ИИшечка без розовых очков: 5 мифов о внедрении ИИ в бизнес, в которые мы тоже верили

2026-01-13T14:56:58.612Z

Думаете, Вам тоже нужен ИИ?

Сейчас каждый второй предприниматель хочет внедрить ИИшечку, но хотеть — одно, а понимать зачем AI нужен и подходит ли вообще для конкретного бизнеса — другое. Технологии на волне хайпа, ожидания завышены, а реальность… ну, давайте често: она чуть приземленнее.

Мы начали тестить ИИ почти три года назад, примерно тогда, когда OpenAI открыл публичный доступ к ChatGPT 3,5 и разрешил подключаться к данным модели по API.

От простых чат-ботов мы постепенно пришли к более сложным проектам: речевой аналитике, веб-сервисам, компьютерному зрению. По пути стало ясно, где и как можно использовать ИИ, а где он не нужен.

Предприниматели часто смотрят на искусственный интеллект сквозь призму мифов. Из-за этого многие хорошие идеи так и остаются идеями. Разбираем самые популярные заблуждения и рассказываем, что мы выяснили на практике.

Миф 1. ИИ заменит людей

Вот бы всё было так просто: поставил ИИ, всех уволил и считай профит. Но, увы (или к счастью) так не работает.

Для сети кафе «Павлония» и крупнейшей доставки еды в Дагестане мы сделали мобильное приложение и докрутили сайт — конверсия выросла на 40% (при тысяче посетителей это примерно +30 заказов в день).

Сначала провели хороший аудит и увидели, где именно «отваливались» пользователи. Один из ключевых моментов — сайт требовал указать адрес ДО того, как человек выберет блюдо. И около 1/3 посетителей уже уходили на этом этапе. Непродуманный путь и лишние шаги сами по себе режут выручку, а убрав их, можно повысить маржинальность даже без ИИ. Но мы пошли дальше и внедрили речевую аналитику для колл-центра…

Раньше руководитель проверял работу операторов, слушая 3-5 звонков выборочно и то не каждый день. Остальные 99% разговоров — тайна за семью печатями. Теперь ИИ расшифровывает и анализирует все записи. Можно посмотреть показатели сотрудника и их динамику за неделю, месяц, полугодие — а ошибок там практически нет.

Что изменилось? Обучение ускорилось — сотрудники сами изучают статистику и видят где отошли от скрипта и косякнули: некорректно завершили разговор, не рассказали о политике возврата или не проявили эмпатию. Выросла дисциплина и качество обработки звонков, а вместе с ним и количество заказов.

Но был и сюрприз: персонал КЦ ополчился на нас. Читая их негативные комментарии в своём Telegram-канале, мы поняли, почему им не нравится наше решение — теперь с внедрением ИИ, когда ВСЕ разговоры можно оценить, операторам сложнее. Они вынуждены работать ещё лучше, чем раньше, чтобы выполнить KPI и получить бонусы.

ИИ не увольняет людей. Он улучшает сервис, усиливает контроль за работой сотрудников и помогает бизнесу зарабатывать больше.

Пример, как ИИ анализировал звонки в доставке еды "Павлония"

Миф 2. ИИ — это быстро и дёшево

Ох, как же мы сами в это верили. Когда запускали первые коммерческие проекты, мы заложили определённое время и бюджет — а в итоге сроки и стоимость регулярно увеличивались, вдвое, Карл! Почему так?

Потому что интеграция ИИ в бизнес — это фактически новый продукт. «Коробок» на рынке почти нет, технология дорогая, специалистов мало, а «слепых зон» море. Приходится пробовать, иногда спотыкаться, исправляться, и всё это на фоне очень быстрого развития AI.

Для серьезных проектов в horeca, телекоме и медицине сбор данных и анализ процессов может занимать и месяц.

Разрабатывали систему компьютерного зрения для ресторанов и других точек общепита, но вскоре поняли, что она требует существенных вложений для развития.

Идея была классная. Камера сама следила за обслуживанием: вовремя ли подали блюдо, убрали ли со стола, соблюдены ли стандарты. По сути раньше это делал только «тайный гость», а теперь нарушения начала выявлять «умная» камера.

Технология работала отлично: мы сделали демо, протестировали, убедились, что система распознаёт эти события и передаёт данные в режиме реального времени. Но… проект оказался слишком дорогим для запуска. Поэтому мы поставили его на паузу.

Структура чат-бота WA по продаж телефонных комлпектующих

Миф 3. ИИ сразу экономит

Увы, нет. Сначала он тратит. На старте ИИ только увеличивает расходы: период адаптации, потом доработка решения под бизнес и обучение бота.

И только через несколько месяцев инвестиции начинают окупаться. Плюс присутствуют постоянные затраты: токены, поддержка. Вдобавок, если продукт сделан некомпетентно, то это просто увеличит расходы, но ничего не принесёт. Именно поэтому совсем маленьким бизнесам ИИ часто просто не подходит.

Для B2B-клиента (крупного поставщика телефонных запчастей с филиалами в нескольких городах России) мы разработали SmartZbot в WhatsApp. Один из наших первых клиентов, у которого всё работает до сих пор.

Чат-бот консультирует по наличию комплектующих и сразу выдает актуальную информацию, т.к. интегрирован с 1С, и обрабатывает сотни сообщений в день. В программе видны все позиции и остатки.

В итоге бот оптимизировал менеджерский состав: заменил нескольких человек с зарплатой 30 000 рублей. Сотрудники могли забыть или не успеть ответить и часто не общались по сценарию.

Цена поддержки стоит от 19 000 рублей в месяц. А экономия — в разы больше.
По похожей же схеме мы внедрили ИИ-помощника и в один из медцентров Дагестана.

Миф 4. ИИ подходит для всех ниш

У каждой отрасли своя логика. Нельзя просто взять одно ИИ-решение, одни данные и применить для всех, к тому же не каждый бизнес готов к «цифре».

Лучше всего ИИ подходит там, где:

данные уже оцифрованы,
задачи повторяются,
есть понятные метрики,
цена ошибки низкая.

Интегрировать ИИ рано/не подходит:

нет СRM, данные на бумаге,
все процессы завязаны на экспертную оценку,
бизнес не готов инвестировать в развитие.

Например, к нам обращались строительные компании. Мы честно проанализировали — и поняли: для их текущего масштаба и процессов ИИ не окупится.

Хотя в строительной сфере есть области, где ИИ реально нужен: подбор дизайн концепта интерьеров, компьютерное зрение для оценки объектов.

Миф 5. ИИ — уже «умный» и работает сам по себе

Если бы…

Сначала мы сделали монорешения для 10 разных бизнесов: пощупали рынок, увидели в цифрах и, когда поняли, что идея окупается, пошли дальше — в сервисы.

Часто готовые ИИ-продукты — это просто интерфейс к базовым моделям вроде ChatGPT, без тонкой настройки под бизнес и без адаптивного обучения.

Перед разработкой Openlife, веб-сервиса для здорового питания, мы изучили — какие приложения уже есть на рынке — и убедились: большинство из них «сырые».

LLM-модели содержат кучу полезной информации, но знания нужно упорядочить, научить бот правильно обрабатывать запросы и обязательно проверять корректность выдачи.

Сейчас мы докручиваем AI-нутрициолога: по фото еды он рассчитывает КБЖУ, витамины и минералы, дает рекомендации по питанию. Плюс в сервис встроен маркетплейс добавок.

На старте модель ошибалась: могла принять яблоко за грушу, не точно определяла массу блюд и пропорции ингредиентов, а ещё «не видела» сырок в упаковке.

Мы дообучили бот, загружая десятки и сотни фотографий с примерами продуктов, которые он определял не верно. В результате получили кастомную модель, обученную на нашей базе. Теперь она работает в разы точнее.

Параллельно для телекома делаем SaaS-сервис в формате подписки — компании смогут подключать свои колл-центры без долгих интеграций.

Чтобы создать рабочий ИИ-продукт, мы глубоко погружаемся в бизнес, проводим аналитику и не боимся спорить с заказчиком. Если идея не взлетит — говорим прямо и предлагаем альтернативу. А дальше после запуска, мы развиваем проект вместе с клиентом. Это больше чем техническая поддержка, мы заинтересованы, чтобы бизнес получал максимальный КПД от внедренного решения.

***

ИИ — не универсальное решение, но если он встроен грамотно, он даёт ощутимый эффект: экономит время, улучшает качество и как следствие увеличивает прибыль.