7 ошибок при внедрении ИИ, из-за которых деньги уходят впустую

Большинство провальных проектов по ИИ ломаются не на технологии, а на подготовке. Мы видим одну и ту же картину: компания покупает решение, запускает его на сломанном процессе, никто не считает результат — и через три месяца проект тихо умирает. При этом в проектах, где метрика была зафиксирована до старта, счёт идёт на понятные цифры: в отделе продаж клиента конверсия выросла на 27% за два месяца, у юристов по банкротству — с 15% до 35%, что дало +3 млн ₽ выручки в месяц. Разница не в качестве модели. Разница в семи вещах, о которых ниже.

Ошибка 1. Старт без метрики: «внедрим ИИ и посмотрим»

Самый дорогой сценарий выглядит безобидно. Собственник читает про ИИ, даёт команду «попробовать», команда что-то внедряет. Через квартал вопрос «а что изменилось?» повисает в воздухе — потому что никто не зафиксировал точку отсчёта.

Без базовой цифры до старта результат нельзя ни доказать, ни опровергнуть. Проект превращается в предмет веры, а веру рано или поздно урезают в бюджете.

Правильный порядок обратный: сначала выбираете один показатель, который двигает деньги, замеряете его две-четыре недели вручную, и только потом трогаете технологию. В кейсе с онлайн-школой метрикой была доля вопросов, закрытых без человека. Стартовали от нуля, вышли на 86% — и это сразу конвертировалось в разгруженную поддержку и рост продаж в 2,5 раза.

Метрика должна быть одна. Две-три «одинаково важные» цели на старте — это способ не достичь ни одной.

• Плохая метрика: «повысить эффективность», «улучшить клиентский опыт», «ускорить процессы»
• Рабочая метрика: конверсия из заявки в договор, доходимость до встречи, время ответа клиенту, часов руководителя в неделю на контроль
• Обязательное условие: цифра измерена ДО внедрения и известна всем участникам

Ошибка 2. Автоматизация процесса, который сломан сам по себе

ИИ не чинит процесс. Он делает его быстрее. Если менеджеры теряют лиды, потому что в CRM нет регламента обработки, бот просто начнёт терять их быстрее и в большем объёме.

Мы регулярно отговариваем клиентов от внедрения на первой встрече. Не потому что нечего продать, а потому что на входе видно: заявки падают в общий чат, ответственный не назначен, статусы в CRM никто не двигает. Тут любая автоматизация даст отрицательный результат — добавит слой, который надо поддерживать, поверх хаоса.

Проверка простая. Опишите процесс по шагам на одном листе: кто получает вход, что делает, кому передаёт, за какой срок, где фиксируется. Если лист не пишется без споров внутри команды — процесса нет, есть привычка. Сначала регламент, потом ИИ.

Отдельный случай — процессы с исключениями. Когда «у нас каждый клиент особенный» на деле означает, что решения принимаются интуитивно и нигде не записаны, модели не на чем учиться и нечего проверять.

Ошибка 3. Внедрение «вообще», а не на конкретном узком месте

Формулировка «нам нужен ИИ» — это не задача. Это настроение. Задача звучит как «менеджер тратит 40 минут после каждого звонка на заполнение карточки, хотим 5 минут».

Широкие проекты дорогие и медленные: они трогают много отделов, требуют согласований, и любая пробуксовка в одном месте останавливает всё. Узкие проекты дают результат за недели и окупают следующий шаг.

Ищите узкое место там, где сходятся три признака: операция повторяется много раз в неделю, она отнимает время дорогих людей, и её качество напрямую влияет на деньги. Контроль качества звонков в отделе продаж — классический пример. Руководитель слушал выборочно 10 часов в неделю, после внедрения речевой аналитики тратит 30 минут и видит все 100% разговоров, а не случайные 5%.

Если в компании несколько кандидатов на автоматизацию — берите тот, где результат будет виден быстрее всего. Первая победа финансирует и легитимизирует остальные.

| | | |

|---|---|---|

| Размытая постановка | Что с ней не так | Как переформулировать |

| «Внедрить ИИ в продажи» | Непонятно, что меняем и как считаем | «Поднять конверсию из заявки во встречу с 18% до 25%» |

| «Автоматизировать поддержку» | Нет границы, где кончается бот | «Закрывать без оператора 8 типовых вопросов из топ-10» |

| «Сделать бота для клиентов» | Инструмент назван раньше проблемы | «Сократить время первого ответа с 4 часов до 3 минут» |

| «Использовать нейросети в маркетинге» | Нельзя ни спланировать, ни проверить | «Готовить 20 карточек товара в день силами одного человека вместо трёх» |

Ошибка 4. Пилот на демо-данных вместо реальных

Демо всегда работает. На причёсанных примерах модель отвечает идеально, все довольны, договор подписывают. Проблемы начинаются на реальном потоке: клиент пишет голосовым в три часа ночи, путает названия услуг, отвечает односложно и уходит в середине диалога.

Разрыв между демо и продом — главный источник разочарования. Мы берём за правило гонять пилот на настоящих обращениях: реальные звонки, реальная переписка, реальные документы со сканами кривого качества. Некрасиво, зато честно.

Отдельная ловушка — оценка «на глаз». Кажется, что бот отвечает хорошо. Нужна выборка: возьмите 100 реальных диалогов, разметьте руками, где ответ верный, где приемлемый, где вредный. Только доля вредных ответов даёт понимание, можно ли пускать систему к клиентам без человека.

И проверяйте на данных того периода, когда всё идёт не по плану. Сезонный пик, аврал, массовая рекламация. Система, которая держит только спокойный вторник, в бизнесе бесполезна.

Ошибка 5. Никто не отвечает за проект со стороны бизнеса

Внедрение без владельца внутри компании не выживает. Подрядчик может построить систему, но он не может заставить менеджеров ей пользоваться, не может решить, что делать со спорным сценарием, и не может согласовать доступ к CRM.

Нужен один человек с двумя свойствами: он понимает процесс изнутри и у него есть полномочия менять регламент. Обычно это руководитель направления, а не «айтишник». Айтишник нужен, но на других вопросах.

Частая подмена — назначают ответственным того, у кого меньше загрузка. Такой человек не может ни принять решение, ни продавить его в отделе. Проект уходит в переписку и умирает от согласований.

Правило, которое экономит месяцы: если на старте нельзя назвать имя и фамилию владельца проекта со стороны заказчика, проект не готов к запуску. Лучше подождать две недели и назначить нормального человека, чем полгода буксовать.

Ошибка 6. Сопротивление команды, которое не учли заранее

Менеджер, которому сказали «теперь все твои звонки анализирует ИИ», слышит одно: за мной следят и меня скоро уволят. Дальше он либо саботирует, либо формально выполняет требования так, чтобы система показывала красивые цифры.

Это предсказуемый риск, и его снимают заранее, а не постфактум. Рабочая схема: показать людям, что система убирает у них рутину, а не рабочие места. Речевая аналитика в первую очередь освобождает менеджера от заполнения карточки и подсказывает, что он забыл спросить. Контроль — побочный эффект, а не главный смысл.

Второй рычаг — сделать результат видимым для самих сотрудников. Когда менеджер видит собственную динамику по чек-листу и понимает, какие два действия поднимут его конверсию, инструмент из надзирателя превращается в тренажёр.

Третий — не запускать на всех сразу. Пилотная группа из двух-трёх лояльных сотрудников даёт и обкатку сценариев, и внутренних адвокатов. Дальше расширение идёт легче: коллеги видят, что люди не пострадали.

Ошибка 7. Запуск без плана «что делать, когда ИИ ошибётся»

Любая модель ошибается. Вопрос не в том, случится ли это, а в том, во что ошибка обойдётся и кто её заметит.

Риски внедрения искусственного интеллекта в основном сводятся к четырём: система придумала факт, которого нет; система дала ответ с юридическими последствиями; система показала одному клиенту данные другого; система молча сломалась и никто не заметил неделю.

Против каждого есть механика. Ограничение области знаний — модель отвечает только по вашей базе и честно говорит «передаю специалисту», когда не знает. Стоп-темы — деньги, сроки, гарантии, персональные данные уходят к человеку по жёсткому правилу. Логи всех диалогов с ежедневной выборочной проверкой в первые недели. Мониторинг с уведомлением ответственному, если поток ответов упал до нуля.

Показательный пример — кейс с нутрициологом, где ИИ ведёт клиента между консультациями и доходимость выросла с 30% до 81%. Там сознательно оставлен жёсткий предел: система напоминает, поддерживает и собирает обратную связь, но никаких рекомендаций по здоровью не даёт — этот блок целиком на специалисте. Ограничение не ослабило результат, оно сделало запуск возможным.

• Определите цену ошибки: репутация, деньги, регуляторка — для каждой свой уровень контроля
• Задайте список стоп-тем, где система обязана передать диалог человеку
• Включите логирование с первого дня и смотрите выборку вручную минимум две недели
• Настройте алерт на аномалии: резкий рост передач оператору, нулевой поток, всплеск повторных обращений
• Держите ручной режим: возможность выключить автоматику одной кнопкой без остановки бизнеса

Как проверить проект до того, как потратите деньги

Перед подписанием договора прогоните проект по короткому списку. Он не требует технической экспертизы и отсекает большую часть провальных сценариев.

Если хотя бы на три пункта ответ «нет» — проект не готов. Это не повод отказываться от ИИ, это повод потратить две недели на подготовку. Дешевле, чем потом переделывать.

Отдельно про деньги: считайте окупаемость не от стоимости внедрения, а от разницы в метрике. Экономия 9,5 часов руководителя в неделю, рост конверсии на 27%, +3 млн ₽ в месяц — это цифры, которые сравнимы с бюджетом. «Стало удобнее» — не цифра.

• Названа одна метрика и известно её значение до старта
• Процесс описан на одном листе и в команде нет спора о шагах
• Задача узкая: одна операция, одно узкое место, а не «отдел целиком»
• Пилот пойдёт на реальных данных, включая проблемные периоды
• Есть владелец проекта с именем, фамилией и полномочиями
• Продумано, как сотрудники узнают о запуске и что они с этого получат
• Определены стоп-темы и способ выключить автоматику
• Посчитано, при каком изменении метрики проект окупается

Частые вопросы

Сколько времени занимает внедрение ИИ и когда виден результат?

Зависит от ширины задачи. Узкое место — одна операция, один отдел — обычно даёт первые измеримые цифры через несколько недель после запуска пилота. Широкие проекты, затрагивающие несколько подразделений, идут месяцами и чаще буксуют на согласованиях. Поэтому мы советуем начинать с одного узкого места: быстрый результат окупает и оправдывает следующий шаг.

Что делать, если процесс в компании не описан — можно ли внедрять ИИ?

Сначала описать процесс, потом внедрять. ИИ не чинит сломанный процесс, он ускоряет то, что есть. Если заявки теряются из-за отсутствия регламента, автоматизация увеличит потери. Описание процесса на одном листе — кто получает вход, что делает, кому передаёт, за какой срок — занимает несколько дней и экономит месяцы.

Как понять, что подрядчик не продаёт пустышку?

Спросите три вещи: какую метрику он берётся двигать, как будет замеряться результат и на каких данных пойдёт пилот. Если ответы про «повышение эффективности» и демонстрация идёт на подготовленных примерах — это тревожный сигнал. Нормальный ответ звучит конкретно: такая-то цифра, такой-то способ замера, пилот на ваших реальных обращениях.

Заменит ли ИИ сотрудников и как объяснить это команде?

В проектах, которые работают, ИИ забирает рутину, а не людей: заполнение карточек, типовые ответы, первичную обработку. Люди остаются на решениях и сложных случаях. Команде это лучше показывать на их выгоде — меньше бумажной работы, подсказки по ходу диалога, видимая личная динамика. Запускать на всех сразу не нужно: пилотная группа из двух-трёх человек снимает большую часть напряжения.

Какие риски внедрения искусственного интеллекта самые серьёзные?

Четыре основных: система придумывает факты, даёт ответы с юридическими последствиями, показывает данные не тому клиенту и молча ломается без уведомлений. Все четыре закрываются механиками: ограничение области знаний, список стоп-тем с обязательной передачей человеку, логирование с ручной проверкой выборки и алерты на аномалии. Плюс обязательная возможность выключить автоматику одной кнопкой.

От чего зависит стоимость внедрения ИИ?

От ширины задачи, количества интеграций с вашими системами и требований к точности. Одна операция с одной интеграцией стоит принципиально меньше, чем сквозной процесс через три отдела. Считать окупаемость правильнее не от суммы внедрения, а от разницы в метрике: насколько выросла конверсия или сколько часов освободилось у дорогих сотрудников.

---

Все семь ошибок сводятся к одному: технологию берут раньше, чем разбираются с задачей. ИИ — это усилитель. Он усиливает и хороший процесс, и плохой, и отсутствие процесса тоже. Поэтому основная работа в успешном проекте происходит до того, как кто-то напишет первую строчку кода: выбрать одну метрику, описать процесс, найти узкое место, назначить владельца, договориться с командой и заранее решить, что делать при ошибке. Дальше начинается техника, и она в 2026 году редко бывает узким местом. Если хотите проверить свою задачу по этому списку — приходите с описанием процесса и одной цифрой, которую нужно сдвинуть. По ней сразу видно, есть проект или пока нет.

Внутренние ссылки:

• как устроено внедрение ИИ в бизнес по этапам
• от чего зависит стоимость внедрения ИИ
• ИИ для отдела продаж
• речевая аналитика или выборочная прослушка звонков
• кейсы Edemium с цифрами до и после