Вы внедрили ИИ в отдел аналитики. Сотрудники начали готовить документы в четыре раза быстрее, руководство довольно, потому что в презентациях появляются красивые цифры об экономии рабочего времени. А проекты как срывали сроки, так и продолжают.
Я бы в такой ситуации задал один неприятный вопрос: а что именно мы улучшили, кроме скорости работы аналитиков?
Потому что сэкономленные часы и повышение эффективности бизнеса — вещи совершенно разные. И не стоит их путать друг с другом.
ИИ ускоряет работу. Но не обязательно результат
В исследовании Atlassian State of Teams 2026 есть любопытное противоречие:
-
89% руководителей считают, что ИИ помогает выполнять работу быстрее.
-
Только 6% уверены, что могут показать конкретные примеры отдачи от ИИ на уровне всей организации.
-
87% специалистов говорят, что из-за постоянного выполнения задач им не хватает времени на координацию с коллегами.
Последний показатель мне кажется особенно показательным, потому что мы все научились быстрее производить документы, код, отчёты и прочие результаты работы. Но никто не отменял согласования, проверки, зависимости между подразделениями и ограниченность ресурсов.
Ускорение одного сотрудника не означает ускорения всего процесса. И это не проблема искусственного интеллекта. Это проблема управления.
Ускорили работу в четыре раза, а весь процесс — на 7,5%
Возьмём условный процесс подготовки и реализации требований. Допустим, одна задача проходит четыре последовательных этапа. Для простоты все значения приведём в рабочих часах.
Этап
До ИИ
После ИИ
Подготовка требований
8 ч
2 ч
Ожидание согласования
40 ч
40 ч
Реализация
24 ч
24 ч
Проверка результата
8 ч
8 ч
Весь процесс
80 ч
74 ч
Аналитик стал выполнять свою работу в четыре раза быстрее, что звучит впечатляюще. Но есть нюанс — общее время прохождения задачи сократилось только на 7,5%.
Теперь представим, что команда обрабатывает 20 подобных запросов в месяц.
20 запросов × 6 часов = 120 часов высвобожденной трудоёмкости.
Эту красивую цифру можно сразу отправлять руководству. Но это ещё не экономия бюджета и тем более не доказательство окупаемости ИИ. Если аналитики получили свободное время, а согласующие по-прежнему не успевают обрабатывать документы, компания просто увеличила резерв мощности на одном этапе. Хуже того, при росте числа поступающих задач очередь на согласовании может стать ещё длиннее.
Поздравляю, вы автоматизировали производство очереди. Именно поэтому я бы не принимал отчёт об эффективности ИИ, в котором есть только количество пользователей, запросов и сэкономленных человеко-часов.
Какие показатели действительно имеют значение
Для начала хватит пяти метрик. Причём их можно собирать даже без специализированной аналитической системы.
Метрика
Что показывает
Lead Time
Время от поступления запроса до готового результата
Время ожидания
Сколько задача находится в очередях и блокировках
Throughput
Сколько результатов команда завершает за период
Доля возвратов
Сколько задач возвращается на доработку
Стоимость результата
Во сколько обходится завершённая работа с учётом ИИ, проверок и исправлений
Здесь важно не перепутать трудоёмкость и длительность. Если специалист потратил на документ два часа, а документ пять дней ждал согласования, трудоёмкость подготовки составляет два часа, но клиенту совершенно неинтересно, сколько времени сотрудник непосредственно работал. Клиенту важно, когда будет результат.
И ещё один момент: не сравнивайте только количество закрытых тикетов. Десять мелких исправлений и одна сложная функциональность не равнозначны по ценности. Поэтому измерения нужно проводить на сопоставимых типах задач, а скорость обязательно оценивать вместе с качеством.
Кстати, проблема подмены результата активностью существует и без нейросетей. По данным исследования Акселератора ФРИИ за 2026 год, 57% компаний оценивают продуктовую функцию по выполнению roadmap и только 32% — по продуктовым метрикам.
Получается, что компании нередко измеряют выполнение плана, а не эффект от выполненной работы. ИИ лишь делает эту проблему заметнее.
Как проверить эффективность ИИ за две недели
Начните с небольшого эксперимента.
1. Выберите один сквозной процесс
Не «работу отдела аналитики», а конкретную цепочку от запроса до результата.
Например:
Заявка > Подготовка требований > Согласование > Реализация > Приёмка.
У процесса должны быть понятные начало, конец и ответственный за общий результат.
2. Зафиксируйте исходные показатели
Возьмите данные за предыдущие две-четыре недели. Если данных мало или поток нерегулярный, понадобится больший период.
Для каждой задачи желательно сохранить:
Поле
Что фиксировать
ID и тип задачи
Чтобы сравнивать сопоставимые работы
Дата поступления
Начало отсчёта Lead Time
Даты переходов
Когда задача попала на каждый этап и покинула его
Причины ожидания
Согласование, нехватка ресурсов, блокировка
Дата завершения
Момент получения готового результата
Возвраты и доработки
Проблемы с качеством
Трудозатраты
Фактические часы участников
Данные можно выгрузить из ИСУП, например Directum Projects. Для анализа трудозатрат доступны соответствующие отчёты, для оценки потока задач — инструменты Agile-досок. Сквозные показатели эффективности при необходимости рассчитываются отдельно. Главное — одинаковые правила измерения до и после эксперимента. Уже на этом этапе часто выясняется, что основную часть времени задача не выполняется, а ждёт.
3. Найдите узкое место
Посмотрите, на каком этапе задачи проводят больше всего времени и где накапливается незавершённая работа.
Здесь пригодится канбан-доска с WIP-лимитами и накопительной диаграммой потока.
Пример перегруженных этапов. Новые задачи поступают быстрее, чем команда успевает завершать текущие
Допустим, выяснилось, что 50% времени задачи проводят в очереди на согласование. Тогда автоматизация подготовки документов может быть полезной, но не решит главную проблему.
Сначала стоит разобраться, почему согласование занимает столько времени. Возможно, не хватает проверяющих, слишком много обязательных согласующих или часть решений можно принимать по заранее утверждённым правилам.
4. Измените только один существенный участок
На время эксперимента попробуйте конкретное улучшение. Например, ИИ предварительно проверяет полноту документов и готовит сводку замечаний для согласующего. Параллельно команда пересматривает правила передачи задач на согласование. При этом эффекты автоматизации и изменения процесса нужно измерять отдельно.
Человек сохраняет ответственность за окончательное решение. Не нужно одновременно перестраивать структуру команды, менять регламенты и внедрять пять новых инструментов. Иначе будет сложно понять, что именно повлияло на результат.
5. Сравните показатели и примите решение
Через две недели оцените изменения. Не только время подготовки, но и весь процесс.
Я бы использовал такую таблицу:
Показатель
До
После
Изменение
Медианный Lead Time
10 дней
8 дней
−20%
Время на согласовании
5 дней
3 дня
−40%
Завершено задач за неделю
12
15
+25%
Доля возвратов
10%
10%
Без изменений
Стоимость обработки задачи
5 000 ₽
4 500 ₽
−10%
Цифры, разумеется, условные и показывают формат оценки, а не гарантированный эффект.
Если время прохождения сократилось, пропускная способность выросла, а качество при этом не ухудшилось и стоимость снизилась — значит есть основания продолжать эксперимент.
Если ускорился только один этап, а общая ситуация не изменилась, то масштабировать решение преждевременно.
Накопительная диаграмма потока в Agile-досках
И важная оговорка: двух недель достаточно для первичной диагностики, но не всегда для статистически надёжного вывода. Учитывайте количество задач, их сложность и другие изменения в работе команды.
Как посчитать деньги, а не красивые часы
Теперь самое интересное. Допустим, ИИ действительно освободил 120 часов работы аналитиков за месяц. Но можно ли записать их в финансовую экономию?
Автоматически я бы так делать не стал. Если фонд оплаты труда остался прежним, прямого сокращения расходов не произошло. Однако освободившееся время можно направить на дополнительную полезную работу, устранение узкого места или повышение качества.
Поэтому я бы считал финансовый эффект примерно так:
Эффект от ИИ = подтверждённая экономия расходов + дополнительная прибыль от результата − стоимость ИИ − дополнительные расходы на проверку и исправление ошибок.
Потенциальную пользу от высвобожденных часов можно оценивать отдельно, но не стоит выдавать её за полученную прибыль. И не забывайте про время настройки, обучение сотрудников, поддержку и интеграции.
Например, если автоматизация сэкономила 100 тысяч рублей на обработке документов, но потребовала 150 тысяч на инфраструктуру и дополнительные проверки, экономического выигрыша пока нет. Это не обязательно повод закрыть эксперимент. Но точно повод пересчитать модель и не масштабировать решение вслепую.
Внедрять ИИ или сначала менять сам процесс?
Я бы использовал простой набор вопросов.
-
Есть ли конкретная проблема, которую решает ИИ? Если нет, мы пока экспериментируем с технологией, а не повышаем эффективность.
-
Ограничивает ли эта проблема весь процесс? Если нет, ускорение может остаться локальным.
-
Можно ли измерить результат? Если нет, сначала определите метрики.
-
Не создаёт ли ускорение дополнительную нагрузку на другие этапы? Если создаёт, потребуется пересмотреть распределение работы.
-
Остаётся ли положительный эффект после учёта затрат и качества? Если нет, экономические основания для масштабирования ещё не доказаны.
Здесь у меня довольно категоричная позиция.
Руководитель, который отчитывается о внедрении ИИ количеством выданных лицензий и сэкономленных часов, ещё не доказал, что повысил эффективность бизнеса.
Он доказал только факт внедрения и локального ускорения. Это разные достижения, и смешивать их не стоит. Да, ему самому возможно стало легче работать и анализировать большое количество информации, но есть ли эффект для бизнеса в этом?
Я совершенно не против массового внедрения искусственного интеллекта. Тем более, что я и сам активно работаю с ИИ. Я считаю его одним из важнейших инструментов повышения производительности. Но у эффективности есть неприятное свойство: она определяется не самым быстрым сотрудником, а тем, как работает вся система.
Поэтому прежде чем покупать ещё сто лицензий, попробуйте найти этап, на котором ваши задачи проводят больше всего времени. Возможно, окажется, что компании нужен не новый ИИ-ассистент, а сокращение лишних согласований, перераспределение ресурсов или нормальная система управления задачами.
Источник: habr.com