Что такое ИИ-трансформация с точки зрения бизнеса

Цифровая трансформация бизнеса с внедрением ИИ — это не очередной IT-проект, не замена CRM на более современную. ИИ-трансформация внедряет ИИ на уровень принятия решений: какие решения остаются за сотрудниками, а какие делегируются ИИ-системам.

Компания, в которой менеджеры пишут письма клиентам с использованием ChatGPT, внедрила ИИ-инструмент. Компания, в которой ИИ-система ведёт диалог с клиентами, квалифицирует заявки и передаёт данные в отчётность отдела продаж, перешла в качественно иное изменение. Отличие не в технологии, а в глубине встраивания ИИ в операционную модель.

За последний год мы в Ксентре разработали и запустили ИИ-системы разной глубины интеграции — от клиентских чат-ботов до стратегического ИИ-партнёрства. Главный вывод: вопрос не в том, какую модель ИИ использовать, а в глубине погружения ИИ в конкретные бизнес-задачи. В этой статье разберём, как пройти этот путь в своей компании.

Содержание

• Чем ИИ-трансформация отличается от цифровой трансформации
• Нужна ли цифровая трансформация для внедрения ИИ
• Почему проекты по внедрению ИИ часто проваливаются: дело не в модели
• Пять поколений ИИ-систем для бизнеса
• Какое поколение систем подойдет вашей компании
• ИИ-трансформация на практике: два примера
• С чего начать: дорожная карта
• Частые вопросы

Чем ИИ-трансформация отличается от цифровой трансформации

Цифровая трансформация бизнеса как понятие появилась не так давно, однако получила широкое распространение: директора по цифровой трансформации появились во многих организациях. В классическом прочтении цифровая трансформация — это перевод процессов с бумаги в цифру: миграция в облако, внедрение SaaS-решений, автоматизация документооборота. Это способствует ускорению процессов, но не затрагивает структуру принятия решений. Решения по-прежнему принимают ответственные лица.

ИИ-трансформация идёт дальше. В компании появляются системы, которые принимают часть решений самостоятельно в заданных границах. Меняется постановка вопроса: не «как перевести этот процесс в цифру», а «какая зона ответственности ИИ в данном процессе».

Нужна ли цифровая трансформация для внедрения ИИ

Стандартный ответ консультантов: сначала наведите порядок в данных, интегрируйте системы, потом надстраивайте ИИ. На практике в среднем бизнесе это превращается в проект внедрения ERP или CRM на 12–18 месяцев и десятки миллионов рублей до того, как появится хоть какой-то эффект от ИИ. McKinsey в материале 2025 года про агентный ИИ повторяет ту же логику: сначала фундамент данных, затем MLOps, потом агенты. До эпохи LLM это было справедливо: машинному обучению действительно требовались чистые структурированные данные и API.

Такая постановка вопроса не совсем верна. Цифровая трансформация — это не выключатель «или она есть, или ее нет», ИТ-системы сегодня используются в любом бизнесе: бухгалтерская программа, CRM или хотя бы таблицы, договоры на Я.Диске, знания в общих папках и в чатах. Правильная постановка вопроса звучит иначе: не «прошли ли мы цифровую трансформацию», а насколько ваша цифровая база далека от идеала и как именно стоит закрывать этот разрыв — внедрением ERP или ИИ-агентами.

Современным ИИ-агентам, чтобы приносить пользу, желательно, но не обязательно опираться на ИТ-системы. Они работают с PDF, скриншотами и неструктурированными документами напрямую. Computer-use агенты управляют легаси-системами через тот же интерфейс, которым пользуется человек, без адаптации API. Внутренние инструменты, на которые раньше уходили полугодовые проекты, собираются за дни. Оцифровывается только то, что действительно нужно данному агенту. Сам агент по ходу работы порождает структурированные данные, которые упрощают запуск следующего.

Однако если ИИ позволяет снизить требования к ИТ-системам, то следующие три условия остаются справедливыми: ясность процесса, достоверный источник информации и измеримость результата. ИИ не автоматизирует решение, которое никто не может описать словами; риск галлюцинаций требует, чтобы основные данные были в цифровом виде. Но это несложные требования: страница в Notion и метрика, а не ERP-внедрение.

Реальный выбор для руководителя — не «ИИ или без ИИ» и не «сначала цифровая трансформация, потом ИИ». Часто выбор стоит между большим проектом-внедрением и пошаговой ИИ-автоматизацией. ИИ даёт возможность постепенного наращивания цифровой базы там, где это принесёт наибольшую пользу для бизнеса. Любое внедрение систем класса ERP растягивается на годы, а постепенное внедрение ИИ-инструментов даёт измеримый результат за недели.

Так что наличие цифровых инструментов не означает готовности к ИИ, а отсутствие законченного ERP не означает отсутствие готовности. Между «мы работаем в Битрикс24 и Google Docs» и «ИИ-система обеспечивает клиентскую поддержку» дистанция реальная, но преодолимая по шагам.

Почему проекты по внедрению ИИ часто проваливаются: дело не в LLM

По данным исследования S&P Global за 2025 год, доля компаний, отказавшихся от большинства своих ИИ-инициатив, выросла с 17% в 2024 году до 42% в 2025-м — рост в два с лишним раза за год. Причины обычно сводят к четырём, и ни одна из них не относится к самой LLM. Все четыре имеют один и тот же корень.

1. Плохие данные. Стандартный ответ ИИ-консультантов: сначала наведите порядок в данных, постройте хранилище, потом внедряйте ИИ. Мы предлагаем начинать с другого вопроса: почему данные именно в таком виде? Современные LLM напрямую работают с PDF, таблицами и разнородными записями. Когда поставщик говорит, что «ваши данные не готовы для ИИ», обычно это значит, что его инструменты не умеют работать с вашими данными, и он просит бизнес подстроиться под его инструменты. Но возможно и обратное: ИИ адаптируется под данные бизнеса, а не наоборот. Плохие данные почти всегда — следствие того, что неверно выбрана глубина интеграции ИИ в процессы и данные бизнеса.

2. Нет поставленной бизнес-задачи. Компании внедряют ИИ ради хайпа, не сформулировав конкретную задачу, которую он должен решить. Получаются эффектные демо, которые не превращаются в работающие системы. Наша модель пяти поколений помогает сформулировать задачу заранее: чат-бот помогает решать задачу клиенту или сотруднику, ИИ-агент выполняет бизнес-процесс от начала до конца, получая бизнес-результат на выходе.

3. Демо работает, в продакшне нет. Проекты хорошо проходят тесты, но сталкиваются с трудностями в реальных процессах: исключения, пограничные ситуации, недостающий контекст. Первопричина — ожидание того, что ИИ должен решить магическим способом 100% обращений. Реальные системы устроены по принципу 80/20: ИИ ведёт типовой массовый поток, а сотрудник разбирает исключения.

4. Нехватка специалистов. Эксплуатация ИИ в продакшне (мониторинг качества, обработка эскалаций, дообучение, реакция на дрейф) требует людей, которые понимают и технологию, и бизнес-процесс. У большинства компаний таких людей нет; у большинства поставщиков ИИ — тоже. Реалистичный подход здесь не «найти эксперта с десятилетним опытом» в области, которой пять лет назад ещё не существовало. Реалистичный подход — работать с партнёром, у которого этот опыт уже есть, и параллельно растить собственные компетенции.

Все четыре проблемы сводятся к одному корню: несоответствие ожиданий тому, что ИИ может делать, на какой глубине интеграции в бизнес и как именно делится зона ответственности между ИИ и людьми. Модель пяти поколений ИИ-систем нужна как раз для того, чтобы задать это ожидание правильно с самого начала: назвать глубину интеграции, обозначить бизнес-задачу, спроектировать разделение 80/20, определить, какую компетенцию строите внутри, а какую закрываете партнёром.

Пять поколений ИИ-систем для бизнеса

Мы разработали модель, которая классифицирует ИИ-системы по глубине интеграции в бизнес, а не по количеству параметров модели или дополнительным функциям. Каждое поколение описывает уровень бизнес-контекста, который система получает на вход, и границы решений, которые ей разрешено принимать.

Различие в глубине интеграции. Второе поколение систем ничем не хуже третьего. Это лишь разные инструменты для решения разных задач бизнеса. Чат-бот клиентского сервиса ведёт диалог, он решает свою бизнес-задачу и нагружать его процессными функциями избыточно: она только увеличит стоимость и сложность, не добавляя пользы.

Поколение определяется не функциональностью. У чат-бота второго поколения может быть память сессии, доступ к API и работа в нескольких каналах. Агенту третьего поколения те же возможности нужны для выполнения процесса. Разница не в списке функций, а в том, на какой глубине интеграции работает система: диалог (человек ведёт к результату) или процесс (агент самостоятельно выполняет его в заданных рамках).

Подробный разбор каждого поколения с примерами — в статье «От промпта до партнёра: пять поколений ИИ-систем для бизнеса».

Получить стратегию роста →

Какое поколение систем подойдет вашей компании

Внедряете ИИ с нуля или пересобираете проект, который не дал результата — вопрос один: какое поколение соответствует вашей бизнес-задаче? Поколение выбирается исходя из задачи, а не из того, какие результаты достигнуты в бенчмарках. Мы применяем следующие критерии.

Второе поколение (чат-бот) подходит, когда:

• Есть клиентский сценарий, где нужно отвечать на вопросы по большой базе знаний: база продуктов, сложное ценообразование, несколько языков.
• Сотрудники тратят много времени на повторяющиеся обращения с похожей структурой.
• Человек сохраняет контроль над результатом, а ИИ помогает быстрее его достичь.
• Нужен запуск за 4–8 недель на проверенных технологиях.

Типовой эффект: сокращение времени ответа, работа круглосуточно, стабильное качество по всем обращениям. Кейс Royal Finance показывает эту схему в деле: гибридный ИИ-чат-бот ведёт диалоги с клиентами по 30+ кредитным продуктам.

Третье поколение (ИИ-агент или нейросотрудник) подходит, когда:

• Есть чётко регламентированный процесс с понятными входами, выходами и критериями качества.
• Сейчас этот процесс выполняет сотрудник по задокументированной инструкции.
• Объём операций достаточно большой, когда проблемы качества и узкие места приводят к существенным потерям.
• Вы готовы передать исполнение ИИ, оставив ключевые контрольные точки за человеком.

Типовой эффект: рост пропускной способности процесса, стабильное качество при масштабировании, высвобождение сотрудников для экспертных задач. Например, у нас в Ксентре весь процесс производства SEO-контента ведёт ИИ-агент — от анализа запросов до написания, рецензирования и публикации.

Четвёртое и пятое поколения: когда их стоит рассматривать

• У вас уже работает несколько ИИ-агентов третьего поколения в одном из бизнес-направлений.
• Ручная координация между ними стала узким местом.
• Нужно, чтобы ИИ сам перераспределял параметры агентов под заданные ключевые результаты бизнес-направления (четвёртое поколение).
• Нужен ИИ-советник по стратегии: подсказывает не как выполнять, а анализирует, какие цели ставить (пятое поколение).

Важная оговорка: четвёртое и пятое поколения — формирующийся класс систем. В Ксентре работает прототип пятого поколения (партнёрство, в котором разрабатывались как продуктовый каталог, так и стратегия), но это не готовый коробочный продукт. Для большинства компаний сегодня подойдут системы второго и третьего поколений: технология проверена, экономический эффект понятен.

Поколения не рекомендуется пропускать

Каждая ИИ-система работает на базе систем предыдущего поколения, и все на инфраструктуре первого поколения: развёртывание LLM, настройка RAG, промпт-инжиниринг, интеграция данных. Если корпоративные знания разбросаны по таблицам, PDF-файлам и в головах сотрудников, никакая продвинутая ИИ-система не компенсирует отсутствие базы. Первый шаг любой ИИ-трансформации — привести базу знаний в доступный структурированный вид.

ИИ-трансформация на практике: два примера

Разберём два проекта разной глубины.

Пример 1. Royal Finance — чат-бот второго поколения

Задача. Финансовая компания предлагала 30+ кредитных продуктов. Клиентская поддержка нужна была круглосуточная. Операторы не справлялись с объёмом, а простые FAQ-боты не могли работать со сложными банковскими продуктами.

Что сделали. Гибридный ИИ-чат-бот на Django с YandexGPT. Правила отвечают за подбор продуктов там, где важно соответствие требованиям комплаенса. ИИ-слой ведёт разговор: понимает ситуацию клиента, предлагает продукты, собирает контакты.

Глубина интеграции. Это определённо второе поколение. Чат-бот разговаривает с клиентами: ведёт диалог, уточняет, советует. Но всё, что выходит за рамки диалога (оформление заявки, запрос документов, дальнейшие действия), возвращается человеку. Для этой задачи это и есть подходящая глубина.

Результат. Круглосуточная клиентская поддержка по 30+ продуктам. Чат-бот обрабатывает типовой поток обращений, снижая нагрузку на операторов примерно на 60%. Операторы занимаются сложными случаями, где нужна экспертная оценка.

Развёрнутый кейс: Royal Finance: ИИ-чат-бот →

Пример 2. Ксентра SEO — ИИ-агент третьего поколения

Задача. Производство SEO-контента стабильного качества при масштабе требует цикла: анализ запросов, анализ конкурентов, написание, рецензирование, корректура, публикация. У каждого шага свои критерии качества. Ручное выполнение требует команды специалистов и достаточно дорого.

Что сделали. ИИ-агент (Claude Code + скилы) выполняет весь цикл производства SEO-контента. Агент работает в рамках описанного процесса с чёткими KPI: оценка проверки от 7 из 10, плотность ключевых слов в заданном диапазоне, стандарты подачи материала из 30-страничного руководства по написанию.

Глубина. Третье поколение — интеграция на уровне процесса. Агент получает на вход рамки, ресурсы и KPI и выполняет процесс. Он не решает, о чём писать (это уровень стратегии выше него). Когда встречается ситуация вне рамок, агент эскалирует, а не пытается придумать решение самостоятельно. Его задача — стабильно выполнять процесс.

Результат. Конвейер, который выпускает статьи, устойчиво проходящие критерии качества. Человек контролирует стратегические решения. Эта статья также прошла через этот конвейер.

С чего начать: дорожная карта ИИ-трансформации

Стратегия ИИ-трансформации — это не один проект, а поэтапная программа. Вот подход, который мы рекомендуем.

Шаг 1. Оценка текущего состояния

Прежде чем выбирать технологию, нужно понять, какие бизнес-направления подходят для ИИ и на какой глубине интеграции. Необходимые вопросы:

• У каких процессов понятны входы, выходы и критерии качества?
• Где узкие места и отклонения качества приводят к существенным потерям?
• Какие данные уже в структурированном доступном виде?
• Какие решения ИИ мог бы принимать в заданных рамках?

Консультация по ИИ-стратегии систематизирует эту оценку: выявит быстрые победы (второе поколение) и более глубокие возможности (третье поколение и выше).

Шаг 2. Первый проверенный сценарий

Не нужно пытаться трансформировать всё сразу. Выберите одно направление, где:

• Задача понятна и измерима.
• Второе или третье поколение — проверенная технология для такого класса задач.
• Результат можно измерить за 2–3 месяца.
• Успех создаёт импульс для следующего проекта.

Для большинства компаний малого и среднего бизнеса первый проект — это либо клиентский чат-бот (второе поколение), либо процессный агент под хорошо описанный процесс (третье поколение).

Шаг 3. Погружение по шагам

Когда первая система работает и даёт результат:

• Расширяйте на смежные направления на том же уровне глубины.
• Рассматривайте следующее поколение там, где текущая глубина стала ограничением.
• Развивайте базовую ИИ-инфраструктуру (первое поколение): без неё невозможны ИИ-системы следующих поколений.
• Документируйте, что сработало. Ваш собственный опыт ИИ-трансформации становится конкурентным преимуществом.

Цель — не добраться до пятого поколения как можно быстрее. Цель — подобрать правильную глубину интеграции ИИ в каждой бизнес-функции на основе того, что реально даёт результат.

Получить стратегию роста →

Частые вопросы

Почему большинство ИИ-проектов проваливаются?

Отраслевые опросы стабильно показывают долю провальных ИИ-проектов в диапазоне 40–80%. Причины обычно сводят к четырём: плохие данные, отсутствие внятной бизнес-задачи, поломка интеграции в продакшне, нехватка специалистов. Ни одна из них не относится к самой модели. Все четыре сводятся к одному корню — несоответствию ожиданий бизнеса той глубине, на которой ИИ был фактически внедрён. Чат-бот не выполнит процесс; ИИ-агенту без описанного процесса нечего выполнять. Решение: назвать правильную глубину интеграции (поколение ИИ-системы под задачу), описать разделение 80/20 между ИИ и людьми, определить, какую компетенцию развиваете внутри, а какую закрываете партнёром.

Сколько времени занимает ИИ-трансформация?

Зависит от масштаба. Чат-бот второго поколения разрабатывается и запускается за 4–8 недель. Агент третьего поколения под сложный процесс — 2–4 месяца с учётом пилотного запуска. Трансформация нескольких бизнес-направлений — программа на 6–12 месяцев. Разумный путь: начать с одного проверенного сценария и расширяться по результату.

Сколько стоит ИИ-трансформация?

Стоимость зависит от поколения и сложности. Проект чат-бота второго поколения — от 300 000 до 1 500 000 руб. на разработку плюс ежемесячное обслуживание. Агент третьего поколения — от 500 000 до 2 000 000 руб.; часть вознаграждения может быть привязана к полученному эффекту. Окупаемость чат-бота, который закрывает 80% типовых обращений, легко вычисляется.

Нужно ли менять существующие системы?

Нет. ИИ-трансформация встраивается поверх того, что у вас работает. Инфраструктура первого поколения подключается к текущим источникам данных (CRM, документы, базы). Системы второго и третьего поколений интегрируются с рабочими процессами. Менять ИТ-системы не нужно — нужно сделать ваши данные доступными для ИИ.

Поставщик ИИ говорит, что наши данные «не готовы для ИИ». Это правда?

Иногда да, но чаще это отговорка. Современные LLM напрямую работают с теми форматами данных, которые уже есть у бизнеса: PDF, таблицами, разнородными записями, даже противоречащими друг другу источниками. Когда поставщик говорит, что данные не готовы, уточните, что именно нужно изменить и почему. Если в ответ предлагают полугодовой проект построения хранилища данных до того, как появится хоть какой-то эффект от ИИ, это значит, что поставщик просит ваш бизнес подстроиться под его инструменты, а не наоборот. Реальные требования к данным легче, чем обычно представляют поставщики: канонический источник для тех фактов, по которым ИИ будет авторитетной инстанцией, плюс ясное определение того, что считается «правильным» ответом для конкретных решений, которые принимает ИИ.

Чем ИИ-трансформация отличается от простого использования ChatGPT?

Использование ChatGPT или другого ИИ-инструмента — это как пользоваться калькулятором: помогает в отдельных задачах, но не меняет, как компания работает. ИИ-трансформация встраивает ИИ в бизнес-процессы так, что система понимает ваши данные, следует вашим процессам и принимает решения в заданных границах. Разница — между сотрудником с инструментом и системой, которая сама является частью бизнеса.

Это подходит только крупным компаниям?

Нет. Малые и средние компании имеют неоспоримое преимущество. В крупном бизнесе внедрение замедляется из-за бюрократии, зоопарка legacy-систем и бесконечных согласований. Компания с выручкой от 60 миллионов, с хорошо описанными процессами и с собственником, который понимает требования бизнеса, внедряет системы второго и третьего поколений быстрее, чем многие корпорации запускают системы первого поколения.

Как понять, готова ли компания к ИИ-трансформации?

Три условия готовности: (1) ключевые бизнес-данные оцифрованы и доступны, (2) есть хотя бы один чётко описанный процесс с понятными входами, выходами и критериями качества, (3) есть конкретная бизнес-задача, где встраивание ИИ даст измеримый эффект. Если сомневаетесь, оценка применимости ИИ определит стартовую точку.

Что будет, если ИИ ошибётся?

В каждой системе, которую мы разрабатываем, предусмотрены контрольные точки для человека. Чат-бот второго поколения эскалирует сложные случаи оператору. Агент третьего поколения эскалирует всё, что выходит за рамки его процесса. Цель — не «ноль ошибок», а стабильная работа в границах и понятные правила эскалации для всего, что за них выходит.

Подходит ли ИИ-трансформация для сферы услуг или только для IT?

Бизнес оказания услуг часто выигрывает больше всего. В нём много процессов, построенных на повторяющихся сценариях: клиентские обращения, подготовка коммерческих предложений, расписания, проверка качества. Это как раз те задачи, где системы второго и третьего поколения дают заметный эффект. Наши проекты охватывают финансовые услуги, профессиональные сервисы и диджитал-агентства.

Означает ли ИИ-трансформация сокращение штата?

Обычно нет, хотя это один из самых главных страхов сотрудников бизнеса. При том же количестве сотрудников бизнес может зарабатывать больше как за счёт объёма, так и за счёт стабильного качества: ИИ берёт на себя массовые рутинные задачи, а команда занимается случаями, где нужна экспертиза, отношения с клиентом и творческое решение. В проекте Royal Finance чат-бот ведёт типовые обращения, операторы работают со сложными ситуациями, которые бот эскалирует. Ни тот, ни другой не заменяет друг друга. Вместе они дают больший объём при более высоком качестве.

Как понять, что поставщик ИИ предлагает что-то реально работающее?

Три вопроса позволяют отсеять большинство сомнительных предложений. Первый: какую глубину интеграции вам предлагают? Поставщик, который не может ответить в терминах диалога, процесса или бизнес-функции, продаёт технологию, а не решение. Второй: какая часть работы с данными действительно необходима, а какая нужна только из-за особенностей его инструментов? Если в проект заложен крупный этап подготовки данных до того, как появится первый эффект от ИИ, уточните, какие части обязательны, а какие нужны просто потому, что под них заточен стек поставщика. Третий: где проходит граница 80/20? Любое честное ИИ-внедрение оставляет крайние случаи человеку. Если вам обещают 100% автоматизации, в продакшне эта обещанная граница и сломается.

Главное в ИИ-трансформации — не внедрение самой крутой LLM на рынке, а подходящая глубина интеграции под конкретную бизнес-задачу. Будь то клиентский чат-бот или стратегическое ИИ-партнёрство, которое ставит под сомнение ваши цели, — модель из пяти поколений помогает понять возможности ИИ для вашего бизнеса и принять оптимальное решение.

Мы в Ксентре сопровождаем этот путь: от первичной оценки до внедрения и дальнейшего развития. Мы разрабатывали системы на каждом уровне глубины и пользуемся ими в работе собственного агентства.

Получить стратегию роста →