Почему AI-внедрения проваливаются
и как не делать «мёртвый пилот»

По оценке исследователей MIT (отчёт проекта NANDA, 2025), до 95% корпоративных пилотов с генеративным AI не дают ожидаемого возврата инвестиций. Аналитики S&P Global отмечают, что около 42% компаний сворачивают AI-инициативы ещё до перехода из пилотной стадии в продуктив. Это не случайность и не «незрелость технологий». Технологии как раз работают. Проблема в другом.

За последние два года мы видели десятки ситуаций, когда средний бизнес в России приходил к нам после неудачного первого опыта с AI. История почти всегда одна и та же: был энтузиазм, был бюджет, был пилот. Но результата не было. Почему? Разбираем пять ключевых причин.

1. Автоматизация хаоса

Самая частая ошибка: компания решает автоматизировать процесс, который сам по себе работает плохо. Логика кажется безупречной — «у нас бардак, давайте внедрим систему и наведём порядок». Но AI и автоматизация не наводят порядок. Они ускоряют то, что уже есть.

Представьте типичную ситуацию. В компании заявки от клиентов приходят из четырёх каналов: сайт, телефон, Telegram, почта. Менеджеры распределяют их вручную — кто-то берёт заявку в amoCRM, кто-то записывает в блокнот, кто-то просто запоминает. Руководитель отдела продаж раз в неделю просит отчёт, и менеджеры час сводят данные в Excel. Процесс работает — но на ручной тяге и с потерями.

Компания решает «внедрить AI для автоматизации обработки лидов». Подключают бота, который распределяет заявки. Но бот распределяет их по тем же правилам, что были в голове у менеджеров, — а эти правила противоречивы. Бот не знает, что Иванов берёт только крупных клиентов, а Петрова работает только до обеда. Результат: ещё больше путаницы, менеджеры отключают бота через неделю.

Прежде чем автоматизировать, нужно понять, как процесс работает на самом деле — не на бумаге, не в регламенте, а в реальности. Часто между «как нарисовано» и «как делают» — пропасть.

Правильный подход — сначала диагностика. Пройти по процессу руками: откуда приходят данные, кто что делает, где теряется информация, какие решения принимаются на глазок. Только после этого можно проектировать автоматизацию. Иначе вы просто ускоряете хаос.

2. Грязные данные

AI — это инструмент, который работает с данными. Если данные плохие, результат будет плохим. Это звучит очевидно, но на практике почти каждый средний бизнес в России работает с «грязными» данными, даже не осознавая этого.

Вот типичная картина. CRM (будь то Bitrix24 или amoCRM) заполняется менеджерами для галочки. Поле «источник лида» — пустое в 60% карточек. Сумма сделки указана примерно. Комментарии к звонкам — «перезвонить» без деталей. Параллельно бухгалтерия ведёт 1С, где данные о клиентах называются иначе, дубли не чистятся годами, а реквизиты обновляются от случая к случаю. Отдел логистики работает в своей системе, а коммерческий директор сводит всё в Excel, куда копирует данные из обоих источников — руками, раз в месяц.

Теперь в эту ситуацию приходит AI-решение. Ему предлагают «прогнозировать конверсию» или «сегментировать клиентов». На каких данных? На тех, где 60% полей пустые, где один клиент записан тремя разными способами, где суммы не совпадают между CRM и 1С? Модель честно обучается — и выдаёт мусор. Не потому что она плохая, а потому что «мусор на входе — мусор на выходе».

Данные — это не IT-задача. Это задача бизнеса. Если CRM заполняется формально, никакой AI не поможет. Сначала нужно навести порядок в данных — и часто это можно сделать без единой строчки кода.

Что делать? Не нужно вычищать все базы за 10 лет. Нужно определить минимальный набор данных, который нужен для конкретной задачи, и обеспечить их качество — хотя бы на последних 3-6 месяцах. Связать системы, убрать дубли, настроить обязательные поля. Это не «проект на полгода» — в среднем бизнесе это задача на 2-4 недели, если знаешь, что делаешь.

3. Инструмент вместо стратегии

«Давайте внедрим ChatGPT» — одна из самых частых фраз, с которых начинается разговор. Или «нам нужен BI-дашборд». Или «хотим чат-бота на сайт». Это всё — инструменты. А вопрос «зачем?» остаётся без ответа.

Подход «от инструмента» — это когда компания видит, что конкуренты внедрили что-то модное, и хочет так же. Или на конференции показали красивое демо. Или руководитель прочитал статью в РБК. Мотивация понятна, но она ведёт в тупик.

Правильный подход — от боли. Что конкретно не работает? Менеджеры тратят 2 часа в день на заполнение CRM после звонков — это боль. Руководитель не видит реальную конверсию по этапам воронки — это боль. Отдел закупок заказывает товар «по ощущениям», и на складе то пусто, то густо — это боль. Вот от этих конкретных болей и нужно отталкиваться.

Когда задача сформулирована, инструмент подбирается сам. Может оказаться, что для решения нужен не AI, а простая интеграция между 1С и CRM. Или настройка автоматических напоминаний. Или дашборд, который собирает данные из трёх систем в одну картинку. Иногда самое эффективное решение — самое простое.

Технология — это ответ. Но сначала нужно правильно задать вопрос. «Внедрить AI» — это не задача. «Сократить время обработки заявки с 4 часов до 30 минут» — это задача.

4. Пилот без продолжения

Отдельная история — «мёртвые пилоты». Компания нанимает подрядчика, делает пилотный проект. На демо всё работает красиво: модель распознаёт, бот отвечает, дашборд рисует графики. Руководство впечатлено. Подрядчик получает оплату. А дальше — тишина.

Пилот был сделан на тестовых данных, в изолированной среде, без интеграции в рабочие процессы. Чтобы перевести его в продуктив, нужно подключить к реальным системам, обучить сотрудников, настроить мониторинг, предусмотреть ошибки. Это ещё 70-80% работы, которые не были заложены в бюджет и сроки.

В итоге пилот остаётся красивой презентацией. Команда возвращается к Excel и телефонии. А в компании формируется мнение: «мы пробовали AI — не работает».

Чтобы этого не случилось, план внедрения должен с самого начала включать переход в продуктив. Не «сделаем пилот, а потом посмотрим», а «пилот на реальных данных одного отдела, с конкретными KPI, и если показатели достигнуты — масштабируем на остальных за следующие 4 недели». Пилот без плана масштабирования — это не пилот. Это демо.

Хороший пилот — это не демонстрация технологии. Это первая итерация рабочего продукта. Он должен работать на реальных данных, в реальных процессах, с реальными людьми.

5. Команда не готова

По данным исследований, около 50% сотрудников испытывают тревогу при внедрении AI-инструментов. Они боятся, что AI заменит их или что руководство будет использовать новые системы для тотального контроля. Эти страхи не беспочвенны — в некоторых компаниях именно так и происходит.

Но даже если намерения руководства самые лучшие, без подготовки команды внедрение обречено. Менеджеры, которые не понимают, зачем им новый инструмент, будут его игнорировать. Или заполнять данные формально — ровно так, как они уже делают в CRM. Или находить способы обойти систему.

Мы видели случай, когда в дистрибьюторской компании внедрили AI-систему анализа звонков. Технически всё работало. Но менеджерам не объяснили, зачем это нужно и как это им поможет. Они восприняли систему как «прослушку» и начали вести ключевые переговоры с мобильных телефонов, минуя корпоративную телефонию. Данные в системе стали неполными, аналитика — бесполезной. Формально AI работал. Фактически — нет.

Что делать? Вовлекать команду с первого дня. Объяснять не «мы внедряем AI», а «мы хотим, чтобы вам не приходилось тратить 40 минут после каждого звонка на заполнение CRM — система будет делать это за вас». Показать выгоду для сотрудника, а не только для руководства. Начать с того, что помогает, а не с того, что контролирует. И обязательно обучить — не один раз на общем собрании, а в процессе, с поддержкой.

AI внедряется не в систему, а в команду. Если люди не понимают зачем и не видят пользы лично для себя — саботаж неизбежен, каким бы хорошим ни было технологическое решение.

Как делать правильно

Перечисленные пять проблем — не приговор. Они решаемы, если подходить к внедрению системно, а не по принципу «давайте попробуем и посмотрим».

Подход, который мы используем в FLOXIO, состоит из четырёх шагов:

Диагностика. Прежде чем что-то автоматизировать, разбираемся, как процессы работают сейчас. Не по регламентам, а по факту. Где теряется информация, где ручной труд, где принимаются решения «на глазок». Это занимает 1-2 недели и даёт карту реальности, а не фантазий.

Прозрачность. Наводим порядок в данных. Связываем системы: 1С, CRM, телефонию, мессенджеры. Убираем дубли, закрываем пробелы. Строим единый контур, где руководитель видит картину бизнеса в реальном времени — без ручных отчётов и Excel-сводок.

Автоматизация. Внедряем AI и автоматизацию точечно — в те места, где диагностика показала наибольший эффект. Не «всё сразу», а один процесс за раз. С конкретными метриками: время, ошибки, конверсия, выручка.

Масштабирование. Когда первый процесс работает и даёт результат, расширяем на следующие. Каждый шаг — 2-4 недели. Каждый шаг заканчивается работающим решением, а не презентацией.

Такой подход не гарантирует, что всё пройдёт идеально. Но он минимизирует риски и позволяет получить первый результат быстро — в течение месяца, а не через полгода.

Это не теория. По этой логике был собран проект сквозной ERP с ИИ-агентом для производителя БАДов: после диагностики и поэтапного внедрения компания вышла на +5 миллионов рублей прибыли в месяц. По той же схеме строилась оцифровка продаж для косметической компании, где конверсия на отдельных этапах воронки выросла с 5% до 47%. В обоих случаях сначала была прозрачность — и только потом автоматизация. Ни один из проектов не остался «мёртвым пилотом», потому что план перехода в продуктив был заложен с первого дня.