5 проблем при внедрении ИИ в бизнесе: на что обратить внимание?

По расчётам НИУ ВШЭ на основе данных Росстата, нейросети используют в среднем 4,8% организаций, а среди компаний с численностью более 500 сотрудников — уже 14,9%. Но одно дело — дать сотрудникам доступ к ChatGPT или DeepSeek, и совсем другое — встроить ИИ в процессы компании так, чтобы он сам получал данные, выполнял задачи и передавал результат дальше.

Причём желательно сделать это безопасно и с помощью качественных сервисов. Разберёмся, как именно.

Нужно выбрать подходящие модели, связать их с данными компании, настроить API, контролировать расходы и доступ сотрудников. У российского бизнеса появляется ещё одна проблема: зарубежные API сложно оплачивать из России и проводить через бухгалтерию.

Разберём пять проблем, которые чаще всего мешают автоматизировать процессы с помощью нейросетей.

Проблема 1. Компания автоматизирует отдельные задачи, а не бизнес-процесс

Самый простой способ внедрить ИИ — купить сотрудникам доступ к нейросети. Однако если вы хотите достичь полной автоматизации, не задействуя живых сотрудников, понадобится больше усилий. По исследованию MTS Web Services среди более чем 700 российских компаний, у 74% нет готовой стратегии развития ИИ. При этом примерно у трети она только находится в разработке. 

Похожая ситуация наблюдается и за пределами России. McKinsey выяснила, что среди компаний, использующих генеративный ИИ, только 21% фундаментально перестроили хотя бы часть рабочих процессов. При этом именно переработка процессов сильнее остальных изученных факторов связана с экономическим эффектом от внедрения ИИ.

Так что вопрос «какую нейросеть подключить?» часто преждевременный. Сначала нужно разобрать сам процесс: откуда приходит задача, какие данные нужны для её выполнения, где требуется решение человека и куда должен попасть готовый результат.

Как решить эту проблему

Начинать стоит не с выбора нейросети, а с карты процесса. Нужно расписать, откуда приходит задача, какие данные использует сотрудник, какие действия повторяются и где результат передаётся дальше. После этого становится видно, какие этапы можно отдать ИИ, а где решение должен оставить за собой человек.

Проблема 2. Компания не подготовила корпоративные данные

Чтобы ИИ-агент самостоятельно отвечал клиенту, составлял отчёт или готовил коммерческое предложение, одного доступа к языковой модели недостаточно. Ему нужны данные компании: ассортимент, цены, инструкции, история взаимодействия с клиентом, документы или показатели из внутренних систем.

В исследовании Deloitte среди 2770 руководителей из 14 стран 55% организаций сообщили, что проблемы с данными заставили их отказаться от некоторых сценариев применения генеративного ИИ.

Как решить эту проблему

Необязательно приводить в идеальный порядок всю информацию компании. Сначала нужно определить минимальный набор данных, который понадобится конкретному ИИ-агенту. Если он отвечает клиентам, ему могут быть нужны каталог, цены, регламенты и база типовых вопросов. Если готовит отчёты — таблицы с показателями и правила расчётов.

После этого источники нужно привести к понятной системе: убрать устаревшие версии документов, определить, где хранится актуальная информация, настроить права доступа. При большом объёме данных агенту необязательно каждый раз передавать всю базу. Можно настроить поиск по корпоративным материалам и отправлять модели только те фрагменты, которые относятся к конкретному запросу.

Проблема 3. Нейросеть нужно связать с CRM, 1С и другими системами

Даже хорошие данные сами по себе ничего не автоматизируют. Нейросети нужен доступ к системам, в которых работает компания. Например, ИИ-менеджеру недостаточно уметь составлять письмо. Он должен получить информацию о клиенте из CRM, посмотреть статус заказа, сформировать ответ, записать результат общения обратно в карточку сделки и при необходимости поставить менеджеру задачу.

Каждое такое действие требует интеграции. По данным НИУ ВШЭ, сложность интеграции ИИ в производственные и бизнес-процессы входит в число значимых препятствий примерно для каждой пятой российской компании, работающей с технологией. В другом российском исследовании, результаты которого Ассоциация менеджеров представила в 2025 году, проблемы интеграции ИИ с существующими IT-системами отметили 57% опрошенных управленцев.

Корпоративная автоматизация почти всегда выходит за пределы интерфейса самой нейросети. Нужны API, вебхуки, интеграционные платформы или собственный код, которые позволят модели получать данные и выполнять действия в других системах.

Как решить эту проблему

Чтобы нейросеть перестала быть отдельным окном в браузере, её нужно связать с рабочими системами компании через API. Тогда CRM может сама отправить модели данные о клиенте, получить готовый ответ и записать результат обратно. По такому же принципу ИИ подключается к сайту, базе знаний, внутреннему сервису или корпоративному боту.

Для простых сценариев необязательно сразу писать интеграцию с нуля. Можно использовать n8n и другие платформы автоматизации: они связывают несколько сервисов в одну цепочку. Например: новая заявка появляется в CRM → данные отправляются нейросети → ИИ определяет тип запроса → готовит ответ → результат возвращается менеджеру. Собственная разработка понадобится уже тогда, когда процесс станет сложнее или появятся специальные требования к инфраструктуре.

Проблема 4. В нейросеть нельзя бездумно отправлять корпоративные данные

При ручном использовании ChatGPT риск легко недооценить. Сотрудник копирует в чат договор, клиентскую базу или внутренний отчёт просто потому, что так быстрее. При автоматизации объём передаваемой информации становится гораздо больше. Через модель могут постоянно проходить обращения клиентов, документы, сведения о сотрудниках и другие данные компании.

В российском исследовании Ассоциации менеджеров вопросы безопасности систем и обрабатываемых ИИ данных назвали проблемой 55% респондентов.

Кроме информационной безопасности есть законодательные требования. Если в зарубежный сервис передаются персональные данные, компания должна учитывать правила Федерального закона № 152-ФЗ. В частности, до начала трансграничной передачи оператор в предусмотренных законом случаях должен уведомить Роскомнадзор. С 1 июля 2025 года также действуют обновлённые требования к локализации персональных данных граждан России при их сборе.

Перед автоматизацией поэтому приходится определить, какие данные разрешено отправлять модели, где они будут обрабатываться и храниться, какие сотрудники получат доступ и нужно ли обезличивать информацию до отправки.

Как решить эту проблему

Перед подключением ИИ стоит определить, какую информацию вообще разрешено отправлять внешней модели. Открытые материалы компании, инструкции или каталог товаров создают один уровень риска. Персональные данные клиентов, договоры, финансовая информация и внутренняя переписка — совсем другой. Для каждого сценария нужен свой набор правил.

Чувствительные данные можно обезличивать до отправки в модель, ограничивать доступ к ним на уровне сотрудников и API-ключей или полностью исключать из внешнего контура. Также нужно заранее проверить, где провайдер обрабатывает и хранит запросы и используются ли они для обучения моделей. Если автоматизация работает с персональными или другими защищёнными данными, требования безопасности и законодательства лучше заложить в архитектуру до запуска, а не переделывать систему после пилота.

Проблема 5. API зарубежных нейросетей сложно оплачивать из России

Когда компания переходит от работы сотрудников в чатах к автоматизации процессов, ей обычно нужен API — это специальный ключ, который позволяет подключаться к нейросетями напрямую, связывать их между собой и подключать к другим программам.

Оплатить API зарубежных нейросетей из России практически невозможно. Платёжная система Stripe не принимает российские карты, а сами компании-поставщики не оформляют документы для компаний из РФ.

Кроме того, не все отечественные бизнесы готовы работать с зарубежным контрагентом. Это не привычная закупка российского сервиса с оплатой в рублях, российским договором, актами или УПД и ЭДО.

Российское законодательство не требует, чтобы любой зарубежный расход подтверждался именно российским актом: ФНС указывает, что расходы могут подтверждаться документами, оформленными по обычаям делового оборота иностранного государства. Но для российского юрлица зарубежная закупка всё равно добавляет вопросы оплаты, документов, валюты и налогообложения. Например, при покупке некоторых электронных услуг у иностранной компании российский покупатель сам исполняет обязанности налогового агента по НДС.

В итоге разработчик может за вечер протестировать API зарубежной модели на личном аккаунте, а подключение того же API к рабочему процессу компании превращается уже в задачу для IT, финансового отдела, бухгалтерии и юристов.

Как подключить API нейросетей из России

Для российского бизнеса есть два основных варианта: работать с зарубежным API через иностранный платёжный контур или подключиться через российского провайдера.

Первый вариант подходит разработчикам и небольшим командам, у которых уже есть иностранная карта, подходящий способ оплаты и возможность работать с зарубежным контрагентом. Для компании с бухгалтерией схема становится сложнее: нужно отдельно решать вопрос с платежами, документами и учётом расходов.

Второй вариант — российский API-провайдер. Например, Спешу АИ даёт доступ к зарубежным нейросетям по API, но расчёты проходят внутри России. Компания может оплатить сервис в рублях по счёту, заключить договор и получить закрывающие документы.

При этом не нужно отдельно интегрировать каждого разработчика нейросетей. Через один API-ключ доступны ChatGPT, Claude, Gemini, DeepSeek, Grok и другие текстовые модели, а также модели для генерации изображений и видео. Один и тот же баланс можно использовать для разных моделей и задач.

Это удобно и с технической стороны. API SpeShu.AI совместим со стандартом OpenAI. Если компания уже написала интеграцию под OpenAI-совместимый интерфейс, в существующем коде достаточно заменить base_url и API-ключ — переписывать приложение с нуля не требуется.

Подключение выглядит так:

1. Зарегистрироваться в SpeShu.AI.

2. Пополнить корпоративный баланс.

3. Получить API-ключ в личном кабинете.

4. Подключить его к своему приложению, CRM, сайту, боту или системе автоматизации по документации API.

После этого уже можно строить автоматические сценарии: например, отправлять обращения из CRM в нейросеть, анализировать документы, генерировать ответы клиентам или распределять задачи между несколькими моделями.

Отдельный плюс для бизнеса — контроль расходов. В личном кабинете можно разделять ключи между проектами и сотрудниками, задавать лимиты и смотреть, сколько каждая модель расходует в реальном времени.

То есть задача «как оплатить зарубежную нейросеть из России» фактически меняется на более простую: компания работает с российским контрагентом, а доступ к нужным моделям получает через единый API.

Что такое документация API

API само по себе ничего не подключает. Разработчику ещё нужно знать, куда отправлять запросы, как передавать API-ключ, какое название модели указать и в каком формате придёт ответ. Всё это описано в документации API.

По сути, документация — инструкция по подключению нейросети к вашему продукту. В ней обычно есть адрес API, примеры запросов, список доступных моделей, параметры и возможные ошибки.

Например, в документации SpeShu.AI первый запрос можно собрать по готовому примеру на Python, TypeScript или cURL. Сначала пользователь создаёт API-ключ, затем указывает адрес https://speshu.ai/api/v1 и выбирает нужную модель.

Отдельно можно посмотреть каталог моделей. API возвращает не только их названия, но и тип модели, доступные параметры, размер контекста и стоимость использования. Цены указаны в рублях, поэтому расходы на разные нейросети можно сравнивать ещё до запуска автоматизации.

Документация нужна и после первого подключения. Например, в Спешу АИ есть отдельные инструкции для работы с текстом и медиа, вызова функций, структурированного ответа и учёта расходов, а также готовые разделы по интеграции с n8n, LangChain, CrewAI, LlamaIndex и другими инструментами автоматизации.

Простые ИИ-агенты: как автоматизировать процессы в первый раз с API нейросетей

1. Podium: ИИ отвечает лидам и доводит их до записи

Американская Podium встроила GPT-5.1 через API в агентов для малого бизнеса: автосервисов, клиник, HVAC-компаний и других локальных компаний. Сценарий довольно простой. Клиент пишет или звонит → агент отвечает практически сразу → уточняет запрос → продолжает диалог → помогает записаться или купить услугу. То есть ИИ забирает ту часть воронки, где бизнес обычно теряет лид из-за позднего ответа. 

По данным OpenAI, у использующих таких агентов компаний выручка в среднем выросла на 30%, а конверсия лидов — на 45%. Собственная AI-выручка Podium выросла на 300% год к году.

2. Tidio: ИИ сам рекомендует товары покупателям

Tidio построила агента Lyro на Claude. Причём компания прямо пишет, что использует API Anthropic и автоматически переключается между ним и Claude через Google Vertex AI в зависимости от производительности.

Один из сценариев ещё проще поддержки. Покупатель пишет что-нибудь вроде «ищу подарок восьмилетней племяннице». Агент анализирует запрос, просматривает каталог из тысяч товаров и за несколько секунд предлагает подходящие позиции.

У одного из клиентов Tidio — магазина Belasante — такой рекомендательный механизм принёс больше $60 000 дополнительной выручки. Сама Tidio одновременно автоматизировала 71% обращений собственной поддержки.

3. Chime: несколько секунд экономии на каждом звонке принесли $700 000

Финтех-компания Chime подключила Claude через Amazon Bedrock для очень простой операции: после разговора клиента с поддержкой нейросеть автоматически составляет краткое резюме звонка. До этого сотрудники делали заметки вручную.

ИИ сократил среднее время обработки звонка на 18 секунд. Кажется мелочью, но на масштабе контакт-центра это больше 250 000 сэкономленных рабочих часов в год. AWS оценивает годовой эффект примерно в $700 000.

4. Rogo: ИИ-аналитик для банкиров — рост ARR в 27 раз

Rogo подключила модели OpenAI по API и построила на них финансового исследовательского ассистента. Он работает с отчётностью компаний, транскриптами звонков и презентациями: находит информацию, анализирует её и готовит материалы для банковских аналитиков. По оценке самой компании, пользователям это экономит больше 10 часов в неделю.

На фоне развития продукта годовая рекуррентная выручка Rogo выросла в 27 раз. Сервисом пользовались уже более 5 000 сотрудников инвестиционных банков и private equity.

5. Genspark: 20 человек построили ИИ-агента с ARR $36 млн

Это уже пример того, что может получиться, если сделать API основой продукта. Genspark использовала GPT-4.1 и OpenAI Realtime API для Super Agent. Пользователь описывает задачу обычным текстом, а агент сам выполняет последовательность действий: может позвонить по телефону, собрать презентацию, провести исследование или превратить рецепт в видео.

Через 45 дней после запуска Super Agent достиг $36 млн ARR — то есть годовой рекуррентной выручки в пересчёте на текущие подписки. При этом в команде было всего 20 человек, а платную рекламу компания, по данным OpenAI, не использовала.

Подведём итоги: каких ошибок избежать при автоматизации бизнеса с ИИ

Для первого внедрения не нужен большой проект. Достаточно выбрать один процесс, где сотрудники регулярно тратят время на однотипные действия: отвечают на обращения, собирают данные, заполняют CRM, готовят отчёты или обрабатывают документы.

Дальше этот сценарий можно протестировать через API, посчитать стоимость запросов и посмотреть, сколько времени реально экономит автоматизация. Если результат устраивает, решение масштабируется на другие процессы.