Изображение создано при помощи модели Шедеврум
Еще пару лет назад считалось, что активное использование ИИ — удел только крупных корпораций, у которых есть много данных, большие команды разработчиков и доступ к передовым технологиям. Сегодня ситуация обстоит иначе: нейросети на регулярной основе применяют и небольшие агентства, и селлеры на маркетплейсах. Трендами и сложностями использования ИИ малым и средним бизнесом поделился Мурат Хажгериев, эксперт Центра непрерывного образования ФКН НИУ ВШЭ.
Малый и средний бизнес по всему миру в последние пару лет активизировал внедрение генеративного искусственного интеллекта. 86% малых компаний отмечают, что ИИ уже помог сделать операции более эффективными, а 91% уверены, что ИИ поможет росту их бизнеса.
На глобальном уровне влияние генеративного ИИ на производительность и экономику активно изучают крупнейшие разработчики — OpenAI (создатель ChatGPT), Anthropic (семейство моделей Claude) и более специализированные игроки вроде Beam AI, фокусирующиеся на прикладных бизнес‑сценариях и «агентных» решениях для автоматизации процессов под ключ.
Так, по оценке Anthropic, основанной на анализе 100 000 реальных диалогов пользователей с Claude, текущие модели при широком внедрении могут дать прирост производительности труда на примере США порядка 1,8% в год, фактически удвоив текущие темпы роста. При этом ожидаемый эффект сильно различается по отраслям: технологии, образование и профессиональные услуги выигрывают заметно больше, чем розница, рестораны и транспорт, где задачи хуже «ложатся» на возможности генеративных моделей. Для МСБ это важный сигнал: даже если ИИ в среднем по экономике дает впечатляющие цифры, конкретный бизнес может почти ничего не почувствовать, если его процессы изначально плохо адаптируются под ИИ.
В России тренд аналогичен мировому: всё больше компаний активно экспериментирует с ИИ и стремится наверстать упущенное. По данным исследования Яндекс и компании Яков и партнеры, уже 71% крупных российских компаний используют генеративный ИИ как минимум в одной бизнес-функции. При этом бизнес в основном выбирает готовые продукты внешних вендоров: на них ориентируются 78% организаций, часто дорабатывая решения под свои процессы. Развитием собственных ИИ-технологий занимаются лишь 17% компаний.
Что касается МСБ, то по отчету SCG «Цифровизация МСБ 2025», к 2026 году более 60% российских малых и средних компаний будут активно использовать цифровые инструменты. Хотя сейчас высокий уровень цифровой зрелости демонстрируют лишь 16% компаний, инвестиции бизнеса в технологии за год увеличились на 23%.
Основная мотивация — избавление от рутины и ускорение работы. В 95% случаев люди из бизнеса уже применяют ИИ-инструменты в повседневной жизни в качестве переводчиков, голосовых помощников, а в работе — около 85% предпринимателей.
Ключевые преимущества для бизнеса: ускорение решения задач, экономия времени сотрудников и улучшение качества выполняемых задач. Многие прямо говорят, что использование нейросетей помогло им сберечь время, деньги и «нервные клетки», автоматизировав рутинные операции. Например, предприниматели в рознице отмечают, что ИИ сократил время принятия управленческих решений. В целом 77% ощутили реальную пользу от внедрения ИИ, особенно в оптовой торговле (88%) и среди тех, кто продает товары на маркетплейсах (86%).
Институт статистических исследований и экономики знаний НИУ ВШЭ в своем докладе подсветил следующие проблемы и препятствия: нехватка квалифицированных специалистов, высокие затраты на оборудование и ПО, сложности с интеграцией технологий. Так, на каждого создателя ИИ в России приходится более девяти сотрудников, использующих эти технологии.
Специализированные игроки, вроде Beam AI, показывают, что реальная ценность генеративного ИИ для бизнеса сейчас чаще всего возникает не на уровне «общих чат‑ботов», а на уровне встраивания моделей в конкретные сценарии: обработку заявок, персонализированные предложения, поддержку принятия решений в операционном управлении. Это по сути переход от «игрушек для экспериментов» к инфраструктуре, которая незаметно работает внутри привычных процессов.
Среди прочих сложностей при внедрении ИИ можно также отметить дефицит компетенций: 26% владельцев бизнеса жалуются на нехватку специалистов с нужными навыками, 25% — на недостаток собственных знаний о технологиях. Также предпринимателям сложно составлять правильные запросы (промпты) для нейросетей и выбирать подходящие инструменты. Эти проблемы схожи с мировыми: малым компаниям часто не хватает экспертизы и ресурсов для максимальной отдачи от ИИ. Тем не менее, интерес огромен: 80% тех, кто уже попробовал ИИ, хотят расширять его применение. Среди тех, кто занят в производстве, — таких вообще 90%.
Чтобы решить эту проблему, университеты стараются активно готовить специалистов в области ИИ. У Альянса в сфере искусственного интеллекта есть рейтинг вузов по качеству подготовки. Абсолютный лидер — Высшая школа экономики, которая первой получила наивысшую категорию А++. Что касается непосредственно умения писать промпты, важно понимать, что навык этот со временем будет претерпевать изменения, поскольку разработчики моделей постоянно дообучают их с учетом пользовательских запросов. Таким образом, эволюция подходов к работе с ИИ будет, вероятно, постепенно сводиться к умению управлять контекстом в рамках решаемой задачи и собственным навыкам коммуникации, универсальным при общении как таковом.
Следует отметить, что хотя облачные решения и открытые платформы делают ИИ более доступным для небольших фирм, крупные компании пока лидируют во внедрении. Одна из причин заключается в том, что многие компании не имеют возможности использовать SaaS-решения, в первую очередь, в силу регуляторных ограничений. Наиболее подвержены такому компании из финансового, юридического и медицинского секторов, однако, конечно, подобные примеры встречаются сплошь и рядом. Выходов здесь не слишком много: разворачивать модели на своем оборудовании (on-prem), что резко повышает стоимость интеграции услуг из-за необходимости покупки дорогостоящих графических ускорителей и найма специализированной команды, либо настраивать анонимизаторы исходящей вовне информации, которые, будем честны, не всегда способны митигировать риски.
Малый бизнес, таким образом, может столкнуться с ограниченным доступом к технологиям, а это грозит усилением разрыва с крупным в ряде отраслей. Усугубляется ситуация еще и тем, что, несмотря на то, что современный генеративный ИИ способен решать многие задачи в уже ставшем для кого-то привычным текстовом формате промптинга, обучение и развертывание нетипичных специализированных решений практически всегда достигает лучших результатов, при этом на порядки выигрывая в стоимости, а зачастую и в робастности. Однако, верный подбор подобных решений находится в ведении специалистов в машинном обучении, найм которых может быть затруднен для МСБ в силу нехватки ресурсов и компетенций. Чтобы минимизировать этот риск, государство и ИТ-корпорации запускают образовательные программы, конкурсы и песочницы для МСБ для тестирования ИИ-решений, однако эффекты от таких программ нам еще только предстоит увидеть в будущем
Иногда кажется, что искусственный интеллект — это универсальное решение, которое обязательно нужно внедрять, иначе бизнес отстанет от трендовых ИИ-компаний. Но на практике технологии нужны далеко не всем, особенно МСБ, у которого ресурсы часто ограничены. Слепое стремление внедрить ИИ ради статуса часто приводит только к тратам времени, денег и ожиданий.
Популярные ИИ-инструменты повышают личную продуктивность сотрудников, но слабо влияют на финансовые результаты компаний. Среди причин — недостаточная интеграция в бизнес-процессы и слабая адаптация к конкретным задачам организаций. В большинстве случаев ИИ остаётся надстройкой над старыми процессами, а не поводом их пересобрать в новом качестве. По данным исследования Массачусетского технологического института, 95% компаний, сделавших ставку на ИИ, не получили от него отдачи.
Вот несколько критериев, которые помогут понять, стоит ли вам внедрять ИИ или лучше повременить:
1. Есть ли конкретная бизнес-задача. ИИ нужен, если вы чётко можете сформулировать проблему и ожидаемый результат: снизить издержки, ускорить обработку, повысить точность. Не нужно придумывать задачи под ИИ.
2. Достаточно ли данных. Чтобы модель работала, нужны качественные структурированные данные в нужном объёме. Если данные не собираются, не структурируются или их слишком мало, ИИ будет бесполезен.
3. Повторяется ли задача регулярно. ИИ эффективен в процессах, где есть много однотипных операций. Это может быть обработка документов, прогнозирование спроса или выявление аномалий. Если процесс разовый, творческий или сильно зависит от человека, модели не принесут выгоды.
4. Есть ли экономический эффект. Важно внимательно считать нагрузку, количество пользователей, объём токенов, пиковые сценарии, стоимость генерации, а также ресурсы команды. Если выгода от внедрения превышает стоимость разработки, внедрения и поддержки, то ИИ можно внедрять. Если расчёты показывают, что отдача сомнительна, отложите внедрение.
5. Достигла ли компания цифровой зрелости. Прежде чем внедрять ИИ, сначала нужно навести порядок в базовых ИТ-процессах, таких как автоматизация и единые системы хранения данных.
Поэтому ИИ становится источником разочарования именно там, где его пытаются внедрять «поверх» неэффективных процессов, не пересматривая цепочку создания ценности и экономику решения. Для МСБ с ограниченными ресурсами это особенно критично: эксперимент вслепую легко сжигает бюджет, который мог бы пойти на пересмотр процессов в новом качестве.
Научиться принимать решения, нужно ли внедрять ИИ, оценивать эффекты, выстраивать KPI для подчиненных и планировать бюджеты можно на программе ФКН «ИИ-лидеры: бизнес-лаборатория для руководителей».
В подписке — дайджест статей и видеолекций, анонсы мероприятий, данные исследований. Обещаем, что будем бережно относиться к вашему времени и присылать материалы раз в месяц.
Спасибо за подписку!
Что-то пошло не так!
