Пирамида ИИ-зрелости компании: как перейти от пилотов к системному внедрению

Компании активно инвестируют в ИИ, но часто пилоты так и не превращаются в масштабируемые решения с измеримым бизнес-эффектом. Инструментов становится больше, затраты растут, а процессы почти не меняются. По данным McKinsey, 88% мировых компаний уже регулярно используют ИИ хотя бы в одной бизнес-функции, однако влияние на прибыль отмечают только 39%. В России картина схожая: 71% компаний применяют генеративный ИИ, но когда речь заходит об эффекте, всё ещё часто звучат сомнения.

Вместе с Полиной Ефремовой, директором по развитию KORUS AI из ГК «КОРУС Консалтинг», разберем, почему ИИ застревает на уровне экспериментов и что должно измениться, чтобы результаты стали заметны в реальных процессах и бизнес-показателях. На основе проектного опыта и общения с российскими enterprise-компаниями можно выделить четыре этапа внедрения ИИ. Они помогают определить текущую точку и понять, что нужно для перехода на следующий уровень.

Под ИИ-зрелостью здесь понимается способность компании встраивать ИИ в работу так, чтобы менялись скорость, качество, стоимость, риск и управляемость процессов. В модели четыре уровня:

1. Поиск гипотез и прототипирование. Компания выясняет, где имеет смысл применять ИИ.
2. Оптимизация отдельных задач. ИИ уже даёт измеримый, но локальный эффект.
3. Изменение процессов. ИИ встраивается в рабочую цепочку и меняет процесс целиком.
4. ИИ как часть операционной модели. Компания умеет системно запускать, контролировать и переиспользовать ИИ-сценарии.

Уровень 1. Поиск гипотез и прототипирование

Компания ищет точки приложения ИИ: собирает идеи, делает прототипы, запускает первые эксперименты и выбирает приоритетные направления.

Сценарии использования ИИ на этом этапе обычно делятся на два типа. Первый — личная продуктивность: саммари встреч, поиск контекста, черновики текстов и отчётов. Второй — применение ИИ в конкретных бизнес-процессах: закупках, обработке обращений, контроле качества и договорной работе.

На этом этапе чаще всего возникают две проблемы:

1. Пилот ради пилота. Демо выглядело убедительно, но на этом история закончилась. У проекта нет владельца, бюджета, целевой метрики и даже ответа на вопрос, кто будет пользоваться инструментом каждый день. В результате пилот может показать хороший результат, но не переходит в рабочий сценарий: его некому развивать, не на что масштабировать и не с чем сравнивать по эффекту.
2. Погоня за модной технологией. Компания считает, что ей нужен ИИ-агент, а какую проблему он должен решить, выясняет уже во время пилота. Не каждой гипотезе нужен ИИ: иногда её можно проверить настройкой существующей системы, автоматизацией или изменением процесса.

Что нужно для перехода на следующий уровень:

• Стоит собрать 10–15 сценариев и из них выбрать 3–5 приоритетных по двум критериям: ожидаемый бизнес-эффект и сложность реализации. Начинать лучше с проблемных участков, где сотрудники тратят много времени на ручную обработку информации, поиск нужных данных и проверку результатов.
• У каждой выбранной гипотезы должны появиться владелец, метрика, доступ к данным и заранее определенный критерий успеха: при каком результате пилот масштабируется, а при каком закрывается.
• Отдельный вопрос — постановка задачи. Не «хотим чат-бот», а «сотрудники долго ищут ответ во внутренней базе знаний». Не «нужен агент для продаж», а «менеджеры тратят по два часа в день на перенос данных в CRM». Чем точнее проблема, тем проще собрать прототип и проверить, есть ли от ИИ эффект.

Уровень 2. Оптимизация отдельных задач

На втором уровне ИИ уже используют регулярно. Он ищет информацию в документах, готовит черновики писем, классифицирует обращения или помогает сотрудникам принимать решения.

Бизнес-процессы пока остаются прежними. Эффект локальный, но его уже можно посчитать: сколько часов сэкономили и заявок обработали, как изменилась стоимость операции или доля ошибок.

На этом этапе возникают новые сложности:

1. ИИ превращается в зоопарк инструментов. У каждого отдела свои боты, промпты, модели, подрядчики и правила. Сотрудникам удобно, но ИТ и ИБ — значительно сложнее. Какие данные сотрудники загружают во внешние сервисы? Кто меняет системный промпт? Почему качество ответа упало после обновления модели? Сколько компания вообще тратит на ИИ? На эти вопросы часто никто не может ответить.
2. Локальное ускорение не меняет процесс. В результате эффект сходит на нет. Например, ИИ за минуту готовит документ, но дальше он три дня ждет согласования. Ассистент отвечает сотруднику, используя устаревшую базу знаний. Оператор получает готовую подсказку, а потом вручную переносит результат в CRM.

Что нужно для перехода на следующий уровень

• Отдельные сценарии постепенно нужно связывать с корпоративным ИТ-контуром. Бизнесу важно понимать, где хранятся и обновляются данные, кто отвечает за качество моделей, как устроены права доступа, где фиксируются действия системы и как контролируются расходы.
• Параллельно стоит продумать общую архитектуру ИИ-решений: единые принципы работы с моделями, интеграциями и безопасностью. Иначе каждый новый сценарий будет создаваться как отдельный проект со своими инструментами и правилами, а число разрозненных решений продолжит расти.

На этом уровне меняется и подход к оценке эффекта. Нужны конкретные показатели: скорость, стоимость, качество, соблюдение SLA или снижение определённого риска.

На первых двух уровнях хорошо работает ИИ-песочница — изолированная среда, в которой команды могут тестировать модели, промпты, RAG, базы знаний и простых агентов. Одновременно важно развивать внутреннюю экспертизу. Хакатоны, демо-дни и обмен успешными сценариями помогают сотрудникам находить новые точки применения ИИ, а ИТ-команде — быстрее оценивать их реалистичность и риски.

Именно здесь становится понятно, какие прототипы стоит закрыть, а какие — довести до полноценного внедрения. И это уже другая задача, чем просто создать работающий пилот.

Уровень 3. Изменение процессов

1. Разница хорошо видна на примере обработки обращения. На втором уровне ИИ может классифицировать письмо или подготовить ответ оператору. На третьем он получает обращение, подтягивает данные из систем, проверяет документы, предлагает решение, маршрутизирует кейс, следит за SLA и передает человеку только ситуации, где нужна экспертиза или финальное решение.
2. Меняется вся цепочка работы. Поэтому и эффект считают на уровне процесса: скорость обработки, доля ошибок, качество решения, нагрузка на сотрудников, стоимость операции.
3. Одновременно важно четко разграничить роли и ответственность. Бизнес владеет процессом и отвечает за результат. ИТ — за архитектуру, интеграции и поддержку. ИБ определяет правила работы с данными и доступами. Руководители отвечают за то, чтобы их команды действительно перешли на новый способ работы.

Проблемы, с которыми можно столкнуться на этом этапе.

• Сотрудники продолжают работать по-старому. Сам по себе новый инструмент не меняет способ работы. Люди могут не доверять ответам ИИ, перепроверять каждый шаг вручную, возвращаться к привычным способам работы или пользоваться ИИ только в самых простых случаях. Если система ошибается или нестабильно работает на старте, это усиливает недоверие, особенно у сотрудников, которые изначально сомневались в пользе ИИ. В результате компания инвестирует в новую технологию, но сохраняет прежние трудозатраты, а при параллельном использовании старых и новых инструментов иногда даже увеличивает их.
• Некачественные данные. Устаревшие базы знаний, противоречивые документы и отсутствие единого источника истины напрямую влияют на качество работы ИИ.
• Нет правил промышленной эксплуатации. Третий барьер появляется на этапе масштабирования после пилота. Пока сценарий держится на проектной команде, любой сбой можно разобрать вручную. Когда ИИ-система выходит в эксплуатацию, нужны постоянные правила и распределение ответственности: кто мониторит качество, обновляет промпты, реагирует на инциденты и контролирует стоимость.

Что нужно для перехода на следующий уровень

Компании нужен системный подход к выводу ИИ-сценариев в промышленную эксплуатацию. Для регулярного запуска решений необходим общий технологический контур. Эту задачу решает единая платформа для всей ИИ-среды. Например, такой подход реализован в KORUS AI: решение объединяет модели, корпоративные знания, ассистентов и интеграции, а также позволяет централизованно управлять доступами, мониторингом и расходами. Благодаря этому ИТ-командам не приходится заново собирать технологический контур для каждого пилота.

На этом уровне компании формируют центр компетенций или постоянную команду, которая помогает тиражировать работающие решения и запускать новые сценарии по единым стандартам. На стороне бизнес-функции тоже нужна постоянная поддержка. Совместная команда бизнеса, ИТ и ИБ перестраивает процесс, следит за метриками и дорабатывает сценарий после запуска. Без выделенной команды и правильно выстроенного процесса новый инструмент быстро обрастает ручными операциями и обходными решениями.

Уровень 4. ИИ как часть операционной модели

1. Компания уже не учится внедрять один процессный сценарий. Она умеет делать это регулярно. Новые процессы изначально проектируют с учетом возможностей ИИ: какую часть работы можно автоматизировать, где модели нужен корпоративный контекст, какое решение человек должен подтверждать сам.
2. К этому моменту технологическая основа для масштабирования уже создана. Поэтому внимание смещается с запуска отдельных решений на управление всем портфелем ИИ-инициатив.

Задача четвертого уровня — сохранять управляемость по мере роста числа ИИ-сценариев и быстрее находить новые зоны эффекта. Для этого компания ведет единый реестр моделей, агентов, баз знаний, промптов и сценариев с назначенными владельцами, контролирует стоимость и результативность решений, а также фиксирует действия ИИ для последующего аудита.

Портфель ИИ-инициатив регулярно пересматривают: определяют, какие решения масштабировать, какие дорабатывать или закрывать, а какие можно применить в других подразделениях и новых направлениях бизнеса.

По мере роста числа сценариев эту работу все сложнее вести силами отдельных проектных команд. Поэтому компании формируют постоянную функцию развития ИИ-среды и поддержки бизнеса, а при необходимости дополняют внутреннюю экспертизу внешней командой.

Так ИИ перестает быть набором отдельных проектов и становится частью регулярного управления и развития компании.

На схеме пирамида выглядит как четыре последовательные ступени. В реальности компании, конечно, развиваются менее линейно: один департамент уже встраивает агентов в процессы, а другой только проводит первый воркшоп по ИИ. Но саму логику уровней обойти сложно.

Так, без владельцев и метрик пилоты не масштабируются. Без актуальных данных RAG превращается в поиск по устаревшим документам. Без интеграций ИИ ускоряет сотрудника, но не меняет процесс. А без продуманной экономики и корректной логики процесса расходы на выполнение одной и той же операции могут различаться в десятки раз.

Поэтому сразу стать «AI-first» не получится. Можно купить мощную модель, быстро собрать агента или развернуть корпоративную ИИ-платформу, но верхний уровень не заменяет работу с гипотезами, процессами, данными и командами. Если нижние ступени не пройдены, получится просто очень дорогая версия хаоса.

Бизнес часто ждёт от ИИ быстрых побед: собрали ассистента, дали доступ сотрудникам и эффективность должна вырасти. Иногда так и происходит. Но устойчивый эффект появляется позже: когда технология встроена в процессы, получает нужные данные, работает по понятным правилам безопасности, а сотрудники понимают, зачем и как ей пользоваться. Поэтому путь от пилотов к трансформации — это не разовый проект, а постепенное развитие всей системы работы с ИИ.