Внедрение ИИ в бизнес под ключ: подводные камни, которые обычно не говорят подрядчики

Расскажу неприятную статистику. По данным с Хабра, 9 из 10 пилотов GenAI в России в 2025 году не доехали до промышленной эксплуатации. По отчёту MIT NANDA - 95% пилотных программ ИИ в компаниях не дают измеримого результата на прибыль. По Ведомостям - 95% российских компаний до сих пор не окупили вложения в ИИ.

Я общаюсь с десятками клиентов из SMB ежегодно. Слышу одно и то же. "Нам обещали окупаемость за квартал". "Сказали что не надо ничего менять, всё будет работать поверх процессов". "Купили готовое решение, оказалось - кастом". Расскажу, что обычно умалчивают подрядчики на этапе продажи. Без обиняков. Не для того, чтобы кого-то очернить, а для того, чтобы вы пришли в этот разговор с открытыми глазами.

"Окупится за квартал" - обычно враньё

Это самый частый штамп в коммерческих предложениях. Звучит обнадёживающе. На деле в большинстве сценариев первая реальная отдача появляется на 6-12-м месяце.

Откуда берётся "квартал". Это срок, в который укладывается ОЧЕНЬ узкий и подготовленный сценарий. Например, FAQ-бот для типовых вопросов, у которого готовы база знаний, чёткий список вопросов и канал интеграции. Если у вас уже есть нормальная база знаний - запуск 2 недели, окупаемость 6-8 недель. Реально.

А что обычно? Базы знаний нет, она разрознена по Notion, Google Docs, головам трёх сотрудников и переписке в Telegram. Прежде чем запустить бота, надо эту базу собрать. Это 4-8 недель сами. Потом запуск - ещё 4-6 недель. Потом первый месяц бот тупит, его дотягиваешь. Это ещё 4-8 недель. Итого - не "квартал", а полгода до первой настоящей экономии.

На голосовом ИИ-обзвоне ситуация ещё хуже. Подрядчик показывает кейс "клиент N сэкономил 3 миллиона за квартал". В кейсе у клиента N уже была CRM с чистыми данными, контакт-центр на 8 человек и стандартный скрипт. У вас - две девочки на телефоне, Excel-табличка вместо CRM и обзвон "как пойдёт". Окупаемость в таких условиях - 9-14 месяцев, потому что половина времени уходит на наведение порядка в процессах.

Это не значит, что внедряться не надо. Это значит, что в финансовый план надо закладывать честные 6-12 месяцев. Если в КП обещают квартал - спрашивайте, на каких данных эта цифра, и попросите развернуть допущения. Если развёрнутого расчёта нет - это маркетинг, а не прогноз.

"Внедрим без перестройки процессов" - не получится

Любимая фраза менеджеров по продажам. Она нравится клиентам, потому что снимает страх "придётся всё ломать". Только она вводит в заблуждение.

ИИ - не магический слой, который поверх хаоса делает порядок. ИИ - это ускоритель. Если процессы беспорядочны, ИИ ускорит беспорядок. Если данные грязные, ИИ выдаст уверенный ответ из грязных данных. Если у вас нет владельца базы знаний - база устареет за квартал, и ИИ будет отвечать ложь.

Конкретный пример из разбора Teamly на Хабре: на пилоте корпоративный ассистент работает отлично, потому что обучен на "идеальных" документах. В проде - сталкивается с устаревшей, противоречивой, разрозненной информацией и начинает галлюцинировать. Сотрудники теряют доверие за две недели. Дальше проект жив только формально.

На практике любое серьёзное внедрение ИИ требует подготовительной работы. Минимум: единая база знаний с владельцем, описанные процессы, чистые данные в CRM, понимание метрик "до" и "после". Это не "переписать всю компанию", но это и не "никаких изменений".

Если подрядчик говорит "вообще ничего трогать не надо" - бегите. Он либо не понимает, что продаёт, либо понимает, но молчит, потому что иначе сделка сорвётся. Честные подрядчики начинают разговор с аудита процессов. И часто половина пользы внедрения - именно в этом аудите. ИИ выступает катализатором наведения порядка.

"GigaChat решит ваши задачи" - часто нужен микс

Маркетинговая ловушка номер три. На сайте подрядчика красивая надпись "работаем на GigaChat и YandexGPT". Это, мол, и есть выбор. На практике под разные задачи нужны разные модели, иногда зарубежные, иногда локальные.

Простой пример. Чат-бот для типовых клиентских вопросов - GigaChat справится. Извлечение структурированных данных из юридического договора с высокой точностью - тут уже хочется что-то посерьёзнее, например, локальный fine-tuned Qwen или Llama. Кодогенерация для бэк-офис задач - совсем другая модель. Голосовая транскрипция плюс анализ - стек из 2-3 моделей плюс STT-движок.

В одном из разборов на vc.ru хорошо описано, как компания заплатила 2 миллиона за AI-платформу под продажи и получила нулевой результат. В том числе потому, что выбранная модель тупо не вытягивала их формат данных. Менеджеры по продажам подрядчика не предупредили, что для их кейса нужна другая архитектура.

Хороший подрядчик на этапе обсуждения должен сказать что-то вроде "для этой задачи возьмём такую модель, а для этой - другую, плюс будет векторное хранилище и слой роутинга между ними". Если в КП написано просто "внедрим GigaChat" - это либо игрушка, либо разговор не закончен.

Кстати, я сам пишу подробнее про сравнение российских моделей в отдельной статье про YandexGPT и GigaChat, и в материале о реальных кейсах с GigaChat - там видно, где какая модель тянет, а где нет.

"Бесплатная консультация" - это продажа

Я сам предлагаю бесплатный созвон до подписания. И часто слышу от клиентов: "вы первый, кто на бесплатной консультации не пытался продать". К сожалению, большинство таких "консультаций" - это упакованный sales-звонок.

Маркер простой. На честной консультации вам должны задавать вопросы. Много. Про процессы, данные, людей, текущие боли. Минут 40-60 разговора, из которых половину вы говорите, а специалист записывает. И только в конце - примерная оценка того, что можно сделать.

На "консультации-продаже" вам сразу показывают красивый слайд "наша методология", рассказывают про "уникальный подход" и через 20 минут предлагают подписать договор на пилот. Без глубокого погружения в ваши данные. Без оценки рисков. С громкими обещаниями ROI.

Хуже того, на такой "консультации" редко рассказывают про ограничения и риски. "Ваш кейс сложный, мы можем не уложиться в озвученный бюджет" - вы не услышите. "В вашей отрасли ИИ пока даёт умеренный результат" - тем более. Только "сделаем", "окупится", "запустим в срок".

Простой тест: спросите на консультации, в каких случаях вы НЕ рекомендуете внедряться. Если ответ "ну, такого почти не бывает" - перед вами продажник, а не консультант. Если в ответ перечислят 3-5 ситуаций, при которых ИИ не нужен - можно дальше разговаривать.

"Готовое решение" - кастом всегда нужен

Подрядчики любят слово "коробочное решение" или "готовый продукт". Это здорово упрощает продажу: клиент представляет, что покупает чёткую вещь, как телевизор. Включил - заработало.

В реальности любой ИИ-продукт под живой бизнес - это от 30% кастома минимум. Промпты, база знаний, интеграции, бизнес-логика, права доступа, метрики, мониторинг. Это всё пишется и настраивается под конкретного клиента.

Что обычно скрывают. Стоимость "коробки" - это вход, а не итоговая цена. Базовая лицензия может стоить 50-100 тысяч в месяц. Настройка под вас - ещё 200-500 тысяч на старте. Интеграции с вашими системами - 50-300 тысяч каждая. Поддержка - 30-100 тысяч в месяц. Итого реальный бюджет первого года: 800 тысяч - 2.5 миллиона, даже если "коробка" стоит "всего" миллион.

Этого никто не врёт открыто. Просто на старте обсуждают только базу. А когда подписан договор и пошёл проект - "ой, для интеграции с 1С нужен дополнительный модуль на 250 тысяч". И вы платите, потому что выход уже дороже.

Запросите на этапе обсуждения смету по всем известным интеграциям. Запросите цены на типовые доработки. Запросите ставку часа специалиста и оценку часов на ваш кейс. Если в ответ "это считается отдельно после старта" - закладывайте +50% к бюджету заранее.

Как считать честный ROI

Главная проблема ROI ИИ-проектов - его никто не считает по-настоящему. Считают какие-то абстрактные "сокращение времени" или "повышение качества обслуживания". Это не ROI. Это маркетинг.

Честная формула выглядит так. Берёте сотрудника, который сейчас тратит N минут в день на конкретную задачу. Умножаете на 22 рабочих дня в месяце и на 12 месяцев. Получаете часы в год. Умножаете на ставку этого сотрудника плюс налоги (примерно +43% сверху от голой зарплаты). Это ваша теоретическая годовая экономия от автоматизации.

Теперь честно: ИИ не закроет 100% задачи, обычно 60-80%. Поэтому умножаете на 0.7. Теперь вычитаете стоимость внедрения и стоимость поддержки за тот же год. Получаете чистую годовую экономию. Делите на стоимость внедрения - получаете ROI в процентах. Делите наоборот - получаете срок окупаемости в годах.

Пример с цифрами. Менеджер тратит 90 минут в день на отчёты. При ставке 80 тысяч в месяц с налогами это около 700 рублей за час. 90 минут х 22 х 12 = 396 часов в год. 396 х 700 = 277 тысяч в год. ИИ закрывает 70%: 194 тысячи годовой экономии. Внедрение стоит 250 тысяч, поддержка 15 тысяч в месяц - это 180 тысяч в год. Чистая экономия первого года: 194 - 250 - 180 = минус 236 тысяч. Минус. Окупается только на втором году.

Если в КП от подрядчика ROI считается "от бенчмарков рынка", "от обещанной производительности", "от потенциала роста выручки" - перед вами не расчёт, а оптимизм. Просите конкретные часы, ставки, проценты закрытия задачи. Только так.

Полезное чтение по теме - статья про ожидания и реальность от чат-ботов. Там разобраны типичные мифы про "освободит 80% работы".

Как выбирать подрядчика и какие вопросы задавать

Соберу в одно место красные флаги, на которые я смотрю, когда меня самого зовут аудитором чужих коммерческих предложений.

Красный флаг 1: одинаковое решение под все задачи. На сайте написано "автоматизируем всё: продажи, маркетинг, HR, бухгалтерию, поддержку". В деталях оказывается, что у них одна платформа, которую перекрашивают под разные бизнесы. Хороший подрядчик честно говорит, в каких отраслях он силён, а в какие не лезет.

Красный флаг 2: нулевые технические детали. На вопрос "какую модель будете использовать, какая будет архитектура, где будут храниться данные" - расплывчатое "у нас своя проприетарная разработка". Это значит либо что они сами не знают, либо что данные пойдут на их облако без вашего контроля.

Красный флаг 3: нет ни одного отказа от клиентов. Если подрядчик готов работать с любым кто платит - значит, он сам не верит в свою специализацию. Серьёзные команды отказываются от проектов, которые не вытягивают по экспертизе. Спросите прямо: "от каких проектов вы отказались за последние полгода". Если ответ "у нас был один где не подошло техзадание" - сильный знак доверия.

Красный флаг 4: оценка без аудита. Если подрядчик готов назвать цену на встрече за 30 минут - это пакетная цена, и реальный проект почти всегда будет стоить в 1.5-3 раза дороже. Честная оценка требует доступа к данным и интервью с командой.

Красный флаг 5: нет внутренних метрик качества. Спросите, как они меряют качество ответов модели у себя. Если в ответ "клиенты говорят что нравится" - перед вами не инженерная команда. У серьёзных подрядчиков есть свои тестовые наборы, метрики точности, мониторинг продакшна.

Полезные вопросы, которые я советую задавать:

"Покажите конкретный кейс из моей отрасли, где ваш проект провалился, и расскажите почему". Подрядчик без неудач - либо новичок, либо лжец.

"Какую часть проекта вы делаете сами, а что субподряд". Если в проекте 30+ процентов субподряда без указания этого в договоре - вы платите за прокладку.

"Что входит в SLA на год после запуска". Если ответ размытый - SLA не будет в принципе.

"Какие риски проекта вы видите прямо сейчас, до подписания". Подрядчик, который не назовёт 3-5 рисков - либо не думал, либо боится спугнуть.

Юридика и SLA: что должно быть в договоре

Раздел, который большинство клиентов проскакивает, а потом получает по голове. Я не юрист, но видел десятки договоров на внедрение ИИ. Перечислю узкие места.

Метрики приёмки. В договоре должны быть конкретные критерии, при которых проект считается успешно сданным. "Чат-бот закрывает не менее 60% обращений без эскалации" - норм. "Внедрение системы ИИ" - не норм, под это можно сдать что угодно. Подрядчики не любят жёстких метрик, но настаивайте.

Права на данные и модели. Кому принадлежат промпты, кому база знаний, кому fine-tuned модель, если вы за неё платили? Если в договоре про это ничего нет - подразумевается, что подрядчику. Это означает, что вы не сможете унести проект к другому исполнителю.

Конфиденциальность данных. Куда уходят данные клиентов и сотрудников, когда они проходят через ИИ. В Россию по 152-ФЗ - один режим. На внешние серверы OpenAI или Anthropic - другой режим, с рисками. Это должно быть явно прописано. Если "решим в процессе" - готовьтесь к скандалу.

SLA на отказы. Что происходит, если ИИ-агент сломается и не отвечает 3 часа. Кто это заметит, через какое время отреагирует, какие санкции для подрядчика. Без этого ваш ИИ может полежать неделю, прежде чем кто-то соизволит починить.

Условия выхода. Если через полгода вы решите свернуть проект - что вы получаете на выходе. Базу знаний, промпты, документацию, доступы к окружениям. Это всё надо прописать заранее. Иначе вам отдадут "результат" в виде ссылки на их облако, которая отключится через 30 дней.

Этапные оплаты. Не платите за весь проект вперёд. Не платите даже 50% вперёд, если речь про серьёзные суммы. Дробите на 4-6 этапов с конкретной приёмкой каждого этапа. Если подрядчик настаивает на полной предоплате - либо у него кассовый разрыв, либо он не верит, что доедет до сдачи.

Реальные истории провалов

Чтобы не быть голословным, опишу несколько собирательных кейсов, которые я видел вживую или слышал от коллег.

История первая, дистрибуция автозапчастей, 60 человек. Заключили договор на 3.2 миллиона за "комплексное внедрение ИИ-ассистента в продажи". Подрядчик из Москвы, презентация была отличная. Через 4 месяца получили чат-бот, который отвечал на 30% вопросов из 70% обещанных. Подняли скандал. Подрядчик сослался на "недостаточную проработку данных со стороны клиента". В договоре про данные ничего конкретного не было. По итогу разорвали договор, вернуть удалось только 800 тысяч из 3.2 миллионов. Бюджет на ИИ закрыт на полтора года.

История вторая, юридическая фирма, 25 человек. История из того же материала vc.ru: компания заплатила около 2 миллионов рублей за ИИ-платформу для автоматизации продаж и получила нулевой результат. Причина - "царил хаос с данными". Подрядчик не предупредил, что для их типа данных модель не подойдёт. Откатили всё, остались с долгом и недовольной командой.

История третья, производственная компания, 120 человек. Здесь история не про откровенный провал, а про долгое разочарование. Внедрили ИИ-ассистента для технической поддержки сотрудников цеха. Стоило 1.5 миллиона. Запустили. Сотрудники пользовались две недели, потом перестали. Потому что ассистент в 30% случаев советовал ерунду, а в остальных - правильные, но недостаточно конкретные ответы. Проще было спросить мастера. По итогу: 1.5 миллиона лежат как мёртвая инвестиция, проект формально сдан, фактически выключен.

История четвёртая, ритейл одежды, 40 человек. Внедряли ИИ-бота для общения с клиентами в WhatsApp. Подрядчик сказал "под ключ, за месяц, 350 тысяч". В реальности проект тянулся 4 месяца, обошёлся в 720 тысяч, и в момент сдачи бот периодически отвечал на вопросы из чужой системы (был баг с разделением контекстов). Этот баг подрядчик ещё 2 месяца чинил. По итогу бот заработал, но клиент потерял веру в подрядчика и не стал делать с ним фазу два.

Общее у всех историй. Не сам ИИ был плохой. Плохо было всё вокруг: данные, процессы, договор, ожидания, экспертиза подрядчика. ИИ - это лупа на проблемы организации. Если она кривая, лупа покажет всю кривизну.

Что отличает удачные внедрения

Не хочется заканчивать на мрачной ноте. Удачные внедрения тоже бывают, и не такая редкость. Я их видел десятки. Общее у них вот что.

Узкая задача. Не "автоматизируем компанию", а "сделаем бот для FAQ по 60 типовым вопросам в магазине". Не "внедрим ИИ-аналитику", а "обработаем 5000 отзывов в месяц по конкретным меткам". Чем уже задача, тем больше шанс попасть в окупаемость.

Готовая команда внутри. У клиента есть человек, который владеет проектом со своей стороны. Не директор, который заглядывает раз в неделю на статус. А конкретный менеджер или айтишник, у которого 30-50% времени выделено под этот проект минимум на полгода.

Чистые входные данные. Хотя бы по одному сегменту. Если у вас полный хаос в данных, начните с того, который наиболее чистый. Например, заявки с сайта обычно чище, чем CRM с десятилетней историей.

Понимание метрики "до". Без замеров "до" никакой ROI не посчитать. Если у вас сейчас 3 секретаря отвечают на звонки и вы не знаете, сколько звонков в день, сколько из них типовых, сколько секунд тратится на каждый - сначала измерьте, потом внедряйте.

Постепенный масштаб. Не "запустим сразу 5 ИИ-агентов", а "запустим один, добьёмся стабильности, потом второй". В сравнении RPA и ИИ-агентов я подробнее описывал, почему попытка проглотить большой кусок сразу обычно заканчивается тем, что ничего не работает нормально.

Реалистичный бюджет. Не "300 тысяч на всё", а 500-1500 тысяч на старт плюс 30-80 тысяч в месяц на год вперёд. Если бюджет меньше - либо берите готовый SaaS и не пытайтесь делать кастом, либо отложите на потом.

Что в итоге

Внедрение ИИ под ключ - не магия и не катастрофа. Это инженерный проект со своими рисками. Большинство неудач случается не из-за плохой технологии, а из-за плохой подготовки и продажников, которые умеют только обещать.

Что делать, если решили внедрять. Запросите у подрядчика честную смету с разбивкой по этапам, кейсы из вашей отрасли с конкретными цифрами, имена клиентов, которым можно позвонить. Договоритесь о пилоте на узкий сценарий за 100-300 тысяч, прежде чем вкладывать 2 миллиона в полный проект. Прочитайте договор и убедитесь, что метрики приёмки конкретные, права на данные ваши, выход без потерь возможен.

Что делать, если уже обожглись. Не считайте это закрытой темой. Часть провалов - это не "ИИ не работает", а "конкретный подрядчик не справился". Сделайте паузу, проведите аудит того, что есть, поймите чему научились и заходите снова на следующий узкий сценарий. Только осторожнее.

И да, бесплатные консультации бывают честными. Просто их меньше, чем кажется.

Близкие темы

Внедрение ИИ в бизнес под ключ - моя продуктовая страница с описанием подхода и прайса. Аудит бизнес-процессов - то, с чего вообще стоит начинать любое внедрение ИИ. Автоматизация бизнес-процессов - смежная тема, часто нужнее чем сам ИИ. Чат-боты: ожидания против реальности - подробно про то, где маркетинг расходится с реальностью. RPA против ИИ-агентов - сравнение подходов с разными сроками окупаемости.

Источники

Думаете внедрять ИИ и не хотите попасть в 95% неудачных кейсов?

Расскажите про задачу и текущие процессы. Дам честную оценку: что реально окупится, что нет, какие риски. Без продажи на первом созвоне.

Обсудить задачу

Комментарии

Добавить комментарий Отменить ответ

Больше записей

Cookie и веб-аналитика