Бизнесу не нужно внедрять ИИ. Рассказываю, как ИИ-хайп ослепил российские компании

На связи Владимир Макеев, СЕО Surf. Я активно слежу за развитием ИИ и сам тестирую разные решения для ускорения разработки. И вот, что заметил: вокруг сотни государственных инициатив и прорывных кейсов внедрения ИИ. Есть даже национальная стратегия ^[1], которая подразумевает, что уже через 5 лет компании в 95% отраслей должны внедрить ИИ.

Компании думают, что затеряются в веках, если срочно не прикрутят нейросети. А после внедрения ИИ-решений презентуют невероятные бизнес-результаты. Рассказываю, почему всё работает не так, как нам хотелось бы.

В новостной повестке миллион ярких кейсов ^[2], но само внедрение ИИ не влияет ни на капитализацию, ни на прибыль компании (если это не OpenAI).

Кажется, что если вы не внедрили ИИ, то к вам не придут новые клиенты и вы останетесь на задворках цивилизации. А если внедрите — выручка пойдёт вверх, а затраты на сотрудников вниз. Но так не бывает.

А есть ли выгода?

Я большой фанат ИИ — верю, что со временем он нас всех заменит, но что поделать. Мы в команде активно используем и Copilot, и Cursor, и Windsurf. Но от того, что я использую ChatGPT вместо Google, я не стал зарабатывать больше. Да, стал работать быстрее и устранил часть рутины, но глобально моя компания от этого богаче не становится.

Внутри компании ничего не меняется, просто линейные сотрудники начинают быстрее генерировать письма. Воздействие на бизнес-экономику — минимальное, на рынок — тоже.

Хоть прибыль от внедрения ИИ не растёт, компании всё равно тратят деньги на эти решения. В 2025 году бизнес вложит в интеграцию ИИ 644 миллиардов долларов ^[3]. Причина — всеобщий шум. На этот год на федеральный ИИ-проект выделили 7,7 млрд ^[4]. В мае 2025 запустили ЦРИИ ^[5]. А Минэкономразвития прямым текстом говорит, что к 2030 году почти все российские компании должны внедрить ИИ в операционную деятельность.

У топ-менеджеров в качестве KPI тоже стоит внедрение ИИ, и они бегают к консалтерам, подрядчикам и внутренним командам, чтобы те внедрили хоть какой-нибудь ИИ. Иначе они не получат бонусы. А создаёт решение пользу или нет — их не очень интересует.

Потому трансформации бизнеса не происходит. В основном ИИ применяют для ускорения примерно четверти базовых процессов по типу генерации текстов и поддержки. Никаких радикальных изменений бизнес-моделей. Исследование влияния ИИ ^[6] на рынок труда в Дании (опрос 25 000 работников разных сфер в 2023–2024 гг.) показало, что значимых изменений в доходах или затрачиваемом времени нет.

Опять же, Cursor и Windsurf ускоряют разработчиков ^[7]. Об этом говорят Microsoft, Google, OpenAI. Но, например, +30% к продуктивности  на больших проектах — это не ускорение, а фоновый шум. Не поймёшь, это агент помог или кофе.

Не все готовы работать с ИИ

Ещё одна беда: компании создают собственные ИИ-решения для ускорения внутренних процессов, но сотрудники от них открещиваются.

И тогда руководство думает: «Нужно срочно обучить весь штат пользоваться нейросетями. Устроить воркшопы, купить корпоративные подписки и ввести KPI по количеству промптов».

Не работает. Мало людей готовы адаптироваться к новым условиям и принимать технологии: высокая ригидность на лицо. Даже у нас в ИТ-компании:

• 20% сотрудников платят за ChatGPT сами

• 30% — на бесплатной версии

• 50% — вообще не используют.

Кто хочет — находит продвинутую версию ChatGPT, Gemini или другой модели и покупает личный премиум-доступ. Была бы мотивация это делать. Чтобы регулярно использовать ИИ, надо начать. Инструменты освоить просто. Я сделал об этом пост в своем ТГ-канале ^[8].

А проводить корпоративные тренинги по использованию ИИ бессмысленно. Там нечему учить. Проблема не в знаниях. И не в том, что на обучение нужен слот в графике и финансирование. Просто специалисты ленятся и не хотят тратить время на освоение новых инструментов. Не вникают в нейросети ни в рабочее время, ни тем более вне его. Корпоративное обучение ригидность не вылечить.

Понимаю, кто-то думает, что техно-буря с нейросетями, MCP и автоматизацией пронесется мимо, надо только подождать. Но это уже нереально.

Посмотрите фильм «Скрытые фигуры» (2016). Там показан интересный момент — В NASA появился новомодный IBM 7090. Тогда мало кто знал, как им пользоваться. И штат разделился на тех, кто продолжал делать многочасовые расчёты вручную с линейкой в зубах, и на тех, кто решил: «Окей, давайте разбираться, как эта машина работает». Вторые оказались в меньшинстве.

Мы смотрим на это из будущего и знаем, чем всё закончилось. Но, возможно, прямо сейчас — как раз такой же момент. И вопрос только в том, в какой команде мы окажемся.

Создать свой ИИ vs. Использовать готовый?

На создание простой модели нужно от 1,5 до 10 миллионов рублей ^[9] в России и до 25–40 тысяч долларов ^[10] за границей. На сложные нейросети от Microsoft, Alphabet и OpenAI уходят сотни миллиардов долларов ^[11]. Разрабатывать свой ИИ очень дорого.

Системообразующих игроков вроде Яндекса и Сбера это не останавливает. И их можно понять. Они занимаются разработкой своих LLM, потому что ИИ может быть полезен крупнейшим компаниям ^[12]. У них есть большие объёмы данных и специфические бизнес-сценарии. Но даже они плохо справляются с обучением нейросетей, если сравнить их YandexGPT и Gigachat с разработками OpenAI и DeepSeek.

Мелкие компании не могут себе позволить ИИ и в 80% случаев терпят неудачу ^[13]. Компании покрупнее из ритейла, фудтеха и банкинга обжигаются на том, что внедрили ИИ несоразмерно целям. При этом затраты на разработку растут на 30–50% в год ^[14] из-за дефицита кадров.

Пример Авито

Авито собирается тратить 12 млрд рублей на ИИ ^[15]. Я не до конца понимаю, почему компания считает это стратегически верным ходом. Пользовательский опыт не изменится, продажи не вырастут, а затраты улетят в космос. 

При этом часть денег пойдёт, скорее всего, просто на полумеры вроде Low-Rank Adaptation. Потому что у бизнеса даже такого масштаба, по оценкам ^[16], не хватает денег и данных для создания стоящих нейросетей. Сейчас они только дообучают иностранные модели под свои нужды и русский язык.

Область применения ИИ в бизнесе очень узкая: RAG, саппорт, агенты — или всё это одновременно. Звучит просто и прозаично, но в России это умеют делать единицы.

Если компании действительно поможет ИИ (ниже описал подходящие сценарии), имеет смысл прикручивать чужие, более производительные нейросети. Но обычно для решения задач компании хватает других, рабочих и бюджетных инструментов.

Что взять вместо ИИ

ИИ-хайп затмил инструменты, которые реально работают. Пример: простые алгоритмы на базе machine learning, о которых в бизнес-среде говорят реже. Их можно натренировать на данных, включить и смотреть, как они решают задачи. 

Умный поиск, рекомендации, распознавание изображений и речи, автоматический перевод, фильтры, обнаружение случаев мошенничества — всё это машинное обучение. Здесь не нужны логика, анализ, выводы, создание новых знаний и вообще никакие мыслительные процессы.

Алгоритмы действуют строго в рамках того, чему их научили. А главное — не требуют абсурдных затрат. Разработать и внедрить алгоритм ML дешевле, чем ИИ, за счёт готовых инструментов ^[17] TensorFlow, PyTorch и Scikit-Learn. Проект под ключ — от сбора данных до внедрения алгоритма — стоит 50–250 тысяч рублей ^[18].

Замена технической поддержки — берём ML

Лучше сделать простой чат-бот с фиксированными сценариями, загрузить в него сет стандартных вопросов и ответов. ML умеет автоматически подставлять шаблонные ответы, анализировать ключевые слова, направлять сложные вопросы оператору.

Создание персональных рекомендаций — берём ML

Алгоритм запоминает, какие товары и услуги люди смотрят и покупают, какие вещи часто берут вместе и что популярно среди похожих пользователей. На основе этих данных он предлагает релевантные вещи. Если рекомендации работают хорошо, продажи растут.

Настройка аналитики — берём ML

Для сбора и анализа больших объёмов данных оно подойдёт. Например, на нашем проекте с KFC было нужно классифицировать обращения пользователей, чтобы знать, к какому продукту они относятся. Они использовали форму с ML ^[19], который определяет тему текста и сортирует обращения по продуктам. Это сократило число ошибок первичной классификации в два раза.

Улучшение системы модерации — тоже берём ML

Он способен распознавать сцены насилия, порнографию и нецензурную лексику, автоматически скрывать их и сообщать о нарушениях. К нам обратился клиент с запросом на дейтинг-сервис. Ему была важно, чтобы в приложении не появлялись обнажёнки. Мы разработали ML-алгоритм для модерации контента, снизили количество ручной работы, увеличили скорость обработки обращений и сократили расходы.

Где ИИ реально помогает

1. Поддержка в разных формах. Чаще всего ИИ внедряют в чат-боты ^[20] для клиентов или сотрудников. Но отдельная модель, доработанная через Retrieval-Augmented Generation ^[21], оправдана только там, где простые способы уже не работают. Например, на Госуслугах ^[22]: цифровой ассистент снижает когнитивную нагрузку на пользователя, помогает найти ссылку на нужную страницу. А вот если условный банк заменит половину колл-центра на ИИ-ассистента, это всё равно капля в море его расходов, и он от этого не выиграет.

2. Разработка. ИИ ускоряет кодинг, особенно для тех, кто пишет много boilerplate-кода. Copilot-сервисы автоматически дополняют код и повышают скорость разработчиков на 30–40% ^[23]. Но в масштабах индустрии — не больше 10%. Это просто погрешность.

3. Продвинутая аналитика. Некоторые виды ИИ пригодятся, если на огромной территории сельскохозяйственного предприятия нужно регулировать полив полей ^[24] в зависимости от погоды или на заводе нужно прогнозировать износ оборудования ^[25]. Но когда у компании нет развитой культуры работы с данными и не хватает масштаба бизнеса, внедрять нейросети бесполезно.

И что делать

Если бы я был крупным бизнесом, сделал бы всего две вещи:

1. Внедрил RAG, где это имеет смысл. Если пользы нет — не тратил бы ни рубля. Нейросети работают в задачах поддержки и аналитики после дообучения. На большее они пока не способны, а полноценные и достойные ИИ-агенты ещё не появились.

2. Ждал бы ещё 3–5 лет, пока агенты не догонят по уровню развития удалённых сотрудников. Если верить нашумевшему визионерскому эссе ^[26] Situational Awareness, LLM умнеют в десять раз за год. Появится AGI — и можно будет просто посадить его за рабочий стол. Он будет работать как средний линейный сотрудник, только 24/7 без обеда.

Приходите в мой Telegram ^[8], там я много пишу про нейросети и новости в ИТ. Недавно объяснял, что можно сделать с ИИ, чтобы ускорить разработку в 5 раз ^[27]. Мы у себя уже собираем proof of concept этого процесса.