Проверка практикой: способен ли ИИ приносить экономический эффект
Искусственный интеллект — уже не экспериментальная технология, а повседневная реальность. Рынок ИИ в России растет почти вдвое быстрее остального ИТ-сектора, и больше половины предприятий, по данным правительства РФ, теперь внедряют технологии искусственного интеллекта. Сегодня главный вопрос заключается не в том, стоит ли его использовать, а в том, где и за счет чего он дает измеримый экономический эффект.
В Softline мы давно работаем с ИИ именно в этой логике. Для бизнеса, у которого есть жесткие KPI по выручке, рентабельности и производительности, применять ИИ имеет смысл тогда, когда эффект можно посчитать. За последние пару лет у нас сложилась достаточно понятная картина. ИИ сегодня полезен бизнесу в трех практических плоскостях: в разработке программного обеспечения, в готовых продуктах для клиентов и во внутренних процессах компании — от бэк-офиса до HR и финансов. О каждом по порядку.
Начну с самого зрелого направления — разработка ПО с помощью ИИ. Специализированные модели, которые помогают генерировать фрагменты кода, проводить рефакторинг, искать ошибки, уже дают нам 25–30% экономии ресурсов в проектах. Что это значит на языке бизнеса? Мы можем либо выполнять тот же объем работы меньшей командой, либо при тех же затратах закрывать больше задач и быстрее выводить решения к заказчику. Для нас, как для компании, которая ежегодно реализует сотни проектов заказной разработки для промышленности, ритейла, финансового сектора и госсектора, 25% — это колоссальный рывок эффективности.
При этом ИИ не заменяет разработчика. Он берет на себя черновую и повторяемую часть работы, предлагает структуру, ускоряет проверку, помогает не тратить время на рутину. Человек остается там, где создается основная ценность: в архитектуре, понимании бизнес-контекста, нестандартных решениях и контроле качества. Поэтому корректнее говорить не об автоматической разработке, а о связке «человек плюс ИИ».
В компании Bell Integrator (кластер fabricaONE.AI) для этого создано отдельное направление R&D AI: оно помогает быстро проверять ИИ-гипотезы, собирать прототипы на реальных данных и переводить удачные решения в промышленную эксплуатацию. Это хороший пример того, как ИИ становится частью инженерного процесса, а не отдельным экспериментом.
Разработка оказалась самой быстрой зоной внедрения потому, что она хорошо формализуется. Есть языки, правила, паттерны, репозитории, тесты. Результат можно измерить: часы, сроки, дефекты, скорость релиза. Если команда быстрее закрывает тот же объем задач при сохранении качества, экономия очевидна. Gartner называет AI-нативные платформы разработки одним из топ-трендов 2026 года, отмечая, что 20–40% кода в крупных компаниях уже генерируется ИИ.
Второе направление — это вывод на рынок продуктов и решений, в которые ИИ встроен как неотъемлемая часть. Здесь важно не само наличие алгоритма, а то, какую проблему он снимает. Когда ИИ встроен в продуктовый контур, его ценность становится понятной бизнесу: меньше ручных операций, быстрее реакция на изменения и ниже риск дорогостоящих сбоев. Мы, например, создаем решения, где ИИ работает в промышленной автоматизации, предиктивной аналитике, контроле надежности оборудования, прогнозировании его работоспособности, интеграции с MES- и PLM-системами, и даже в лазерном медицинском оборудовании.
Что такое классическая промышленная задача? На заводе есть станок, линия или узел, простой которого стоит дорого. Датчики собирают данные о вибрации, температуре, токе, давлении, параметрах нагрузки. Раньше обслуживание часто строилось по регламенту. Это надежно, но не всегда эффективно: иногда ресурс детали еще не исчерпан, а иногда проблема возникает раньше срока.
ИИ-модель, обученная на истории работы оборудования и аварий, дает другой уровень точности. Она может не просто показать отклонение от нормы, а подсказать, что конкретный узел с высокой вероятностью потребует ремонта через определенное число часов или что цепочка микросбоев указывает не на шум датчика, а на будущую остановку линии. Для заказчика это снижение простоев, более высокий коэффициент использования оборудования и меньше лишних ремонтов.
Похожая логика применима и к корпоративной автоматизации. Например, в платформе ROBIN от SL Soft (кластер fabricaONE.AI) расширена no-code-функциональность создания и оркестрации ИИ-агентов: их можно вызывать через чат-интерфейс или встраивать в бизнес-процесс вместе с программными роботами, пользовательскими задачами и инструментами распознавания текста в документах и изображениях. Для заказчика ценность здесь в том, что генеративный ИИ становится частью управляемого корпоративного процесса, а не отдельным внешним инструментом.
Работает ИИ и в медицине, например, подсказывая хирургу оптимальные решения для конкретного случая и пациента. Лазерные хирургические аппараты VPG LaserONE уже оснащены смарт-системой, которая распознает тип камня в почках или желчном пузыре, автоматически подбирает необходимые параметры воздействия и помогает избежать возможного повреждения органа.
Третья плоскость — самая обширная: HR, финансы, маркетинг, продажи, ИТ-управление, юридический и административный контур. Именно здесь сложнее всего доказать эффект. Сэкономленные часы в разработке посчитать может быть проще, чем влияние автоматизации подбора персонала или коммерческих предложений на финансовый результат группы. Тем не менее потенциал огромен. Если в компании тысячи сотрудников, сотни проектов, множество клиентов, поставщиков и партнеров, то даже небольшой процент повышения производительности дает заметную выгоду.
Во внутренних процессах ИИ полезен там, где у команды много повторяющихся операций и данных, которые нужно быстро сопоставлять между собой. В HR модели помогают выделять релевантных кандидатов, готовить типовые документы, сопровождать онбординг и заранее видеть сигналы возможной текучести. В продажах и маркетинге они позволяют точнее сегментировать клиентскую базу, находить аудитории с более высокой вероятностью конверсии и ускорять подготовку коммерческих предложений. В финансах ИИ берет на себя часть рутинных сверок, помогает проверять контрагентов и быстрее замечать отклонения в экономике проектов. В ИТ-управлении модели анализируют логи, помогают классифицировать инциденты и подсказывают первые шаги для реагирования.
По каждому из этих направлений мы ведем несколько пилотных проектов одновременно. Большинство из них показывают положительный эффект. Хороший пример — ИИ-ассистент для HR-задач компании «Девелоника» кластера fabricaONE.AI. Пока эта разработка на стадии МVP (minimum viable product, «минимально жизнеспособный продукт»), но уже помогает быстрее обрабатывать HR-данные и готовить аналитику: время на такие задачи сократилось с 6 до 2 часов, а скорость подготовки аналитических материалов выросла в 3 раза.
Наша задача на 2026 год — перевести максимальное число пилотов в промышленное применение и подтвержденную экономику. Мы уже фиксируем по ним внутренние KPI, в том числе через показатель revenue per head (выручка на одного сотрудника). Это жесткий показатель, который учитывает и вклад ИИ в производительность. Если технология действительно повышает производительность, это должно проявляться в операционных показателях.
Я часто слышу, что активное распространение ИИ — это пузырь. На мой взгляд, проблема не в самой технологии, а в ожиданиях от нее. Эффект есть, но он распределен неравномерно. В разработке уже видна быстрая окупаемость, в промышленных продуктах заказчики готовы платить за конкретное снижение рисков и простоев, а во внутренних функциях — возврат инвестиций требует большего терпения и точной настройки процессов.
Поэтому наша амбициозная цель как разработчика на ближайшие два-три года — переход от количества ИИ-сценариев к качеству их экономики. Важно не то, сколько пилотов запущено, а сколько из них дошло до промышленного применения и дали измеримый результат. К концу 2027 года мы хотим, чтобы не менее половины проектов заказной разработки сопровождались ИИ-инструментами с подтвержденной экономией ресурсов, а наиболее успешные внутренние пилотные проекты перешли в штатную эксплуатацию. Если у нас и других разработчиков с аналогичными целями получится это сделать, то можно будет считать, что ИИ как технология прошел проверку на экономическую эффективность.
Этот материал опубликован на платформе бизнес-сообщества Forbes Экспертиза
В Softline мы давно работаем с ИИ именно в этой логике. Для бизнеса, у которого есть жесткие KPI по выручке, рентабельности и производительности, применять ИИ имеет смысл тогда, когда эффект можно посчитать. За последние пару лет у нас сложилась достаточно понятная картина. ИИ сегодня полезен бизнесу в трех практических плоскостях: в разработке программного обеспечения, в готовых продуктах для клиентов и во внутренних процессах компании — от бэк-офиса до HR и финансов. О каждом по порядку.
ИИ как штатный разработчик
Начну с самого зрелого направления — разработка ПО с помощью ИИ. Специализированные модели, которые помогают генерировать фрагменты кода, проводить рефакторинг, искать ошибки, уже дают нам 25–30% экономии ресурсов в проектах. Что это значит на языке бизнеса? Мы можем либо выполнять тот же объем работы меньшей командой, либо при тех же затратах закрывать больше задач и быстрее выводить решения к заказчику. Для нас, как для компании, которая ежегодно реализует сотни проектов заказной разработки для промышленности, ритейла, финансового сектора и госсектора, 25% — это колоссальный рывок эффективности.
При этом ИИ не заменяет разработчика. Он берет на себя черновую и повторяемую часть работы, предлагает структуру, ускоряет проверку, помогает не тратить время на рутину. Человек остается там, где создается основная ценность: в архитектуре, понимании бизнес-контекста, нестандартных решениях и контроле качества. Поэтому корректнее говорить не об автоматической разработке, а о связке «человек плюс ИИ».
В компании Bell Integrator (кластер fabricaONE.AI) для этого создано отдельное направление R&D AI: оно помогает быстро проверять ИИ-гипотезы, собирать прототипы на реальных данных и переводить удачные решения в промышленную эксплуатацию. Это хороший пример того, как ИИ становится частью инженерного процесса, а не отдельным экспериментом.
Разработка оказалась самой быстрой зоной внедрения потому, что она хорошо формализуется. Есть языки, правила, паттерны, репозитории, тесты. Результат можно измерить: часы, сроки, дефекты, скорость релиза. Если команда быстрее закрывает тот же объем задач при сохранении качества, экономия очевидна. Gartner называет AI-нативные платформы разработки одним из топ-трендов 2026 года, отмечая, что 20–40% кода в крупных компаниях уже генерируется ИИ.
ИИ в технологичных продуктах
Второе направление — это вывод на рынок продуктов и решений, в которые ИИ встроен как неотъемлемая часть. Здесь важно не само наличие алгоритма, а то, какую проблему он снимает. Когда ИИ встроен в продуктовый контур, его ценность становится понятной бизнесу: меньше ручных операций, быстрее реакция на изменения и ниже риск дорогостоящих сбоев. Мы, например, создаем решения, где ИИ работает в промышленной автоматизации, предиктивной аналитике, контроле надежности оборудования, прогнозировании его работоспособности, интеграции с MES- и PLM-системами, и даже в лазерном медицинском оборудовании.
Что такое классическая промышленная задача? На заводе есть станок, линия или узел, простой которого стоит дорого. Датчики собирают данные о вибрации, температуре, токе, давлении, параметрах нагрузки. Раньше обслуживание часто строилось по регламенту. Это надежно, но не всегда эффективно: иногда ресурс детали еще не исчерпан, а иногда проблема возникает раньше срока.
ИИ-модель, обученная на истории работы оборудования и аварий, дает другой уровень точности. Она может не просто показать отклонение от нормы, а подсказать, что конкретный узел с высокой вероятностью потребует ремонта через определенное число часов или что цепочка микросбоев указывает не на шум датчика, а на будущую остановку линии. Для заказчика это снижение простоев, более высокий коэффициент использования оборудования и меньше лишних ремонтов.
Похожая логика применима и к корпоративной автоматизации. Например, в платформе ROBIN от SL Soft (кластер fabricaONE.AI) расширена no-code-функциональность создания и оркестрации ИИ-агентов: их можно вызывать через чат-интерфейс или встраивать в бизнес-процесс вместе с программными роботами, пользовательскими задачами и инструментами распознавания текста в документах и изображениях. Для заказчика ценность здесь в том, что генеративный ИИ становится частью управляемого корпоративного процесса, а не отдельным внешним инструментом.
Работает ИИ и в медицине, например, подсказывая хирургу оптимальные решения для конкретного случая и пациента. Лазерные хирургические аппараты VPG LaserONE уже оснащены смарт-системой, которая распознает тип камня в почках или желчном пузыре, автоматически подбирает необходимые параметры воздействия и помогает избежать возможного повреждения органа.
ИИ и управленческая эффективность
Третья плоскость — самая обширная: HR, финансы, маркетинг, продажи, ИТ-управление, юридический и административный контур. Именно здесь сложнее всего доказать эффект. Сэкономленные часы в разработке посчитать может быть проще, чем влияние автоматизации подбора персонала или коммерческих предложений на финансовый результат группы. Тем не менее потенциал огромен. Если в компании тысячи сотрудников, сотни проектов, множество клиентов, поставщиков и партнеров, то даже небольшой процент повышения производительности дает заметную выгоду.
Во внутренних процессах ИИ полезен там, где у команды много повторяющихся операций и данных, которые нужно быстро сопоставлять между собой. В HR модели помогают выделять релевантных кандидатов, готовить типовые документы, сопровождать онбординг и заранее видеть сигналы возможной текучести. В продажах и маркетинге они позволяют точнее сегментировать клиентскую базу, находить аудитории с более высокой вероятностью конверсии и ускорять подготовку коммерческих предложений. В финансах ИИ берет на себя часть рутинных сверок, помогает проверять контрагентов и быстрее замечать отклонения в экономике проектов. В ИТ-управлении модели анализируют логи, помогают классифицировать инциденты и подсказывают первые шаги для реагирования.
По каждому из этих направлений мы ведем несколько пилотных проектов одновременно. Большинство из них показывают положительный эффект. Хороший пример — ИИ-ассистент для HR-задач компании «Девелоника» кластера fabricaONE.AI. Пока эта разработка на стадии МVP (minimum viable product, «минимально жизнеспособный продукт»), но уже помогает быстрее обрабатывать HR-данные и готовить аналитику: время на такие задачи сократилось с 6 до 2 часов, а скорость подготовки аналитических материалов выросла в 3 раза.
Наша задача на 2026 год — перевести максимальное число пилотов в промышленное применение и подтвержденную экономику. Мы уже фиксируем по ним внутренние KPI, в том числе через показатель revenue per head (выручка на одного сотрудника). Это жесткий показатель, который учитывает и вклад ИИ в производительность. Если технология действительно повышает производительность, это должно проявляться в операционных показателях.
От пилотов к экономике
Я часто слышу, что активное распространение ИИ — это пузырь. На мой взгляд, проблема не в самой технологии, а в ожиданиях от нее. Эффект есть, но он распределен неравномерно. В разработке уже видна быстрая окупаемость, в промышленных продуктах заказчики готовы платить за конкретное снижение рисков и простоев, а во внутренних функциях — возврат инвестиций требует большего терпения и точной настройки процессов.
Поэтому наша амбициозная цель как разработчика на ближайшие два-три года — переход от количества ИИ-сценариев к качеству их экономики. Важно не то, сколько пилотов запущено, а сколько из них дошло до промышленного применения и дали измеримый результат. К концу 2027 года мы хотим, чтобы не менее половины проектов заказной разработки сопровождались ИИ-инструментами с подтвержденной экономией ресурсов, а наиболее успешные внутренние пилотные проекты перешли в штатную эксплуатацию. Если у нас и других разработчиков с аналогичными целями получится это сделать, то можно будет считать, что ИИ как технология прошел проверку на экономическую эффективность.