Сколько компаний уже используют ИИ?
Для крупного бизнеса вопрос «внедрять ли» уже почти закрыт. По глобальному опросу McKinsey 2025 года, 88% организаций регулярно используют ИИ хотя бы в одной бизнес-функции — годом ранее было 78% [1]. В России, по исследованию «Яков и Партнёры» и Яндекса, генеративный ИИ хотя бы в одной функции используют 71% крупных компаний [2].
| Показатель | Значение | Источник |
|---|---|---|
| Используют ИИ хотя бы в одной функции (мир) | 88% | McKinsey, 2025 |
| Как минимум экспериментируют с ИИ-агентами (мир) | 62% | McKinsey, 2025 |
| Масштабируют агентные системы (мир) | 23% | McKinsey, 2025 |
| Используют генеративный ИИ (крупные компании России) | 71% | «Яков и Партнёры», Яндекс, 2025 |
| Доля ИТ-бюджета на ИИ-решения (Россия) | около 11% | «Яков и Партнёры», Яндекс, 2025 |
| Берут готовые решения у внешних партнёров (Россия) | 78% | «Яков и Партнёры», Яндекс, 2025 |
Главный вывод для тех, кто только начинает: «пробовать» и «получать измеримый эффект» — разные стадии. С агентами экспериментируют 62% компаний, а масштабируют их — 23%: большинство застревает между удачным экспериментом и работой в реальном процессе. Поэтому план ниже построен вокруг метрик, а не вокруг выбора модели.
Где ИИ даёт эффект быстрее всего?
Быстрее всего окупаются задачи, где много текста, повторяющихся вопросов и есть понятный критерий «правильно или нет».
- Поддержка клиентов. Ответы на типовые вопросы в чате и мессенджерах, черновики ответов для оператора, сортировка обращений по темам и срочности. Сложные случаи ассистент передаёт человеку.
- Работа с документами. Извлечение реквизитов и условий из договоров и счетов, сравнение версий, проверка по чек-листу, черновики типовых писем.
- Поиск по базе знаний (RAG). Модель отвечает не «из головы», а по вашим регламентам, инструкциям и прайсам: система находит нужные фрагменты документов и передаёт их модели вместе с вопросом. Это основной способ сократить число выдуманных ответов.
- Продажи. Расшифровка и разбор звонков, квалификация заявок, черновики коммерческих предложений, заполнение CRM по итогам переписки.
- Внутренние ассистенты. Ответы сотрудникам по кадровым вопросам, регламентам и внутренним системам, помощь новичкам в первые недели работы.
- ИИ-агенты. Следующий шаг: агент не только отвечает, но и выполняет действия в ваших системах — создаёт задачу, меняет запись, отправляет письмо. Агенту нужны чётко ограниченные права и журнал действий.
Пошаговый план внедрения ИИ в бизнес-процессы
Шаг 1. Выберите один процесс
Критерии простые: процесс частый, основан на тексте, у него есть понятный результат и невысокая цена ошибки. Хороший кандидат — первая линия поддержки или подготовка типовых документов. Плохой для старта — решения, за которые компания отвечает деньгами или юридически.
Шаг 2. Соберите и проверьте данные
Ассистент будет настолько хорош, насколько хороша база, на которую он опирается. Соберите регламенты, ответы на частые вопросы, шаблоны документов, примеры удачных диалогов. Уберите устаревшее и противоречивое. Отдельно решите, какие данные содержат персональные сведения и могут ли они уходить во внешний сервис.
Шаг 3. Запустите пилот
Узкий сценарий, один канал, ограниченная группа пользователей и человек в контуре: на старте ассистент готовит черновики, а сотрудник проверяет и отправляет. Так вы соберёте реальные ошибки без риска для клиентов.
Шаг 4. Заранее задайте метрики
До запуска зафиксируйте, как процесс работает сейчас, — иначе результат не с чем будет сравнить. Типовые метрики:
- доля обращений, закрытых без оператора;
- время первого ответа и время решения вопроса;
- точность ответов на контрольной выборке вопросов;
- время сотрудника на одну операцию;
- стоимость обработки одного обращения с учётом оплаты модели.
Шаг 5. Масштабируйте
Если пилот показал результат, подключайте новые каналы и сценарии, интеграции с CRM и учётными системами, мониторинг качества ответов. Назначьте ответственного за базу знаний: без регулярного обновления ассистент начнёт отвечать по устаревшим данным.
Ассистент, агент или интеграция через MCP: что выбрать?
| Подход | Что делает | Пример | Когда выбирать |
|---|---|---|---|
| ИИ‑ассистент | Отвечает на вопросы и готовит черновики по вашей базе знаний; действия выполняет человек | Чат поддержки на сайте, помощник сотрудника по регламентам | Первый шаг: быстрый эффект, минимальные риски |
| ИИ‑агент | Сам планирует и выполняет многошаговые действия в системах по заданной цели | Разбирает входящие заявки, создаёт сделки в CRM, назначает ответственных | Когда процесс отлажен, а права и журнал действий настроены |
| Интеграция через MCP | Подключает ИИ-ассистента к вашим системам через MCP-сервер: ассистент получает данные и инструменты в пределах выданных прав | Администратор настраивает портал, новости и рассылки из чата с ИИ | Когда своими системами нужно управлять из привычного ИИ-ассистента |
MCP (Model Context Protocol) — открытый стандарт, который Anthropic представила в ноябре 2024 года для подключения ИИ-ассистентов к системам, где хранятся данные [3]. Вместо отдельной интеграции под каждую нейросеть вы один раз делаете MCP-сервер для своей системы, и к нему могут подключаться разные ИИ-клиенты, поддерживающие стандарт. В декабре 2025 года Anthropic передала MCP в фонд Agentic AI Foundation при Linux Foundation [4].
Какие риски учесть заранее?
- Персональные данные и 152-ФЗ. Если в запросы к нейросети попадают данные клиентов или сотрудников, это обработка персональных данных со всеми требованиями закона. Передача в зарубежный сервис — трансграничная передача, о которой оператор обязан уведомить Роскомнадзор (ст. 12 152-ФЗ) [5]. С 1 июля 2025 года действует новая редакция ч. 5 ст. 18: при сборе персональных данных граждан России их запись, систематизация, накопление, хранение, уточнение и извлечение ведутся с использованием баз данных на территории РФ [6]. Практичные решения — обезличивать данные до отправки в модель или использовать модели, размещённые в России.
- Галлюцинации. Языковая модель может уверенно выдать неверный ответ. Риск снижают поиск по базе знаний со ссылкой на источник, запрет отвечать при отсутствии данных, контрольные выборки вопросов и проверка человеком там, где ошибка дорого стоит.
- Зависимость от провайдера. Модели, цены и условия меняются. Закладывайте возможность сменить модель без переделки всей системы: держите промпты, базу знаний и логику отдельно от конкретного API, используйте открытые стандарты вроде MCP.
- Стоимость токенов. Оплата моделей обычно зависит от объёма текста на входе и выходе. Длинные документы в каждом запросе и самая мощная модель на простых задачах быстро раздувают счёт. Считайте стоимость одной операции ещё на пилоте и подбирайте модель под задачу.
Этот раздел — не юридическая консультация: требования зависят от того, какие данные вы обрабатываете и где. Схему работы с персональными данными стоит согласовать с юристом.
Как это выглядит на практике: опыт Martynov Labs
Мы встраиваем ИИ в собственные продукты и проекты клиентов. Два примера:
- RobX — цифровая платформа для центров дополнительного образования. В чате класса работает ИИ-ассистент, в одном кабинете доступны 15+ нейросетей, а MCP-сервер позволяет подключать к платформе ИИ-ассистентов.
- РобоСити — портал международного фестиваля робототехники. Через MCP-сервер администратор настраивает категории, этапы соревнований, новости и рассылки из чата с ИИ.
Наш подход: сначала связать ИИ с данными и системами, где он полезен, дать ему понятные права и инструменты — и только потом расширять сценарии. Как мы проводим проекты, описано на странице внедрения ИИ в бизнес.