Если вы сейчас внедряете ИИ, чтобы быстрее писать письма, быстрее делать презентации и быстрее считать финансы - вы уже проиграли. И я не про «вас обгонят через пару лет», а про то, что вы уже оказались на слабой стороне рынка, просто пока этого не видно по цифрам.
Copilot у разработчиков
Генератор презентаций
→ +30-40% скорости
→ Преимущество исчезнет за 12-18 мес
Сквозной аудитор портфеля
AI-медсестра после выписки
→ Процесс не существовал
→ Рост в разы за год
Дело в том, что ускорение в полтора-два раза получат все сразу и примерно одновременно. Через год-полтора в каждой второй компании у менеджера по продажам будет ИИ-помощник по переписке, а в каждой первой - генератор презентаций и отчётов. Это перестанет быть преимуществом. Это станет дефолтом. Примерно как электричество на заводе в 1920-х: пока оно новое, с ним реально можно было выиграть, но через пять лет электричество становится просто фоном и само по себе не даёт никаких преимуществ.
Отрыв сейчас дают не инструменты ускорения, а процессы, которых без ИИ просто не было в природе как отдельной категории. Я разобрался в этом, когда посмотрел около двух десятков компаний, которые реально растут в 2025-2026 годах - и российских, и западных. Везде одна и та же картина: они не ускоряют старое, они делают новое.
В чём тут подмена понятий
Когда я спрашиваю руководителя средней компании «как вы внедряете ИИ?», почти всегда слышу один из трёх ответов.
Под капотом тут простая подмена понятий. Слово «внедрить ИИ» звучит как большое стратегическое решение - типа «мы внедрили ERP» или «мы вошли в цифровизацию». А реально за этим стоит маленькое тактическое «мы ускорили три существующих процесса на 30-50%». Это не плохо и не бесполезно, просто это не то, чем кажется. Вы не внедряете новую технологию в бизнес, а просто покупаете производительный ноутбук вместо медленного и говорите «у нас теперь новый IT».
Проблема в том, что через 12-18 месяцев все конкуренты сделают ровно то же самое. И вот тут прилетает неприятный факт: когда у всех на рынке менеджеры отвечают клиентам на 40% быстрее, ни у кого не выросли ни средний чек, ни конверсия в продажу, ни доля рынка. Получилось как с переходом на Excel в нулевых - все стали считать быстрее, но никто не стал богаче.
Преимущество, которое получают все одновременно, перестаёт быть преимуществом.
Пока вы ускоряете свои письма, кто-то рядом в вашей же отрасли делает не «письма», а новый процесс, которого в вашей отрасли вообще не было. И этот процесс потом не догнать тем, кто просто вовремя подключил Copilot - догонять надо будет не скорость, а саму категорию работы. Вот про этот водораздел и речь.
Кейс первый - Раменский деликатес
Первый кейс, на котором я осознал всю эту историю - это не стартап, не модная AI-компания и даже не айтишники. Это обычная российская сеть колбасных магазинов. «Раменский деликатес», 130 торговых точек в Москве, Московской и Рязанской областях, продают колбасу, сыры, копчёности. Компании полвека, и почти всё это время модель была простая: клиент приходит, кассир допродаёт - руководствуясь своим опытом, что обычно к ветчине берут ещё и сыр, а к сыру - батон хлеба.
Что они сделали. В трафиковых точках у них в месяц проходит до 13 000 покупателей. Подключили к 1С свою программу лояльности, чтобы клиент при оплате предъявлял карту, и на прикассовый монитор вывели персональную рекомендацию именно этому клиенту - на основе того, что он покупал предыдущие полгода. То есть Иван Иваныч, который берёт только копчёную ветчину и не любит сосиски, видит рекомендацию сыра, который хорошо идёт именно к его ветчине. А Марья Петровна, которая ходит за сырами, видит рекомендацию вина, которое сочетается с её обычным выбором. Всё это за доли секунды, пока кассир сканирует товар.
Ключевой момент - почему это не просто «ускорили допродажи». Ни один живой кассир не может держать в голове предпочтения 13 000 покупателей. Даже пять лет в одном магазине не дают такой памяти. Поэтому до ИИ такого процесса вообще не существовало как категории - была допродажа «по среднему», по категорийному здравому смыслу. Персональная рекомендация 1:1 на кассе в офлайн-рознице физически не могла работать, потому что её некому было держать в голове.
Эффект компания показала цифрой: +80% к среднему чеку - это в тех заказах, где покупатель взял рекомендованный на мониторе товар, по сравнению с обычным средним чеком по сети. Рекомендации работают на 50+ торговых точках, где уже установлены прикассовые мониторы. И вот что важно - это не прирост от «кассир стал быстрее пробивать». Это прирост от того, что в отрасли появилась новая единица работы - персональный маркетолог, привязанный к каждому клиенту и работающий в момент оплаты. Такого маркетолога нельзя нанять, нельзя обучить и нельзя размножить. Его можно только собрать из данных и модели.
Кейс второй - Ленремонт
Второй кейс - российская сеть «Ленремонт», сервис по ремонту бытовой техники. У них есть большой колл-центр, в который падает 18 000 звонков в день - клиенты оставляют заявки, согласовывают время мастера, спрашивают по гарантии, жалуются, отменяют. В отделе контроля качества до недавнего времени работало около 10 человек, и их задача была слушать разговоры операторов и оценивать, насколько правильно те общаются с клиентами - вежливо ли, правильно ли выявляют проблему, корректно ли оформляют заявку.
Математика там простая и грустная. Даже если каждый из 10 человек слушает по 8 часов без перерыва на обед и без отчётов, это максимум 1 000-1 500 звонков в день на весь отдел - то есть не больше 10% от общего потока. Остальные 90% разговоров с клиентами руководство не знало, не слышало и не могло проанализировать вообще никак. Никто не знал, сколько раз оператор нагрубил клиенту, сколько раз неправильно описал неисправность (из-за чего мастер приехал с не тем оборудованием), сколько клиентов отказались после разговора - всё это всплывало только в виде факта отмены, но не в виде причины. Большой чёрный ящик, где в отчётах фигурировали только выборочные 10%, а выдавалось это за картину всего бизнеса.
В 2025 году компания с командой Aiston построила пайплайн на открытых моделях WhisperX (транскрибация) и Mistral NeMo (классификация и извлечение смысла). Теперь каждый звонок автоматически переводится в текст, разделяется на реплики оператора и клиента, проверяется по длинному чек-листу качества - от «поздоровался ли» до «правильно ли зафиксировал адрес» - и складывается в отчёт. Охват анализа вырос с 10% до 99%, а нагрузка на отдел контроля упала в 10 раз - при том, что отдел при этом стал видеть проблемы, которых раньше просто не видел.
Видимость бизнеса изменилась принципиально: руководство компании впервые за всю историю увидело, что реально происходит в 100% клиентских разговоров. И это не «быстрее слушаем», это новая категория знания про свой собственный бизнес, которой раньше не существовало. Попробуйте представить, во что вам обошёлся бы аналогичный результат руками - нужно нанять 100 человек в отдел контроля качества, обучить их, платить зарплату и держать дисциплину. Никто этого не делал, потому что экономически это невозможно. А с ИИ задача решается на инфраструктуре, которая стоит меньше зарплаты этих ста человек за один месяц.
Кейс третий - EvenUp
Теперь зарубежный кейс, чтобы показать масштаб. EvenUp - юридическая технологическая компания в США, работает в нише personal injury (иски о возмещении ущерба при травмах - ДТП, рабочие случаи, медицинские ошибки). Сейчас в ней около 550-620 сотрудников, оценка 2 миллиарда долларов.
Цифра роста там настолько нетипичная для юридического рынка, что я её сверял по трём источникам.
Что они делают. Классическая работа personal injury-фирмы в США выглядит так: к адвокату приходит клиент после ДТП, дальше начинается работа паралигалов - запрашивают медицинские карты, расшифровывают записи врачей, собирают полицейские отчёты, фотографии с места, считают прошлые и будущие медицинские расходы по специальным кодам CPT и наконец пишут страховой компании demand letter - письмо с требованием выплатить такую-то сумму. Один такой кейс - это 40-80 часов работы паралигала. Из-за этого капасити фирмы упирается в людей: один юрист физически может вести не более 200 кейсов в год, потому что за ним тянется хвост ручной работы по сбору материалов.
EvenUp построил пайплайн, который это всё делает сам. Загружаешь медкарты, фото, полицейский отчёт - на выходе получаешь timeline происшествия с привязкой симптомов к CPT-кодам, расчёт ущерба и готовое demand letter, написанное в стиле конкретной юрфирмы. Юрист проверяет, правит детали и отправляет. По октябрьскому интервью Fortune 2025 года, их система в сумме обрабатывает уже около 10 000 кейсов в неделю - масштаб, который старым способом не вытянуть. Один юрист перестаёт упираться в 200 кейсов в год: в крупных фирмах-партнёрах EvenUp capacity уже в разы выше.
Это не «юрист стал писать быстрее». Это другая единица бизнеса - фирма на те же 10 юристов обрабатывает теперь в 5 раз больше клиентов.
Раньше в personal injury-отрасли были фирмы, которые упирались в ручную работу паралигалов - и все они конкурировали между собой по цене и квалификации. Сейчас появились фирмы с капасити в разы больше - и они играют совершенно в другую игру: могут брать менее выгодные случаи, могут позволить себе более низкую комиссию, могут кратно быстрее реагировать на поток обращений. Тут соревнуются не старое с новым, а два разных вида бизнеса - и старый проигрывает по самой своей структуре: при равной комиссии у него кратно меньше кейсов.
Именно поэтому за год выручка улетела с 27 до 110 миллионов. Не потому что продукт EvenUp лучше, чем у его конкурентов, а потому что сами клиенты - юрфирмы - перестают помещаться в старые рамки. Им нужно больше кейсов, и они готовы платить EvenUp, чтобы эта новая категория работы появилась у них.
Маленький пример из моей практики
Приведу ещё один пример, поменьше масштабом, но из своего рабочего контекста - чтобы была не только статистика, а живое ощущение, как такой процесс выглядит вблизи.
У меня последние пару месяцев собирается система, которую я называю «граф связей». Идея простая: взять все свои переписки в Telegram - и личные, и из групповых чатов, куда я попал за годы, - разобрать их на «кто с кем общается, о чём и когда» и свести в единую картину. На сегодня в ней около 2 500 профилей людей и примерно сто тысяч сообщений, которые постоянно дозаписываются.
Обычная CRM такого не умеет. Она умеет хранить то, что я сам в неё руками занёс - когда встретились, о чём договорились, когда следующий контакт. А вот разобрать сто тысяч чатовых сообщений и понять, что Катя на прошлой неделе в дружеском чате упомянула, что ищет подрядчика по интеграциям - CRM так не умеет, и человек тоже не может это физически держать в голове.
На скриншоте - фрагмент графа только по одному чату (ММ17), где 154 участника и 1 254 связи между ними. У меня подобных чатов десятки. Ни один человек руками через это не пройдёт - не потому что лень, а потому что пока ты дочитаешь последний чат, в первом уже накопился новый контекст и всё устарело.
Что мне это даёт практически. Я в любой момент могу спросить систему: «кому сейчас может быть интересна тема X», «кто из моих контактов недавно упоминал Y», «кого я давно не видел, но мы явно с ним на одной волне». И получить не абстрактный список, а конкретные имена с обоснованием - со ссылкой на реплику в чате и датой. Это не ускорение CRM, потому что такой CRM у меня раньше просто не было. Это тот же тип сдвига, что у Раменского деликатеса на кассе и у Ленремонта в колл-центре - только в моём масштабе.
К чему я это - не чтобы похвалить систему. Она у меня сырая, собрана на коленке, и я её дописываю почти каждую неделю. Важно другое: процесс «живая память про всех твоих людей в реальном времени» руками не делается, и поэтому его никто никогда и не делал. А теперь - делается. И главное, его можно собрать не будучи Google или Meta, можно собрать в одну голову на выходных.
Пять категорий процессов, которых без ИИ не существует
Когда я прошёлся по двум десяткам таких кейсов - российских и зарубежных, средних и крупных, в ритейле, медицине, юриспруденции, образовании, логистике, - стало видно, что все они укладываются в пять устойчивых типов. Это не классификация для красоты, это рабочая карта: если посмотреть на свой бизнес через эти пять категорий, почти всегда находится хотя бы одна, где ИИ может сделать что-то невозможное до него.
Раньше из-за дефицита людей проверялся только случайный срез - 3%, 10%, редко 20% всего, что происходит в бизнесе. Остальные 80-97% оставались чёрным ящиком. ИИ закрывает весь поток - и это не «быстрее проверяем», это впервые видно, что вообще происходит в работе компании целиком.
Раньше персонализация была либо дорогой и штучной (личный менеджер у VIP-клиента), либо очень грубой (сегмент «женщины 25-34»). Середины не было — нужна работа уровня «знать каждого клиента как своего, но масштабировать на десятки тысяч людей». ИИ закрыл эту середину.
Есть задачи, где решение зависит от сведения вместе сотен тысяч точек данных из разнородных источников — реестры, банки, операторы, публичные базы, соцсети, документы. Человек такую сверку не делает: пока он дойдёт до конца, в начале всё уже устарело.
Раньше ночные чаты, выходные обращения, многоканальные продажи через 15 площадок одновременно означали либо нанять большой штат, либо терять выручку. Обычно теряли выручку, потому что штат дорогой. ИИ-агенты закрыли эту дыру.
Не «делаем существующую работу быстрее», а в компании появляется профессия или функция, которой раньше не существовало в штатном расписании — потому что её было нельзя нанять, нельзя обучить и нельзя размножить.
Что в этом нового: компания не конкурирует внутри старой категории бизнеса, а создаёт новую категорию целиком. Это самый большой рычаг роста, но и самый трудный - он требует отказа от привычной модели и веры в то, что новой роли ты можешь доверить работу.
Про то, как строится сама AI-native компания с такими ролями в штате, я писал отдельно - там кейс внедрения за 5 месяцев, 7 законов и цифры. А про компанию без людей на $200 в месяц, где вся операционка - это AI-агенты через Paperclip, есть практический гайд.
Простой тест для вашего бизнеса
Из всех пяти категорий самая важная - пятая. Не та, где мы ускоряем старое, и даже не та, где закрываем чёрные ящики или ночной трафик. А та, где появляется работа, которой у вас в штате никогда не было и нанять её было нельзя. Именно там рождаются цифры вроде «+304% выручки за год у EvenUp» и «с нуля до 100 сотрудников за 24 месяца у Laurel Employment Law». Остальные четыре категории дают хорошие проценты эффекта на существующих метриках - пятая создаёт новую метрику целиком.
На какие образы стоит смотреть, когда думаешь про такую новую роль.
Во всех случаях компания не ускорила старую роль, а завела в штат новую сущность, которую раньше было нельзя завести.
Поэтому правильная вещь, которую стоит сделать после прочтения статьи, - это сесть и полчаса подумать над ролями, а не над процессами. Не «что у нас можно ускорить», а «какой работы у нас нет, потому что её никто не тянет». Что у вас не делается - не потому что лень, а потому что физически невозможно? Кому вы не звоните, с кем вы не переписываетесь, что вы не читаете, что вы не отслеживаете, за каким своим бизнесом вы не приглядываете просто потому, что на это не хватает живых людей? Вот там и сидит пятая категория. Там и сидит настоящий отрыв.
Любая из пяти категорий может начинаться с одного процесса и одной пилотной задачи - и пятая тоже. У меня с графом связей это был один чат для начала. Но начинать надо не от «что можно ускорить», а от «кого можно завести в штат» - даже если этот «кто» существует только внутри модели и набора скриптов.
Что дальше
Через полтора года почти у всех компаний, которые сегодня «внедряют ИИ», будут примерно одинаковые менеджеры по продажам с ChatGPT, одинаковые разработчики с Copilot и одинаковые финансовые отчёты, которые собираются за минуту. Это станет рутиной, про которую никто больше не пишет в инвесторских презентациях. Преимущество исчезнет просто потому, что им будут пользоваться все.
А в это же время рядом будут работать компании, у которых в штате есть роли, которые нельзя нанять: сквозной аудитор портфеля, персональный маркетолог каждого клиента, автономная медсестра после выписки, живой граф всех твоих связей. И они продолжат расти так, как в прежней экономике было нельзя - в разы за год, а не на несколько десятков процентов.
Отрыв - только тем, кто завёл в штат роль, которую нельзя нанять.