Разговоры об ИИ в бизнесе перешли из плоскости «что это такое» в практическую: какие функции отдаются алгоритмам уже сегодня, где внедрение буксует и какие решения принимают компании, которые получают от ИИ измеримый эффект. Запрос на практическую карту применения ИИ по функциям бизнеса растёт - владельцы и маркетологи ищут не абстракцию, а ориентиры: какие сценарии использовать ИИ в своём деле и на что обратить внимание, чтобы не сжечь бюджет.

Где сейчас внедрение идёт быстрее всего

По кросс-индустриальным опросам, лидеры концентрируют ИИ в нескольких зонах: клиентская поддержка, продажи, маркетинг и разработка контента. В этих функциях проще измерить эффект и быстрее виден отклик. Например, по данным Automation World, лишь 28% крупных компаний с выручкой от $5 млрд вышли на измеримый операционный результат от agentic AI (автономных ИИ-агентов, выполняющих задачи без постоянного участия человека), а остальные продолжают экспериментировать. То есть разрыв между лидерами и отстающими уже сформирован - и он касается не столько наличия технологий, сколько зрелости процессов и данных.

В производстве картина скромнее: только 37% компаний используют генеративный ИИ более чем в нескольких сценариях, а 31% намерены разрабатывать собственные решения. Производители оказались предпоследними по доле реального внедрения, что связывают с фрагментированной ИТ-инфраструктурой и высокой ценой ошибки на конвейере (подробнее - в материале Australian Manufacturing).

Какие функции автоматизируют чаще всего

Маркетинг и продажи. Здесь ИИ берёт на себя рутину: генерация и адаптация текстов, скоринг лидов (автоматическая оценка вероятности покупки), подбор персональных предложений, обработка входящих заявок. Это быстрый возврат инвестиций и понятные метрики - конверсия, время ответа, стоимость лида.

Клиентская поддержка. Чат-боты и агенты первого уровня закрывают типовые обращения, освобождая операторов для сложных кейсов. Эффект измеряется по среднему времени обработки и доле решённых вопросов без эскалации.

HR и внутренние процессы. ИИ помогает с сорсингом резюме, онбордингом, подготовкой черновиков документов и ответов на типовые вопросы сотрудников.

Разработка и аналитика. Генерация кода, автодополнение, подготовка SQL-запросов, разбор логов и поиск аномалий. Это функции, в которых меньше регуляторных ограничений и выше скорость итераций.

Из этого списка лидеры обычно выбирают 2-3 направления с измеримыми метриками, а не пытаются покрыть всё сразу. Такой подход снижает риск разрастания проектов и позволяет доказать ценность технологии внутри компании.

Типовые ошибки отстающих

Параллельно с зонами роста формируется набор типовых провалов. Forbes со ссылкой на отраслевые прогнозы называет главную причину: до 60% проектов ИИ срываются из-за неадекватной подготовки данных. Автономные агенты усиливают риск, потому что быстро распространяют ошибку - одна неверная транзакция или неполная выгрузка приводит к каскаду решений поверх неё.

На практике это выглядит так:

  • Данные разрозненны и плохо описаны. Нет единой карты информационных активов и владельцев, а доступ к критичным таблицам либо чрезмерно открыт, либо заблокирован. Системы не соединены через API, и команда тратит недели на ручную сборку датасетов.
  • Governance (набор правил, кто и как работает с данными) отсутствует. Непонятно, кто отвечает за качество, кто согласует изменения, какие поля считаются доверенными. Без этого ИИ обучается на «грязных» исторических данных и тиражирует ошибки.
  • Нет компетенций внутри компании. Как отмечает ZDNET, в энергокомпании EDF UK сильные внутренние технические навыки рассматривают как обязательное условие эффективного применения ИИ. Без них проект держится на подрядчиках и теряет устойчивость, когда контракт заканчивается.
  • Фокус на собственной разработке без зрелой data foundation. Команда уходит в создание собственной платформы, не разобравшись с источниками данных и процессами. Сроки и стоимость растут, а бизнес продолжает спорить о приоритетах.

Эти ошибки часто описывают как «agent washing» - заявленный ИИ не даёт измеримой ценности, потому что за красивой обёрткой нет данных, процессов и ответственности.

Как выбрать приоритетные сценарии в своей компании

Выбор направления лучше начинать не с технологии, а с процесса. Три фильтра, которые работают у лидеров:

1. Высокая повторяемость задачи. Если сотрудник делает одно и то же каждую неделю - это кандидат на автоматизацию. Если задача уникальна каждый раз - ИИ даст слабый эффект. 2. Измеримая метрика. Конверсия, время обработки, процент ошибок, доля автоматизированных обращений. Без метрики эффект нечем подтвердить, и проект умирает на этапе согласования. 3. Доступ к данным. Сценарий с полными и описанными данными выигрывает у сценария, ради которого нужно полгода собирать источники.

По этим фильтрам у большинства компаний первыми идут поддержка, маркетинг и продажи. HR и финансы подключаются вторым эшелоном, когда инфраструктура и governance уже выстроены.

Что делать с данными до запуска

Прежде чем запускать пилоты с ИИ, стоит пройти четыре шага из чек-листа, который приводит Forbes:

  • Составить инвентаризацию данных. Где они хранятся, кто владеет, какие источники критичны для приоритетных сценариев.
  • Установить правила доступа и ответственности. Кто утверждает изменения, кто отвечает за качество, кто согласует использование данных в ИИ-системах.
  • Подтянуть качество. Дубликаты, пропуски, устаревшие значения - всё, что искажает работу модели.
  • Снизить силосы (разрозненные хранилища, между которыми не настроен обмен) через API и интеграции. Без этого даже хорошие агенты остаются с «одной рукой».

Это занимает время, но именно эти инвестиции отличают 28% компаний с измеримым эффектом от остальных.

Что это значит для бизнеса

Переходить от экспериментов к масштабированию стоит через короткие пилоты с измеримыми метриками и ограниченным скоупом. До запуска важно зафиксировать владельцев данных и базовый governance, иначе проект упирается в качество источников. Параллельно нужно вкладываться во внутренние технические компетенции, иначе развитие держится на подрядчиках и теряет устойчивость. Если собственной разработки пока нет, разумнее начать с готовых сервисов, закрывающих приоритетный сценарий, а собственную платформу строить только там, где готов data foundation и понятен экономический эффект.

Итог

Внедрение ИИ в бизнес уже распределено неравномерно: лидеры концентрируются на функциях с высокой повторяемостью и понятными метриками - поддержке, продажах, маркетинге, HR-рутине. Отстающие чаще всего тонут не в технологиях, а в данных, отсутствии governance и слабых внутренних компетенциях. Главный практический вывод прост: сценарии внедрения ИИ в компаниях выбираются не по модности, а по готовности данных, наличию владельца и ясной метрики результата.

Если хотите разобраться, какие сценарии дадут эффект именно в вашей компании, начните с экспресс-аудита текущих процессов и источников данных.