Цифровые сотрудники отечественного бизнеса: проекты. Комментарии экспертов

ICT-Online.ru: Расскажите об успешных и неудачных кейсах внедрения цифровых сотрудников на российском рынке.

Директор по управлению проектами направления генеративного ИИ компании Рексофт Юрий Шевченко: Из публичных успешных кейсов – конечно, банки. Голосовые и текстовые ассистенты в поддержке Сбера, Т-Банка, ВТБ, Альфа-Банка обрабатывают десятки миллионов обращений в месяц. Плюс телеком: МТС, МегаФон, Билайн активно автоматизируют контакт-центры. Из ритейла – ассистенты по товарной номенклатуре и поиску у Х5, Магнита, Wildberries, Ozon. И нельзя не упомянуть массовое внедрение ИИ-ассистентов разработчика, которое дает реальный прирост продуктивности на 25-30 %, в том числе в командах Рексофт.

Директор по управлению проектами направления генеративного ИИ компании Рексофт Юрий Шевченко
Фото: Рексофт

Что касается неудачных историй – они редко становятся публичными, но паттерны все равно прослеживаются. Заведомо провальный кейс – AI-washing – маркетинговый прием, когда старый сценарный бот просто переименовывают в LLM-решение, а метрики не меняются. Сюда же относится преждевременный запуск без инструментов guardrails, в результате чего бот начинает давать клиентам ложные обещания. Неудачей оборачиваются попытки построить «одного большого ассистента для всего» вместо того, чтобы сделать несколько специализированных решений. А из-за игнорирования практик MLOps и LLMOps, качество, как правило, деградирует уже через несколько месяцев после успешного пилота.

Главный вывод здесь такой: успех определяется не моделью и не вендором, а операционной зрелостью команды, которая этим решением владеет.

Технический директор BSS Дмитрий Свалов: Из успешных кейсов я бы выделил банковский и контакт-центровый сегменты. Здесь цифровые сотрудники дают наиболее измеримый эффект: снижение нагрузки на операторов, ускорение ответа, рост доступности сервиса и контроль качества коммуникаций.

Технический директор BSS Дмитрий Свалов
Фото: BSS

В части BSS можно привести пример D2VerbAI: в 2025 году «Компьютерра» поставила BSS на первое место среди российских компаний по разработке и внедрению чат-ботов и виртуальных ассистентов; платформа включает голосовых и текстовых ботов, речевую аналитику, исходящие обзвоны, базу знаний, ИИ-суфлера и ИИ-тренажер персонала.

Из публичных банковских примеров — голосовой ассистент BSS для ПСБ, который четвертый год находится среди лидеров рейтинга крупнейших банков. По опубликованным данным, бот на входящей линии ПСБ занял второе место, а подключение к решению вопроса происходит менее чем за 1,5 минуты, чаще всего — за 20 секунд.

Из рыночных примеров также показателен ВТБ: банк уже говорит о переходе от ИИ-советников к более автономным агентским сценариям, где в 2027 году помощник сможет выполнять отдельные действия в интересах клиента в рамках заданных лимитов — например, платежи или переводы.

Неудачные кейсы на российском рынке обычно не любят публично раскрывать по названиям компаний. Но типовой анти-кейс хорошо известен: компания внедряет «умного бота» без нормальной интеграции с CRM, базой знаний и процессами. Сначала метрики выглядят красиво — много диалогов, быстрые ответы, рост лидов. Потом выясняется, что данные дублируются, контекст теряется, клиент не может перейти к оператору, а сотрудники перестают доверять системе. Исследования пользовательского опыта это подтверждают: чем более жестким и нечеловекоориентированным выглядит бот, тем выше негативная оценка; критически важно простое переключение на живого оператора.

Директор департамента бизнес-решений и цифровой трансформации «Софтлайн Решения» (ГК Softline) Егор Ворогушин: Один из показательных успешных кейсов, который мы реализовали, — ИИ-ассистент для руководителя отдела продаж. Это роль, в которой обычно очень высокая операционная нагрузка: руководитель одновременно контролирует pipeline, разбирает звонки менеджеров, готовит прогнозы, участвует в найме, обучении и оценке команды.

Директор департамента бизнес-решений и цифровой трансформации
«Софтлайн Решения» (ГК Softline) Егор Ворогушин
Фото: Softline

Мы создали агента, подключенного к CRM и системам записи звонков. Он самостоятельно анализирует сделки в воронке, выявляет риски по конкретным клиентам, обращает внимание на проблемные зоны и формирует еженедельный дайджест с рекомендациями. В результате руководитель перестает тратить значительную часть времени на механический сбор информации и может сосредоточиться на управленческих решениях.

Эффект в таком сценарии хорошо понятен бизнесу: сокращается время на операционную отчетность, быстрее выявляются проблемные сделки, повышается качество управления продажами. При этом агент не заменяет руководителя, он усиливает его работу и помогает быстрее видеть картину по воронке.

Но как раз на таких кейсах хорошо видно, что к внедрению ИИ-сотрудников не всегда применимы стандартные способы контроля качества. Эти решения основаны на больших языковых моделях, а значит, работают не линейно, а вероятностно. С одной стороны, они способны качественно выполнять сложные интеллектуальные задачи. С другой — они достаточно буквально следуют тому, как сформулирована задача, какие инструкции заложены в сценарий и какие ограничения заданы на входе.

Отсюда возникает отдельный риск: задача может быть поставлена неточно, промпты — сформулированы не оптимально, а способ контроля результата — выстроен недостаточно надежно. На самом практическом уровне это может означать, что в ИИ-сотрудника загружена неидеальная «батарея» промптов, например, для аналитического упражнения, оценки сделки или подготовки рекомендации руководителю. В обычной работе человек часто компенсирует такие неточности контекстом, опытом и здравым смыслом. Цифровой сотрудник действует строже: он выполняет то, что ему задано, и именно в той логике, которая была заложена в систему.

Отдельный вопрос — кто и как проверяет результат. Можно подключить другого ИИ-агента для контроля, можно оставить финальную проверку человеку. Но тогда узким местом становится уже не только технология, но и поведение человека: насколько он готов внимательно проверять результат, брать на себя ответственность за финальное решение и не воспринимать рекомендацию агента как автоматически верную.

Условно говоря, ИИ-советник руководителя отдела продаж может десять тысяч раз правильно подсказать, как построить разговор со сложным клиентом, а на десять тысяч первый раз дать рекомендацию, которая окажется критически неверной. Поэтому важно не просто внедрить цифрового сотрудника, а встроить его в зрелую систему процессов, контролей и человеческой ответственности. Качество людей, которые работают с такими инструментами, их установки и готовность критически оценивать результат становятся не менее важными, чем качество самой технологии.

Если говорить о неудачных кейсах на рынке, чаще всего они связаны с одной и той же ошибкой: компании пытаются запустить агента поверх неструктурированных данных и непрозрачных процессов. Есть ожидание, что ИИ сам разберется, наведет порядок и начнет выдавать качественный результат. Но цифровой сотрудник работает как усилитель существующей системы. Если внутри процесса хаос, агент начнет масштабировать этот хаос.

Поэтому главный вывод простой: перед внедрением нужно честно оценить состояние данных, регламентов, интеграций и ответственности за результат. Без этой подготовки даже хорошая технология может не дать ожидаемого эффекта.

Ведущий архитектор решений компании «Интерпроком» Игорь Бреус: Помимо профессиональной деятельности в сфере ИТ, я часто сталкиваюсь с работой цифровых сотрудников и как обычный пользователь. Среди наиболее успешных кейсов я бы выделил банковские сервисы, которыми пользуюсь. В них автоматизировано порядка 70-80 % обращений в чатах поддержки. Очевидно, что за этим стоит не просто подключение LLM, а серьёзная работа с качеством баз данных и скриптов, а также выстроенная система многоуровневой валидации ответов и плавный перевод обращения от бота к оператору и профильному эксперту. Кроме того, ИИ успешно применяется для анализа звонков в колл-центрах, проверяя соблюдение скриптов со скоростью, недостижимой для человека.

Ведущий архитектор решений компании «Интерпроком» Игорь Бреус
Фото: «Интерпроком»

Приятно удивили голосовые роботы логистических операторов для подтверждения доставки. Они хорошо распознают русскую речь и корректно обрабатывают нестандартные команды, например: «перенесите на завтра» или «оставьте у двери».

Однако есть и негативный опыт. Главная проблема — так называемые «галлюцинирующие» сервисы. В ритейле генеративный ИИ может, например, согласиться на абсурдные условия — предоставить скидку 90 % или оформить возврат без чека. Аналогично цифровой аналитик вместо анализа данных начинает «фантазировать», что полностью обесценивает его работу.

Руководитель команды ИИ-платформы LANDEV AI Центра компетенций больших данных и искусственного интеллекта ЛАНИТ Владислав Балаев: Среди публично верифицированных российских примеров стоит выделить несколько. Сервис Авито внедрил ИИ-ассистента во внутренний BI-инструмент: построение графиков ускорилось вдвое, соотношение положительных оценок к отрицательным составило 2:1 уже в первые месяцы. Параллельно компания тестирует ассистентов для покупателей и продавцов, закладывая на их развитие около 12 млрд рублей до 2028 года. Сбер сообщает о результатах внутреннего агента в закупках: рост продуктивности на 50 %, снижение издержек в 3-5 раз, юридический агент снимает до половины нагрузки с юриста. Та же публикация описывает кейс группа компаний Нордик — внедрение GigaChat в колл-центр заняло около 5 месяцев и позволило перейти от выборочного аудита 10 звонков к полному контролю качества.

Руководитель команды ИИ-платформы LANDEV AI Центра компетенций
больших данных и искусственного интеллекта ЛАНИТ Владислав Балаев
Фото: ЛАНИТ

ВТБ совместно с ИТ-холдингом Т1 запустил семейство цифровых помощников для сотрудников банка — в технической поддержке, разработке и тестировании. Через Yandex AI Studio в промышленности внедряются ИИ-ассистенты для технического обслуживания и ремонта, сокращающие простои оборудования на 10-25 %. Все эти кейсы объединяет то, что эффект достигнут на чётко ограниченных функциях.

Публично провалившихся российских кейсов в открытых источниках немного, но общий паттерн из нашей практики повторяется: компания запускает пилот, получает хорошие цифры на ограниченной выборке, начинает масштабировать и обнаруживает, что процессы не описаны, данные хаотичны, а агент ведёт себя непредсказуемо. Косвенно масштаб проблемы подтверждает оценка, которую приводят эксперты Axenix и МГУ со ссылкой на исследование MIT: около 95 % компаний, внедряющих ИИ, не видят отдачи от вложений, и лишь один проект из двадцати доходит до промышленной эксплуатации.

Из международных кейсов показателен McDonald's: сеть три года тестировала голосовой приём заказов в драйв-тру и закрыла проект в 2024 году — точность не поднималась выше 85 %, а ошибки системы стали вирусными в социальных сетях. При этом Taco Bell на иной архитектуре обработал 2 млн заказов без подобных инцидентов.

Генеральный директор Инфомаксимум Александр Бочкин: Успешный кейс: сначала банк провел детальный анализ операций с помощью инструментов процессной и операционной аналитики: посмотрел, какие действия выполняются вручную, где возникают повторы, какие документы требуют обработки и где есть потенциал для автоматизации. После этого в процесс встроили цифрового сотрудника в связке с другими инструментами автоматизации. Он помогает распознавать и извлекать данные из неструктурированных документов, а также автоматизировать часть операций, которые раньше требовали ручного участия.

Генеральный директор Инфомаксимум Александр Бочкин
Фото: Инфомаксимум

По оценке банка, потенциал оптимизации трудозатрат в этом процессе составляет 40-60 %. Кроме того, эффективность первичного анализа бизнес-процессов удалось повысить до 80 %. Это хороший пример такого уже зрелого подхода: компания сначала измеряет процесс и находит ручную нагрузку, а уже потом передает подходящие операции ИИ-ассистенту.

Если говорить о неудачных кейсах, они редко становятся публичными, но причины обычно типовые: внедрение ИИ без анализа процесса, отсутствие понятных метрик до старта, попытка автоматизировать нестабильный процесс или отсутствие владельца изменений на стороне бизнеса. В таких случаях цифровой сотрудник формально появляется, но экономического эффекта не дает.

Главный владелец продукта ContentCapture компании Content AI Антон Хаймовский: В числе успешных кейсов можно назвать исследование клиентских процессов, которое мы провели в ходе оценки вариантов оптимизации службы комплаенс финансовой организации. Связка из копилота, который помогает комплаенс-офицеру собирать данные, и агента, формирующего черновики мотивированных рассуждений, позволяет сэкономить FTE на 30-40 %.

Главный владелец продукта ContentCapture компании Content AI Антон Хаймовский
Фото: Content AI

Из неудачных кейсов на рынке можно вспомнить случай с массовой обработкой карточек для маркетплейса. ИИ улучшил изображения, но слишком отошел от реальности, что привело к короткому всплеску роста просмотров с последующим валом отказов и негативных отзывов.

Технический директор компании Bercut (входит в ПАО «Ростелеком») Алексей Чистяков: Удачные кейсы концентрируются там, где у бизнеса уже была зрелая интеграционная и процессная база, и агент достраивался поверх нее. Типовые истории успеха — первичная квалификация B2B-лидов с автоматическим заполнением CRM, разбор входящего потока обращений в техподдержке с маршрутизацией и подготовкой проекта ответа, обработка неструктурированных документов в финансовых и кадровых процессах. Общий знаменатель: четкая граница ответственности агента, прозрачные метрики качества, человек на верификации.

Технический директор компании Bercut (входит в ПАО «Ростелеком») Алексей Чистяков
Фото: Bercut

Причины неудач почти всегда идентичны. Заказчик внедряет «универсального ассистента» поверх разрозненного ИТ-ландшафта, без интеграций, без RAG-инфраструктуры и без четкого процесса. Через три-четыре месяца проект тихо сворачивается с формулировкой «галлюцинирует и не приносит пользы». Корневая причина почти никогда не в модели — она в отсутствии корпоративной инфраструктуры под агентом: данных, инструментов, регламентов.

Второй характерный антипаттерн — попытка заменить агентом сразу целую функцию (например, всю первую линию поддержки) без поэтапного встраивания и без сохранения человека в контуре принятия решений. Такие проекты разбиваются о реальное качество и о сопротивление пользователей.

Руководитель ИТ-департамента «ОБИТ» Кирилл Тимофеев: Один из успешных кейсов — пилотирование системы речевой аналитики на базе ИИ в аэропорту Пулково, которое мы реализовывали совместно с «Т-Технологиями». Проект позволил автоматизировать контроль качества обслуживания, быстрее выявлять проблемные обращения и получать полную аналитику по взаимодействию с пассажирами. Такие решения особенно ценны тем, что позволяют анализировать не выборочные звонки, как это обычно происходит вручную, а фактически весь массив коммуникаций. За счет этого бизнес начинает видеть реальные причины недовольства клиентов, понимать, какие сценарии работают лучше, где сотрудники теряют продажи или допускают недочеты. В итоге это помогает и повышать качество сервиса, и принимать более точные управленческие решения на основе данных.

Руководитель ИТ-департамента «ОБИТ» Кирилл Тимофеев
Фото: «ОБИТ»

Если говорить о неудачных примерах, то чаще всего проблема не в самой технологии, а в ожиданиях от нее. Многие компании пытаются внедрить ИИ без подготовки процессов или без четкого понимания конечной цели. Еще одна распространенная ошибка — попытка заменить ИИ человеческую экспертизу там, где лучше этого не делать. В таких случаях компании сталкиваются либо с падением качества сервиса, либо с сопротивлением сотрудников, которые начинают воспринимать технологию как угрозу, а не как инструмент помощи.

Руководитель направления технической поддержки CESCA Фёдор Фрольцов: Успешные кейсы:

• ММК: «Цифровой двойник ОЦО». Один из первых в России проектов по внедрению виртуального помощника в финансово-учетные процессы целой группы компаний. С помощью технологии Task Mining цифровой двойник оцифровал 1800 операций, проанализировал 480 тыс. часов работы 490 сотрудников и создал модели более 200 процессов, что позволило повысить их эффективность.
• МТС: ИИ-агенты в HR. Компания первой вывела на рынок мультиагентную систему для HR-подразделений. Система работает как виртуальный сотрудник: агент скрининга проводит первичный отбор, агент коммуникации консультирует кандидатов, а агент планирования координирует встречи.

Руководитель направления технической поддержки CESCA Фёдор Фрольцов
Фото: CESCA

Неудачные кейсы:

• ИИ-юрист низкой точности. В одной из компаний попытка самостоятельного дообучения китайской модели Qwen для юридического департамента провалилась. Данные для обучения были собраны некачественно, и ИИ-ассистент продемонстрировал точность отчетов ниже 30 %, в результате чего проект был свернут.
• Ошибки ценообразования. Распространены сбои, когда ИИ-агент, неправильно поняв задачу, мог рассчитать скидку в 80 % от суммы чека, что приводило к прямым финансовым потерям.
• Провал мультимодальности. Из-за того, что большинство обращений в службу поддержки содержали изображения и документы, а доступные на тот момент модели не поддерживали такой функционал, компания была вынуждена свернуть проект.

ICT-Online.ru: Большое спасибо всем за беседу!