Бизнес

Как внедрить ИИ в бизнес: пошаговый план

20 января 2026 г.12 мин чтенияКоманда SFFRILT

Пошаговый план, как внедрить ИИ в бизнес: с чего начать, какой процесс автоматизировать первым, сколько это стоит и как посчитать эффект внедрения искусственного интеллекта.

В 2026 году большинство компаний уже понимают, что AI — это не «технология будущего», а инструмент с понятным ROI. Но между «надо внедрять» и «у нас работает первый сценарий» — пропасть, в которой тонут бюджеты и месяцы. Этот чек-лист — наш реальный план запуска первого AI-сценария за 30 дней, который мы прошли с 40+ клиентами на проектах AI-внедрения.

Перед стартом: 3 вопроса, на которые нужно ответить

Прежде чем планировать недели, ответьте письменно: какую метрику вы хотите сдвинуть и на сколько процентов; кто внутри будет владельцем проекта (не подрядчик, а ваш человек с правом решений); сколько денег вы готовы потерять, если первый сценарий не выстрелит. Если ответа на любой из вопросов нет — стартовать рано.

Неделя 1. Аудит и выбор сценария

Что делаем

Собираем топ-10 повторяющихся задач сотрудников. Это могут быть: ответы на одинаковые вопросы клиентов, заполнение карточек товаров, проверка документов, сверка реестров, написание писем по шаблону. Для каждой задачи замеряем: сколько часов в неделю занимает, сколько людей вовлечено, сколько в этом ошибок.

Как выбрать первый сценарий

Время: задача должна занимать минимум 20 человеко-часов в неделю
Регулярность: происходит ежедневно, а не раз в квартал
Структура: на входе и выходе понятный текст или данные
Цена ошибки: средняя или низкая (без юридических и медицинских рисков на старте)
Готовые данные: есть примеры «как правильно» — минимум 50 штук

Типичный результат недели

На выходе — короткий документ: 1 выбранный сценарий, метрика для замера (например, «время обработки заявки с 12 до 4 минут»), целевые цифры и бюджет.

Неделя 2. Прототип на коленке

Принцип «грубо и быстро»

Не пишите код. Возьмите ChatGPT или Claude и соберите промпт-прототип. Если задача — генерировать ответы клиентам, дайте модели 20 примеров «вопрос → правильный ответ» и проверьте на 50 новых вопросах. Если задача — извлекать данные из писем, скормите 30 писем и сравните с эталоном вручную.

Что замерять на прототипе

Доля приемлемых ответов (целимся в 70%+ для старта)
Типичные ошибки — записывайте каждую в табличку
Стоимость одного вызова в токенах × 1000 запросов = месячный счёт
Скорость ответа — критично, если AI отвечает клиенту live

Когда останавливаться

Если на прототипе вы не дотягиваете до 60% качества — задача не для текущего поколения LLM, либо нужна более серьёзная архитектура (RAG, fine-tuning). Не идите дальше — потеряете время.

Неделя 3. Интеграция в рабочие системы

Подключение к источникам

AI-агент бесполезен, если не видит реальные данные. На этой неделе подключаем: CRM (amoCRM, Bitrix24), мессенджер (для AI-операторов в Telegram, WhatsApp), базу знаний (Notion, Confluence, Google Drive), 1С и внутренние БД. Для базы знаний почти всегда строим RAG — векторный поиск, чтобы модель отвечала только по проверенным документам.

Логирование с первого дня

Каждый запрос пользователя, ответ модели, использованные источники, оценка оператора — всё пишется в БД. Без этого вы не сможете улучшать систему: будете чинить «вообще» вместо конкретных слабых мест.

Человек в петле

На старте обязательно: AI генерирует — оператор подтверждает или правит. Это даёт две вещи: безопасность (нет вылетов в продакшн) и обучающие данные для следующих итераций.

Неделя 4. Запуск, метрики, решение

Тихий запуск

Включайте на 30–50% объёма или для одной команды. Параллельно работает старый процесс — у вас есть контрольная группа. Через 5 рабочих дней сравните метрики.

На что смотреть

Главная метрика, которую заявили на первой неделе (двигается / нет)
Качество: процент случаев, где оператор переписал ответ AI
Скорость: время полного цикла обработки
Стоимость: токены + инфраструктура / объём обработанного
Удовлетворённость команды (короткий опрос из 3 вопросов)

3 возможных исхода

Сценарий А — метрика сдвинулась, команда довольна: масштабируете на 100% и берёте в работу следующий сценарий. Сценарий Б — двигается слабо, но команда видит потенциал: даёте 2 недели на доработку промптов и базы знаний. Сценарий В — не работает, команда сопротивляется: честно сворачиваете, разбираете причины, выбираете другой сценарий. Это нормально, выкидывать прототипы дешевле, чем тащить мёртвые проекты.

Типичные ошибки, которые удлиняют проект до полугода

Начинать с «трансформации всего бизнеса» вместо одного сценария
Брать сценарий с высокой ценой ошибки на первый запуск
Не назначать внутреннего владельца — подрядчик не может проталкивать решения
Покупать «AI-платформу» вместо конкретного результата
Пытаться внедрить без логов — потом нечего улучшать

AI должен решать конкретную задачу с измеримой метрикой, а не «быть в компании для престижа». Иначе деньги уходят в проект-зомби, который никто не решается закрыть.

Что дальше после первого сценария

Когда первый сценарий работает в продакшне 1–2 месяца — у вас уже есть инфраструктура, опыт команды и понимание токенов. Следующие сценарии запускаются в 2–3 раза быстрее: 10–14 дней вместо 30. Реальные примеры — в наших кейсах и на странице AI-решений.