Несмотря на то, что это цифры крупных игроков, у малого и среднего бизнеса ситуация похожа, но цифры меньше, а ошибки болезненнее. А один неудачный проект может съесть прибыль одного квартала.

В 2026 году искусственным интеллектом никого не удивишь, и это уже не просто чат, который помогает решить точечные вопросы. Это цифровой сотрудник, который встраивается в учетные системы, телефонию, переписку с клиентами и документооборот. Он берет на себя рутинные процессы, которые съедают часы команды и тормозят развитие компании.

Вопрос «нужны ли мне нейросети» уже не стоит. Собственника сегодня волнует другое — какую задачу передать ИИ и как сделать это с минимальными затратами, с учетом требований работы с персональными данными.

Меня зовут Максим Голубов, я веду AI-проекты в ALP ITSM. В этой статье поделюсь своим видением трендов развития ИИ, проблемами ИИ-проектов и примерами успешного внедрения ИИ.

Чтобы выбрать направление развития ИИ, важно на старте определить, какие задачи передать машине и где нужен человек. В таблице ниже перечислили самые популярные области автоматизации с помощью ИИ.

Тренды ИИ в 2026: от ассистентов к агентам и мультиагентным связкам

Главный сдвиг 2026 года — переход от чат-ассистентов к ИИ-агентам, которые работают как команда цифровых сотрудников. Раньше нейросети использовали точечно: написать текст, сгенерировать картинку, ответить на пару вопросов. Сейчас бизнес выстраивает вокруг них рабочие цепочки.

От чат-ассистента к цифровому исполнителю

Ассистенты первого поколения были умным поиском с красивым интерфейсом. Они подсказывали, генерировали варианты, экономили часы специалистам — но за результат не отвечали. Бизнесу этого уже мало. От ИИ ждут не подсказок, а действий и эффекта в деньгах и сокращении сроков.

На первый план вышли агенты. Они не просто пишут текст, а сами делают шаги в системе: создают задачи, заполняют карточки в CRM, готовят документы по шаблону. Например, агент по обработке лидов проверяет данные клиента, подбирает предложение, создает сделку и ставит задачу менеджеру. Четыре действия — без участия человека.

Мультиагентные связки

Следующий уровень — несколько агентов делят между собой задачи, которые один не тянет. Один собирает информацию, второй анализирует данные, третий готовит документы, четвёртый проверяет соответствие 152-ФЗ. Между ними прописаны сценарии и правила. Бизнес получает устойчивую систему вместо одной нейросети, которая "то работает, то нет«.

Такой подход хорошо работает там, где много согласований и однотипных операций: обработка заявок, клиентский сервис, маркетинг, финансы. И он лучше масштабируется — нового агента добавляют под новую задачу, не ломая всю архитектуру.

Глубокая встройка в бизнес-системы

ИИ больше не живет отдельным приложением, к которому сотрудник идет «по настроению». Он становится частью рабочего интерфейса: подсказывает следующее действие, предлагает варианты ответов, заполняет поля, прогнозирует спрос. CRM, сервис-деск, документооборот, ERP — нейросети встраиваются туда, где люди уже работают.

От генерации текста к принятию решений

Раньше от нейросетей ждали текст: «напиши пост», «собери идеи». Теперь — оценку рисков, прогноз спроса, приоритизацию заявок, выбор сценария кампании. Из десяти вариантов руководитель смотрит только три — те, что нейросеть отметила как сильные.

Модели анализируют историю продаж, поведение пользователей, результаты прошлых кампаний и предлагают конкретные шаги: какие сегменты развивать, какие продукты продвигать, как перераспределить бюджет. Решение принимает человек. Подготовку — нейросеть.

Основы успешного внедрения ИИ

Когда мне говорят, что «пробовали ИИ, но он не взлетел», после изучения ситуации я почти всегда прихожу к одним и тем же причинам. И они не связаны с технологиям. Они связаны с проблемами в данных, интеграциями, метриками и доверием команды. И если одна из составляющих страдает — внедрение разваливается.

Мусор на входе — мусор на выходе

Бизнес хочет, чтобы ИИ решал сложные задачи. А база ведется как попало — часть контактов в Excel, часть в старой CRM, часть в личных мессенджерах менеджеров. В таких условиях никакая модель не заработает, ей просто не на чем учиться.

Отдельная история — персональные данные. Один скриншот «сотрудник загрузил паспорта клиентов в ChatGPT» — и юристы со службой безопасности остановят проект быстрее, чем модель успеет выдать первый ответ. Проблема в том, что сотрудники начали пользоваться ИИ сами, без ведома руководителя и без правил — через личные подписки и VPN. Это уже произошло в большинстве компаний. Вопрос не «использовать или нет», а как вернуть это под контроль до первого инцидента с данными.

Нет интеграций — ИИ живет отдельно от рабочих процессов

Чтобы ИИ не просто «говорил», а реально помогал, он должен работать внутри ваших систем — CRM, сервис-деска, документооборота, базы знаний, телефонии. Это требует нормальных связок через API, а не «давайте выгрузим Excel и как-нибудь загрузим обратно». Чем больше интеграций настроено автоматически, тем меньше ручной работы у сотрудников и меньше точек, где может появиться ошибка.

Минимальный контур интеграций для ИИ-ассистента в клиентском сервисе: CRM, сервис-деск, база знаний компании, телефония и чат.

Пример из практики. Ассистента запустили в чате сайта без доступа к CRM и сервис-деску. Клиент пишет: «где мой заказ?» — а бот отвечает общими фразами, потому что не знает, что у этого клиента уже есть просроченная доставка и открытая претензия. После того как ассистента подключили к внутренним системам, он начал подтягивать данные о заказах, предлагать конкретные решения и автоматически заполнять поля в карточках. Технология не изменилась — изменилась инфраструктура вокруг нее.

Внедрение без метрик превращается в эксперимент

Третья причина — нет метрик. Запустили пилотный проект, кто-то тестирует промпты, кто-то генерирует посты в блог. А на простой вопрос «какие задачи мы хотим решить и на сколько процентов улучшить показатели» никто не отвечает. Без этого ИИ остается «интересным экспериментом», который легко закрыть при первой же оптимизации бюджета.

Зафиксируйте конкретные показатели в начале проекта — сколько минут в день экономит ассистент, насколько снижает количество ошибок, как меняется конверсия в продажи. Через 30–60 дней замерьте те же показатели снова и сравните.Команда не верит, что инструмент работает

Главная причина провала — команда. Если менеджеры считают «ИИ заберет мою работу» или «он все равно ошибается», пользоваться инструментом не будут. Письма пишут вручную, отчеты делают в Excel, а ассистент висит «для галочки». Формально внедрение прошло — реально компания не получает ни роста производительности, ни экономии.

Доверие приходит, когда ИИ отдают большие объемы однотипных операций, а человек принимает решения и ведет ключевые сделки. И еще одно — обучение. Если инструмент дали без обучения, сотрудники просто не знают, как им пользоваться, и быстро возвращаются к привычной рутине.

Зарубежные примеры внедрения ИИ

Зарубежные истории похожи в том, что искусственный интеллект приносит измеримый результат там, где привязан к конкретной задаче и понятной метрике — деньгам, минутам, процентам. Не «улучшить процессы», а «сократить время 1f40 ответа с 20 минут до 2». Ниже четыре истории, на которые можно ссылаться в разговоре с руководством.

TailorFlow AI: минус 30% затрат на автоматизации процессов

Бизнес автоматизировал цепочку внутренних согласований и подготовки отчетов. После внедрения координатора операционные расходы сократились на 30%.

Firstsource: страховой кейс на 25 миллионов долларов за 4 года

Поставщик медицинских услуг в США применил ИИ для обработки страховых требований. После запуска системы, которая автоматически распределяет обращения и готовит рекомендации специалистам, компания сэкономила около 25 миллионов долларов за четыре года и снизила расходы на 30%. Сложные случаи остались за людьми.

Alibaba: 75% запросов закрывает ИИ, экономия 150 миллионов долларов в год

Китайский розничный гигант выстроил систему ИИ-ботов в цифровых каналах поддержки. Боты закрывают до 75% входящих текстовых запросов и 40% звонков на горячую линию. В деньгах это около 150 миллионов долларов в год за счет сокращения фонда оплаты труда. Конфликтные и нестандартные задачи по-прежнему остались за людьми.

Российские истории внедрения ИИ

В России у внедрения нейросетей своя специфика. По данным исследования Т-Банка «Как бизнес использует ИИ» за начало 2026 года, от 40% российских предпринимателей хотя бы раз использовали искусственный интеллект для решения бизнес-задач — в основном для генерации контента и автоматизации рутины. Среди наемных сотрудников показатель ниже, около 29%. А 88% тех, кто пользовался ИИ, выбирали зарубежные сервисы. Главный барьер не цена, а недоверие к качеству результата и то, что сотрудники не умеют формулировать запросы.

Как только речь заходит о проверке договоров или разборе клиентских баз, бизнес упирается в требования безопасности. Маркетинговую рассылку через ChatGPT — пожалуйста, а вот загрузить туда паспорта клиентов уже не получится. Достаточно одного скриншота «ваш сотрудник загрузил паспорта в ChatGPT», чтобы получить проверку по 152-ФЗ.

Поэтому российский бизнес использует два подхода одновременно. Маркетинг и анализ открытых источников — через Claude, GPT, Perplexity. Финансы, договоры, персональные данные — через закрытый контур: корпоративные AI-порталы или локальные продукты. Ниже примеры обоих подходов.

Виртуальный помощник в 1С: ответы за секунды вместо часов поиска

В компаниях с распределенной структурой менеджеры и новые сотрудники постоянно отвлекают бухгалтерию и техподдержку однотипными запросами: «Какой статус оплаты по договору с Ромашкой», «Где регламент возврата», «Какая маржинальность по прошлому кварталу». Поиск нужной информации в сотнях страниц внутренней документации занимает часы.

Российская ИТ-компания ALP Group выпустила «Виртуального помощника» — 1С-приложение на основе больших языковых моделей. Оно индексирует внутренние бизнес-системы: финансовые отчеты, статусы сделок, карточки контрагентов, договоры. Сотрудник задает вопрос в чат и получает информацию с указанием источника. Решение работает локально, в закрытом контуре компании. Сервис сокращает время на ознакомление новых сотрудников с документацией в три-четыре раза

Информационный портал: +85% выручки через ИИ-анализ звонков

Еще одна из недавних историй — небольшой информационный портал, специализирующийся на публикации мероприятий и продаже рекламы. До октября 2024 года в нем не было руководителя отдела продаж и контроль за единственным менеджером вел собственник, а на системный аудит звонков времени не оставалось. Подключили платформу автоматического анализа голосовых коммуникаций — система стала разбирать 100% звонков вместо ручной выборки, фиксировать пропуски этапов скрипта и нестандартные возражения. Скрипты обновили, ввели регулярные тренировки. За&a 1f40 mp;nbsp;год среднемесячные продажи удвоились, штат отдела продаж вырос с одного до двух менеджеров.

Логистика: чат-бот вдвое снизил нагрузку на диспетчеров

В одной логистической компании диспетчеры тонули в рутинных вопросах от курьеров и водителей: уточнения по маршрутам, правилам доставки, порядку работы на складе. В корпоративный чат интегрировали YandexGPT — модель автоматически отвечала на типовые запросы, поясняла регламенты и формировала короткие отчеты по поездкам. Нагрузка на диспетчеров снизилась почти вдвое.

Serverspace: текучка кадров в поддержке снизилась в 2,7 раза

Облачный провайдер Serverspace внедрил ИИ-платформу Ainergy в службу поддержки. Платформа учится на реальных диалогах сотрудников и помогает быстро находить нужное в базе знаний — то, на что у новичка раньше уходили часы. Через несколько месяцев после запуска текучка в поддержке снизилась в 2,7 раза, скорость обработки обращений выросла в 3 раза, индекс удовлетворенности клиентов (CSAT) прибавил 3 пункта.

Варианты решений для малого и среднего бизнеса

У крупных корпораций закрытый контур — это собственные серверы за десятки миллионов рублей. Для МСБ задача проще — не отдавать клиентскую базу и финансы во внешние сервисы, соблюдать требования к хранению персональных данных на территории России. Это можно сделать без миллионных инвестиций.

Российский МСБ выбирает между тремя типами AI-решений:

Корпоративные ИИ-шлюзы. Единая точка доступа к нейросетям для всей компании. Вместо десятка личных аккаунтов сотрудников — одна платформа: администратор контролирует доступы и лимиты, данные не уходят на обучение публичных моделей, оплата проходит в рублях со счета юрлица без VPN. На российском рынке такие порталы предлагают несколько провайдеров — выбор зависит от набора подключенных моделей и ценовой политики.

Локальные ИИ-агенты, встроенные в бизнес-системы. Решения, которые разворачиваются внутри инфраструктуры компании и интегрируются напрямую в 1С, CRM или корпоративную базу знаний. Сотрудник задает вопрос в чат — получает ответ из учетной системы, а не из интернета. Данные не покидают периметр организации.

Отечественные специализированные продукты. Российские системы интеллектуального распознавания документов (OCR), большие языковые модели (GigaChat, YandexGPT), платформы речевой аналитики. Большинство входит в Реестр отечественного ПО, соответствует требованиям 152-ФЗ и полностью исключает санкционные риски.Для большинства компаний оптимален гибрид: маркетинг, генерацию идей и анализ открытых данных — через облачные нейросети. Работу с финансами, договорами и клиентскими базами — через защищенный контур. Начинать стоит с простого аудита: какие данные у вас есть, где они хранятся и какие задачи съедают больше всего рабочего времени. Ответы на эти три вопроса определяют, какой тип решения нужен первым.

Чек-лист: готова ли компания к внедрению ИИ

Этот раздел написан для руководителей, у которых нет штатного отдела по работе с данными или архитекторов решений. Вам не нужно разбираться в нейронных сетях на уровне разработчика. Нужно ответить себе на простые вопросы: что у нас есть, чего не хватает и с чего конкретно начать. По данным внедрений в малом и среднем бизнесе, грамотное использование нейросетей в процессах высвобождает 20–40% рабочего времени сотрудников — но только если компания заранее подготовилась.

1. Цель и задачи

• Можете назвать 2–3 процесса, где больше всего рутины — обработка обращений, типовые документы, отчеты.
• Знаете, сколько часов или денег уходит на эти задачи сейчас.
• Есть понимание, что считается успехом: например, сократить время реакции клиенту с 20 до 2 минут.

2. Данные

• Ведется единая база покупателей — хотя бы в простой CRM.
• Есть база знаний: типовые сценарии, инструкции, регламенты.
< 1130 ;li>Соблюдается политика обработки персональных данных.

3. Процессы

• Есть описание процесса, который хотите автоматизировать.
• Определены зоны, где обязательна проверка человеком: деньги, договоры, персональные данные.

4. Команда

1. Обсудили с командой, что изменится в ее задачах — не «у нас будет ИИ», а «помощник возьмет типовые запросы, вы займетесь сложными клиентами».
2. Есть короткая инструкция, как пользоваться инструментом.
3. Назначен ответственный за проект после запуска.

По итогам проверки обычно складывается одна из трех картин:

Что делать прямо сейчас

Главное правило при работе с ИИ — не пытаться автоматизировать все разом. Выберите один процесс, где больше всего рутины. Замерьте текущие показатели: минуты в день, ошибки, потерянные заявки. Запустите пилот на 30–60 дней. Замерьте те же показатели снова. Стало лучше — расширяйте на следующий процесс. Не стало — закрывайте без сожалений.

В 2024 году искусственный интеллект покупали, чтобы не отстать от тренда. В 2026-м — чтобы «успеть выйти с пользой». 95% компаний так и не вышли. Разница между этими двумя группами не в моделях и не в бюджетах. Она в том, что для одних искусственный интеллект — модный эксперимент, для других — рабочий процесс с понятной отдачей. Со своими метриками, с владельцем, с двумя цифрами рядом — до и после.

Как мы решали эту задачу у себя

Мы в ALP понимали, что рано или поздно сотрудники пойдут в ChatGPT — через личные подписки и VPN, с договорами и клиентскими данными. Решили не дожидаться первого инцидента, а заранее принести команде корпоративный AI с правилами. Подходящих решений на рынке не нашли — собрали свой управляемый контур, где одна точка входа ко всем нейросетям, обезличивание данных перед отправкой в модель. Через полгода с такой же задачей стали приходить клиенты. Так появился ALP GPT.

Если кому-то интересно посмотреть, как мы у себя это сделали — обращайтесь, расскажем детали.