Как МСП получить реальный эффект от ИИ
Малому и среднему бизнесу обычно не нужна собственная большая модель. Наибольшую отдачу дают готовые ИИ-инструменты, встроенные в регулярный, цифровой и измеримый процесс — там, где технология меняет выручку, затраты, потери или пропускную способность команды.
Технология стала доступной. Экономический результат — ещё нет
Искусственный интеллект долго воспринимался как технология для крупнейших корпораций: нужны собственные дата-сайентисты, дорогая инфраструктура, массивы данных и годы экспериментов. Однако эта модель быстро меняется. Современные ИИ-инструменты поставляются в виде облачных сервисов, встроенных функций в CRM, ERP и учётных системах, готовых API и отраслевых решений. Малому и среднему бизнесу уже не обязательно разрабатывать собственную модель — достаточно правильно встроить существующую технологию в конкретный процесс.
По данным исследования OECD о применении генеративного ИИ в малом и среднем бизнесе, генеративный ИИ уже используют около 31% малых и средних компаний в семи исследованных странах. Среди использующих технологию 65% отмечают рост производительности сотрудников, 35% считают, что ИИ помогает масштабировать бизнес, а 26% связывают его применение с увеличением выручки. При этом 39% компаний, испытывающих дефицит компетенций, заявили, что ИИ помог частично компенсировать нехватку специалистов.
Крупный российский бизнес уже считает эффект в миллиардах
Опыт крупнейших компаний важен для малого и среднего бизнеса не потому, что им нужно копировать корпоративные ИИ-платформы. Он показывает, в каких процессах технология уже даёт измеримый финансовый результат.
| Компания | Заявленный эффект | За счёт каких процессов |
|---|---|---|
| Сбер | Более 475 млрд рублей финансового эффекта от ИИ-инициатив по итогам 2025 года, из них свыше 50 млрд рублей — от генеративного ИИ | Финансовый анализ, управление рисками, внутренние агенты, автоматизация операций, подготовка управленческих решений |
| X5 | Около 5 млрд рублей дополнительной операционной прибыли в 2025 году | Прогнозирование спроса, пополнение запасов, ценообразование, ассортимент, рекомендации, автоматизация операций |
| ВТБ | Около 15 млрд рублей текущей экономии; потенциально до 50 млрд рублей в течение двух лет | Автоматизация банковских процессов, аналитика, обслуживание клиентов, повышение производительности |
| Росатом | Двукратное снижение брака по двум видам дефектов на Чепецком механическом заводе | Предиктивная аналитика, контроль качества продукции и состояния оборудования |
СберУниверситет сообщает, что в 2025 году в Сбере было реализовано более 700 ИИ-инициатив и внедрено около 900 автономных агентов. В отдельных процессах ИИ сокращает анализ финансовой отчётности с нескольких часов до минут, а время реакции казначейства на изменения рынка — с дней до часов.
X5 относит к основным источникам эффекта прогнозирование спроса и пополнения, ценообразование, управление ассортиментом и рекомендательные системы. Компания подчёркивает, что результаты проверяются через финансовые модели и A/B-тестирование, то есть сравнение процессов с ИИ и без него.
Глава ВТБ оценивал текущую экономию от применения ИИ примерно в 15 млрд рублей и заявлял о возможности довести её до 50 млрд рублей в течение двух лет. Подробнее подход банка описан в материале «ИИ-алхимия ВТБ. Как банк 15 млрд превратит в 50 млрд рублей экономии».
В промышленности Росатом применяет систему предиктивной аналитики «АтомМайнд» для прогнозирования качества продукции и состояния оборудования. По данным отраслевого материала, внедрение на Чепецком механическом заводе позволило снизить в два раза уровень брака основной номенклатуры по двум видам дефектов. Решение планируется тиражировать на другие предприятия Топливного дивизиона.
Ещё более масштабные оценки приводит «Газпром нефть». Руководство компании заявляло, что без цифровых технологий и ИИ её ежегодный финансовый результат был бы ниже на 500 млрд рублей или более. Но эту цифру нельзя трактовать как чистую экономию от искусственного интеллекта: в расчёт включён весь комплекс цифровизации, а также предотвращённые потери и гипотетический сценарий работы без технологий. Заявление было сделано главой компании Александром Дюковым на ПМЭФ в 2024 году.
Почему корпоративные цифры нельзя просто складывать
Под словом «эффект» компании понимают разные показатели:
- прямое сокращение затрат;
- дополнительную операционную прибыль;
- предотвращённые простои и потери;
- рост выручки или маржи;
- повышение производительности;
- условный результат по сравнению со сценарием «без цифровизации».
Очевидно 5 млрд рублей дополнительной прибыли X5, 15 млрд рублей экономии ВТБ и 475 млрд рублей финансового эффекта Сбера — разные экономические категории, которые к тому же очень сильно зависят от методологии подсчёта.
Для небольшого бизнеса крайне важно правильно подойти к оценке эффективности. Освобождённые часы сотрудников сами по себе ещё не являются экономией. Они превращаются в финансовый результат, только когда компания:
- обслуживает больше клиентов тем же составом;
- сокращает сверхурочные или привлечение подрядчиков;
- уменьшает количество ошибок и переделок;
- избегает найма дополнительных сотрудников;
- ускоряет продажи или увеличивает конверсию;
- снижает потери, запасы, простой оборудования или списания.
Что малому бизнесу стоит заимствовать у корпораций
Небольшой компании не нужна собственная инфраструктура уровня Сбера или X5. Но ей полезно скопировать саму логику внедрения.
Первое — начинать с процесса, а не с технологии.
Не «нам нужен ИИ-агент», а «мы теряем треть входящих обращений, потому что менеджеры отвечают через два часа».
Второе — выбирать повторяющуюся операцию.
Чем чаще выполняется задача, тем быстрее накапливается эффект.
Третье — фиксировать исходные показатели.
До запуска нужно знать длительность операции, стоимость, количество ошибок, конверсию, объём продаж или потерь.
Четвёртое — встраивать ИИ в рабочую систему.
Отдельный чат-бот, которым иногда пользуются сотрудники, редко меняет экономику. Эффект появляется, когда решение получает данные из CRM, учётной системы, базы знаний, телефонии или производственного оборудования и возвращает результат туда, где работают сотрудники.
Пятое — сохранять контроль человека там, где цена ошибки высока.
ИИ может подготовить ответ, расчёт, договор или рекомендацию, но финансовые, юридические, кадровые и медицинские решения должны проходить проверку.
Какой уровень внедрения ИИ выбрать для МСП
Сегодня малому и среднему бизнесу доступны четыре уровня использования ИИ. Они различаются скоростью запуска, стоимостью, возможностью адаптации, требованиями к данным и потенциальным экономическим эффектом.
1. Персональные помощники сотрудников
Это самый простой уровень: подготовка писем и предложений, резюме встреч, анализ таблиц, поиск информации, создание презентаций, расшифровка звонков, перевод и редактирование документов.
Начать можно почти без интеграции, но экономический эффект обычно распределён по множеству небольших операций и плохо виден без измерения. Также с использованием облачных сервисов повышаются риски утечки данных и усложняется контроль информационной безопасности.
2. ИИ внутри уже используемых сервисов
Функции искусственного интеллекта появляются в CRM, системах маркетинга, бухгалтерских программах, сервисах телефонии, контакт-центрах, конструкторах сайтов, системах управления складом и маркетплейсами.
Для МСП это часто наиболее простой вариант: не нужно создавать отдельную ИТ-систему, а ИИ работает с уже существующими данными и процессами. Однако функциональность таких сервисов зачастую носит больше декларативный характер и не учитывает особенности реальных бизнес-процессов организации. При этом как-то повлиять на вендоров и развитие функций возможности у небольших компаний нет.
3. Точечные решения через API и low-code
На этом уровне можно создать:
- ассистента по внутренним документам;
- автоматическую обработку счетов, актов и заявок;
- классификацию обращений;
- генерацию коммерческих предложений;
- анализ звонков;
- квалификацию лидов;
- контроль договоров;
- сравнение предложений поставщиков.
Такие проекты уже требуют интеграции, настройки правил доступа и контроля качества, но всё ещё не требуют собственной большой команды машинного обучения. Ключевой трудностью при таком подходе является поиск грамотного и добросовестного подрядчика или исполнителя.
4. Отраслевые модели и компьютерное зрение
Это прогнозирование спроса, контроль качества продукции по изображению, оптимизация маршрутов, предиктивное обслуживание оборудования, динамическое ценообразование и выявление аномалий.
Именно здесь потенциальный эффект наиболее значителен, но одновременно выше требования к данным, интеграции и зрелости процессов.
Распространение облачных сервисов, открытых моделей и готовых инструментов снижает стоимость входа. Однако для полноценного внедрения компаниям по-прежнему необходимы связность систем, данные и вычислительные ресурсы, компетенции сотрудников и финансирование изменений.
Где ИИ приносит небольшим компаниям большую выгоду
Мировая аналитика показывает, что максимальная отдача определяется не столько отраслью, сколько характеристиками задачи.
Лучше всего автоматизируются процессы, которые:
Исследование QuickBooks 2026 года охватило более 34 тысяч владельцев малого и среднего бизнеса в США, Канаде, Великобритании и Австралии, а также обезличенные данные более 5,3 млн компаний. Главным подтверждённым результатом применения ИИ респонденты называют рост производительности; эффект также проявляется в выручке, затратах и возможностях небольших команд обслуживать растущий объём работы.
Маркетинг и продажи
В опросе QuickBooks среди более чем 2 200 малых компаний США наиболее распространённым направлением применения ИИ оказался маркетинг — его назвали 43% пользователей технологии. Далее следовали обслуживание клиентов — 36%, административные задачи — 33%, обработка данных — 32% и бухгалтерия — 29%.
Среди использующих ИИ 74% сообщили о росте производительности, 41% — об увеличении выручки, а 24% — о сокращении продолжительности рабочего дня. При этом речь идёт о самооценке участников опроса, а не о результатах контролируемого эксперимента.
В маркетинге ИИ особенно полезен там, где нужно быстро создавать и тестировать большое количество вариантов:
- рекламные объявления;
- карточки товаров;
- письма и сообщения;
- посадочные страницы;
- персональные предложения;
- сценарии продаж;
- сегменты клиентской базы.
Главный риск — начать производить больше контента, не улучшив продажи. Поэтому измерять нужно не количество созданных текстов, а стоимость лида, конверсию, средний чек, повторные покупки и маржинальность.
Клиентский сервис
Один из наиболее убедительных экспериментов был проведён среди 5 179 операторов службы поддержки. Согласно исследованию National Bureau of Economic Research, использование генеративного ИИ повысило среднюю производительность примерно на 14%, а у менее опытных и менее квалифицированных сотрудников — примерно на 34%.
Наиболее сильный эффект возник там, где ИИ помогал быстро применять накопленные знания лучших операторов. При этом сотрудники оставались ответственными за разговор и могли не использовать предложенный системой ответ.
Для небольшого бизнеса это означает, что ИИ может:
- отвечать на типовые вопросы круглосуточно;
- собирать данные до подключения сотрудника;
- подсказывать оператору подходящий ответ;
- определять тему и срочность обращения;
- готовить итог разговора;
- создавать задачу в CRM;
- контролировать соблюдение стандартов обслуживания.
ИИ не обязательно должен полностью заменить человека. Во многих случаях максимальный эффект даёт модель, при которой технология готовит ответ, а сотрудник подтверждает или корректирует его.
Административные процессы и документы
По данным OECD, примерно треть использующих генеративный ИИ малых компаний смогла снизить нагрузку на сотрудников или собственников, а 14% — уменьшить зависимость от внешних подрядчиков.
При этом большинство компаний не сообщают о сокращении общей потребности в персонале: технология чаще меняет структуру работы и помогает выполнять больший объём задач, чем просто устраняет рабочие места.
Наиболее перспективные процессы:
- ввод данных из документов;
- сверка счетов, актов и заказов;
- подготовка отчётности;
- протоколирование встреч;
- поиск информации в договорах;
- формирование типовых документов;
- проверка комплектности заявок;
- маршрутизация входящей корреспонденции.
Здесь эффект обычно возникает не за счёт одного крупного результата, а за счёт устранения тысяч небольших ручных операций.
Профессиональные услуги
В эксперименте исследователей MIT специалисты, использовавшие генеративный ИИ для письменных бизнес-задач, выполняли работу примерно на 40% быстрее, а качество результата в среднем выросло на 18%.
При этом авторы отдельно предупреждали, что экспериментальные задачи не требовали глубокого знания внутреннего контекста компании и не всегда предполагали высокую цену фактической ошибки. Подробные результаты опубликованы в материале MIT News.
Поэтому в консалтинге, юридических услугах, бухгалтерии, проектировании и подборе персонала ИИ особенно эффективен как инструмент первого этапа:
- собрать материалы;
- найти противоречия;
- подготовить черновик;
- сравнить документы;
- структурировать интервью;
- предложить варианты решения.
Окончательный вывод и ответственность остаются за специалистом.
Практические кейсы для разных сфер малого и среднего бизнеса
Розничная торговля и интернет-магазины
Наиболее ценные сценарии:
- прогнозирование спроса;
- автоматическое пополнение запасов;
- рекомендации товаров;
- анализ отзывов;
- генерация карточек;
- поиск причин возвратов;
- оптимизация цен и промо;
- выявление товаров, которые медленно оборачиваются.
Для небольшой розничной сети начинать лучше не с динамического ценообразования, а с анализа продаж и остатков: какие товары регулярно заканчиваются, какие залеживаются и где прогноз систематически ошибается.
Компании сферы услуг
Салоны, клиники, фитнес-центры, образовательные проекты, ремонтные и сервисные компании могут использовать ИИ для:
- обработки входящих сообщений;
- записи клиентов;
- квалификации заявок;
- напоминаний;
- прогнозирования неявок;
- подготовки персональных предложений;
- анализа разговоров администраторов;
- возвращения клиентов, которые давно не обращались.
B2B-услуги, консалтинг и юридические компании
Основные сценарии:
- поиск по внутренней базе знаний;
- анализ тендерной документации;
- сравнение версий договоров;
- подготовка коммерческих предложений;
- создание протоколов встреч;
- извлечение обязательств и сроков;
- формирование черновиков заключений;
- контроль полноты клиентского досье.
Производственные компании
Для небольших производств наиболее перспективны:
- визуальный контроль качества;
- прогнозирование отказов оборудования;
- анализ причин брака;
- автоматическое заполнение сменных отчётов;
- поиск по технологической документации;
- контроль соблюдения операций;
- прогнозирование потребности в сырье;
- сравнение предложений поставщиков.
Опыт Росатома показывает, что даже относительно узкое применение предиктивной аналитики может заметно повлиять на качество продукции, если операция выполняется постоянно, а стоимость брака высока.
Оптовая торговля и логистика
ИИ может применяться для:
- прогнозирования заказов;
- управления запасами;
- оптимизации маршрутов;
- прогнозирования времени доставки;
- обработки накладных;
- выявления расхождений;
- контроля комплектации;
- обнаружения аномальных операций.
Строительство и недвижимость
Практические сценарии:
- анализ смет;
- проверка комплектности проектных документов;
- поиск изменений в версиях документации;
- классификация фотографий со стройки;
- подготовка описаний объектов;
- квалификация покупателей;
- обработка обращений;
- прогнозирование вероятности сделки.
Гостиницы, рестораны и общественное питание
ИИ может помогать:
- прогнозировать загрузку;
- планировать закупки;
- анализировать отзывы;
- отвечать на вопросы гостей;
- создавать персональные предложения;
- прогнозировать спрос на позиции меню;
- уменьшать списания;
- анализировать эффективность акций.
Креативные и маркетинговые агентства
Здесь ИИ ускоряет подготовку концепций, визуальных прототипов, презентаций, текстов и рекламных материалов.
Показателен российский пример дизайн-студии Karma-web, опубликованный на платформе ВТБ «Ближе к делу». Компания заявила, что после внедрения ИИ сократила срок выполнения задач с пяти до двух-трёх рабочих дней, увеличила количество заказов примерно с 10 до 18 в месяц, а выручку — с 400 тысяч до 1 млн рублей без расширения команды.
Это отдельный кейс самой компании, а не универсальная рыночная оценка. Но он хорошо показывает механизм монетизации освобождённого времени: студия не просто стала работать быстрее, а смогла выполнять больше оплачиваемых проектов.
Три зоны экономического эффекта
На основе корпоративных кейсов и мировой аналитики можно выделить три уровня.
Зона 1. Быстрый старт
Сюда входят создание контента, расшифровка встреч, поиск информации, подготовка документов и анализ таблиц.
Внедрение относительно простое, но эффект часто небольшой и рассредоточенный. Подходит для первого знакомства с технологией.
Зона 2. Измеримая производительность
Это клиентский сервис, обработка документов, квалификация заявок, контроль звонков и внутренние базы знаний.
Здесь уже можно измерить время операции, количество обработанных обращений, стоимость подрядчиков, конверсию и ошибки. Для большинства компаний МСП именно эта зона является оптимальной точкой начала.
Зона 3. Изменение экономики основного процесса
Прогнозирование спроса, управление запасами, ценообразование, контроль качества, предиктивное обслуживание и оптимизация производства.
Здесь потенциальный результат максимален, но требуется больше данных, интеграций и управленческой дисциплины. Именно в этой зоне основной эффект получают X5, промышленные компании и крупные банки.
Как выбрать первый проект
Хороший кандидат для внедрения ИИ должен соответствовать четырём условиям:
Экономику проекта следует считать так:
В стоимость решения входят не только лицензии. Нужно учитывать интеграцию, подготовку данных, обучение сотрудников, контроль качества, информационную безопасность и поддержку.
Как провести пилот за месяц
На первом этапе нужно выбрать один процесс и зафиксировать исходные показатели: объём операций, длительность, стоимость, ошибки и финансовый результат.
Затем следует провести ограниченный пилот: на одной группе сотрудников, одном магазине, одном типе документов или одной производственной операции.
После этого сравниваются две группы или два периода:
- скорость работы;
- качество результата;
- количество ошибок;
- затраты;
- выручка или маржа;
- фактическое использование решения сотрудниками.
Масштабировать проект стоит только после подтверждения эффекта. Отрицательный результат пилота также полезен: он позволяет отказаться от невыгодной идеи до дорогой интеграции.
Главные причины неудач
Первая ошибка — автоматизировать хаотичный процесс. ИИ не исправляет отсутствие правил, ответственности и качественных данных. Он лишь быстрее воспроизводит существующий беспорядок.
Вторая — измерять количество созданных материалов, обработанных запросов или запущенных агентов вместо финансового результата.
Третья — давать системе доступ ко всем данным без разграничения прав и контроля утечек.
Четвёртая — использовать универсальную модель в задаче, где критически важны отраслевые знания и точность.
Пятая ошибка — игнорировать сотрудников. По данным OECD, среди основных препятствий для МСП остаются сомнения в применимости ИИ к конкретной работе, юридические и регуляторные риски, опасения по поводу передачи данных и нехватка компетенций.
Исследование, проведённое совместно с Boston Consulting Group, показало, что внутри области своих возможностей ИИ помогал консультантам выполнять на 12,2% больше задач, работать на 25,1% быстрее и повышать качество результата более чем на 40%.
Однако в задаче, находившейся за пределами возможностей модели, пользователи ИИ давали правильные ответы на 19 процентных пунктов реже, чем участники без ИИ. Результаты опубликованы в работе Harvard Business School о «неровной технологической границе» генеративного ИИ.
Малый бизнес может внедрять ИИ быстрее корпораций
У крупных компаний больше данных, денег и специалистов. Но у них также сложнее инфраструктура, длиннее согласования и выше стоимость изменений.
Преимущество малого и среднего бизнеса — возможность быстро перестроить процесс. Владелец или руководитель может выбрать одну проблему, протестировать решение на небольшой группе, изменить регламент и в течение нескольких недель увидеть результат.
Поэтому SMB не нужно пытаться «внедрить ИИ во всей компании». Гораздо эффективнее найти один процесс, в котором регулярно теряются деньги:
- медленная обработка заявок;
- ошибки в документах;
- простой оборудования;
- неявки клиентов;
- избыточные запасы;
- низкая конверсия;
- дорогое создание типовых материалов;
- необходимость постоянно нанимать людей для рутинной работы.
Частые вопросы о внедрении ИИ в МСП
Какие ИИ-решения подходят малому и среднему бизнесу?
Для большинства задач достаточно готовых облачных сервисов или открытых (open-source) моделей. Разработка собственной модели оправдана только тогда, когда у компании есть уникальная задача, достаточный объём качественных данных и готовность инвестировать в создание и поддержку решения.
С какого процесса лучше начинать внедрение ИИ?
С регулярной операции, на которую уходит заметное время или деньги, результат которой можно проверить и связать с выручкой, затратами либо предотвращёнными потерями.
Как посчитать экономический эффект от ИИ?
Нужно сложить дополнительную маржу, подтверждённое сокращение затрат и предотвращённые потери, а затем вычесть совокупную стоимость решения: лицензии, интеграцию, данные, обучение, безопасность и поддержку.
Можно ли проверить ИИ-гипотезу за месяц?
Да. Ограниченный пилот можно провести за четыре недели: зафиксировать базовые показатели, запустить решение на одном процессе, сравнить результат и принимать решение о масштабировании только после подтверждения эффекта.
Ключевые источники и исследования
В статье использованы корпоративные сообщения, отраслевые материалы и исследования международных организаций. Ссылки также размещены непосредственно рядом с соответствующими утверждениями.
Вывод
Искусственный интеллект перестал быть привилегией крупнейших корпораций. Базовые технологии доступны малому и среднему бизнесу через облачные продукты, готовые отраслевые сервисы и интеграции с существующими системами.
Но доступность технологии не гарантирует результат. Опыт Сбера, X5, ВТБ, Росатома и мирового рынка показывает: максимальный эффект возникает не от самого ИИ, а от его встраивания в массовый, измеримый и экономически значимый процесс.
Для большинства компаний МСП лучшая стратегия — не разрабатывать собственную платформу и не запускать десятки экспериментов. Нужно выбрать одно узкое место, определить исходную экономику, встроить ИИ-инструмент, сохранить контроль человека и проверить результат на реальных показателях.
А тот кто раньше научится превращать освобождённые минуты, найденные ошибки и ускоренные решения в дополнительную прибыль, тот обеспечит себе конкурентное преимущество и устойчивость развития своего дела.