Сам факт использования искусственного интеллекта внутри компании уже не вызывает удивления. По данным McKinsey, в 2025 году 88% опрошенных организаций применяли AI хотя бы в одной бизнес-функции. Однако к масштабному внедрению перешла лишь примерно треть, а влияние технологии на прибыль на уровне всей компании отметили только 39% респондентов.
Такой разрыв легко объяснить. Почти всегда под использованием AI подразумевают ускоренную подготовку писем, формирование отчетности или генерацию с его помощью вариантов заголовков, но почти никогда - изменение качества решений, клиентский опыт или экономику компании. То есть AI, несомненно, используется в большинстве бизнесов и приносит пользу, но всё еще остается на уровне личной производительности отдельного сотрудника.
Потому сегодня зрелость AI-практики определяется не количеством купленных лицензий и не числом созданных промптов. Гораздо важнее, какую проблему решает технология, на каких данных работает, встроена ли она в процесс и может ли компания доказать, что результат действительно стал лучше.
1. AI решает проблему или просто участвует в работе?
Проверьте:
-
Можно ли назвать конкретную бизнес-проблему, ради которой используется AI?
-
Какой показатель изменился после его внедрения?
-
Что ухудшится, если завтра отключить AI?
Фраза «мы используем AI в маркетинге» почти ничего не говорит о ценности, которую он несет. За этим может скрываться как автоматическая сегментация клиентской базы, влияющая на продажи, так и подготовка десятка вариантов одного рекламного текста.
Второй сценарий тоже экономит время, но необязательно меняет результат бизнеса. Именно поэтому компании, получающие наибольшую отдачу от AI, чаще связывают его не только с сокращением расходов, но и с ростом, продуктовой разработкой и улучшением клиентского опыта. Кроме того, они почти втрое чаще перестраивают вокруг технологии рабочие процессы, а не просто добавляют новый инструмент к прежнему порядку действий.
Зрелое использование начинается там, где компания может назвать не функцию AI, а проблему, которую больше не приходится решать прежним способом.
2. AI знает вашу компанию или каждый раз начинает с чистого листа?
Проверьте:
-
На каких внутренних источниках основаны ответы системы?
-
Может ли сотрудник увидеть, откуда взялась информация?
-
Учитывает ли AI актуальные правила, продукты и историю решений компании?
Общедоступная модель знает много, но не знает, почему конкретный бизнес отказался от определенного продукта, что обещал важному клиенту и какие исключения действуют во внутренних правилах. Если сотрудник каждый раз вручную пересказывает этот контекст в новом чате, AI остается личным помощником, а не частью корпоративного знания.
Показательный пример привела Нур аль-Хассан, основательница и CEO Tarjama и Arabic.AI, на дискуссии The AI Gold Rush: How Women Can Become the Next Generation of Billionaires во время WE Convention 2025, проходившей 1-2 ноября 2025 года в Дубае. За годы работы ее переводческий бизнес накопил миллиарды слов, переведенных людьми. Этот массив профессионально подготовленных арабских текстов стал собственным активом компании и позволил повысить качество языковой модели, несмотря на значительно меньшие бюджеты по сравнению с глобальными конкурентами.
Одна и та же модель доступна тысячам компаний. Конкурентным преимуществом становится контекст, который бизнес накопил самостоятельно и умеет безопасно подключить к работе AI.
3. AI встроен в процесс или живет в отдельной вкладке?
Проверьте:
-
Приходится ли сотруднику вручную копировать данные в чат?
-
Нужно ли затем переносить ответ обратно в CRM или другую систему?
-
Изменился ли сам процесс или отдельные действия просто стали быстрее?
Чат-бот помогает тому, кто помнит о нем и умеет правильно сформулировать запрос. Но если вокруг модели сохраняются те же ручные действия, компания получила новый инструмент, а не новый процесс.
В подразделении управления частным капиталом Morgan Stanley AI-ассистент встроен в рабочую среду финансовых консультантов и связан с корпоративной базой знаний. Система помогает находить сведения во внутренних документах, а другие инструменты превращают материалы встреч в заметки и проекты дальнейших действий. Сегодня ассистент используют более 98% команд консультантов компании.
Смысл такого решения не только в более быстром пересказе информации. AI сокращает путь от клиентского разговора и внутренних знаний к следующему действию специалиста. Именно интеграция делает экономию времени повторяемой для всей функции.
4. Вы измеряете результат или только сэкономленные минуты?
Проверьте:
-
Учитывается ли время, потраченное на исправления?
-
Изменилось ли качество конечного результата?
-
Связана ли метрика AI с клиентом, деньгами или точностью решения?
Скорость заметить проще всего. Если документ теперь готовится за двадцать минут вместо двух часов, эксперимент легко признать успешным. Однако эта цифра ничего не говорит о том, сколько времени затем ушло на проверку, согласование и исправление ошибок.
Поэтому вместо количества созданных текстов важнее оценивать долю принятых материалов, вместо скорости первого ответа - полное время решения запроса, а вместо числа пользователей - устойчивое влияние на качество или стоимость процесса.
Morgan Stanley, например, создала систему оценок еще до широкого запуска своих AI-инструментов. Эксперты проверяли ответы на реальных сценариях и оценивали надежность поиска и пересказа информации. В регулируемой финансовой отрасли именно контроль качества, а не только скорость, позволил распространить систему на всю организацию.
Экономия времени становится бизнес-результатом только тогда, когда она не оплачивается последующими доработками и ростом риска.
5. Кто отвечает, когда AI ошибается?
Проверьте:
-
В какой момент человек обязан проверить результат?
-
Может ли AI самостоятельно отправить, изменить или отклонить что-либо?
-
Кто отвечает, если сотрудник последовал неверной рекомендации?
Пока AI пишет внутренний черновик, цена ошибки обычно ограничивается временем сотрудника. Ситуация меняется, когда система отвечает клиенту, анализирует договор, оценивает кандидата или предлагает финансовое решение.
Участие человека при этом не означает, что каждую строку нужно перепроверять вручную. Уровень контроля должен зависеть от последствий: классификация входящих писем и отказ клиенту в услуге требуют разного надзора.
Рамочная модель Национального института стандартов и технологий США рассматривает управление рисками AI как непрерывную работу, включающую определение контекста, измерение, управление и реагирование. Ответственность должна появиться до инцидента - в виде владельца процесса, правил проверки и понятного порядка действий при ошибке ().
McKinsey также относит четкое определение ситуаций, в которых результат требует человеческой проверки, к практикам компаний с наиболее высоким эффектом от AI.
6. У AI есть общие границы или каждый сотрудник устанавливает их сам?
Проверьте:
-
Понятно ли, какие данные нельзя загружать в публичные сервисы?
-
Различаются ли правила для разных инструментов и задач?
-
Известно ли компании, какие AI-сервисы сотрудники уже используют самостоятельно?
Если официальных границ нет, это не означает, что AI не используется. Просто один сотрудник загружает в публичный чат договор, другой полностью избегает любых рабочих данных, а третий применяет модель при найме, не сообщая об этом коллегам.
Общий запрет редко решает проблему. Гораздо важнее учитывать тип данных, инструмент и возможные последствия ошибки. Вариант рекламного заголовка и анализ медицинских или финансовых сведений не могут регулироваться одинаково.
По данным McKinsey, 51% представителей организаций, использующих AI, уже сталкивались хотя бы с одним негативным последствием, причем чаще всего речь шла о неточности результатов. NIST, в свою очередь, отдельно выделяет риски конфиденциальности, интеллектуальной собственности, недостоверных ответов и чрезмерного доверия к модели.
Понятные границы не тормозят использование технологии. Напротив, они позволяют осторожным сотрудникам не бояться AI, а активным - не превращать эксперимент в неконтролируемый риск.
7. Удачная практика принадлежит компании или одному энтузиасту?
Проверьте:
-
Где сохраняются рабочие сценарии и правила проверки?
-
Может ли другой сотрудник повторить тот же результат?
-
Что произойдет, если автор решения уйдет из компании?
Во многих организациях использование AI начинается с нескольких энтузиастов. Они находят удачные сценарии, создают промпты и помогают коллегам. Однако, если весь опыт остается в личной истории чатов, компания продолжает зависеть от конкретного человека.
Биотехнологическая компания Moderna при внедрении ChatGPT Enterprise создала обучение, регулярные консультации и сеть внутренних AI-чемпионов. Внутренний форум собирал около двух тысяч активных участников в неделю, а за первые два месяца сотрудники разработали 750 специализированных GPT. При этом отдельные решения начали встраиваться в клиническую, юридическую и коммуникационную работу.
Количество ассистентов само по себе еще не доказывает зрелость. Значение имеет возможность проверить, передать и поддерживать удачное решение. Компания должна сохранять не только текст промпта, но и задачу, источники данных, ограничения, критерии качества и ответственного владельца.
Если технология существует в отдельной вкладке, а ее эффект описывается только числом созданных текстов, она пока усиливает отдельного сотрудника. Если же AI меняет процесс, использует знания компании, проходит проверку и дает измеримый результат - вот тогда он по-настоящему начинает работать на бизнес.
