Почему эффект LLM до сих пор не виден внутри корпораций

LLM (Large Language Model, большая языковая модель) же чаще всего внедряют в те места, где шаги неочевидны, контекст меняется каждую минуту, а результат зависит от человеческих решений. В итоге эффект рассеивается: инструменты используются массово, но экономическая ценность почти не появляется.

При этом проблема не в том, что LLM «не монетизируются» как продукт. Внутри корпорации вопрос стоит иначе: почему, вложив значительные ресурсы во внедрение, мы не видим понятного экономического результата — в деньгах, скорости, качестве и управляемости процессов. Настоящий эффект появляется только тогда, когда интеллект не украшает процесс, а становится его полноправным участником.

Идея эффективного внедрения искусственного интеллекта выглядит очевидной

Классический ИИ давно доказал свою экономическую состоятельность: рекомендательные системы, контекстная реклама, прогнозирование спроса, антифрод. Эти технологии встроены в процессы, где легко измерить изменение: был показатель — стал лучше. Один шаг, одна метрика, понятный эффект.

Именно поэтому классический AI хорошо масштабируется и окупается — не всегда быстро, но предсказуемо. Он оптимизирует процессы, в которых есть ясный переход от входа к выходу, и каждое улучшение сразу отражается либо на стоимости процесса, либо на рисках, либо на скорости. Это три базовых измерения, ради которых вообще есть смысл что‑то автоматизировать: делать быстрее, с меньшим уровнем брака и рисков — или дешевле.

Генеративный AI живет в другом мире. Его чаще всего внедряют в сложные, многоэтапные процессы, где нет единообразного способа достижения результата. Формально результат у процесса может быть один — например, «подтвердить или не подтвердить страховой случай» по ДМС. Но путь к этому результату каждый раз разный: информация лежит в нескольких системах и документах, часть знания — в головах экспертов, а решения принимаются кейс за кейсом. На бумаге такой маршрут не опишешь: его можно только наблюдать в работе опытного сотрудника.

Большая часть реальных бизнес‑процессов в корпорациях устроена именно так: высокая вариативность, зависимость от контекста, от опыта исполнителя, от нюансов, которые нигде формально не зафиксированы. И это как раз те процессы, где теряется эффективность, сгорают человеко‑часы и прячется огромный экономический потенциал. Классический AI туда почти не добирается. LLM теоретически способен — но только при правильной архитектуре внедрения.

Два типа процессов и две логики автоматизации

Чтобы понять, почему эффект LLM часто «уходит в фон», важно развести две оси. Первая ось — тип процесса.

Жестко структурированные процессы. Порядок действий прозрачен: «делай раз, делай два, делай три». Есть регламент или хотя бы очевидная логика: если А — то Б, если А′ — то Б′. Хороший пример — классическая техподдержка по скрипту, где оператор шаг за шагом отвечает на типовые запросы, а результатом является корректный фрагмент информации.

Мягкие, вариативные процессы. Порядок действий зависит от контекста, истории клиента, множества разрозненных источников и профессиональной интуиции исполнителя. Решение принимается, но формальной логики «если—то» для него не существует, она не лежит на бумаге. Так устроены, например, сложные разборы страховых кейсов по ДМС, нестандартные клиентские ситуации, закупки, согласования, сложные сделки, подготовка материалов, часть управленческих решений.

Проще всего понять, что вы имеете дело именно с таким мягким процессом, по одному признаку: в компании нигде не описана логика принятия решения. Есть результат, есть опытный человек, который «как‑то это делает», но нет формального дерева решений, которое можно напрямую отдать машине.

Вторая ось — логика автоматизации. Корпорации сейчас часто идут по пути горизонтальной автоматизации.

LLM внедряют кросс‑процессно. Собрания автоматически суммируются, письма структурируются, черновики текстов собираются за минуты. Это создает ощущение технологического прорыва: сотрудникам комфортнее, рутинных действий меньше, «все словно заработало быстрее». Но экономический эффект здесь минимален и очень плохо измерим. Экономия времени сама по себе не создает стоимости.

Если человек перестал вручную писать протокол встречи, это не означает, что освобожденные двадцать минут превратились в дополнительные продажи или в снижение рисков. Возможно, раньше, пока он писал протокол, он перепроверял себя и коллег и ловил инсайты. Возможно, теперь эти двадцать минут он просто пошёл пить кофе. Более того, качество старых протоколов почти никогда не измерялось. Качество автоматически сгенерированных — тоже. На уровне здравого смысла понятно, что эффект есть, но на уровне взрослой оценки экономического результата честный ответ один: мы не знаем.

Отсюда парадокс, там, где компании ожидают «эффект масштаба» — при горизонтальной автоматизации, когда LLM равномерно размазывается по звонкам, документам и письмам, — эффект трудно доказать и сконвертировать в деньги. Зато там, где эффект мог бы появиться, LLM внедряют значительно реже: при вертикальной автоматизации одного конкретного процесса от входа до выхода.

«Эффект масштаба» появляется в вертикальных процессах

Стабильный и воспроизводимый экономический результат дает только моно‑процессная, вертикальная автоматизация. Это когда искусственный интеллект оптимизирует не случайный фрагмент, а конкретную бизнес‑функцию целиком, с четкими входами, выходами, метриками и стоимостью.

Вертикальный процесс может быть любым по «жесткости» — от строго регламентированного до вариативного. Но ключевое не в классификации, а в том, что в вертикальной автоматизации мы считаем экономику на уровне целого процесса: длину цикла, стоимость ошибки, время реакции, качество промежуточных шагов и итоговую управляемость. Можно отдельно измерить, как изменились скорость и качество на конкретном этапе, и понять, превращается ли это улучшение в деньги — через снижение затрат, уменьшение рисков или ускорение потока операций.

Классический AI хорошо чувствует себя в жестких вертикальных процессах. LLM, при правильной инженерии, способен зайти и в мягкие: помогать собирать данные из разрозненных источников, приводить их к единому виду, предлагать варианты решения и фиксировать логику рассуждений. Именно здесь лежит основная зона недоиспользованного эффекта. Но за это приходится платить: вертикальная автоматизация требует дисциплины, инженерной работы, проектной зрелости и понимания сквозной логики процесса.

Классический AI работает в основном с первым типом. LLM при правильной архитектуре и доступе к данным может заходить и во второй, помогая вынести часть реального мышления исполнителя в явную логику работы системы. Но чтобы это случилось, недостаточно «поставить модель» на процесс. Ее нужно встроить, обучить и обеспечить управляемость результата.

Почему «AI из коробки» не существует

Универсального ИИ «из коробки» для таких задач не существует. Любая, даже самая сильная модель должна быть встроена в конкретный контекст компании.В двух корпорациях нет двух полностью одинаковых процессов: техподдержки, планирования, бюджетирования, финансового учета, найма, продаж. Даже когда на бумаге есть одинаковые этапы, в деталях логика принятия решений, набор исключений и неформальных правил отличается.

Отсюда же возникает популярная иллюзия про «индустриальную специфику»: кажется, что если в одной отрасли процессы похожи (например, в страховании или логистике), то AI‑автоматизацию можно будет просто «повторять» из компании в компанию. В реальности даже там нужна длинная накопительная кривая: должны пройти годы — часто пять, а иногда и десять и больше — чтобы появился новый класс AI‑native решений и систем, которые выстроены вокруг ИИ и многолетне «обкатаны» в конкретном домене. Пока такого класса зрелых решений нет, внедрение LLM в корпоративные процессы остается проектной инженерией под контекст — даже в индустриально похожих сценариях.

Поэтому типовое «коробочное» решение для LLM‑автоматизации купить нельзя. Это всегда проект, а значительная часть трудозатрат и успеха проекта уходит на одно и то же: понять, как на самом деле устроен ваш процесс, разложить его на управляемые куски, описать входы и выходы этих кусочков и договориться о метриках качества для каждого шага.Это очень похоже на внедрение ERP, 1С или крупной BI‑системы в большой организации: чем больше компания и чем разветвленнее дерево процессов, тем меньше шансов, что «типовая конфигурация» заработает без серьезной настройки.

«Умный помощник» превращается в управляемый инструмент

Именно поэтому эффект LLM внутри корпорации так долго остается «невидимым»: чаще всего модели используют горизонтально, как удобный слой для текстов, писем и встреч, а не как участника конкретной бизнес‑функции с измеримыми входами, выходами и ответственностью. Заработать на интеллекте можно только там, где он встроен в вертикальный процесс и работает на понятные метрики: скорость, качество, риски и стоимость ошибки.

LLM не заменяет инженерную дисциплину: она ее требует. Но когда процесс разобран на шаги, задана архитектура, определены данные и контроль качества, «умный помощник» превращается в управляемый инструмент, и тогда экономический эффект наконец перестает быть обещанием и становится цифрой.