Почему нельзя уволить полчеловека
ИИ автоматизирует 30–60% задач конкретной роли. Оставшиеся 40–70% выполняет тот же сотрудник, и перевести его на полставки нельзя. Продуктивность выросла, ФОТ остался прежним.
EY зафиксировала мировую картину: 83% компаний, которым действительно удалось повысить производительность с помощью ИИ, численность персонала не сокращали. Gartner добавляет деталь по клиентским подразделениям: после внедрения ИИ-инструментов штат реально сократили 20% руководителей.
При этом Microsoft и Google продолжают нанимать специалистов по ИИ и машинному обучению. McKinsey и BCG, отчитавшиеся о 25 и 18 тысячах «агентов», по-прежнему берут аналитиков, хотя темпы найма замедлились.
Область, где сокращение действительно достижимо, существует, и она узкая: повторяемые операции бэк-офиса. Валютный контроль, сверки, типовая обработка документов. Но и там эффект появляется не сразу, а после того как перестроены процессы, роли, КПЭ и система контроля.
Опыт Klarna показал границу с другой стороны. ИИ-агент закрывал 62% чатов поддержки, экономия составила 39 млн долларов, что эквивалентно 800 полным ставкам. В мае 2025 года глава компании признал, что с заменой людей перестарались, и наём возобновился. Как только появляются спорные ситуации, граничные случаи и сложные клиенты, автономный ИИ создаёт больше проблем, чем решает.
Три способа заработать вместо того, чтобы экономить
Исследование «Яков и Партнёры» выделяет три паттерна, каждый из которых подтверждён цифрами.
Продукт на основе ИИ как новый источник выручки. Компания превращает свой опыт, данные или внутренние процессы в коммерческий продукт. ServiceNow довела показатель ACV платформы Now Assist до 600 млн долларов, удвоив его за год. У Salesforce ARR продукта Agentforce достиг 800 млн, у Adobe Firefly — около 400 млн. Вопрос генеральному директору здесь один: есть ли у нас цифровой актив, который сейчас работает только внутри, а мог бы выйти на рынок.
Рост конверсии и среднего чека в существующем бизнесе. ИИ не создаёт новый продукт, а делает эффективнее текущий. Walmart встроила ассистента Sparky в мобильное приложение, и средний чек пользователей оказался на 35% выше, чем у остальных покупателей. В российских реалиях этот паттерн самый реалистичный: «Авито» за счёт генеративного ИИ в продажах нарастила доход на 670 млн рублей в 2024 году. Это меньше 0,7% выручки платформы, но компания вкладывает 12 млрд в разработку и планирует получить 21 млрд от генеративного ИИ к 2028 году.
Монетизация данных. ИИ позволяет продать то, что раньше было побочным продуктом основного бизнеса. Рекламный бизнес Walmart на данных о покупках принёс 6,4 млрд долларов за финансовый год, завершившийся в январе 2026-го, прирост 46% год к году. По словам финансового директора компании, реклама и подписки дали около трети прибыли за последний квартал. В России этот паттерн ближе всего ритейлерам, банкам и телекому с их массивами транзакционных данных.
Общее у всех трёх подходов: результат появляется в строке «выручка», а не в строке «расходы на персонал». Считать его проще, доказывать легче, сопротивления внутри меньше.
Перестройка процесса, а не структуры
Дальше начинается часть, которую пропускают чаще всего, хотя именно она определяет 70% результата. BCG называет это правилом 10–20–70: при внедрении ИИ 10% усилий приходится на алгоритмы, 20% на технологии, 70% на людей и процессы. В реальности 59% компаний тратят основной бюджет на технологию и ждут, что процессы адаптируются сами. Разочаровываются они в 1,6 раза чаще остальных.
Разберём на примере, который есть почти у всех: обработка клиентской претензии, возврата или спорного обращения. Название зависит от отрасли, управленческая логика одинаковая.
Сначала декомпозиция. Процесс делится на рутину и ответственность. Рутина — это собрать документы, уточнить реквизиты, найти клиента и заказ в CRM или ERP, проверить статус оплаты, сопоставить обращение с правилами возврата, подготовить черновик решения. Ответственность — принять решение в неоднозначном случае, согласовать исключение, объяснить позицию клиенту, утвердить.
Обычно при обработке претензий львиная доля времени уходит не на решение, а на сбор и проверку фактов. Вот эту часть и передают агенту в первую очередь.
Делать декомпозицию должен ответственный за процесс со стороны бизнеса, а не ИТ. Иначе агент научится давать технически точный ответ вместо того, чтобы двигать бизнес-метрику.
Потом интеграция, но только в рутину. На старте агент собирает и проверяет информацию: тянет данные из систем, классифицирует обращение, предлагает решение, показывает уверенность и помечает риски. Человек рассматривает готовый пакет и подтверждает. Когда накопится статистика, простые случаи уходят агенту целиком: стандартный возврат в срок, типичное спорное начисление, повторное обращение по известной причине. Нестандартное остаётся у человека.
И самое главное — изменение КПЭ. Если сотрудника по-прежнему оценивают по количеству закрытых заявок, он будет избегать работы с агентом, потому что на первых порах она кажется лишней. Метрику надо менять со скорости ручной обработки на качество управления потоком.
В новой логике сотрудник отвечает не за ручной сбор каждого пакета, а за качество решений, проходящих через ИИ: сколько пакетов проверил, какую долю ошибок поймал до отправки клиенту, сколько спорных случаев корректно эскалировал, как изменились доля повторных обращений и соблюдение SLA.
Перестройка организации — это изменение КПЭ, а не структуры. Сотрудник не сокращается, он перестаёт быть исполнителем рутины и становится контролёром потока решений.
Три ошибки, которые повторяются у всех
Не меняют КПЭ. Самая частая. Проект доходит до второго этапа, показатели ненадолго улучшаются, через два-три месяца всё возвращается на место: люди работают по старым метрикам и обходят агента стороной.
Здесь есть ловушка внутри ловушки. После смены КПЭ метрики обычно проседают: сотрудники учатся работать по новой логике, скорость временно падает. Это нормально, но если совет директоров об этом не предупредили заранее, проект закрывают ровно в момент провала кривой.
Берут слишком крупный объект. «Автоматизируем обслуживание клиентов» или «перестроим закупки» — это не пилот. Внутри функциональной области живут десятки разнородных сценариев, и проект вязнет в кросс-функциональных согласованиях.
Правильный размер объекта: повторяемый сценарий длительностью одна-три недели, 3–7 шагов, измеримая метрика, назначенный владелец, сотни или тысячи повторений в месяц. Не обработка обращений вообще, а обработка заявок на возврат на первой линии. Не работа с документами, а проверка пакетов по клиентским претензиям. Не продажи, а генерация коммерческих предложений.
Слишком мелкий объект тоже плох: если перестроить один шаг, бизнес-метрика не сдвинется.
Назначают ответственного из ИТ. Логика понятная: айтишники разбираются в ИИ лучше всех. Но ответственный из ИТ оптимизирует точность модели и время ответа API, а не срок обработки заявки и удовлетворённость клиента. Бизнес эффекта не видит, пилот закрывают с выводом «ИИ не работает». На самом деле не работает выбранная схема ответственности.
Кто соединяет бизнес и технологию
По мере роста количества проектов возникает вопрос про роли. Отдельное подразделение по ИИ уже есть у каждой четвёртой крупной российской компании, а в продвинутых отраслях — телеком, медиа, электронная торговля, банки и страхование — у 75%.
Но центра компетенций мало. В линейных подразделениях нужны проводники, которые переводят коммерческие задачи в технические требования и обратно. McKinsey описала эту роль ещё в 2018 году как «переводчика в аналитике».
Самый масштабный публичный пример — программа Citi AI Champions and Accelerators, запущенная в начале 2024 года. Четыре тысячи проводников под руководством 25–30 кураторов помогают коллегам осваивать инструменты ИИ. Охват: 84 страны и 182 тысячи сотрудников, больше 70% персонала освоили корпоративные инструменты.
В России ближайший аналог у Альфа-Банка: центр продвинутой аналитики на 250 человек, четыре функциональных хаба и отдельная роль «ИИ-продакт» в каждом направлении бизнеса.
Что из этого забрать
Финансовый результат улучшается двумя способами: ростом выручки или снижением затрат. Второй путь кажется очевиднее, но он не прямой: сначала надо перестроить процессы, и только потом становится понятно, где реально высвобождается ФОТ. Первый путь менее очевиден, но подтверждён конкретными цифрами у ServiceNow, Salesforce, Walmart и «Авито».
Большинство успешных примеров сочетают оба. Но начинать в российских условиях разумнее с выручки и пропускной способности, потому что сократить штат чаще всего нельзя по причинам, к ИИ отношения не имеющим.
Мы в dzeta.ai проектируем автоматизацию обработки заказов и документов именно под рост пропускной способности: то же количество менеджеров закрывает больше заявок и делает меньше ошибок. Если хотите посчитать, как это выглядит на ваших объёмах, напишите: dzeta.ai
Источники: «Яков и Партнёры», «ИИ-агенты: где хайп, а где реальность» (2026); EY AI Pulse Survey (2025); Gartner; BCG; отчётность Walmart и Klarna; публичные материалы «Авито», Citi, Альфа-Банка.