Зачем бизнесу ИИ: что общего у нейросети и электромотора

Что ИИ даёт бизнесу — и где теряется результат

ИИ может быстрее написать письмо или разобрать заявку. Но если после этого информация по-прежнему ждёт в очереди, вручную переносится между системами и проходит лишние согласования, бизнес получает лишь часть возможного эффекта. Лучше всего это объясняет история промышленных электродвигателей — а затем она повторяется в контейнерных перевозках, бухгалтерии Ford, страховой компании и в свежем исследовании чат-ботов на рынке труда Дании.

Значительная часть работы в компании происходит между формальными операциями: прочитать письмо, разобраться в описании, найти инструкцию, сопоставить названия товаров, уточнить недостающие данные. Люди переводят разрозненную информацию в решения и записи, с которыми уже могут работать учётные системы.

Именно здесь полезны языковые модели. Они помогают обрабатывать текст и документы, извлекать сведения, искать ответы и готовить предложения. Например, из письма покупателя можно получить черновик заявки с позициями, количеством и вопросами для уточнения.

Однако скорость отдельной операции и скорость работы компании — разные показатели. Допустим, менеджер теперь готовит ответ за три минуты вместо пятнадцати. Если затем заявка два дня ждёт согласования цены, клиент почти не почувствует улучшения. А если результат приходится копировать из чата в таблицу, а затем в CRM, часть выигрыша исчезает.

Что общего у ИИ и электромотора

Представьте фабрику 1880-х годов. В отдельной пристройке стоит паровая машина — сердце всего предприятия. От неё по зданию идёт главный вал, от него под потолками цехов отходят другие валы, а от них кожаные ремни тянутся к каждому станку. Всё вращается от одного центра. На некоторых фабриках к концу XIX века под крышей одного здания набиралось больше мили валов (Wikipedia: Line shaft).

У такой системы были свои законы. Станок ставили там, куда дотягивался ремень, а не там, где его место в цепочке обработки. Заготовка ходила по цеху туда и обратно, потому что так удобнее валам. Заводы нередко строили в несколько этажей — так короче передача. По историческим оценкам, на трение в валах и ремнях уходила примерно четверть энергии и больше. Валы закрывали свет, а остановка машины или вала останавливала всех.

Когда пришло электричество, фабрики сделали самое естественное: убрали паровую машину и поставили на её место большой электродвигатель. Вал, ремни и расстановка станков остались прежними. Потом появился групповой привод — мотор поменьше на каждый участок вала. Электричество работало, но фабрика по сути оставалась паровой. Результат был скромным: в 1899 году на электропривод приходилось менее 5% механической мощности в обрабатывающей промышленности США, а заметный скачок производительности пришёлся на 1920-е — спустя несколько десятилетий после первых электростанций.

Настоящий перелом случился, когда мотор «разнесли» по станкам. При индивидуальном приводе у каждой машины появился свой двигатель, а вместо вала к ней подвели провод. Исчезли ремни под потолком, потери в передаче сократились, остановка одного станка перестала останавливать остальные. Главное — станки стало возможно расставить по ходу изделия, а не по длине вала, и цех можно было проектировать вокруг самой работы. Эти изменения описывает экономический историк Пол Дэвид в The Dynamo and the Computer, 1990, с. 357–358.

С ИИ сейчас происходит то же самое. Первая реакция — поставить его в центр вместо «паровой машины»: один общий чат или ассистент, через который пропускают письма, заявки и документы. Сотрудники сами носят туда информацию и забирают результат — это и есть ремни. Отдельные операции ускоряются, но маршрут остаётся прежним: те же пересылки, те же очереди, те же согласования. Следующий шаг — «индивидуальный привод»: ИИ встроен в каждый этап процесса. Он разбирает входящее, подбирает соответствия в каталоге, готовит черновик ответа и передаёт результат дальше сам, без копирования между окнами. Тогда можно переставить и сам процесс — «по ходу изделия».

Что дала новая организация: пример завода Ford

Наглядный пример — завод Ford в Хайленд-Парке. По данным музея The Henry Ford, массовое производство Model T было бы невозможным без электричества: у завода была собственная электростанция, а к 1919 году девять спроектированных Ford гибридных двигателей приводили в действие линии сборки и сопутствующее оборудование (The Henry Ford). Когда энергию можно подвести к любому месту цеха, оборудование расставляют по последовательности операций, а не по длине вала.

Дальше работа перестраивалась шаг за шагом. В апреле 1913 года инженеры Ford попробовали собирать маховики магнето на подвижной линии. 7 октября 1913 года вдоль 150-футовой линии сборки шасси встали 140 сборщиков. Если раньше шасси собирали на месте больше 12 часов, то на первой линии — менее трёх часов, а после доработок в начале 1914 года — 93 минуты (Assembly Magazine). Другие источники называют близкие цифры: например, 728 минут до линии и 93 после. Заслуга при этом принадлежит не одному электричеству: сыграли роль разделение операций, стандартные детали и сама конвейерная схема. Но электрический привод был условием такой организации.

Переход был постепенным: сохранять исправные фабрики и приводы часто было экономически разумно. Электрификация давала преимущества и до полного переустройства. Но индивидуальные моторы открыли возможности, которые прежняя организация производства ограничивала.

Ещё четыре истории с тем же сюжетом

Электрификация — не единственный случай. Похожую закономерность видно и в других примерах.

Контейнер: ящик оказался малой частью системы

В апреле 1956 года переоборудованный танкер перевёз 58 контейнеров из Ньюарка в Хьюстон. Но, как показывает история Марка Левинсона в книге The Box, массовому распространению мешали не сами ящики: нужно было договариваться о стандартах, чтобы контейнер подходил к любому грузовику, поезду и судну, вкладываться в порты и вести тяжёлые переговоры с профсоюзами портовых рабочих.

Экономисты Бернхофен, Эль-Сахли и Кнеллер сравнили страны по тому, когда в них появились контейнерные мощности в портах и на железной дороге. По их оценкам, контейнеризация повлияла на мировую торговлю сильнее, чем соглашения о свободной торговле и членство в ГАТТ. При этом эффект оказался заметно меньше, если не учитывать контейнерные мощности железных дорог. Отдельное изобретение работает в системе: его польза зависит от того, подстроились ли соседние звенья цепочки.

Для компании с ИИ параллель простая. Модель, которая отлично разбирает заявки, но не связана с каталогом, CRM и закупками, похожа на контейнер без портов.

Ford и Mazda: иногда лучше убрать этап, а не ускорить

В начале 1980-х отдел кредиторской задолженности Ford в Северной Америке насчитывал более 500 человек. План состоял в том, чтобы сократить его примерно на 20% за счёт улучшения процессов и новых компьютерных систем. Затем Ford сравнил себя с Mazda, где такая же функция обходилась пятью сотрудниками. Даже с поправкой на масштаб разница была многократной.

Причина крылась в самом процессе. Платёж поставщику выдавали, когда совпадали три документа: заказ от отдела закупок, документ о приёмке товара и счёт от поставщика. Больше всего времени уходило на разбор несовпадений. Ford не стал ускорять сверку, а отказался от счёта как основы платежа: закупщики вносили заказы в общую онлайн-базу, а при приёмке товара склад сверял поставку с этой базой. Прежде бухгалтерии нужно было сопоставить 14 полей между заказом, документом о приёмке и счётом. Теперь сверяют три — номер детали, единицу измерения и код поставщика, — а чек формирует компьютер. Поставщиков попросили не присылать счета. Негласное правило «платим, когда получили счёт» заменили на «платим, когда получили товар».

Результат описал Майкл Хаммер в статье Reengineering Work: Don't Automate, Obliterate (Harvard Business Review, 1990): там, где новый процесс заработал, штат сократился на 75%, а не на 20%, как при обычной программе. Ещё один вывод Хаммера: перестраивать только бухгалтерию бессмысленно, пришлось взять весь путь от закупки до приёмки и оплаты.

Пример относится к эпохе до ИИ, но вывод важен именно сейчас. Если ИИ научился быстро сверять счета, договоры или артикулы, стоит спросить, нужна ли сама сверка и можно ли получать данные из надёжного источника сразу.

Страховая Mutual Benefit Life: очередь важнее самой работы

Тот же Хаммер описывает американскую страховую компанию Mutual Benefit Life. Заявка на страхование проходила до 30 отдельных шагов в пяти отделах с участием 19 человек. В лучшем случае её обрабатывали за сутки, обычно — от 5 до 25 дней, причём большую часть времени заявка передавалась из отдела в отдел. Хаммер приводит и оценку другого страховщика: заявка находилась в процессе 22 дня, а непосредственно с ней работали 17 минут.

Компания не стала ускорять отдельные отделы. Вместо цепочки специалистов она ввела должность менеджера по заявке, который отвечает за неё от получения до выпуска полиса, и дала ему рабочее место с экспертной системой и доступом к учётным системам. В сложных случаях менеджер привлекает андеррайтера или врача, но управление не передаёт. В итоге заявку можно обработать за четыре часа, средний срок составляет от двух до пяти дней, компания сократила 100 должностей в региональных офисах, а менеджеры обрабатывают более чем вдвое больше заявок.

Это та же ситуация, что и в нашем примере с тремя минутами вместо пятнадцати: 17 минут работы и 22 дня ожидания не лечатся ускорением самой работы. Нужно менять маршрут.

Дания: чат-боты без изменения работы дали небольшой эффект

Экономисты Андерс Хумлум и Эмили Вестергаард связали опросы о ChatGPT и других чат-ботах с административными данными о 25 тысячах работников из 7 тысяч компаний Дании в 11 профессиях, где чат-боты применяются особенно часто. Работники сами оценили среднюю экономию времени в 2,8% рабочих часов. Заметного влияния на заработки и фактическое число отработанных часов за два года после появления ChatGPT авторы не нашли: они исключают эффекты крупнее 1–2% (граница зависит от версии работы).

При этом компании не стояли на месте. Большинство поощряли использование чат-ботов, 38% разворачивали собственные модели, 30% сотрудников прошли обучение. Благодаря этому доля пользователей среди типичных работников выросла с 47% до 83%, а в компаниях появились новые задачи: подготовка текстов, проверка результатов ИИ, встраивание его в процессы. Вывод авторов: технологии меняют работу задолго до того, как это видно в доходах и часах (NBER Working Paper 33777). Это данные первых двух лет и общего применения чат-ботов; они не описывают результат продуманного проекта в одном процессе, как в исследовании ниже.

Сравнение историй

Как выглядит «старый вал» в компании с ИИ

Представим компанию, которая продаёт оборудование. Заявки приходят письмами и файлами. Менеджер выписывает позиции, закупщик ищет соответствия в каталоге и запрашивает поставщиков, руководитель согласует условия. Затем менеджер готовит предложение и заносит данные в CRM.

Первый вариант внедрения — дать каждому сотруднику доступ к ИИ. Менеджер быстрее пишет письма, закупщик разбирает списки, руководитель получает краткие сводки. Это может быть полезно. При этом сама цепочка остаётся прежней: те же пересылки, повторный ввод данных и ожидание между этапами.

Следующий шаг — спроектировать обработку заявки целиком. ИИ получает данные внутри процесса, а результат его работы сразу становится доступен следующему участнику. Для этого нужно договориться об общей карточке заявки, правилах перехода между этапами и точках проверки.

Второй вариант требует интеграций и изменения обязанностей. Зато исчезает часть промежуточной работы: сотрудник получает уже подготовленную заявку и разбирает исключения. При этом система не должна самостоятельно придумывать отсутствующий артикул, остаток или цену: эти данные берутся из утверждённых источников.

Признаки, что вы всё ещё работаете «на старом валу»

• Результат ИИ приходится копировать вручную в другую систему.
• Сотрудники спорят, какая из таблиц или версий документа актуальна.
• Заявка ждёт согласования, которое почти всегда заканчивается «да».
• Один и тот же документ проверяют два-три человека, потому что «так принято».
• Скорость работы измеряют числом вручную заполненных карточек, а не временем до результата для клиента.
• Исключения и ошибки обрабатываются в личных чатах, а не по понятному маршруту.

Если вы узнали в этом списке три и более пункта, выгоднее начать с процесса, а не с выбора модели.

Что именно придётся перестроить

Полноценное внедрение ИИ меняет всю логику выбранного процесса: от появления задачи до принятого результата. Изменения затрагивают несколько связанных вещей.

Источники данных

Нужно определить, где находятся актуальные цены, каталог, договоры и инструкции, кто их обновляет и какие сведения доступны системе. Если сотрудники спорят, какая из трёх таблиц правильная, подключение модели само по себе спор не разрешит. Для каждой заявки также нужен общий статус, чтобы участники видели одно и то же состояние работы.

Передачу работы между этапами

Результат разбора письма должен попадать туда, где его используют дальше. Точные расчёты, обязательные поля и переходы статусов можно поручить обычному программному коду. ИИ подключается там, где нужно понять свободную формулировку, извлечь сведения или предложить вариант.

Полномочия и ответственность

Следует заранее решить, где ИИ готовит черновик, где действие выполняется автоматически, а где требуется подтверждение человека. В приведённом примере менеджер может подтверждать сопоставление товаров и окончательное предложение, а руководитель — нестандартную скидку. У процесса остаётся ответственный за итог.

Обработку ошибок и обратную связь

Нужен маршрут для случаев, когда файл не читается, совпадение не найдено или источники противоречат друг другу. Исправления сотрудников стоит учитывать при обновлении правил и проверочных примеров. Сохранённое исправление само по себе не означает, что модель автоматически обучилась: улучшение решения требует отдельной работы.

Работу команды

Сотрудникам нужно понимать, что проверять и когда вмешиваться. Руководителю — решить, куда направить освободившееся время. Если оценивать людей только по числу вручную заполненных карточек, новая схема будет конфликтовать со старыми требованиями к работе.

Похожий управленческий тезис изложен в разборе выступления профессора CKGSB Сунь Тяньшу на Summer Davos в июне 2026 года: использование агентов требует пересмотра процессов и организации компании при участии руководства. Это взгляд на управление внедрением; конкретный эффект нужно проверять отдельно.

Что исследования говорят об эффекте ИИ

Исследования помогают оценить возможности технологии, но не дают универсального процента экономии для любого бизнеса.

В работе Generative AI at Work, опубликованной в The Quarterly Journal of Economics в 2025 году, исследователи изучили внедрение ИИ-помощника у 5 172 сотрудников поддержки. Среднее число решённых обращений в час выросло на 15%. Менее опытные сотрудники выиграли больше; у самых опытных эффект был значительно слабее, а по качеству наблюдалось небольшое ухудшение. Помощник предлагал ответы внутри работы с клиентом, ответственность за разговор сохранялась у оператора.

Сопоставьте это с данными из Дании. Там чат-ботами пользовались свободно, без единого процесса, и общий эффект остался небольшим. В службе поддержки ИИ встроили в конкретную рабочую ситуацию — и вырос основной показатель. Прямо сравнивать числа нельзя: выборки, профессии и способ оценки разные. Но направление показательно: результат чаще появляется там, где ИИ привязан к конкретной задаче и ожидаемому результату.

Этот результат также показывает, что полезным может быть и ограниченное изменение одного процесса. Полностью перестраивать компанию ради первого эффекта необязательно. Но переносить 15% на продажи, закупки или разработку нельзя: там другие задачи, данные и цена ошибки.

Почему внедрение может потребовать вложений до появления заметной отдачи, объясняет работа Бриньольфссона, Рока и Сайверсона The Productivity J-Curve. Авторы рассматривают дополняющие технологию инвестиции: новые процессы, навыки и организационные изменения. Часть усилий сначала уходит на создание условий для будущего результата.

Для проекта это означает, что в бюджет нужно включать подготовку данных, интеграции, обучение команды и настройку контроля. При этом задержка отдачи сама по себе не доказывает, что решение со временем окупится. Пилот должен показать, улучшается ли работа на ваших задачах.

С каких задач начинать внедрение ИИ

Лучше всего ИИ приживается там, где регулярно приходит неструктурированная информация — письма, файлы, обращения, — а результат можно проверить: заявка собрана верно или нет, вопрос решён или нет. Три типичные области.

Заявки и закупки

ИИ извлекает позиции из письма и предлагает соответствия в каталоге. Сотрудник проверяет спорные строки и сравнивает предложения поставщиков. Ценность процесса можно оценивать по времени до готового предложения и числу исправлений. Такой сценарий показан в кейсе ИИ-CRM для сбора цен поставщиков.

Поддержка и подбор товаров

Помощник находит сведения в базе знаний, отвечает по правилам компании и предлагает товары из каталога. Для сложного обращения нужен переход к сотруднику с уже собранным контекстом. Здесь имеет смысл считать долю решённых вопросов, повторные обращения и ошибки в ответах.

Сбор данных из писем и документов

ИИ собирает сведения там, где их раньше вносили вручную: цены и сроки из ответов поставщиков и прайс-листов, условия из договоров, характеристики товаров из описаний и спецификаций, запросы клиентов из входящей почты. Результат попадает в таблицу или карточку с понятными полями, а сомнительные значения отмечаются для проверки. Источники разные, итог один: заполненные поля, с которыми работает остальная система. Качество удобно оценивать по доле полей, заполненных верно без правок, и по времени на внесение.

Как посчитать, окупится ли внедрение

Для сравнения выберите единицу результата: обработанную заявку, решённое обращение или проверенную карточку. Замерьте затраты времени на весь путь, включая проверку ИИ, исправления и повторную работу. Отдельно учитывайте ожидание между этапами: оно влияет на срок ответа клиенту, хотя не всегда занимает рабочее время сотрудника.

Затем подставьте замеры в простую формулу:

Экономия в месяц = задач в месяц × (время до − время после) × стоимость часа

Чистый эффект в месяц = экономия в месяц − (модель + инфраструктура + сопровождение)

Срок окупаемости, мес. = разовые вложения ÷ чистый эффект в месяц

• Время после — весь путь задачи: работа ИИ, проверка сотрудником, исправления и повторная обработка.
• Стоимость часа — полная стоимость часа сотрудника, а не только оклад.
• Разовые вложения — разработка, интеграции, подготовка данных, обучение и внутренние трудозатраты команды.
• Модель, инфраструктура и сопровождение — регулярные расходы; они зависят от числа запросов к модели.

Если чистый эффект получился нулевым или отрицательным, при таком потоке задач внедрение не окупится. Это тоже полезный результат: он показывает, что процесс лучше сначала упростить или отложить проект.

Формула считает время, а не деньги. Освободившиеся часы не обязательно уменьшат расходы на зарплату. Польза может проявиться как дополнительная пропускная способность, отказ от сверхурочных или возможность отложить найм. Поэтому определите, какие расходы реально исчезнут или какая дополнительная маржа появится. Датский пример показывает, почему это важно: экономия времени у сотрудников может быть, а на заработках и часах она не отражается.

Вместе со временем измеряйте качество результата, долю ручных вмешательств и стоимость обработки одной задачи. Если ожидается рост продаж, проверяйте его отдельно: быстрый ответ ещё не гарантирует сделку. Значения для формулы лучше брать из пилота на ваших задачах, а не из оценок.

Какие задачи лучше решать без ИИ

Некоторые проблемы дешевле решить без языковой модели. Если сотрудники вручную копируют одинаковые поля между двумя системами, стоит сначала проверить обычную интеграцию. Если задержка возникает из-за ненужного согласования, полезнее пересмотреть само правило. Именно так поступил Ford со счетами: сначала задал вопрос, нужен ли этап, и только потом думал о его ускорении.

Внедрение также стоит отложить, когда задача возникает редко, нет достоверных данных для проверки или последствия ошибки слишком велики для доступного уровня контроля. Иногда первым проектом становится наведение порядка в каталоге или базе знаний.

При ограничениях на обработку данных способ подключения выбирают до передачи документов модели: определяют допустимые сведения, доступ сотрудников и условия хранения. Это часть проектирования конкретного процесса.

С чего начать перестройку процессов под ИИ

Пересмотр системы работы не требует одновременной замены всех инструментов компании. Можно начать с одного процесса и пройти его целиком.

1. Опишите путь до результата. Что запускает задачу, кто в ней участвует, какие данные передаются и где возникает ожидание? Зафиксируйте исходные время, качество и затраты.
2. Нарисуйте новую схему. Какие действия можно убрать, где использовать обычную автоматизацию, что поручить ИИ и что должен подтвердить сотрудник? Начните с вопроса Ford: нужен ли этот этап вообще?
3. Соберите проверочные примеры. Включите обычные, сложные и ошибочные случаи. Для каждого определите приемлемый результат. Часть примеров оставьте для проверки после настройки.
4. Запустите ограниченный пилот. Назначьте ответственного, задайте границы полномочий системы и предусмотрите ручной маршрут при сбое.
5. Сравните работу до и после. Учитывайте весь цикл, исправления, расходы и качество. Решение о расширении принимайте по этим данным.

История электрификации помогает увидеть, что новая технология расширяет выбор способов организации работы. С ИИ стоит использовать эту возможность: пересмотреть движение информации, убрать лишние передачи и распределить задачи между программой и людьми.

Для первого разговора достаточно одного реального процесса: какие письма или документы вы получаете, что делаете с ними сейчас и какой результат хотите получить.

Частые вопросы

Зачем бизнесу нужен ИИ?

Чтобы быстрее и дешевле обрабатывать информацию: разбирать письма и документы, искать ответы в базе знаний, готовить черновики заявок и предложений. Эффект на уровне компании появляется, когда результат работы ИИ сразу попадает в следующий этап процесса, а не вручную переносится между системами.

Достаточно ли дать сотрудникам доступ к нейросети?

Это допустимое начало, но редко достаточное. В датском исследовании средняя экономия времени от чат-ботов составила около 3%, а на заработках и часах работы за два года она не отразилась. Больше пользы даёт встраивание ИИ в конкретный процесс, как в примере со службой поддержки, где число решённых обращений выросло на 15%.

Что придётся изменить в компании?

Источники данных, передачу работы между этапами, полномочия и ответственность, обработку ошибок и систему оценки работы команды. Изменять все процессы сразу не нужно: хватит одного, пройденного от входящего запроса до результата.

Заменит ли ИИ сотрудников?

В исследовании по Дании за два года после появления ChatGPT заметного влияния на заработки и отработанные часы не нашли, а работа смещалась к проверке и интеграции ИИ. Для конкретной компании ответ зависит от процесса: освободившееся время можно направить на рост объёма, срок ответа клиентам или отложенные задачи. Универсального прогноза эти данные не дают.

Как быстро окупается внедрение ИИ?

Зависит от потока задач, стоимости ручной работы и объёма вложений. Срок окупаемости равен разовым вложениям, делённым на чистый эффект в месяц; порядок подсчёта приведён выше. Реальные значения для формулы показывает пилот на ваших задачах с учётом проверок, исправлений и затрат на запуск.

Источники и материалы

Исторические примеры, результаты исследований и управленческие подходы в статье опираются на следующие материалы. Схема обработки заявки — иллюстративный пример команды Fretato.

1. Paul A. David. The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox. American Economic Review, 1990, 80(2), с. 355–361. Переход от группового к индивидуальному приводу — с. 357–358.
2. The Henry Ford. Highland Park Plant Engine-Generator, 1915–1916. Об электроснабжении завода и массовом производстве Model T.
3. Assembly Magazine. The Moving Assembly Line Turns 100. Хронология внедрения конвейера на заводе Ford в 1913 году.
4. Marc Levinson. The Box: How the Shipping Container Made the World Smaller and the World Economy Bigger. Princeton University Press, 2-е изд., 2016.
5. Daniel Bernhofen, Zouheir El-Sahli, Richard Kneller. Estimating the Effects of the Container Revolution on World Trade. Journal of International Economics, 2016.
6. Michael Hammer. Reengineering Work: Don't Automate, Obliterate. Harvard Business Review, июль–август 1990.
7. Anders Humlum, Emilie Vestergaard. Large Language Models, Small Labor Market Effects. NBER Working Paper 33777, 2025.
8. Erik Brynjolfsson, Daniel Rock, Chad Syverson. The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. Рабочая версия NBER, 2018, обновление 2020; журнальная публикация — American Economic Journal: Macroeconomics, 2021.
9. Erik Brynjolfsson, Danielle Li, Lindsey Raymond. Generative AI at Work. The Quarterly Journal of Economics, 2025, 140(2), с. 889–942. В статье использованы данные опубликованной версии.
10. CKGSB. Разбор выступления Сунь Тяньшу на Summer Davos 2026. Управленческий взгляд на организацию бизнеса вокруг ИИ-агентов.
11. Wikipedia. Line shaft. Устройство трансмиссионных валов, потери в передаче, переход к индивидуальному приводу.