Искусственный интеллект в управлении компанией: как меняются структура затрат и роль менеджеров

Если еще недавно ИИ внедряли точечно — для автоматизации маркетинга, поддержки или HR, — то сегодня бизнес ждет от него системного эффекта: помощи в принятии решений, прогнозировании, управлении рисками и затратами. О том, как меняются процессы, структура расходов и требования к менеджерам, рассказывают эксперты, которые уже провели такие трансформации: Алексей Несмеянов, эксперт по стратегическому внедрению ИИ, основатель «ГЛАВСНАБ» Федор Васильев, основатель BotB2B Виктор Попов и Chief Product & Data Officer Insight AI Юлия Алексеева.

Синергия и совместная эволюция: почему в гонке с ИИ побеждают партнерство и этика

От локальной автоматизации к системным решениям

Первая волна внедрения ИИ, по наблюдению Виктора Попова, была связана с автоматизацией отдельных функций: аналитики, маркетинга, поддержки, HR. Такие проекты запускались быстро, не требовали серьезных изменений в управлении, но и эффект от них оставался ограниченным. ИИ ускорял операции, снижал нагрузку на команды, но редко влиял на экономику процессов и управленческие решения в целом. Согласно отчету McKinsey, 65% компаний уже используют генеративный ИИ хотя бы в одной функции, однако большинство внедрений по‑прежнему носят экспериментальный характер.

Ключевая проблема пилотных проектов, по словам Попова, в том, что они почти не затрагивают управленческую архитектуру. Ответственность размыта, метрики успеха формулируются постфактум, решения о масштабировании принимаются интуитивно. ИИ остается на периферии, не влияя на скорость принятия решений, качество координации и контроль исполнения. Значимая ценность от ИИ появляется лишь тогда, когда он становится частью системы управления, а не набором разрозненных инструментов.

Юлия Алексеева из Insight AI подтверждает этот тренд: «Сегодня ИИ применяется не столько в чат-ботах и отчетности, сколько в прогнозной аналитике, ценообразовании и управлении рисками. Компании все чаще используют модели для понимания трендов, выбора оптимальных решений, планирования закупок, управления запасами, расчета цен, оценки кредитных и операционных рисков». Это уже не про новые технологии, а про трансформацию управления.

Нейронки для управленцев бизнеса: таблица с сервисами, чтобы рутина стала проще

Где ИИ приносит реальные деньги: пример «ГЛАВСНАБ»

Федор Васильев, основатель компании B2B-снабжения «ГЛАВСНАБ» (более 200 тысяч позиций на сайте, десятки каналов заявок), делится конкретным опытом. Многие управленцы, по его словам, заходят в ИИ с красивых дашбордов, хотя реальная окупаемость лежит в другой плоскости — в лидах, логистике и документообороте. В снабжении быстрее всего автоматизация окупается там, где много рутины, высоки потери и решения повторяются сотни раз в неделю.

В «ГЛАВСНАБ» выделили три ключевых контура:

1. Обработка лидов из десяти каналов. В B2B скорость ответа критична: если менеджер увидел заявку через несколько часов, объект уходит конкуренту, особенно ночью.
2. Подготовка коммерческих предложений и комплектация. В строительстве не прощают ошибок в расчетах и забытых сопутствующих товаров.
3. Управление рисками дебиторской задолженности и документов. Кассовые разрывы из‑за долгих отсрочек тормозят рост сильнее, чем цены или маржа.

Для решения этих задач внедрили узкие модели:

• Классификатор обращений и извлечение сущностей (тип запроса, объект, сроки, услуги, ограничения).
• Авто-черновики коммерческих предложений с подсказками, что уточнить.
• Скоринг дебиторки на основе градиентного бустинга — прогноз рисков и рекомендации по условиям оплаты.

Почему ИИ упирается не в алгоритмы, а в управление

Одна из самых частых ошибок — считать, что ключевая сложность внедрения ИИ лежит в выборе алгоритмов. По опыту Юлии Алексеевой, основные ограничения — управленческие. Проблемы возникают, когда:

• нет владельца бизнес-решения, за которое отвечает модель, и ответственность размыта;
• данные между системами не согласованы, и модель работает в условиях компромиссов;
• процессы не рассчитаны на автоматические рекомендации и требуют ручных обходов.

В таких условиях даже сильная модель не дает эффекта. Поэтому зрелые проекты всегда начинаются с управленческих вопросов: где принимается решение, кто за него отвечает, какие ограничения и как измеряется результат.

Федор Васильев на основе своего опыта сформулировал семь типовых ошибок:

1. Автоматизация хаоса — внедрение ИИ без наведения порядка в процессах.
2. Отсутствие зафиксированных метрик «до».
3. Запущенные справочники (тысячи позиций без владельца).
4. ИИ живет отдельно от CRM и 1С.
5. Модели разрешают обещать сроки или назначать цены (в «ГЛАВСНАБ» запретили: только черновики и подсказки).
6. Нет единых статусов и SLA.
7. Игнорирование безопасности и разграничения доступа.

Какие риски у компании, которая разрабатывает свои нейросети

Новые роли и изменение структуры затрат

Внедрение ИИ почти никогда не означает просто рост IT-бюджета, подчеркивает Алексеева. Меняется сама структура затрат: сокращается ручная аналитика, контроль и подготовка отчетов, но растут инвестиции в data-инженерию, интеграцию моделей в бизнес-системы и инфраструктуру.

В «ГЛАВСНАБ» после перестройки число аналитиков и контролеров сократилось с 25 до 20 (–20%), но появились четыре data‑инженера и один-два интегратора ИИ‑контуров.

Алексей Несмеянов добавляет, что с появлением ИИ возникают и другие позиции: ответственный за порядок в данных, интегратор систем, оператор ИИ-моделей, владелец процесса (запасы, цены), специалист по безопасности и доступам. Аналитик перестает быть просто составителем отчетов — он помогает руководителю принимать решения, работать с отклонениями, сценариями и рисками.

Менеджер будущего: архитектор, переводчик, ответственный

Роль руководителя трансформируется кардинально. Если раньше собственник или топ-менеджер часто был человеком, который смотрел готовый отчет, то теперь он становится Архитектором системы решений, говорит Несмеянов. Ему предстоит определять, что решает ИИ, а что остается за человеком, какие ставить цели и ограничения, какова цена ошибки и кто за нее отвечает.

Федор Васильев описывает менеджера новой реальности как переводчика, который отвечает за конечное решение. Его задача — формулировать запрос через конкретные метрики (время ответа, доля заявок без касания, OTIF, просрочка дебиторки), задавать ограничения для модели и принимать итоговое решение, неся за него ответственность.

Юлия Алексеева резюмирует: менеджер больше не обязан разбираться в архитектуре моделей, но обязан понимать, как ИИ влияет на его зону ответственности. Он становится мостом между задачами бизнеса и возможностями ИИ. Принципиально важно, что ответственность остается на стороне человека, а не алгоритма.

Искусственный интеллект в коммуникации и управлении: риски и ловушки

Исследования подтверждают: управление важнее технологии

Виктор Попов ссылается на исследование 2025 года по коллективному принятию решений: качество результата в связке «человек + ИИ» может снижаться из‑за размывания ответственности, некритичного следования рекомендациям или, наоборот, игнорирования подсказок. Связка работает эффективно только тогда, когда заранее определено, какие задачи решает алгоритм, а какие остаются за человеком.

Исследования Harvard Business Review, добавляет Попов, показывают: искусственный интеллект сам по себе редко становится устойчивым источником конкурентного преимущества. Ценность возникает, когда ИИ усиливает уже существующие сильные стороны компании — четкие процессы, управленческую дисциплину, культуру принятия решений и способность работать с данными.

Оргструктура после внедрения ИИ

После того как ИИ встраивается в ключевые процессы, компании неизбежно пересматривают оргструктуру, отмечает Алексеева. Усиливаются роли владельцев данных и бизнес-метрик, product-оунеров аналитических и ML-продуктов, MLOps и инженеров сопровождения. Аналитики берут на себя ответственность за измеримый бизнес-эффект моделей, а не за отчеты. При этом снижается потребность в функциях, связанных с ручными проверками и контролем расчетов.

Узкоспециализированные модели vs универсальные решения

Все эксперты сходятся в одном: максимальный эффект дают не универсальные ИИ-системы, а узкоспециализированные модели, заточенные под конкретный процесс, данные и метрики. В российских компаниях это хорошо видно на примерах прогнозирования спроса в общепите, скоринга рисков в банках, оптимизации рекламных бюджетов, персональных рекомендаций в ритейле. Такие модели проще встроить в процессы, объяснить бизнесу и измерить эффект в деньгах. Универсальный ИИ без контекста редко дает устойчивый результат.