Как искусственный интеллект обнажает то, что узбекский бизнес тщательно прячет
За первый квартал 2026 года Мы, команда Kinesis, провели более 28 встреч с лидерами рынка Узбекистана от гигантов финтеха и электронной коммерции до строительных компаний, фитнес-индустрии и EdTech-проектов.
Этот опыт позволил нам обнаружить, что решения на основе искусственного интеллекта стали для крупного бизнеса не просто технологией, а буквально детектором правды. Работая с корпоративным сектором, мы постоянно наблюдаем, как ИИ моментально срывает маски с имитации эффективности, обнажая самые уязвимые места в данных и системное сопротивление изменениям.
Данных, на которых обучается искусственный интеллект, в Узбекистане пока нет
Автодилер с многомиллионным долларовым оборотом начал переговоры о внедрении агента по продажам на базе искусственного интеллекта. Через месяц совместных расчетов мы пришли к заключительным цифрам: текстовый агент обработает лишь 7% всего трафика, в то время как 75% потенциальных клиентов обращаются по телефону, а остальное – визиты в шоурумы. Решение, которое казалось очевидным, оказалось экономически нецелесообразным – не потому, что искусственный интеллект плох, а потому, что компания впервые в своей истории посчитала структуру обращений.
McKinsey в отчёте «Состояние искусственного интеллекта 2025» называет качество данных и архитектуру первым препятствием для масштабирования искусственного интеллекта. BCG пошли дальше: «разрозненные данные и устаревшие системы блокируют генеративный искусственный интеллект» – отсутствие единого слоя данных обнуляет любые алгоритмы.
В Узбекистане типичная компания среднего и крупного бизнеса знает свою выручку, но не знает, сколько потенциальных клиентов теряется на этапе первого контакта, какова конверсия по каналам, какова стоимость одного контакта, какие десять вопросов клиентов повторяются чаще всего. Эти данные либо отсутствуют, либо хранятся у разных сотрудников.
Искусственный интеллект не решает эту проблему. Он ее показывает и именно поэтому первый месяц внедрения часто заканчивается не запуском агента, а аудитом текущих процессов.
Искусственный интеллект прозрачен и поэтому его саботируют изнутри
BCG приводит распределение, которое стоит запомнить. В успешных трансформациях с использованием искусственного интеллекта 10% результата дают алгоритмы, 20% - технологии и данные, 70% - люди, процессы и изменения. 98% руководителей высшего звена считают управление изменениями критическим фактором, 65% называют его в топ-3 барьеров.
in Customer Service''
В практике исследования потребностей клиентов это выглядит так:
- На презентации агента поддержки на базе искусственного интеллекта в коммунальной компании директор отдела трансформации молчит всю встречу. На стадии получения подробного проекта игнорирует и утверждает, что с командой сделает ''дешевле в 100 раз''.
- На встрече в стриминговой компанией руководитель отдела продаж задаёт технические вопросы, нарушающие NDA и уклоняется от встречных вопросов для повышения качества пилотного проекта
- В банковском секторе, руководитель контакт-центра утверждают, что все процессы налажены отлично, игнорируя очевидные проблемы: CRM не интегрирована полностью, выявлен разлад в информировании и регламентах, отдел не приносит ожидаемый финансовый эффект.
За этими поведенческими паттернами стоит одна логика. Искусственный интеллект делает прозрачными те метрики, которые сегодня описываются словами «у нас всё нормально». Сколько секунд проходит между обращением клиента и первым ответом. Сколько потенциальных клиентов из тысячи доходит до сделки. Какой процент возражений менеджеры не отрабатывают. Кто из сотрудников системно дороже, чем приносит. Эти цифры существовали всегда, но их никто не считал. После внедрения искусственного интеллекта их видно ежедневно. И именно те, чьи ключевые показатели эффективности будут раскрыты, становятся первой линией сопротивления.
Победители выборки BCG решают это одинаково – сотрудники первой линии вовлекаются в разработку инструментов искусственного интеллекта на ранней стадии, ключевые показатели эффективности и бонусы переписываются под новый процесс, управление изменениями ведётся как отдельное направление с собственным бюджетом. Без этого 70% айсберга воздействия остаются под водой.
Иллюзия собственной разработки обходится очень дорого
Из 28 встреч с представителями крупных компаний из Узбекистана, проведенных нашей командой за Q1 2026 года, в 11 собеседники упомянули, что у них уже есть команда или они уже пытались разработать самостоятельно решения на искусственном интеллекте. Ни у одной из этих компаний нет ни собственной большой языковой модели, ни команды инженеров по искусственному интеллекту, ни стабильной инфраструктуры для данных.
Один из самых дорогих уроков мирового рынка искусственного интеллекта стоил 5 миллиардов долларов и носил имя IBM Watson Health.
IBM приобрела четыре компании с медицинскими данными, набрала семь тысяч сотрудников и обещала революцию в онкологии. В 2022 году подразделение было продано Francisco Partners примерно за миллиард долларов. Из примерно пятидесяти заявленных партнерств ни одно не дало рабочего инструмента.
BCG приводит цифру, которая закрывает дискуссию. Около 88% компаний, реально получивших влияние на прибыль и убытки от искусственного интеллекта, используют гибридную модель. Чистая собственная разработка проигрывает почти всегда.
in Customer Service''
Единственный известный пример полностью внутренней большой языковой модели в Узбекистане - TBC Bank, и, по словам участников рынка, инвестиции в проект исчисляются десятками миллионов долларов. Это масштаб, недоступный среднему банку, розничной сети или телекоммуникационной компании.
Попытка построить искусственный интеллект собственными силами в типичной компании среднего или крупного размера в Узбекистане займёт 18-24 месяца, с расходами на команду и инфраструктуру и с вероятностью около 70% не дойдёт до промышленной эксплуатации. К моменту, когда внутренняя разработка достигнет первого результата, конкурент с гибридным либо готовым решением будет уже на втором цикле итераций.
Автоматизация сломанного процесса масштабирует катастрофу
McKinsey приводит самую неудобную цифру года. Только 21% компаний, использующих генеративный искусственный интеллект, реально переработали свои рабочие процессы под новые возможности. Остальные 79% накладывают искусственный интеллект поверх существующих сломанных процессов - и удивляются, что результата нет.
В локальной практике это проявляется буквально на каждой встрече. Компания просит искусственный интеллект закрыть ночную смену звонков, при этом дневной поток обрабатывается с 30% потерь. Розничная сеть хочет искусственный интеллект для квалификации потенциальных клиентов, но не имеет согласованных критериев квалификации даже у живых менеджеров.
Директор по продукту одного из крупных мировых поставщиков контакт-центров сформулировал это в отчете BCG предельно жёстко: накладывая искусственный интеллект на «дырявый» процесс, вы масштабируете плохой результат.
Первое, что должно произойти после решения о внедрении искусственного интеллекта – не закупка инструмента, а аудит процесса, в который этот инструмент встраивается. Если процесс не выдержит человека, он не выдержит и искусственный интеллект.
Вывод, с которым рынку придется смириться.
Главные препятствия для интеграции искусственного интеллекта в B2B-секторе в Узбекистане в первую очередь институциональные. У компаний нет данных, под которыми мог бы работать агент. Нет команд, способных построить его самостоятельно, и нет понимания, что нанять внешнего партнера – нормальная практика.
У компаний есть внутренние интересы, для которых прозрачность искусственного интеллекта представляет прямую угрозу. И есть процессы, которые сломаны до внедрения искусственного интеллекта и сломаются еще больше после него.
Все эти барьеры могут диагностироваться заранее. За этот год мы в Kinesis испытали сами на себе методологию аудита под руководством экспертов - структурированный разговор с CEO и ключевой командой длительностью полтора-два часа на протяжении нескольких недель, по итогам которого компания получила карту барьеров с распределением: что чинить сейчас, что параллельно, что после.
О проблемах стоит знать раньше, прежде чем будут потрачены месяцы работы и ваши деньги.
Все упомянутые исследования вы найдете у нас в Telegram-канале: https://t.me/kinesisai
Задать вопрос и записаться на демонстрацию продукта Вы можете через нашего AI-координтору Аише Каримовой: https://t.me/Kinesis_Aisha