«Подключим ChatGPT - и отдел продаж сам себя закроет» - так звучит половина созвонов про AI в 2025-2026. Вторая половина - «мы пробовали, ничего не взлетело». В обеих версиях есть доля правды: технология работает, но в узких местах с измеримой рутиной, а не как универсальная замена людей.
Ниже - четыре сценария для команд до 100 человек: где ROI виден за месяцы, где проект сожрёт бюджет без эффекта, и как отличить одно от другого до подписания ТЗ. Цифры - диапазоны из реальных внедрений, не «73% компаний уже…».
Критерии: ожидания vs рабочий проект
| Подход из презентации | Рабочий подход | |
|---|---|---|
| Задача | «Внедрить AI везде» | Одна повторяющаяся операция с часами в табеле |
| Метрика | «Стало умнее» | Часы, ошибки, скорость цикла |
| Данные | «Потом подключим CRM» | Источник и формат известны до старта |
| Контроль | Чёрный ящик | Порог уверенности + очередь ручной проверки |
| Срок окупаемости | «Когда-нибудь» | 3-9 месяцев при нормальном объёме работ |
Если в презентации подрядчика нет строки «что делаем, когда модель ошиблась» - это маркетинг, не внедрение.
Сценарий 1. Работает: разбор входящих (email, мессенджеры, заявки)
Боль: менеджеры тратят 30-90 минут в день на однотипный разбор: вытащить контакт, позиции, понять «новая заявка или нет», завести CRM.
Что делает AI: классификация + извлечение полей + создание/обновление сделки. Не «ведёт переговоры», а снимает ввод данных.
Цифры (ориентир): команда 15-30 человек × 0,5-1 ч/день = 150-600 ч/мес. При полной стоимости часа 800-1200 ₽ - 120-720 тыс. ₽/мес рутины. Проект 400 тыс. - 1,2 млн ₽ часто окупается за 4-8 месяцев, если точность на рабочем контуре выше 85-90%.
Пример с цифрами: кейс OLNISA - 24 менеджера, email-заявки, amoCRM, ~4 млн ₽/год прямой экономии, 90% заявок без ручных правок. Подробная схема цепочки данных - в статье «AI для email-заявок».
Ограничение: письма должны быть хотя бы частично структурированы (артикулы, таблицы, повторяющиеся поля). Хаотичный «напишите как хотите» без обучения на ваших данных - будет 60% точности и разочарование.
Сценарий 2. Работает: сводка и комментарий к аномалиям в дашборде
Боль: владелец или РОП тратит 2-4 часа в неделю на «что случилось на этой неделе» - сравнить периоды, найти просадку, сформулировать вопрос отделу.
Что делает AI: не заменяет систему отчётов, а генерирует текстовый разбор по уже агрегированным KPI: «выручка −12% за счёт канала X, конверсия этапа Y упала».
Цифры: экономия скромнее, чем в сценарии 1 - 4-12 ч/мес у одного руководителя. Зато порог входа ниже: 80-200 тыс. ₽ поверх существующего дашборда. ROI 6-12 месяцев, если дашборд уже живой и данные чистые.
Ограничение: если цифры в CRM и кассе расходятся, AI закрепит ложный вывод красивым языком. Сначала один источник правды, потом «умные комментарии».
Сценарий 3. Не работает (пока): «AI-менеджер» вместо отдела продаж
В презентации: бот сам квалифицирует, торгуется, закрывает сделку в сложном опте с длинным циклом.
Реальность: в сделках с 3+ созвонами, согласованием КП и нестандартными условиями бот не держит контекст и не несёт ответственность. Конверсия падает, репутация - тоже.
Цифры: пилот 300-800 тыс. ₽, измеримый прирост выручки часто 0. Скрытая стоимость - время старших менеджеров на разбор косяков бота.
Что делать вместо: автomatize этапы до и после разговора - заявка в CRM, напоминания, повторные письма по шаблону, фиксация итогов звонка. Человек остаётся на переговорах.
Сценарий 4. Не работает: AI «на все документы компании» без приоритета
В презентации: загрузим все PDF, регламенты и переписку в «умную базу знаний» - сотрудники спросят что угодно.
Реальность: без куратора база устаревает за 2 месяца, ответы с выдумками в цифрах, юристы нервничают. Пользуются 5% «энтузиастов», остальные Google и коллега.
Цифры: лицензии + интеграция 200-600 тыс. ₽/год, отдача ниже стоимости одной полной ставки, если нет владельца контента.
Что делать вместо: один домен - «ответы по типовым КП», «разбор накладных», «FAQ для поддержки уровня 1». Один документ-поток, один KPI точности, еженедельный разбор ошибок.
Сводная таблица: куда вкладывать первым
| Сценарий | Вероятность ROI < 9 мес | Главный риск |
|---|---|---|
| Email/заявки → CRM | Высокая при > 10 ч/нед рутины | Грязные входящие без правил |
| Комментарии к KPI | Средняя | Мусор на входе в отчёты |
| AI-продажник | Низкая | Потеря лидов |
| Корпоративный «ChatGPT на всё» | Низкая | Нет владельца базы знаний |
Формула та же, что в расчёте ROI автоматизации: (часы × стоимость часа + ошибки) × 12 против бюджета проекта. AI не меняет математику - только добавляет строку «API и дообучение».
Красные флаги в ТЗ от подрядчика
- Нет пилота с чётким объёмом работ на 2-4 недели с метрикой точности на ваших данных.
- Обещают 100% автоматизацию без очереди ручной проверки.
- Не спрашивают про формат входящих и примеры «сложных» кейсов.
- Срок окупаемости «от 3 месяцев» без таблицы часов.
- В смете нет сопровождения: модели и форматы писем меняются.
С чего начать без завышенных ожиданий
- Выпишите топ-3 повторяющиеся задачи с часами в неделю (не «где AI мог бы помочь», а где уже болит).
- Для каждой - один числовой KPI: время, % ошибок, задержка этапа.
- Выберите одну задачу с самым высоким
(часы × частота). - Запросите пилот на 100-300 реальных примеров ваших данных, не демо на чужих.
- Заложите 10-15% объёма на ручную проверку навсегда - это норма, не провал.
AI в бизнесе до 100 человек - это не магия, а дорогая автоматизация там, где уже есть счётчик часов. Всё остальное подождёт до следующего бюджета.
Оставьте заявку - за 30-60 минут сопоставим ваши процессы с таблицей выше и скажем, есть ли смысл в пилоте или сначала навести порядок в данных.