Архитекторы границ: что действительно меняет ИИ в управлении компанией
Фото: Росконгресс
Внедрение ИИ в управление не значит, что машина начинает принимать решения за руководителя. Происходит обратное: чем больше процессов ей передашь, тем дороже стоит то, что остается человеку, — провести границу автоматизации, привести в порядок данные, на которых все это работает, и заранее определить точки, где последнее слово за людьми. И руководитель становится архитектором этих границ. Дмитрий Бороздин, сооснователь и генеральный директор RetailCRM делится накопленным за два года опытом.
Сначала тормоз, потом газ
В технологических компаниях много тех, кого Джеффри Мур называл ранними последователями: они берут новый инструмент, как только о нем узнают, а разбираться начинают уже по ходу. Скорость здесь — преимущество, но у нее есть цена. Поэтому одна из первых ролей, которую мне пришлось взять на себя, — роль фильтра: согласовывать инициативы с юристами и информационной безопасностью, а где-то — вовремя придержать.
Почему в управлении эта осторожность особенно заметна? Цена ошибки здесь выше: решение руководителя затрагивает не отдельную операцию, а сразу несколько процессов и в конечном счете всю систему. Это отражается и в статистике. По данным исследования ИСИЭЗ НИУ ВШЭ, охватившего свыше 15 тыс. крупных и средних организаций, более половины использующих ИИ компаний применяют его в маркетинге и продажах, производстве и управлении персоналом. А вот в управлении организацией технологии пока востребованы значительно реже.
Не организовать крупную утечку в собственной компании
У руководителя одновременно есть сразу два ресурса — доступ к данным и право принимать решения. Это делает управленческий контур одной из наиболее чувствительных точек при внедрении ИИ. Когда корпоративные данные начинают проходить через новые инструменты — особенно через гибридные архитектуры, где часть моделей зарубежные, — границы защищенного контура становятся менее очевидными.
По данным компании «Информзащита», в июле 2026 года 20% организаций, столкнувшихся с утечками, связали инциденты хотя бы частично с использованием ИИ-инструментов вне утвержденных процессов и контроля информационной безопасности. Годом ранее таких случаев было около 12%. Там же приводится цифра, которая объясняет причину: инвентаризация используемых ИИ-сервисов есть примерно у 30% компаний — то есть значительная часть инструментов может оставаться вне поля зрения ИТ и ИБ. Регуляторный фон тоже ужесточился — в 2025 году начали действовать поправки в КоАП, вводящие новые санкции за нарушения при обработке персональных данных, включая оборотные штрафы для юрлиц за повторные утечки в предусмотренных законом случаях.
Практический вывод: жесткая граница между экспериментальным контуром и боевым. У личных тестовых серверов один режим, у официального центра обработки данных в защищенном контуре под ответственностью технического директора — совсем другой. Даже безопасное само по себе приложение, проникая в защищенный контур, способно создать скрытый канал для обхода защиты, который сначала никто не заметит. Поэтому границы между экспериментом и рабочей средой необходимо определить заранее, а не после первого инцидента.
Порядок в данных важнее выбора модели
Самое отрезвляющее наблюдение: качество ИИ редко превышает качество процессов, в которые его встроили. Когда мы начали ревизию HR-процессов, выяснилось, что кадровая информация в трех источниках — CRM, 1С и внутреннем документообороте — расходится. Где-то отдел называется иначе, где-то в реестре до сих пор числится старый состав, хотя реструктуризацию утвердили четыре месяца назад. Для человека такие расхождения обычно решаются на лету: он понимает, какая информация актуальна, и учитывает контекст. Для ИИ-систем, которые опираются на эти данные, противоречия становятся частью входного контекста и заметно ухудшают качество результата.
Старая догма про автоматизацию беспорядка с приходом ИИ только усилилась. Похоже, это и есть одна из главных причин провалов: исследование инициативы NANDA в MIT показало, что около 95% корпоративных пилотов генеративного ИИ не дают измеримого эффекта на P&L, а быстрый рост выручки получают лишь порядка 5% проектов. Авторы связывают это не столько с качеством моделей, сколько с организационным разрывом: ИИ плохо встраивается в реальные процессы, не получает достаточного контекста и не учится на обратной связи. Российская картина совпадает: дефицит нужных массивов данных ИСИЭЗ фиксирует как барьер примерно для трети компаний, а низкое качество и сложность обработки данных — для каждой пятой.
У нас побочный эффект внедрения оказался ценнее самого внедрения. Дольше всего мы возились не с разработкой, а с сопоставлением систем. Один и тот же сотрудник, клиент или проект в разных источниках назывались по-разному, и, прежде чем что-то считать, пришлось договориться о правилах и проверить их на живых примерах. Расчет прибыльности проектов складывался около двух месяцев, а объединение клиентских данных — примерно четыре, прежде чем пошли регулярные отчеты. Это сроки от начала разработки, и почти все время ушло на упорядочивание данных, а не на саму модель.
Что автоматизировать первым
Есть операции, которые задействуют интеллект фрагментарно, — их можно назвать интеллектуальной рутиной. Именно ее имеет смысл автоматизировать в первую очередь. У нас коммуникация устроена так: онлайн-встречи, записи из переговорок и чаты собираются в один поток, система учитывает штатное расписание и раскладывает содержание по трекам — отделам, рабочим группам, внутренним проектам. Я вижу хронологию: что обсуждали за сутки, какие вопросы шли по продукту, какие по HR.
Собирать и связывать такой объем неструктурированной коммуникации вручную было бы намного дороже, чем поручить первичную обработку языковой модели. Агент разбирает записи встреч, вытаскивает решения, поручения и сроки и привязывает их к нужному направлению работы. Направлений сейчас 18, к ним привязано более 3 тысяч встреч оффлайн и онлайн. Пользуются системой пока не все — часть направлений заведена ради общей картины. Поэтому в расчет беру только десять руководителей, которые работают с ней регулярно, и экономию 30–60 минут в день при 20 рабочих днях: 100–200 часов в месяц, или 3,6–7,2 млн рублей в год. Остальные треки пока висят ради общей картины и статистики, до реального использования они дойдут позже, и это нормальная скорость.
Считаем мы не экономию на сотруднике — эта метрика всегда красивая и почти всегда бесполезная. Считаем сумму по подразделению: в службе поддержки, например, берем объем обращений и смотрим, сколько часов за месяц освободилось у отдела целиком.
Второй по объему эффект — это служба поддержки. С января по август к нам пришло около 19 тыс. новых обращений, в августе — около 2,3 тыс. Агент поднимает историю по клиенту — что уже меняли в настройках, что проверяли разработчики, что ему обещали. Сотрудник проверяет выводы и отвечает сам. Если такая помощь срабатывает в половине обращений и экономит 20–30 минут, то освобождается 380–570 часов в месяц и 4,6–6,9 млн рублей в год.
Про методику — отдельно, потому что без нее цифры ничего не значат. Количество обращений и встреч взято из рабочих систем, а экономия времени — это расчетная оценка. Час сотрудника считаем по усредненной стоимости в 1 тыс. рублей, руководителя — в 3 тыс. И учитываем только то время, которое остается сэкономленным уже после проверки результата человеком.
Теперь про эффект в целом. По семи направлениям высвобожденное за год время стоит 14,7–26 млн рублей при вложениях в 2,9 млн и поддержке по 240 тыс. в месяц. На конференциях в этом месте обещают десятки процентов; у нас выходит около 2% годовой выручки. И тут важно оговориться сразу: сэкономленные часы сами по себе не уменьшают фонд оплаты труда ни на рубль. Они становятся деньгами, только если команда тратит их на дело, обходится без нового найма или перестает перерабатывать. Дойдет до дела все — вложения вернутся за 1,5–3 месяца, половина — за 3–8. Это предварительная оценка начального внедрения, а не отчет о достигнутом.
Пульт управления смыслами остается у человека
Был период, когда мы начали активно использовать нейросети для подготовки внутренних документов. На совещание человек приносил презентацию на двадцать слайдов, собранную за пять минут, и не мог объяснить, откуда взялась половина выводов. Читать такое приходилось дольше, чем выслушать те же мысли своими словами. Мы прошли через этот этап и для себя провели границу: на стратсессиях и советах директоров ключевые мысли, логику и формулировки должен определять человек.
ИИ может взять на себя значительную часть промежуточной работы — собрать информацию, структурировать материалы, предложить варианты формулировок. Но постановка задачи, выбор ключевых смыслов и финальная приемка результата остаются зоной ответственности руководителя, что бы ни происходило в промежутке. На этом уровне вес имеет каждое слово.
Гигиена мышления и контрольные точки
Из навыков критично именно это: порядок в голове, системность.. Исследование Microsoft Research с участием 319 специалистов, описавших 936 реальных рабочих примеров, показало связь между уверенностью пользователя в ИИ и снижением критического осмысления результата; при этом более высокая уверенность человека в собственных навыках была связана с большим объемом критического мышления.
Перепроверять все неэффективно — компания проиграет в скорости. Не проверять ничего — значит иметь постоянную точку уязвимости. Не случайно лондонские таксисты до сих пор сдают The Knowledge — экзамен на знание 320 маршрутов в радиусе шести миль от Чаринг-Кросс. Принцип здесь тот же: навигатор может подсказывать, но у человека должно оставаться базовое понимание .
Так как все-таки меняется роль руководителя?
Главная перемена в том, что руководитель все меньше должен быть основным источником ответов. Зато он все больше отвечает за качество вопросов, границы автоматизации и систему контроля. Раньше, чтобы понять, что происходит в десятке процессов, приходилось лично в них погружаться. Сейчас ИИ соберет картину почти мгновенно. Но решить, чему доверять, какие данные считать значимыми и где у машины не должно быть права последнего слова, по-прежнему обязан человек.
ИИ делает организацию прозрачнее не только для руководителя, но и для нее самой. Каждая встреча превращается в запись, каждое решение — в задачу, любую формулировку можно найти и вернуть в контекст через месяцы. Это меняет не только скорость работы, но и цену слов.
Поэтому едва ли ИИ сделает хорошего руководителя менее нужным. Скорее наоборот. Чем больше процессов удается автоматизировать, тем дороже становятся три вещи, которые автоматизировать сложнее всего: способность видеть целое, брать ответственность и понимать, где машине нужно остановиться.
Еще по теме
