«Что мы можем сделать на тему ИИ и не потратить много денег без доказанной эффективности?» — с этого вопроса генерального директора, по словам Марии Грибковой, директора департамента управления проектами «Зетта Страхование», начался путь компании к ИИ. Первый ответ проектного офиса был честным: «Исследуем эту тему». Рамки задали сразу: данные не передаются во внешние облачные ИИ-сервисы, а показной ИИ-трансформации не будет — только пилоты с измеримым эффектом.

Компания опросила семь подразделений и получила 138 идей. Пригодными для ИИ признали 67, в длинный список для пилотов попали 26–30. Чтобы дойти до пилота, гипотеза должна была пройти пять фильтров: задача не решается обычными скриптами и RPA, эффект можно измерить «до» и «после», у задачи есть инициативный владелец, данные оцифрованы и очищены, а решение можно переиспользовать. Вывод докладчика: «Гипотезы и критерии важнее технологий».

Не менее показательно, от чего в «Зетте» отказались. Речевую аналитику отложили после неудачного пилота из-за ограничений телефонии. А от ИИ в коммуникациях с клиентами отказались осознанно: репутационный риск выше ожидаемой выгоды.

В итоге в работу пошли два пилота. Первый — проверка медицинских услуг на соответствие клиническим рекомендациям Минздрава: 2,8 тыс. операций в день, 3–5 секунд на проверку и ожидаемое высвобождение 7 FTE (Full-Time Equivalent — эквивалент полной занятости), при этом итоговое решение остается за врачом. Второй — помощник по документообороту. Здесь сокращения штата не ждут: цель — на 80% меньше рутинных запросов в управление делами и облегчение работы с базой документов.

Ильяна Левина, стратегический партнер департамента инноваций «Метта», предложила зайти с другой стороны. Она напомнила идею исследователя менеджмента Джима Коллинза (Jim Collins) из книги «От хорошего к великому» (Good to Great): компаниям, добившимся выдающихся результатов, список того, от чего пора отказаться, помогал не меньше, чем список дел. Применительно к PR ответ на ее слайде звучит так: «Прекратить тратить время на пресс-релизы».

Процесс после отраслевой выставки разложен на шаги, и большинство из них — сбор материалов, отбор инфоповодов, оценка площадок, смета, подготовка пресс-материалов — помечены как те, что «может делать ИИ». Человеку остаются внутреннее согласование, рассылка и выходы в медиа, а также финальный отчет. Подготовительная часть сократилась с 16 часов до часа на одну выставку.

Та же логика применена к работе руководителя: новые задачи из «Битрикс24» и мессенджеров сначала проверяет нейросеть, и только прошедшие проверку попадают на согласование. Руководитель видит уже отфильтрованный поток, а не все входящие подряд.

Показательно, где находятся эти пилотные задачи для ИИ: ни в одном проекте нет прямого взаимодействия с клиентом. Проверку медуслуг завершает врач, пресс-материалы читает согласующий, задачи руководителю проходят через нейросеть до того, как он их увидит. Первую волну ИИ пускают туда, где цена ошибки невелика и ее поймает следующий человек в цепочке, — и сознательно не пускают туда, где ее может увидеть клиент.

В клиентском сервисе чат-боты уже работают не как витрина, а как фильтр нагрузки. Как рассказали представители DPD в России Елена Белецкая, директор департамента автоматизации бизнес-процессов, и Виталий Немченко, начальник отдела разработки ИИ, в их компании ИИ анализирует письма клиентов, классифицирует их и предлагает оператору шаблоны ответов. Так формируются 55% ответов, а индекс удовлетворенности клиентов (CSI) вырос с 4,1 до 4,7.

Раньше оператор сам изучал каждое письмо и тратил время на то, чтобы понять контекст и написать ответ. Теперь эту подготовку берет на себя ИИ: он предлагает типовой ответ или вектор действий в системах компании. Граница при этом проведена явно: в сложных случаях ИИ-помощник говорит «не уверен», и решение остается за человеком.

Екатерина Лисовская, руководитель направления развития сервисов ИИ в мобильном приложении «Альфа-Капитала», сформулировала главное условие успеха: «Клиенты оценивают не ИИ, а качество сервиса». В компании 25 ИИ-сервисов, но без общего контекста клиенту пришлось бы повторять свой запрос в каждом канале, а сотрудник собирал бы историю вручную.

Поэтому ставка сделана на единый клиентский контекст: потребности, история, портфель и следующий шаг. Этот контекст проходит через все три роли ИИ в клиентском пути — услышать клиента, помочь ему разобраться и подготовить решение — и связывает контакт-центр, мобильное приложение и рабочее место консультанта. ИИ-оператор закрывает 36% сессий без передачи человеку.

Отдельная роль — «услышать». Система «Голос клиента» анализирует 100 тыс. сообщений в месяц, находит повторяющиеся темы и причины недовольства, а ИИ-суфлер возвращает подсказку прямо в рабочее окно оператора. «Сигнал появляется раньше, чем отдельная жалоба становится тенденцией», — говорится на слайде компании.

Ту же идею — один вход вместо набора ботов — развивает «Рамблер». «Пользователь не должен изучать карту наших ИИ-агентов», — гласит слайд Сергея Карповича, Chief Data Scientist портала. Пользователь пишет в один чат, а роутер подключает нужного эксперта: по новостям, рецептам, полезным сервисам или погоде. Специализация агентов сохраняется, исчезает только необходимость выбирать интерфейс.

Самое сложное, по словам Сергея Карповича, начинается на границах между ИИ-агентами. Например, запрос «Расскажи про льва» может касаться животного, знака зодиака или новости, поэтому намерение определяется по сообщению, странице, с которой начат диалог, и истории беседы. Начатая беседа получает инерцию: агента переключают только при явной смене темы. Качество маршрутизации команда измеряет отдельно от качества ответа.

Внутри компаний ИИ-ассистенты чаще всего означают возможность выдержать рост нагрузки без дополнительного найма. Александр Макаров, начальник отдела по разработке и внедрению систем ИИ, и Дмитрий Болот, ведущий системный архитектор Национальной страховой информационной системы (НСИС), рассказали, что в первом полугодии 2026 г. обращений стало на 33–64% больше, чем за те же месяцы 2025 г. Тем не менее резкий рост количества обращений не привел к увеличению численности сотрудников компании ни на одного человека.

Начинали с самых сильных болей — загрузки, трансформации и расчетов данных в информационной системе. Затем ИИ пошел в разработку: в поддержке работает RAG-поиск по документации (базовая версия уже сделана, продвинутая в разработке), развернута локальная языковая модель, пользователи могут подгружать свои данные, а для отдельных отделов готовят адаптированных агентов. Тестирование переехало в единую среду, где агент с доступом к языковой модели помогает писать тесты и управлять ими.

В архитектуре, подчеркнули докладчики, ИИ не принимает решения, а значительно сокращает время на их подготовку: разбирает структуру проекта и зависимости модулей, генерирует описания интерфейсов микросервисов и быстро находит нужные файлы и связи в большой кодовой базе. Отсюда и принцип: «рутинный анализ — машине, архитектурные решения — архитектору». Быстрые победы и охват пользователей, по логике НСИС, повышают доверие к ИИ и открывают путь к более сложным инструментам.

Самый широкий набор ассистентов показал Павел Клепинин, проректор по цифровой трансформации и управлению данными Президентской академии (РАНХиГС). Среди них нейропомощник абитуриента, который круглосуточно отвечает на вопросы о поступлении и обработал более 25 тыс. запросов, и ИИ в документообороте, где карточка входящего документа создается за 5–10 секунд вместо 5–10 минут. В линейке также CRM-помощник для приемной комиссии, распознавание документов при регистрации на программы допобразования, подбор литературы и план для курсовых и диссертаций, диалоговый тренажер «Трудный клиент», ассистент оценивания открытых ответов студентов и черновики технических заданий по закупкам.

Все это работает на общей платформе AI.RANEPA с набором одобренных моделей, что ускоряет запуск новых сервисов и позволяет переиспользовать готовые компоненты. Для студентов при этом действует «Политика академической честности»: «ИИ помогает учиться, а не заменяет обучение». Искать идеи и проверять свои знания с ИИ можно, а писать им работы и пользоваться на экзаменах — нельзя.

Помощники нужны не только для рутины, но и для экспертной работы. Тот же «Альфа-Капитал» применяет ИИ и в другом контуре — внутреннем: копилот собирает для инвестиционного консультанта профиль клиента, портфель и каталог продуктов. Подготовка персонального решения сократилась с 75 до 20 минут, но окончательное решение принимает консультант.

Чтобы такие помощники масштабировались, по мнению Екатерины Лисовской, подсказка должна появляться там, где сотрудник уже решает задачу, у процесса должен быть один бизнес-владелец, сервисы — опираться на согласованную историю клиента, а команда — измерять результат всего пути, а не качество отдельной модели. Меняется и роль самого сотрудника: ему предстоит переносить свою экспертизу в навыки для агентов, ставить им задачи и проверять результат их работы.

Можно ли доверять ИИ решение важных задач? В DPD на этот вопрос отвечают осторожно. «ИИ вместо людей пока слишком смелая и рискованная концепция», — говорят Елена Белецкая и Виталий Немченко, и вместо замены людей компания пробует другую конструкцию: агенты встают не на место сотрудников, а между ними и целями руководства — раздают задачи, подсказывают шаблоны, следят за качеством и эскалируют человеку то, с чем не справились. Докладчики перечислили наиболее типичные возражения против такого подхода: что это обычная автоматизация, что агенты галлюцинируют, что никто не захочет работать под ИИ-начальником и что отвечать за ошибку все равно будет человек. Спорить они не стали — по их словам, все четыре возражения верны, просто их надо воспринимать не как реальные аргументы против подхода, а как список требований к его реализации.

В качестве практического инструмента использовалась шкала автономии агента от 0 до 5: от наблюдения и советов до действий в заданных лимитах и управления целым контуром. Чем сильнее агент влияет на нагрузку человека, тем строже должен быть аудит его решений. Поэтому главный вопрос не в том, заменит ли ИИ людей, а в том, кто будет писать правила, по которым агенты начнут управлять их работой.

В докладах регулярно звучал вопрос «Кто отвечает за ошибки ИИ?», и ответ был один — человек, который принимает итоговое решение. В «Зетте» это врач медицинского пульта, в «Альфа-Капитале» — инвестиционный консультант. Там границу провели явно: алгоритмы считают портфель и проверяют ограничения, генеративный ИИ объясняет сложное простым языком, а человек, принимая решение, учитывает ситуацию клиента и несет ответственность. В НСИС тот же принцип сформулировали для разработки: «рутинный анализ — машине, архитектурные решения — архитектору».

Как минимизировать риски, подробнее всего показала «Зетта». Когда проект был готов к старту, служба информационной безопасности (ИБ) выдвинула 30 новых требований, сгруппированных в восемь блоков: замкнутый периметр, классификация данных, разграничение доступа и многофакторная аутентификация, криптозащита, безопасная обработка файлов, объяснимость со ссылками на источники, человек в контуре для значимых решений, аудит и мониторинг. Отдельно Мария Грибкова упомянула федеральный закон № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации» от 26 июля 2026 г. Закон регулирует большие фундаментальные модели ИИ и вводит понятия суверенных и национальных моделей. Он вступил в силу 1 сентября 2026 г., часть положений начнет действовать 1 марта 2027 г.

Есть и менее заметный риск — качество исходных данных. На дорожной карте ассистента по документообороту Мария Грибкова отдельно отметила сложности с неполнотой и форматами данных и с качеством ответов ИИ, которые потребовали «значительных усилий по настройке RAG, промптов и тестированию».

Экономический эффект спикеры показывали в разных единицах. По оценке Екатерины Лисовской, благодаря анализу клиентских обращений «Альфа-Капитал» сохраняет более 2,5 млрд руб. активов под управлением (AUM) в месяц. В Президентской академии ИИ-помощник техподдержки «Артур», который регистрирует и маршрутизирует заявки, принес более 6 млн руб. за семь месяцев, а мультиагентная среда разработки экономит команде 20–30% времени. В НСИС подсчитали, что «без автоматизации нам бы пришлось штат отдела увеличить в 7 раз».

Чтобы выяснить рыночную стоимость разработки и внедрения ИИ-ассистента, «Зетта» запросила информацию (RFI), откликнулись около сотни поставщиков. Чаще всего их предложения стоили 5–8 млн руб., разброс составил от 2 до 25 млн руб. без учета инфраструктуры. Срок внедрения — около полугода. Развилку «делать или покупать» докладчик описала так: «Делать самим — дольше, но управляемо. Покупать — быстрее, но архитектура и зрелость поставщика становятся критическими». В итоге компания склонилась к первому варианту.

Окупается ли собственный бот? Пример запущенного В Президентской академии «Артура» показывает, что внутренний ассистент с понятной метрикой может давать ощутимый денежный эффект уже в первые месяцы работы. Свой путь от открытия проекта до MVP ассистента по документообороту «Зетта» прошла за четыре месяца.

Но доступна ли эта технология небольшим компаниям? Порог входа заметно снизился. Президентская академия держит на одной платформе российские модели и локально развернутые Qwen и DeepSeek, а в маркетинге, как показала Ильяна Левина, часть задач решается запросами к общедоступным чат-ботам вроде ChatGPT. Основные затраты смещаются в данные, безопасность, интеграцию и обучение людей: по внутреннему опросу «Зетты», 95% бизнес-заказчиков относят себя к двум начальным уровням ИИ-компетенций из шести.

Главные уроки секции можно сформулировать так. Первое: начинать стоит не с технологии, а с отбора задач. Из сотни с лишним идей до пилота доходят единицы, и выигрывают те, где есть владелец, данные и метрики.

Второе: по опыту участников мероприятия, ИИ в клиентском сервисе работает, когда он закрывает типовые вопросы и честно передает сложные человеку. Ценность создает единый контекст клиента, а не количество ботов.

Третье: доверие выстраивается постепенно. Автономию агентов наращивают ступенями, а ответственность за значимые решения остается за человеком — это закладывают в архитектуру с первого дня вместе с требованиями ИБ и нового закона.

Четвертое: по опыту участников секции, экономический эффект реален и измерим — в часах, штатных единицах и рублях, а входной билет для типового корпоративного проекта составляет несколько миллионов рублей. Это уже не игрушка для избранных, но и не бесплатная функция: платить приходится за данные, интеграцию и компетенции.