За последние два года практически каждая крупная (и не только) компания успела запустить хотя бы один проект с ИИ. Но между «мы внедрили нейросети» и «нейросети принесли нам деньги» обнаружилась довольно большая дистанция.
По данным опроса McKinsey State of AI 2025 (1993 респондента, 105 стран, ноябрь 2025), 88% организаций регулярно используют ИИ как минимум в одной бизнес-функции. При этом на уровне всей компании эффект на EBIT фиксируют лишь 39% опрошенных, и только для 6% этот эффект значителен (выше 5% EBIT).
Похожая картина в свежем исследовании BCG (152 CEO, июль 2026): более половины руководителей не видят связи между ИИ и финансовыми результатами. И только 14% четко фиксируют влияние проектов на прибыль и убытки.
Иными словами, ИИ научился решать корпоративные задачи быстрее, чем компании научились превращать эти улучшения в деньги. Технология стала массовой, а финансовый эффект — пока, скорее, редкость.
Разберем, в каких бизнес-функциях ИИ приносит эффект уже сейчас, где рвется цепочка между задачей к результатом и как должно выглядеть внедрение, которое доберется до измеримой прибыли.
Похожая картина в свежем исследовании BCG (152 CEO, июль 2026): более половины руководителей не видят связи между ИИ и финансовыми результатами. И только 14% четко фиксируют влияние проектов на прибыль и убытки.
Иными словами, ИИ научился решать корпоративные задачи быстрее, чем компании научились превращать эти улучшения в деньги. Технология стала массовой, а финансовый эффект — пока, скорее, редкость.
Разберем, в каких бизнес-функциях ИИ приносит эффект уже сейчас, где рвется цепочка между задачей к результатом и как должно выглядеть внедрение, которое доберется до измеримой прибыли.
Где ИИ умеет создавать деньги
Экономический эффект возникает там, где технология меняет конкретный показатель бизнеса. Условно его можно свести к трем направлениям.
Снижение затрат и рост производительности
ИИ берет на себя рутинные операции, ускоряет разработку и документооборот, оптимизирует процессы в производстве, закупках и логистике. Компания может выполнять тот же объем работы меньшими ресурсами или увеличивать выпуск без пропорционального роста затрат.
Например, «Сбер» оценивает совокупный экономический эффект от внедрения в 2025 году в 450 млрд рублей, а на этот год прогнозирует 550 млрд. ИИ создает до 80% программного кода и обрабатывает 65% клиентских обращений банка.
Например, «Сбер» оценивает совокупный экономический эффект от внедрения в 2025 году в 450 млрд рублей, а на этот год прогнозирует 550 млрд. ИИ создает до 80% программного кода и обрабатывает 65% клиентских обращений банка.
Рост выручки
Персонализация, рекомендации, продажи, маркетинг — сценарии, в которых ИИ помогает точнее подбирать предложение, повышать конверсию и увеличивать объем покупок. Так, в Ozon доля оборота от рекомендаций за год с помощью ИИ выросла с 7 до 11%. Сюда же попадают R&D и разработка продуктов, где ускоряется вывод новых продуктов и услуг.
Сокращение потерь и рисков
Антифрод, контроль качества, безопасность, предиктивное обслуживание, прогнозирование сбоев. Здесь ИИ помогает не потерять деньги, которые бизнес потерял бы из-за брака, мошенничества, аварии или простоя.
В «Северстали» общий экономический эффект от ИИ в 2025 году составил 1 млрд рублей. Компания использует нейросети в том числе для мониторинга производственных процессов, контроля качества и промышленной безопасности.
Общая логика такова: деньги появляются там, где ИИ встроен в процесс с понятной единицей измерения — время обработки звонка, стоимость простоя, процент конверсии. Когда нейросеть просто помогает «быстрее думать» — эффект тоже есть, но не тот, который попадает в отчеты.
В «Северстали» общий экономический эффект от ИИ в 2025 году составил 1 млрд рублей. Компания использует нейросети в том числе для мониторинга производственных процессов, контроля качества и промышленной безопасности.
Общая логика такова: деньги появляются там, где ИИ встроен в процесс с понятной единицей измерения — время обработки звонка, стоимость простоя, процент конверсии. Когда нейросеть просто помогает «быстрее думать» — эффект тоже есть, но не тот, который попадает в отчеты.
Почему эффект теряется по дороге
Российская ситуация похожа на мировую. По данным исследования консалтинговой компании «Яков и Партнеры», все 150 крупнейших организаций из выборки уже провели хотя бы один ИИ-пилот, но эффект выше 5% EBITDA получили только 9%.
Этот разрыв авторы называют «каскадом затухания»: выгода, заметная на уровне отдельной операции, уменьшается по мере встраивания ИИ в реальные бизнес-процессы. В итоге успешный пилот может так и не превратиться в заметный финансовый результат. Почему это происходит? Причины могут быть разными.
Этот разрыв авторы называют «каскадом затухания»: выгода, заметная на уровне отдельной операции, уменьшается по мере встраивания ИИ в реальные бизнес-процессы. В итоге успешный пилот может так и не превратиться в заметный финансовый результат. Почему это происходит? Причины могут быть разными.
Причина №1. Начинают с технологии, а не с экономики
Задача «внедрить ИИ» ничего не говорит о цели проекта. До начала пилота важно определить исходный показатель: сколько стоит операция, сколько времени занимает, сколько ошибок или простоев возникает сейчас и какие изменения окупят внедрение.
Иначе компания может успешно выполнить техзадание, но так и не узнать, решила ли она бизнес-задачу. Это отличие акцентирует то же исследование BCG: компании, которые получают больший эффект от ИИ, определяют ожидаемое влияние на P&L еще до запуска проекта и привлекают финансовую функцию к оценке результата.
Иначе компания может успешно выполнить техзадание, но так и не узнать, решила ли она бизнес-задачу. Это отличие акцентирует то же исследование BCG: компании, которые получают больший эффект от ИИ, определяют ожидаемое влияние на P&L еще до запуска проекта и привлекают финансовую функцию к оценке результата.
Причина №2. Автоматизируют отдельную задачу, но оставляют прежним процесс
Предположим, ИИ позволяет готовить документ не за час, а за 20 минут. Это выглядит как трехкратный рост производительности. Но если потом документ два дня ждет согласования, бизнес не заметит выигрыша.
McKinsey подтверждает: из 25 изученных факторов именно перестройка рабочих процессов сильнее всего коррелирует с ростом EBIT от ИИ. При этом фундаментально перестроили хотя бы часть процессов только 21% организаций, использующих GenAI.
BCG приходит к похожему выводу: компании с высоким финансовым эффектом от ИИ в семь раз чаще перестраивают с его помощью целые рабочие процессы и участки бизнеса.
McKinsey подтверждает: из 25 изученных факторов именно перестройка рабочих процессов сильнее всего коррелирует с ростом EBIT от ИИ. При этом фундаментально перестроили хотя бы часть процессов только 21% организаций, использующих GenAI.
BCG приходит к похожему выводу: компании с высоким финансовым эффектом от ИИ в семь раз чаще перестраивают с его помощью целые рабочие процессы и участки бизнеса.
Причина №3. Пилот не выдерживает столкновения с реальной инфраструктурой
На тестовом проекте есть модель, ограниченный набор данных и небольшая команда. При масштабировании появляются ERP и CRM, права доступа, требования безопасности, разрозненные данные и сотни пользователей. То, что хорошо работает в изолированном эксперименте, не всегда удается встроить в существующий ИТ-ландшафт.
Часто узким местом становятся данные. В исследовании Deloitte (State of Generative AI in the Enterprise, 2024) 55% компаний сообщили, что проблемы с данными заставили их отказаться от некоторых сценариев использования генеративного ИИ. Поэтому параллельно с внедрением им приходится инвестировать в базовую инфраструктуру: 54% усиливают безопасность данных, 48% — работу с их качеством, 45% обновляют системы управления данными и соответствующие политики.
Часто узким местом становятся данные. В исследовании Deloitte (State of Generative AI in the Enterprise, 2024) 55% компаний сообщили, что проблемы с данными заставили их отказаться от некоторых сценариев использования генеративного ИИ. Поэтому параллельно с внедрением им приходится инвестировать в базовую инфраструктуру: 54% усиливают безопасность данных, 48% — работу с их качеством, 45% обновляют системы управления данными и соответствующие политики.
Причина №4. Недооценивают человеческий фактор
Даже технически успешное решение не принесет ожидаемого эффекта, если сотрудники продолжают работать по-старому. Масштабирование ИИ меняет роли, зоны ответственности и привычные способы принимать решения — то есть становится не только технологической, но и организационной задачей.
При этом компании уделяют первой стороне заметно больше внимания: по данным BCG, IT-функция участвует в управлении ИИ-трансформацией в 82% компаний, HR — только в 30%.
При этом компании уделяют первой стороне заметно больше внимания: по данным BCG, IT-функция участвует в управлении ИИ-трансформацией в 82% компаний, HR — только в 30%.
От пилота к прибыли: четыре условия успешного внедрения
Чтобы ИИ дошел до финансового результата, недостаточно выбрать хорошую модель и провести успешный пилот. Важна вся цепочка — от выбора задачи до промышленного масштаба.
Сосредоточиться там, где ИИ ближе всего к деньгам. Не нужно запускать десятки разрозненных экспериментов. Компания выбирает несколько приоритетных процессов, где эффект можно напрямую связать с выручкой, затратами или потерями, и концентрирует на них ресурсы. Чем короче путь от улучшенной операции до финансового показателя, тем проще доказать ценность проекта.
Перестроить процесс, а не просто ускорить отдельную операцию. Если добавить ИИ поверх старой схемы, он сэкономит сотруднику минуты, но не изменит количество этапов, согласований и общую стоимость процесса. Настоящий эффект появляется, когда вместе с внедрением технологии пересматривают сам процесс: какие операции нужны, какие можно убрать или автоматизировать, где по-прежнему требуется человек.
Заранее определить, что считать результатом. У проекта должна быть исходная точка и конкретная бизнес-метрика. Например, мало установить, что ИИ-помощник сокращает время обработки обращения на 30%. Нужно понять, во что превращается эта экономия: компания обслуживает больше клиентов тем же составом, снижает стоимость операции или быстрее закрывает заявки. Пока этого перехода нет, «рост эффективности» остается цифрой в презентации, а не в отчетности.
Масштабировать подтвержденный эффект. Даже высокий результат пилота может быть незаметен в масштабах крупной компании. Если решение экономит 30% времени, но используется одной командой, на P&L это почти не повлияет. Поэтому после подтверждения эффекта задача меняется: нужно распространить работающий сценарий на тот объем бизнеса, где локальная экономия становится финансово значимой.
Сосредоточиться там, где ИИ ближе всего к деньгам. Не нужно запускать десятки разрозненных экспериментов. Компания выбирает несколько приоритетных процессов, где эффект можно напрямую связать с выручкой, затратами или потерями, и концентрирует на них ресурсы. Чем короче путь от улучшенной операции до финансового показателя, тем проще доказать ценность проекта.
Перестроить процесс, а не просто ускорить отдельную операцию. Если добавить ИИ поверх старой схемы, он сэкономит сотруднику минуты, но не изменит количество этапов, согласований и общую стоимость процесса. Настоящий эффект появляется, когда вместе с внедрением технологии пересматривают сам процесс: какие операции нужны, какие можно убрать или автоматизировать, где по-прежнему требуется человек.
Заранее определить, что считать результатом. У проекта должна быть исходная точка и конкретная бизнес-метрика. Например, мало установить, что ИИ-помощник сокращает время обработки обращения на 30%. Нужно понять, во что превращается эта экономия: компания обслуживает больше клиентов тем же составом, снижает стоимость операции или быстрее закрывает заявки. Пока этого перехода нет, «рост эффективности» остается цифрой в презентации, а не в отчетности.
Масштабировать подтвержденный эффект. Даже высокий результат пилота может быть незаметен в масштабах крупной компании. Если решение экономит 30% времени, но используется одной командой, на P&L это почти не повлияет. Поэтому после подтверждения эффекта задача меняется: нужно распространить работающий сценарий на тот объем бизнеса, где локальная экономия становится финансово значимой.
Из всего вышесказанного следует принцип: начинать стоит не с вопроса «где мы можем применить ИИ?», а с другого: «какой бизнес-показатель мы хотим изменить?». Запустить работающий пилот — чисто техническая задача, сегодня уже довольно несложная. Важнее то, что происходит дальше: меняется ли вслед за технологией сам процесс, входит ли новый инструмент в ежедневную практику, удается ли распространить локальный эффект на масштаб компании.
Именно между успешным пилотом и новой рабочей реальностью проходит граница между ИИ, который эффектно смотрится на демонстрации, и ИИ, который приносит деньги.
Редактор текста: Елена Смирнова
