Как действовать среднему бизнесу с AI, которому «по-науке» дорого?

В разговоре средний бизнес — это очень разные компании с оборотом примерно от 2 до 15 млрд рублей и штатом от нескольких десятков до 500–700 человек. В аутсорсинге люди сами являются производственной мощностью; торговой компании может хватать пятидесяти сотрудников и одного системного администратора. Поэтому универсальная AI-платформа не является общей отправной точкой. Запрос обычно возникает из конкретной ситуации: снизилась маржа маркетплейса, застрял товар, выросла дебиторская задолженность, нужно перестроить логистику или найти сотрудников в новом регионе.

Лозунг «давайте добавим AI» не задаёт ни результата, ни нового способа работы. Если сотрудникам просто выдать Claude, Codex или Cursor, они продолжат действовать внутри прежних процессов и локально ускорят знакомые операции. Это может дать полезную личную практику, но не доказывает изменение бизнеса. Сначала нужно описать проблему наблюдаемым показателем, понять фактический процесс и договориться, что будет считаться улучшением. Иногда выясняется, что ограничение лежит в неполных данных, ручной передаче документов или управленческом конфликте, а не в отсутствии модели.

Позитивный кейс — небольшая торговая компания, где партнёры заранее разделили ответственность. Вместо абстрактной трансформации они поговорили с сотрудниками о рутинных задачах, объявили оплачиваемый конкурс прототипов и дали людям помощь в освоении инструментов. Системный аналитик проверял идеи по реальным таблицам и 1С: учитывал задержки загрузки, корректировки дат, остатки на складах подрядчиков и другие особенности, которые не видны в красивом демо. Чувствительные персональные и маржинальные данные отделили от безопасных сценариев, а инфраструктуру обсуждали после появления работающих гипотез.

Неоднозначный пример аутстафинговой компании показывает обратную сторону. У бизнеса были причины автоматизировать рекрутмент, первичный скрининг и перевод сотрудников между проектами, но инициативы распались между функциями. Не нашлось внутреннего партнёра, который одновременно понимает процесс, данные, технологию и внедрение. Назначить ответственным IT-директора, операционного руководителя или самого активного топа недостаточно: у каждого своя картина задачи и стимулы. Иногда нужен внешний специалист или временная команда, но внутри всё равно должен остаться человек, который примет знания, проверит результат и продолжит изменение после ухода консультанта.

Небольшая компания может сделать за часы то, что крупная организация согласует годами: меньше границ ответственности и социальных обязательств. Пример с ассортиментной аналитикой показывает, что качественные данные иногда уже собраны в одном монолите и решение технически доступно владельцу. Другой пример — бот, который следит за документами в 1С и напоминает о дебиторской задолженности. AI снизил стоимость таких локальных автоматизаций, но не отменил исходную метрику, доступы, тестовые примеры, журнал ошибок, ручное подтверждение, откат, поддержку и цену неверного действия.

Практический старт — короткая диагностика на одну-две недели. Наблюдайте, как сотрудники действительно переносят данные и принимают решения, а не как процесс описан в инструкции; затем выберите одну-три задачи с понятной ценой и ограниченным радиусом ошибки. До разработки задайте критерий приёмки и остановки, освободите время доменного эксперта и закрепите мотивацию за улучшение. Быстрые победы нужны, но серия несвязанных прототипов создаёт новый долг. В конце выпуска появляется ещё одно ограничение: агенты легко производят конкурирующие документы, однако не заменяют разговор, в котором люди уточняют интересы, проживают конфликт и собирают общую версию реальности.