К содержанию
hegai.media
Кейсы

Примеры внедрения ИИ в компаниях: что сработало и что нет

Не список «вот как ИИ изменит всё», а разбор конкретных внедрений: где компании назвали цифры, что они получили на самом деле и какие кейсы пришлось откатывать назад.

— Основатель heg.ai, hegai.media· обновляется раз в 2–3 месяца

Кому полезно

  • Собственнику и CEO — отличить реальный кейс от красивого пресс-релиза
  • COO и операционному директору — понять, какой процесс брать в пилот первым
  • CFO — увидеть, как компании считают эффект и где цифры это оценка
  • AI-интегратору и консультанту — собрать доказательную базу из публичных примеров

Что говорят данные 2025–2026

88%
организаций используют ИИ хотя бы в одной бизнес-функции
McKinsey, The State of AI 2025 (опрос 1993 респондентов, 105 стран)
~6%
компаний относят к лидерам: ИИ даёт им более 5% EBIT
McKinsey, The State of AI 2025
95%
пилотов генеративного ИИ не дают измеримого эффекта на P&L
MIT, The GenAI Divide: State of AI in Business 2025
5 млрд ₽
дополнительной операционной прибыли X5 от ИИ по итогам 2025 года
Пресс-релиз X5 Group, июнь 2026

Как читать чужие кейсы

Большинство «примеров внедрения ИИ» в сети — это пересказ пресс-релизов вендоров. Полезный кейс отличается тремя вещами: названа конкретная задача (а не «повысили эффективность»), названа цифра с методикой (A/B-тест, замер до и после, вклад в EBIT) и честно описано, что не получилось. Ниже — четыре внедрения, которые проходят этот фильтр. Два иностранных и два российских, два с понятным плюсом и два, где всплыли ограничения. Цифры даны так, как их заявили сами компании; где это оценка — мы это отмечаем.

Четыре кейса, разобранных по задаче

› Klarna: ИИ-ассистент в поддержке клиентов

Как было: Очередь обращений в поддержку, среднее время решения около 11 минут, нагрузка на штат операторов и аутсорс-партнёров.

Как с AI: Ассистент на моделях OpenAI с доступом к данным о покупках и платежах клиента. За первый месяц 2,3 млн диалогов, две трети всех чатов поддержки, время решения упало до менее 2 минут, повторные обращения сократились на 25%. Klarna оценила эффект в 40 млн долларов прибыли за 2024 год.

Данные: Авторизованный контекст клиента: покупки, статус платежей, история обращений; работа в 23 странах, более 35 языков.

Ограничения: Через год Klarna вернула найм людей в поддержку: CEO признал, что ставка на снижение издержек дала «более низкое качество». ИИ держал объём, но не справлялся со сложными и эмоциональными обращениями. Итог — не откат, а перебалансировка: ИИ на массовых запросах, люди на сложных.

KPI: Время решения обращения, доля автоматически закрытых чатов, CSAT, повторные обращения.

› X5: ИИ в прогнозе спроса, ценообразовании и логистике

Как было: Ручное и полуавтоматическое управление ассортиментом, пополнением и ценами по тысячам магазинов; контроль наличия товара на полке — выборочный.

Как с AI: Промышленное применение ИИ в прогнозировании спроса, пополнении, ценообразовании, управлении ассортиментом и рекомендациях; компьютерное зрение для контроля полок. По итогам 2025 года X5 заявила около 5 млрд рублей дополнительной операционной прибыли.

Данные: Платформа AI Core: вычисления, управление моделями, тестирование, ИИ-агенты и доступ к языковым моделям; внутренний CoPilot X5 — 32 тыс. сотрудников, 21 тыс. постоянных пользователей.

Ограничения: Цифра в 5 млрд рублей — агрегат по многим инициативам, а не один проект; вычленить чистый вклад каждой модели сложно. Это нормальная честная оговорка для масштабного внедрения.

Проверка: Эффект подтверждается A/B-тестами через систему ABsolute и совместной оценкой с бизнес-командами, а не только финмоделью.

KPI: Вклад в EBITDA, операционные сбережения, точность прогноза спроса, доступность товара на полке.

› Сбер: мультиагентная система для оценки эффективности персонала

Как было: Штат свыше 300 тыс. человек; оценка эффективности — традиционными HR-процессами.

Как с AI: По словам главы Сбера Германа Грефа, банк использовал мультиагентную ИИ-систему, чтобы сократить 20% проанализированного и признанного неэффективным персонала. Численность сотрудников снизилась с 308 тыс. на конец 2024 года до примерно 295 тыс. к 30 сентября 2025 года.

Данные: Внутренние HR- и операционные данные банка; собственная линейка моделей GigaChat.

Ограничения: Кейс спорный и про издержки, а не про новую выручку. Сам Греф называл ИИ-расходы (около 1 млрд долларов в год) «крайне дорогой игрушкой»; публичной независимой проверки методики оценки «неэффективности» нет. Воспроизводить такой подход как образец рискованно и репутационно, и юридически.

KPI: Сокращение штата при сохранении объёма операций, расходы на персонал.

› GitHub Copilot: ассистент в разработке ПО

Как было: Разработчики пишут шаблонный код, ищут синтаксис и API вручную; время на типовую задачу измеряется часами.

Как с AI: В контролируемом эксперименте GitHub разработчики с Copilot выполнили задачу на 55% быстрее (1 ч 11 мин против 2 ч 41 мин), доля успешных решений выросла с 70% до 78%. Эффект — на рутине: шаблоны, бойлерплейт, подсказки синтаксиса.

Данные: Контекст репозитория и открытого файла; модель кода поверх IDE.

Ограничения: На сложных задачах эффект обратный. В рандомизированном эксперименте METR опытные open-source разработчики с ИИ-инструментами тратили на 19% больше времени — при этом были уверены, что стали быстрее. Отдельные замеры (Uplevel) фиксировали рост числа багов. Вывод: ускорение реально на рутине, но не на незнакомом сложном коде.

KPI: Время на типовую задачу, доля принятых подсказок, удовлетворённость разработчиков.

★ Что объединяет работающие кейсы

Сложите четыре истории — и видна закономерность. Деньги дают внедрения, где у ИИ есть узкая повторяемая задача, чистые структурированные данные и метрика, по которой видно эффект: спрос и цены у X5, шаблонный код у Copilot, типовые обращения у Klarna. Ломается ИИ там, где нужны контекст, суждение и ответственность: сложная претензия клиента, незнакомый легаси-код, оценка живого сотрудника. Klarna это прошла на собственном опыте — и не откатила ИИ, а развела потоки: массовое на машину, сложное на человека. Это и есть рабочая модель, а не «заменим всех».

Klarna: что заявили и что вышло

МетрикаБылоСтало
Время решения обращения~11 минутменее 2 минут ▲
Доля чатов поддержки на ИИ0две трети ▲
Повторные обращениябаза−25% ▲
Люди в поддержке сложных кейсовсокращаливернули найм ▼

Прибыль 40 млн долларов за 2024 год — оценка самой Klarna. Возврат к найму людей подтверждён заявлениями CEO в 2025 году.

⛔ Почему большинство пилотов не доходят до денег

MIT в отчёте 2025 года назвал это «GenAI Divide»: при 30–40 млрд долларов вложений 95% пилотов не дают измеримого эффекта на P&L. Причины повторяются от кейса к кейсу.

  • Пилот ради пилота: нет ответа на вопрос «какую метрику двигаем и на сколько».
  • Грязные данные: ИИ ускоряет хаос в CRM, прайсах и складских остатках, а не наводит порядок.
  • Универсальный чат-бот вместо встроенного в процесс инструмента: модель не учится на рабочих сценариях компании.
  • Бюджет уходит в маркетинг и продажи, тогда как самый быстрый эффект — в бэк-офисе и операциях (вывод MIT).
  • Нет владельца процесса и нет проверки человеком — некому отвечать за ошибки и нечем мерить пользу.
  • Внедрили инструмент, но не переписали процесс: McKinsey называет редизайн рабочих процессов фактором №1 для эффекта на EBIT, а делает это лишь около 21% компаний.

Где ИИ берёт задачу, а где остаётся человек

ЗадачаЧто делает AIЧто делает человекРиск автоматизацииKPI
Ответы на типовые обращения клиентовЧерновик и автозакрытие массовых запросовСложные претензии, эмоции, спорные суммысреднийДоля автозакрытых чатов, CSAT
Прогноз спроса и пополнениеМодель прогноза и рекомендации по заказуРешения по новинкам и нестандартным акциямнизкийТочность прогноза, out-of-stock
ЦенообразованиеРекомендации цены по правилам и эластичностиУтверждение и стратегические исключениясреднийМаржа, вклад в EBITDA
Разработка типового кодаБойлерплейт, тесты, подсказки синтаксисаАрхитектура и сложный незнакомый кодсреднийВремя на задачу, число багов
Оценка и решения по людямСводка данных, не болееЛюбое кадровое решение и ответственностьвысокийЮридические и репутационные риски

Как повторить рабочий кейс у себя

  • Выберите одну повторяемую задачу с понятной метрикой, а не «внедрим ИИ».
  • Проверьте данные: если в CRM или прайсах хаос — сначала чистка, потом модель.
  • Назначьте владельца процесса, который отвечает за метрику и за ошибки.
  • Заложите проверку человеком на сложных и рискованных случаях с первого дня.
  • Меряйте до и после через A/B-тест или контрольную группу, а не на ощущениях.
  • Перепишите процесс под ИИ, а не вставляйте инструмент в старую схему.
  • Готовьтесь развести потоки: массовое на машину, сложное на человека.

Чему чужие цифры не равны

  • Цифры из пресс-релизов — это заявления компаний, а не аудит; прибыль Klarna и эффект X5 названы самими компаниями.
  • Эффект на одном рынке и масштабе не переносится один в один на другой бизнес.
  • Сокращение издержек (как у Сбера) и рост выручки (как у X5) — разные истории; не путайте их в одном KPI.
  • Ускорение на рутине (Copilot) не значит ускорение на сложных задачах — там бывает замедление.
  • Один яркий кейс не отменяет статистику: у большинства компаний пилоты пока не доходят до прибыли.

Частые вопросы

Какие самые известные примеры использования ИИ в бизнесе?
Из публичных и с цифрами: Klarna (ИИ-ассистент взял две трети чатов поддержки, эффект оценён в 40 млн долларов за 2024 год), X5 (около 5 млрд рублей дополнительной операционной прибыли от ИИ в прогнозе спроса, ценах и логистике), Сбер (мультиагентная система для оценки персонала), GitHub Copilot (ускорение типового программирования). Важно, что у части этих кейсов есть и обратная сторона — её мы разбираем выше.
Правда ли, что ИИ заменяет сотрудников?
Точечно — да, но реже и сложнее, чем в заголовках. Klarna заявляла работу 700 операторов силами ассистента, но через год вернула людей в поддержку из-за качества. Сбер сократил 20% проанализированного штата. При этом McKinsey фиксирует, что большинство компаний не видят ощутимого эффекта на прибыль. Чаще ИИ снимает рутину и меняет состав работы, а не вычищает функцию целиком.
Почему большинство внедрений ИИ не окупаются?
По данным MIT, 95% пилотов генеративного ИИ не дают измеримого эффекта на P&L. Типичные причины: пилот без метрики, грязные данные, универсальный чат-бот вместо встроенного в процесс инструмента, отсутствие владельца и проверки человеком, и главное — инструмент внедряют, а сам процесс не переписывают.
С какого процесса начать внедрение, чтобы получить результат?
С узкой повторяемой задачи, где есть чистые данные и понятная метрика: черновики ответов в поддержке, прогноз спроса и пополнение, гигиена CRM, типовой код. Это процессы, на которых внедрения чаще всего показывают измеримый эффект. Сложные решения с ответственностью оставляйте человеку.
Какие есть примеры внедрения ИИ в российских компаниях?
X5 заявила около 5 млрд рублей дополнительной операционной прибыли от ИИ по итогам 2025 года и развивает платформу AI Core и внутренний CoPilot X5. Сбер использовал мультиагентную систему при сокращении штата и развивает линейку моделей GigaChat. Это два разных по смыслу кейса: рост эффективности операций и оптимизация издержек.
ИИ реально ускоряет разработку или это миф?
Зависит от задачи. В эксперименте GitHub Copilot давал +55% к скорости на типовых задачах. Но в рандомизированном исследовании METR опытные разработчики на сложном незнакомом коде с ИИ-инструментами тратили на 19% больше времени, хотя были уверены в обратном. Ускорение реально на рутине, на сложном коде эффект может быть отрицательным.

Источники

Business AI brief

Раз в неделю — честный AI business brief

Кейсы, цифры, провалы и workflows для предпринимателей. Без вендорского хайпа.

Нажимая, вы соглашаетесь с обработкой данных (152-ФЗ).

Предпочитаете Telegram? Читать в Telegram