Резать косты с помощью ИИ-агентов невозмо… Хотя, подождите

Бытует мнение, что реальные успехи ИИ сильно преувеличены. Я с этим тезисом не вполне согласен, поэтому просто покажу несколько реальных примеров, когда применение ИИ в бизнесе действительно снизило операционные расходы. Забегая вперед — далеко не всё у кейсов в этой подборке шло как по маслу.

Я Влад Кармаков из компании по мобильной разработке Siberian.pro. Сегодня я принес не свои кейсы ^[1] успешного внедрения ИИ, а чужие. Потому что, во-первых, чужих кейсов больше, а, во-вторых, именно эти примеры не идеальны и тем особенно ценны. Ведь для того, чтобы повторить чужой успех, иногда достаточно не повторять ^[2] чужих ошибок.

Содержание

• Klarna. Финтех-стартап, который смог, потом не смог и снова смог внедрить ИИ ^[3]

• Swisscom. Забиваем гвозди телескопом Хаббл ^[4]

• OneDigital. Сэкономили до $170,000 в год на эйчарах, но есть нюанс ^[5]

• Duolingo. Сова — это не только внедрение ИИ, но и… ^[6]

• LUXGEN. Кейс снижения операционных расходов с ИИ из Тайваня ^[7]

• Etsy. Облегчаем покупателям поиск, выбешиваем продавцов ^[8]

• Kraft Heinz. Ускоряем маркетинг с помощью ИИ-платформы ^[9]

• Выводы ^[10]

Klarna. Финтех-стартап, который сначала смог, потом не смог, а потом снова смог внедрить ИИ

Если вы спросите любую нейросеть о примерах компаний, успешно внедривших ИИ в бизнес-процессы, то почти всегда увидите в ответе шведскую финтех-компанию Klarna. Успешный успех в чистом виде:

• заменили 700 с лишним операторов на ИИ от OpenAI;

• среднее время отклика сократилось на треть, а скорость разрешения проблем выросла в 5 раз;

• выручка в пересчете на сотрудника увеличилась на 73%;

• ожидаемый эффект от внедрения — $40 млн.

Очевидно, что операционные издержки компании на техподдержку снизились, благодаря внедрению ИИ. Так?

Как ни странно, все вышесказанное — правда ^[11]. Однако спустя примерно год менеджмент забеспокоился. Отток клиентов вырос на 15%, рыночная оценка стоимости стартапа упала почти в три раза ^[12], а количество жалоб на техподдержку, наоборот, выросло. Хуже всего, что выросли и убытки. А ведь именно их и планировалось сократить.

Пришлось в срочном порядке «вынедрять» ИИ-агентов обратно и снова нанимать «кожаный» персонал.

В чем ошибка?

Очевидно, что менеджмент Klarna переоценил возможности ИИ по взаимодействию с клиентами. AI плохо распознавал эмоции ^[13], не умел грамотно деэскалировать конфликты и не всегда передавал сложные случаи людям.

CEO Klarna признал, что компания слишком сфокусировалась на снижении операционных издержек с помощью ИИ. Качество сервиса ухудшилось, поэтому компании пришлось вернуться к гибридной модели: AI + люди.

Другая ошибка ^[14] — компания сразу мощно вложилась в развитие инфраструктуры ИИ-агентов, что в итоге вылилось в убытки.

Как правильно?

Обычно при внедрении ИИ в бизнес менеджмент фокусируется на измеримых показателях. В данном случае это было время ответа, число повторно открытых тикетов, рост выручки на сотрудника. Метрики росли, и выглядело все оптимистично. А тот факт, что клиенты злобно скрипят зубами во время общения с ботом, никто не заметил — по метрикам-то все прекрасно.

Правильно было бы сначала переложить на плечи ИИ только базовые случаи, используя его лишь в качестве ассистента. И только по мере накопления статистики развивать внедрение дальше. Оценивать не только количественные показатели, но и качественные: репутацию бренда, общую тональность отзывов и т.д.

В итоге все закончилось хорошо. Klarna вновь вернулась ^[15] к внедрению ИИ, но уже в гибридном варианте. К концу 2025 года ИИ-ассистент обрабатывал около 80% обращений и, по оценке компании, принес около $39 млн на этот раз уже реальной экономии.

Swisscom. Забиваем гвозди телескопом Хаббл

Швейцарский телеком-гигант тоже захотел ^[16] внедрить умных чат-ботов. Потому что старые боты работали по скриптам и немилосердно тупили в любой непонятной ситуации, да и мощностей хватало лишь на пару десятков одновременных запросов. Остальное переадресовывалось операторам.

Swisscom отказался от жестких скриптов и перестроил архитектуру, объединив фреймворк Rasa CALM ^[17] (Conversational AI with Language Models) и сервисы Amazon Bedrock AgentCore. Получилась сеть агентов, которые общаются между собой через протокол A2A, а данные документов и внешних ресурсов вытаскивают через MCP-серверы.

Результаты внедрения ИИ-агентов положительные:

• уровень успешно закрытых без участия человека обращений удвоился по сравнению с предыдущей платформой;

• операционные расходы сократились на 50%;

• в отличие от предыдущего кейса, здесь лояльность клиентов даже выросла.

В чем ошибка?

Как ни странно, только в масштабе. Решение в виде связки Rasa CALM и Amazon Bedrock AgentCore не назовешь простым для внедрения. Многослойная агентская архитектура кажется избыточной, даже с учетом большого числа обращений, которые приходится обрабатывать ИИ.

В целом, кейс Swisscom по сокращению операционных расходов с помощью ИИ называют успешным даже те, кто его критикует. Вместе с тем, для подавляющего большинства аналогичных внедрений ИИ в клиентский сервис будет достаточно простой RAG-системы, что намного дешевле.

Как правильно?

Если у вас сходу есть 20-30 миллионов на такую интеграцию и квалифицированная команда, то все уже правильно. Вполне можно реализовать подобное решение, заменив Amazon на отечественный MWS, а разработку роя агентов кому-то делегировать. Например, нам.

Если же бюджет не резиновый, то правильнее присмотреться не к коробочным enterprise-решениям, а к более доступной кастомной разработке ИИ-агентов для бизнеса.

OneDigital. Страховая компания сэкономила до $170,000 в год на эйчарах, но есть нюанс

Этот кейс — классический пример того, как узкоспециализированный генеративный ИИ (в данном случае диалоговый агент для рекрутинга) решает конкретную боль ^[18], если ее сразу грамотно сформулировать.

OneDigital занимается страховым и финансовым консалтингом. Компания не маленькая — около 6000 сотрудников. Плюс еще и агрессивно растет, приобретая по 2–3 мелких бизнеса ежемесячно. В итоге — колоссальная нагрузка на HR-отдел: через воронку найма проходит почти 100,000 кандидатов в год.

Ключевой болью стало согласование собеседований. Именно на это тратилось до 40% времени рекрутеров и до $120,000 бюджета.

Компания запартнерилась ^[19] с paradox.ai, провайдером ATS-решений на базе ИИ. Вот что получилось:

• Сократили операционные расходы. Процесс согласования расписания стал практически бесплатным. Компания подтвердила сохранение тех самых $120,000 ежегодно только на этой статье расходов (совокупная экономия времени HR-отдела оценивается в $170,000 в год).

• Увеличили производительность. Освободившись от бесконечного согласования календарей, рекрутеры смогли увеличить свою пропускную способность (в среднем каждый смог собеседовать на 5 кандидатов больше) и сфокусироваться на том, чтобы оценивать качество найма.

• Улучшили опыт ^[20] кандидатов. Отклик бота стал занимать в среднем менее 10 минут, что по меркам HR-процессов мгновенно. Годные кандидаты получали приглашение на интервью сразу в момент обращения, что сократило процент отказов на ранних этапах.

В чем ошибка?

Если копнуть кейс OneDigital чуть глубже, чем интервью с CEO компании и рекламный пост paradox в LinkedIn, то выяснится, что оценка экономического эффекта от внедрения ИИ в размере $170,000 — это иллюзия. Потому что невозможно сэкономить на зарплате сотрудников, которые все еще работают, а компания все еще платит им эти деньги.

Кроме того, услуги paradox не бесплатны. Стоимость коробочного ATS-решения paradox оценивается от $30,000 до $100,000 в год. Применительно к масштабам OneDigital, речь идет, скорее, о второй цифре.

Т.е. ошибка не в самом решении. И даже не в оценке его реальной эффективности. Ошибка в методике подсчета экономии. К сожалению, подобный способ оценки эффективности внедрения ИИ используется слишком часто, и, кстати, не только в области искусственного интеллекта ^[21] (Роснано передает привет). Что бросает нехилую такую тень на всю индустрию, ведь в реальности кратно сократить операционку с помощью ИИ-автоматизации вполне можно.

Как правильно?

Считать только то, что действительно сэкономлено, конечно. Сотрудники стали выполнять задачи быстрее? Так и запишем: сэкономили N часов на такой-то работе.

Второй момент. При определении экономического эффекта от внедрения ИИ необходимо учитывать стоимость инфраструктуры, обучение ^[22], подписки на коробочные решения и другие затраты.

Третий момент, который компания OneDigital как раз учла — механистичный подход ИИ к отбору часто воспринимается кандидатами, особенно на руководящие роли, как безразличие со стороны нанимателя. Ровно ту же мысль вы прочтете в любом обсуждении современного найма. 

Руководство OneDigital выстроило процессы так, чтобы ИИ работал как помощник, а не как судья. Обезличенность ИИ даже для обычной компании создает проблемы в найме, а для рекрутинговой это фатально.

Duolingo. Сова — это не только внедрение ИИ, но и…

Самое скачиваемое образовательное приложение в мире, конечно, не могло обойтись без AI. Если у тебя сотни миллионов пользователей, из которых как минимум 50 миллионов заходят в приложение каждый день, требования к регулярному и качественному контенту растут. Ну и монетизировать эту аудиторию тоже хочется, чего уж там.

В 2025 году компания объявила, что она теперь AI-first, и начала внедрение ИИ ^[23] на пяти уровнях:

1. Быстрое масштабирование обучающего контента. Речь не только о создании текстовых уроков на всех поддерживаемых языках, но и об автоматической адаптации под другие формы контента (музыка, видео, математика ^[24]).

2. Повышение вовлеченности пользователей. Под это дело компания запустила платное приложение Duolingo Max с множеством дополнительных возможностей, основанных на ИИ-технологиях.

3. Монетизация. Nuff said.

4. Снижение операционных расходов в долгосроке. Необходимость обращаться к сторонним производителям контента увеличивало расходы и замедляло рост.

5. Позиционирование Duolingo как ИИ-лидера в сфере образования. Можно по-разному относиться к ИИ-контенту, но если бороться с ним уже бесполезно, то можно хотя бы возглавить.

Что в результате?

Внедрение ИИ в бизнес-процессы помогло Duolingo увеличить оборот ^[25] до $292 миллионов только за первый квартал 2026 года. При этом выросла как пользовательская база, так и число платных подписок.

Совпадение? Вовсе нет. Сама компания называет ключевой причиной такого роста именно ускоренное и более дешевое производство контента для образовательных курсов.

В отчете для стейкхолдеров ^[26] опубликована сравнительная диаграмма покрытия курсами поддерживаемых языков:

В общем, у совы все хорошо. Или нет?

В чем ошибка?

Одно слово: нейрослоп.

Увы, проблема ИИ-генерации низкопробного контента не обошла стороной и Duolingo. Как признало руководство компании, не меньше 20% сгенерированных ИИ заданий в итоге оказались непригодными к реальному использованию в приложении.

Более того, сотрудники Duolingo и сами активно использовали ИИ в своей работе…  потому что одной из ключевых метрик эффективности их работы в свете парадигмы AI-first стал процент задач, решенных с помощью ИИ. Да, вот так вот тупо.

Результат немного предсказуем: весной 2026 года CEO Duolingo отозвал свое громкое заявление 2025 года, сказав, что его не так поняли.

Как правильно?

На самом деле, опыт Duolingo скорее положительный. Компания действительно сократила операционные расходы, увеличила пользовательскую базу и при этом даже не уволила ни одного сотрудника. Все освободившиеся ресурсы компания пускала в оптимизацию и развитие. И вот это как раз и есть правильный подход.

Что касается нейрослопа, то здесь ничего нового я не предложу: используйте принцип human-in-the-loop. Делайте ревью, вычитывайте и редактируйте человеческими глазами и руками.

LUXGEN. Кейс снижения операционных расходов с помощью ИИ из Тайваня

Этот кейс ^[27] — яркий пример автоматизации бизнес-процессов с помощью генеративного ИИ из Азии, где мессенджер LINE является основным каналом взаимодействия бизнеса с клиентами. Проект был реализован тайваньским производителем электромобилей LUXGEN в середине 2024 года, а его результаты стали эталонными и вошли в глобальные аналитические отчеты Google Cloud в 2025–2026 годах.

Забегая вперед: да, результаты там есть, и нет, не все так красиво, как описывают.

Что было до: высокая когнитивная нагрузка на операторов поддержки. Клиенты массово задавали рутинные вопросы про технические характеристики конкретных моделей, расписание тест-драйвов, расшифровку ошибок на приборной панели и детали из мануалов. Время ответа оператора удручало.

После внедрения Gemini Enterprise Agent Cloud (тогда — Vertex AI) вкупе с RAG-платформой и BigQuery для точности, нагрузка на операторов снизилась на 30%. В том смысле, что треть всех обращений закрывалась без участия человека. Людей тоже сохранили, перенаправив ресурсы на нестандартные вопросы от излишне эмоциональных клиентов.

Побочным эффектом внедрения стала статистика обращений, что позволило маркетинговому отделу LUXGEN анализировать предпочтения и боли клиентов.

В чем ошибка?

Со стороны реализации ошибки нет, но, как это часто было в уже описанных выше кейсах внедрения ИИ-агентов, здесь снова есть ошибка в интерпретации результатов.

Минус 30% нагрузки — это хорошо, но только в том случае, если освободившееся время потрачено с пользой. Публично доступный кейс не уточняет, куда именно перенаправили эти ресурсы. Для того, чтобы показать кейс инвесторам, этого, наверное, достаточно. Но если вы планируете внедрять ИИ у себя, то хочется понимать, в чем именно будет экономия.

Второй момент отмечают некоторые обозреватели ^[28]: кейс LUXGEN взлетел не столько потому, что в поддержку внедрили ИИ, сколько потому, что компания годом ранее вложилась в систематизацию данных, которые использовала техподдержка, и создание CDP (Customer Data Platform). Вполне возможно, такой же или чуть меньший эффект получился бы и без LLM.

Как правильно?

А вы уже знаете, как будете действовать, когда ИИ-автоматизация сработает и даст эффект? Будете ли вы сокращать штат? Перераспределять нагрузку или придумывать какие-то новые направления, чтобы сэкономленное время стало сэкономленными (а лучше заработанными) деньгами?

Я считаю, что план внедрения ИИ в бизнес должен включать в том числе и это.

Ну и, конечно, принцип «garbage in — garbage out». Если бизнес-процессы в организации не систематизированы и не оцифрованы, то внедрять туда ИИ бесполезно. А для точной оценки эффекта именно от искусственного интеллекта, цифровизацию нужно выделить в отдельную метрику. Потому что она и сама по себе может дать мощный буст и сокращение расходов, как мы увидели на примере LUXGEN.

Etsy. Облегчаем покупателям поиск на маркетплейсе, выбешиваем продавцов

Etsy — это маркетплейс. Однако в отличие от Amazon, где у каждого товара есть четкий SKU и стандартизированное описание, Etsy — это блошиный рынок крафтовых товаров. Очень большой: в каталоге сотни миллионов товаров от миллионов продавцов.

Классические поисковые движки, основанные на ключевых словах, перестали справляться. Если покупатель искал что-то в духе «подарок на годовщину развода в стиле рустик с ботаническим уклоном», то стандартный поиск выдавал рандомный набор всего подряд. Потому что никакой продавец в своем уме не станет помечать свой товар настолько специфичными тегами.

Внедрение генеративного ИИ ^[29] в Etsy началось с упорядочения данных (помните прошлый кейс?), которых накопилось аж 5 петабайт! Затем накатили мультимодальные LLM и реализовали технологию, которую CPO компании назвал algotorial curation (от algorithm+editorial). 

Система научилась понимать абстрактные концепции (например, стили «тропический» или «романтический») и персонализировать домашнюю страницу каждого из 90 миллионов покупателей в режиме реального времени. Кроме того, ИИ начал отслеживать культурные тренды в соцсетях и выводить подходящие товары на Etsy еще до того, как тренд достигал пика.

Теперь пользователь может задать буквально любой критерий: «кокетливый кофейный столик лофт в стиле Васи Ложкина» — и получить список подходящих товаров! Даже если продавец сам не думал, что его товар имеет какое-то отношение к лофту или современной пародии. Ну круто же!

Или что, здесь опять какой-то подвох?

В чем ошибка?

Хорошо, когда ИИ понимает, что твой хендмейд столик — это лофт. Хуже, если твой столик при этом НЕ лофт. 

Многие продавцы на Etsy жаловались, что из-за внедрения новых ИИ-алгоритмов их товары резко теряли трафик. Поскольку ИИ сам решает, что такое «ботанический стиль» (ставя диагноз по фото), продавец теряет контроль над SEO-оптимизацией своего магазина.

Проще говоря, в попытках подстроиться под целевую аудиторию, маркетплейс стал пилить сук, на котором сидит — продавцов. Некоторые аналогичные российские платформы (не будем их называть), кажется, выбрали тот же путь.

Как правильно?

Не мне критиковать бизнес с миллионными оборотами, но все же правильнее внедрять ИИ в фундаментальные процессы, а не в те, которые улучшают метрики. Etsy допустила классическую ошибку: они блестяще решили проблему покупателя, но сделали систему непрозрачным «черным ящиком» для продавца

Далее. Объяснимый ИИ. Мы научили LLM понимать классицизм и брутальность. Супер. Пусть теперь ИИ объяснит, как он принимает решение в каждом случае. Это дает нам обратную связь и рычаг влияния на решения нейросети.

Третье — постепенное внедрение. Подготовить продавцов. Начать с показа прогнозов ИИ («ваш товар будет отображаться в категориях “лофт”, “сказочный”, “нейрохардкор”, подтвердите, что это так»). Дать возможность продавцам исправлять ошибки ИИ.

Короче говоря, платформе уровня Etsy следовало бы позиционировать ИИ не как всезнающего цензора, который лучше мастера знает, что он продает, а как второго пилота.

Kraft Heinz. Ускоряем маркетинг с помощью ИИ-платформы

Маркетинг — это непрерывное тестирование новых гипотез и поиски выгодных ниш. У Heinz, как и у любого другого игрока в FMCG, этот процесс был ограничен скоростью креативных процессов. Нельзя просто так взять и запилить новый биллборд или ТВ-рекламу. Сперва нужно создать необходимые креативы.

И вот здесь у компании и был затык. Создание концепта для нового продукта (упаковка, маркетинговая визуализация, рекламные материалы) требовало физических фуд-съемок. Организация студии, работа фуд-стилистов, фотографов и ретушеров занимала в среднем 8 недель.

Из-за дороговизны визуального продакшена R&D-отдел не мог быстро тестировать десятки идей новых продуктов на фокус-группах, при этом бесконечно опаздывал на мем-вечеринки и свежие тренды в TikTok.

Вместо того, чтобы просто разрешить дизайнерам использовать нейросети, компания выбрала системный подход — создала ^[30] свою платформу TasteMaker на базе Gemini. Скорость создания креативов беспрецедентно выросла. Раньше разработка гипотезы занимала 8 недель, сейчас — 8 часов. А чтобы ИИ не выдумывал несуществующий кетчуп из манго с солеными огурчиками, прикрутили RAG, в который загрузили как корпоративные гайдлайны по дизайну, так и прошлые рекламные кампании.

Отличной иллюстрацией перемен стала вирусная кампания A1. Sauce ^[31]. Суть в том, что в 2025 году глава Департамента образования США Линда Макмахон во время публичного выступления прочитала AI как A1. Креативщики Heinz моментально это подхватили и в течение суток(!) запустили виральную рекламу своего бренда соусов.

Как правильно?

И вот здесь я даже не буду включать раздел «В чем ошибка». Потому что внедрение ИИ в Kraft Heinz прошло как по учебнику:

• вместо хаотичного доступа сотрудников к LLM, создали единую мультимодальную систему, которая внедрялась постепенно;

• дообучили модели на своем контенте под свои нужды и обязали ИИ работать в строгих рамках с помощью RAG;

• реализовали работу с ИИ без промптов — интерфейс TasteMaker реализовали в виде простых кнопок и ползунков. Сотрудник просто выбирает бренд, настроение и формат, а система сама формирует сложный промпт для нейросети. И это правильно;

• компания не стала насаждать обязательное использование ИИ сотрудниками. Удобный интерфейс системы и отличные результаты сами способствовали переходу на нее;

• подход human-in-the-loop — на месте;

• интеграция ИИ оценивалась по четким метрикам, а выигранное время реинвестировалось в другие процессы.

К слову, мы тоже как-то внедряли ИИ в маркетинг. Рассказывал о том, как это было, и о результатах здесь ^[32].

Выводы

Можно ли с помощью ИИ сократить операционные расходы компании? Этой статьей я попытался показать, что можно. Однако из всех рассмотренных примеров я бы скомпоновал одно ключевое правило, которое отличает однозначный успех от, скажем так, неоднозначного.

Внедрение ИИ реально что-то может сэкономить или принести измеримую ценность только в том случае, если сэкономленное время затем повторно инвестируется в производство, продажи, рисерч, развитие новых услуг или повышение качества уже имеющихся. Просто зафиксировать, что такая-то работа стала выполняться быстрее, недостаточно.

Ну и, конечно, все нужно делать грамотно: анализ, пилот, масштабирование, human-in-the-loop, адаптация персонала.

На этом я закругляюсь и добавлю лишь, что еще больше конкретных примеров успешного внедрения ИИ можно найти в моем Telegram-канале Дневник CEO IT-компании ^[33]. Приходите, всем рад.