмечены удешевление сильных моделей, быстрое развитие открытых и локальных моделей, переход от чатов к агентам с инструментами и рост автономности систем. 

Отсюда меняется и сама логика оценки технологии.

Михаил Малышев (ИИ энтузиаст): «Цена токена уже мало о чём говорит. Считать нужно стоимость завершённой задачи».

То есть бизнесу становится всё менее важно, насколько впечатляюще модель отвечает на отдельный запрос. Гораздо важнее, сколько стоит полностью выполненный процесс и какой результат компания получает на выходе.

Главный барьер может находиться не в модели, а в самом процессе

Эту мысль развил Марат Мухарьямов (Ladcraft). По его мнению, одна из причин разочарования в ИИ-пилотах заключается в «лоскутной автоматизации»: компания ускоряет отдельную операцию, но не меняет процесс целиком.

В такой схеме человек остаётся обязательным звеном и постепенно сам становится новым узким местом. В презентации Мухарьямова этому противопоставляется замкнутый самоадаптирующийся контур, в котором агенты взаимодействуют друг с другом, а человек переходит из роли исполнителя в роль архитектора и управляющего процессом. 

Марат Мухарьямов (Ladcraft): «Кратный эффект даёт не “агент в процессе”, а процесс, пересобранный вокруг агентов».

При этом полная автономность не возникает автоматически. Она требует платформы, способной поддерживать долгоживущих агентов, продуманной экономики использования LLM и команды, которая постепенно развивает систему. Иными словами, автономность оказывается одновременно технологической и организационной задачей. Секция 4. Автономность ИИ-агент…

Даже хороший ИИ способен уверенно ошибаться

Отдельной темой стала надёжность генеративных систем. Артем Задоя (СберСервис) привёл пример проекта с ГК ФСК, где создавался ИИ-агент для консультаций по недвижимости. Лучший достигнутый результат составил 87% корректных консультаций. Но особенно показательными оказались оставшиеся 13%.

«Агент мог прекрасно проконсультировать клиента, но проблема была в том, что объекта недвижимости, о котором он рассказывал, у компании вообще не существовало. И это уже не обычный технический баг. Поэтому мы и считаем правильным соединять ИИ с классической автоматизацией: ИИ может быть “головой”, но действия должны выполняться в контролируемом контуре».

Этот пример хорошо показывает разницу между качеством ответа модели и реальным бизнес-результатом: убедительный ответ ещё не означает корректно выполненную задачу.

Экономический эффект уже можно считать в деньгах

При этом часть компаний уже использует ИИ не как эксперимент, а в рабочих процессах с вполне конкретной экономикой.

Михаил Соломонов (УМАРТА) рассказал, что ИИ позволяет компании сокращать затраты на внешнюю юридическую и аналитическую поддержку и значительно ускорять подготовку требований.

«Часть задач юристов нам уже заменяет ИИ, и это даёт экономию в несколько миллионов рублей в год. Если результат нас не устраивает, тогда обращаемся во внешний сервис. Аналитиков мы тоже практически не привлекаем: беседуем с клиентом, записываем разговор и дальше подключаем агентов. Первые функциональные требования получаем за фантастически короткое время. А для клиента это уже напрямую превращается либо в экономию, либо в дополнительную выручку».

ИИ не золотая пуля

Участники вернулись к вопросу, который фактически прошёл через всю дискуссию: не переоценивает ли бизнес саму технологию?

Леонид Головин (Газпромтранс) напомнил о размышлениях Макса Тегмарка о будущем человека в эпоху сильного ИИ и сформулировал одну из главных опасностей сегодняшнего ажиотажа: «Мы слишком часто воспринимаем ИИ как золотую пулю. Но если когда-нибудь ИИ действительно научится самостоятельно зарабатывать деньги, вполне возможно, что об этом нам как раз никто рассказывать не будет».

А Дмитрий Гуреев (Gureev.pro) подвёл к более прикладному выводу: «У каждого инструмента есть своё место. Главная задача сегодня не в том, чтобы внедрить ИИ повсюду, а в том, чтобы научиться правильно определять, где именно он нужен и какой эффект должен дать».

В итоге дискуссия показала довольно трезвую картину. Бизнес-эффект возникает не в момент подключения очередной модели. Он появляется, когда компания начинает с конкретной проблемы, выбирает подходящий инструмент, перестраивает процесс, заранее определяет ожидаемый результат и только после этого считает экономику.