Внедрение ИИ в бизнес-процессы - начинаем с себя: как РШУ проверяет сценарии в аналитике, маркетинге и продажах

Когда сотрудники начинают использовать нейросети, компания быстро получает десятки удачных примеров: письмо подготовили быстрее, таблицу собрали за минуты, нашли идеи для рекламной кампании. Но единичный удачный ответ ещё не меняет процесс.

В Русской Школе Управления внедрение ИИ начинается тогда, когда задача повторяется, у результата есть владелец, данные понятны и допустимы, а сотрудник проверяет итог перед использованием в работе.

Мы проверили этот подход на своих трёх регулярных процессах: ежедневной управленческой аналитике, аудите рекламных данных и подготовке коммерческих предложений. В каждом сценарии ИИ ускорял подготовку первой версии результата, но ответственность за цифры, смысл и коммуникацию с клиентом оставалась у сотрудников.

А результат представили на IX Всероссийском форуме «Корпоративное обучение и развитие персонала 2026».

Начинайте не с нейросети, а с процесса

Первый вопрос при внедрении ИИ обычно звучит так: «Какой сервис выбрать?». Но инструмент не исправит процесс, если команда не понимает, какую задачу решает, откуда берёт данные, как проверяет результат и кто принимает решение.

По данным исследования «Инфосистемы Джет» и Smart Ranking, в котором участвовали 52 крупные российские компании, 86% респондентов уже используют или тестируют большие языковые модели. Решения на базе генеративного ИИ в промышленную эксплуатацию вывели 53% участников. При этом полностью автономные и мультиагентные системы используют в промышленном контуре только 8% компаний. Эти данные нельзя распространять на весь российский бизнес: выборка относится к крупным организациям. Однако они показывают разрыв между интересом к технологии, пилотами и устойчивой эксплуатацией решений.

Когда использование ИИ можно назвать внедрением

Нейросеть может подготовить черновик отчёта, выделить аномалии в выгрузке или собрать структуру презентации. Но если результат нельзя воспроизвести на следующей похожей задаче, это эксперимент, а не рабочая практика.

Рабочий сценарий ИИ предполагает, что:

• сотрудник понимает, какую задачу передаёт инструменту;
• исходные данные, ограничения и ожидаемый формат подготовлены заранее;
• критерии качественного результата определены до запуска;
• владелец процесса проверяет итог и решает, можно ли использовать его в работе;
• порядок действий можно повторить без зависимости от одного сотрудника;
• для сценария определена целевая метрика, по которой команда сможет оценить изменение процесса;
• понятно, какое действие автоматизируется, как оно меняет процесс и на какой результат должно повлиять.

Как проверить первый ИИ-сценарий

1. Выберите задачу, а не технологию

Первая задача не должна быть самой сложной или критичной для бизнеса. Лучше выбрать процесс, который повторяется, имеет понятный результат и допускает ручную проверку.

До запуска пилота важно определить не только ожидаемый результат, но и метрику, по которой команда оценит изменения. Это помогает проверить, улучшил ли ИИ процесс, а не просто создал впечатление ускорения. Например, для ежедневной сводки такой метрикой может быть время подготовки и скорость реакции на отклонения, для коммерческого предложения — время выпуска первого варианта, для рекламного аудита — количество найденных ошибок и несоответствий до изменения кампаний.

Для пилота подойдут задачи, в которых:

• есть регулярность;
• результат можно описать до запуска;
• назначен сотрудник, отвечающий за итог;
• доступны исходные данные;
• понятно, какую информацию можно использовать, а какую нужно исключить или обезличить;
• ошибка не приведёт к существенным юридическим, финансовым или репутационным последствиям;
• заранее определена целевая метрика процесса;
• можно сравнить процесс до и после пилота.

В Русской Школе Управления такими задачами стали ежедневная управленческая сводка, аудит страниц и форм рекламных кампаний, а также подготовка первого варианта коммерческого предложения.

2. Подготовьте данные и требования

ИИ не получает «задачу вообще». Для качественного результата ему нужны рабочий контекст, период, состав выборки, шаблон, примеры, ограничения по данным и ожидаемый формат.

Например, запрос «проанализируй рекламу» слишком широк. Более точная формулировка: проверить реестр URL и форм за заданный период, найти дубли, несоответствия в названиях или различия между посадочной страницей и настроенной целью. Такой результат можно сверить с исходными данными и использовать как основу для дальнейшей проверки.

Качество начинается не с идеального промпта, а с качественно поставленной задачи.

3. Проверьте данные, смысл и допустимость

Результат нейросети не должен автоматически становиться управленческим решением. Перед использованием его нужно проверить по трём направлениям.

Если хотя бы одна проверка не пройдена, результат остаётся черновиком для доработки.

4. Зафиксируйте сценарий

После пилота полезно сохранить не только удачный запрос, но и весь порядок действий: источники данных, ограничения, шаблон результата, правила проверки, целевую метрику и ответственного сотрудника.

Если новый сотрудник не может выполнить аналогичную задачу по понятному алгоритму, сценарий ещё не стал частью процесса.

Кейс 1. Ежедневная сводка: данные ближе к решению

Управленческая аналитика полезна, когда помогает действовать вовремя. Если сводка готовится слишком долго, руководитель получает цифры уже после того, как отклонение в воронке, рост просрочки или снижение активности команды стали системной проблемой.

По внутренней оценке Русской Школы Управления за сентябрь 2026 года, подготовка ежедневной сводки, на которую прежде уходило около двух часов, стала занимать примерно пять минут. Месячная аналитика, подготовка которой могла занимать до двух дней, стала доступна онлайн.

Это оценка команды, а не результат контрольного хронометража. Мы не используем её как доказательство роста выручки, прибыли или общей производительности компании. Однако данные стали доступнее в момент, когда на них ещё можно реагировать.

В этом сценарии ИИ автоматически собирает и первично обрабатывает информацию из Яндекс.Метрики, Яндекс.Директа и других рабочих каналов РШУ. Именно на консолидацию данных раньше уходила значительная часть времени сотрудника.

При этом ИИ не принимает маркетинговые или управленческие решения. Сотрудник проверяет цифры, оценивает контекст и определяет дальнейшие действия: какие рекламные кампании стоит остановить или запустить, где нужны новые креативы, какие показатели требуют дополнительной проверки и как скорректировать работу команды.

Кейс 2. Аудит рекламы: проверять основу, а не украшать метрики

В маркетинге легко сделать поспешный вывод: CTR вырос — значит реклама стала лучше; CPL снизился — значит лиды стали качественнее. Но между рекламным показателем и бизнес-результатом находятся ещё несколько этапов воронки.

Поэтому в РШУ мы начали не с оптимизации ставок или генерации креативов. Сначала проверили базу: страницы, формы, поля и события, по которым команда принимает решения.

В рамках внутреннего проекта мы сопоставили страницы, формы и поля в рабочем реестре из 5 209 строк и 5 203 уникальных URL. Затем результаты проверки использовали как основу для корректировки рекламных настроек и дальнейшего наблюдения за показателями.

Эта цифра не говорит сама по себе ни о качестве рекламы, ни о влиянии ИИ на продажи. Она показывает объём подготовительной работы: до изменения кампаний важно убедиться, что команда понимает путь пользователя, корректность посадочных страниц и способ фиксации обращений.

Эти изменения нельзя приписывать одному ИИ-инструменту или одному действию. Проект включал проверку источников данных, корректировку рекламных кампаний и контроль воронки. У РШУ нет методики, которая позволяла бы отдельно определить вклад каждого фактора.

Важно разделять этапы воронки:

Отправленная форма → корректно зафиксированное обращение → лид в работе → квалифицированная возможность → оплаченная сделка.

Снижение CPL не доказывает автоматически рост качества лидов, а рост CTR не равен росту выручки. ИИ может быстро подсветить дубли, несоответствия, аномалии и гипотезы для проверки, но итоговый вывод о качестве маркетинга требует просмотра всей воронки и ручной проверки данных.

На программе Micro MBA «Маркетинг» участники разбирают практическое использование ИИ для исследования рынка и конкурентов, анализа отзывов и интервью, генерации гипотез, моделирования клиентского пути и маркетинговой аналитики. В программе также рассматривают ограничения при работе с бизнес-информацией и необходимость проверять результаты нейросетей.

Кейс 3. Коммерческое предложение: скорость появляется после подготовки

В B2B-продажах ценность коммерческого предложения определяется не скоростью выпуска слайдов. Документ должен учитывать отрасль клиента, историю взаимодействия, управленческую задачу, уровень адресата и актуальный состав продуктов.

Если контекста нет, ИИ лишь быстрее создаст шаблонный документ. Когда есть техническое задание и собраны исходные материалы, первый вариант презентации или коммерческого предложения, который раньше мог готовиться два-три рабочих дня, можно подготовить за 20–30 минут.

Скорость в этом сценарии появляется не только за счёт промпта. Для работы ИИ заранее подготовлена корпоративная база знаний: гайдлайны РШУ, дизайн-схемы и шаблоны коммерческих предложений, правила написания, оформления и компоновки материалов, документы для онбординга новых сотрудников, а также внутренние инструкции по продуктам и правилам работы с ними.

Такой подход часто называют RAG-подходом: система обращается к подготовленной корпоративной базе утверждённых материалов, а не опирается только на общие знания модели. Это помогает использовать актуальные стандарты, правила и примеры РШУ при подготовке первого варианта документа.

Чтобы собрать черновик предложения, системе нужны корректные вводные: информация о клиенте, его запросе и управленческой задаче, нужной программе или продукте, формате обучения, количестве участников, сроках, желаемой структуре предложения и специальных условиях. При подготовленной базе знаний и понятном техническом задании ИИ может собрать первую версию КП за 20–30 минут.

Эта оценка относится только к первой версии документа. В неё не входят согласование с клиентом, экспертная доработка, переговоры и сама продажа. Поэтому этот результат нельзя называть сокращением цикла сделки или напрямую связывать с выручкой.

Например, при подготовке предложения для банковского сегмента мы начинаем не с перечня программ Русской Школы Управления, а с задачи клиента и ролей сотрудников, которые будут участвовать в обучении.

1. Определить отрасль, историю взаимодействия и управленческую задачу клиента.
2. Собрать подтверждённые материалы, релевантные этой задаче, и проверить, что используются актуальные утверждённые шаблоны, правила и сведения о продуктах.
3. Сформулировать требования к структуре, тону и составу предложения: нужную программу или продукт, формат обучения, количество участников, сроки и специальные условия клиента.
4. Подготовить первый вариант документа.
5. Вручную проверить названия программ, факты, отраслевую логику, персонализацию и обещания.

ИИ помогает быстрее собрать основу. Полезным для клиента предложение становится только после проверки контекста сотрудником.

Что нельзя делегировать ИИ

Во всех трёх сценариях ИИ выполняет подготовительную работу, а человек остаётся владельцем результата. Это особенно важно, когда материал влияет на деньги, клиента, репутацию компании или работу с данными.

Безопаснее начинать с пилота: выбрать задачу с ограниченной ценой ошибки, заранее определить разрешённые инструменты, допустимую информацию, целевую метрику и ответственность за итоговое решение.

Чек-лист первой ИИ-задачи

1. Выберите повторяющийся процесс с понятным результатом.
2. Назначьте владельца результата, а не только технического исполнителя.
3. Определите, какие данные допустимы, а какие необходимо обезличить или исключить.
4. Зафиксируйте критерии качества до запуска.
5. До запуска определите целевую метрику процесса и связь между действием ИИ, изменением процесса и ожидаемым результатом.
6. Сверяйте результат с первичными источниками и бизнес-задачей.
7. Замеряйте время, ошибки, качество, загрузку команды и влияние на процесс до и после пилота.
8. Сохраните шаблон, настройки и правила проверки, чтобы сценарий можно было повторить.

Хороший результат — не тот, который впечатляет в демонстрации. Хороший результат можно проверить, безопасно применить в работе и повторить на следующей задаче.