ИИ-агенты в бизнесе: итоги 2026 на цифрах кейсов

12 задач года: что изменилось в цифрах

ИИ-агент - программа на языковой модели, которая не только отвечает, но и делает шаги в рабочих системах: ставит задачу, разносит платеж, оформляет резерв. Подробнее о терминах в глоссарии. Боты и консультанты, которые отвечают по базе знаний, здесь тоже есть: в малом бизнесе граница между ними условная, а задачи общие.

К концу года на сайте собраны двенадцать разборов, по одному на задачу, с которой чаще всего приходят в декабре. В каждом от трех до пяти кейсов с цифрами за 30 дней до и после запуска. Ниже по одной цифре на задачу, ссылка ведет прямо в раздел.

• Закрытие года в бухгалтерии: непонятных платежей WB на конец месяца 38 → 2.
• Оплаты и акты сверки в 1С: из 286 платежей правила 1С разнесли 162, агент 259.
• Договоры и допсоглашения на 2027: согласование 9 дней → 1.
• Бюджет первого года агента: с моделью 47 700 - 103 900 рублей, окупаемость от 6 до 15 недель.
• Обучение команды: КП 101 → 15 мин по шаблону из CRM.
• ИИ-ассистент руководителя: сделок без следующего шага 43% → 3%.
• ИИ-консультант в пик вопросов: без менеджера 4-10% → 46-65%.
• Продажи по старой базе: повторных покупок в месяц 17 → 59.
• Звонки в сезон корпоративов: звонок → встреча 16% → 29%.
• Бот на каникулах: чатов без ответа до утра 81 → 0.
• Голосовой робот в праздники: пропущенных звонков 21% → 4%.
• Цены с 1 января в базе знаний: 5 дней по старой цене, 11 200 рублей недобора.

Последняя строка списка тоже результат. Ошибку с прайсом нашли и исправили, и из нее выросло правило для баз знаний: у любой цены есть дата начала действия.

Что сработало в разных отраслях

Ниши в разборах разные: кофе для кафе, клиника, батутный парк, завод металлоконструкций. Приемы, которые дали цифру, при этом повторяются.

Ответ только с источником

Консультант отвечает, только если нашел строку в прайсе, остатках или условиях, и называет ее. В пяти таких сценариях без менеджера закрывается от 46% до 65% вопросов. Выдуманная скидка встречалась в этих кейсах не раз: 7% у поставщика кофе в первые дни, 10% у продавца кондиционеров и у центра ДПО на прогоне. В базе знаний к источнику добавилась дата: «действует с».

Действие вместо сводки

Ассистент руководителя в установочном центре автозвука две недели присылал владельцу утреннюю сводку сделок без следующего шага, и их доля сдвинулась с 43% только до 41%. Когда он стал сам ставить задачи менеджерам, таких сделок осталось 3%. В глэмпинге то же видно на звонках: разбор в карточке сделки через пять минут после разговора дал встречу в 27% звонков, недельный отчет в 19%.

Повод вместо рассылки всем

Сообщения по старой базе работают, когда в них повод из истории клиента: стекло к пятому месяцу, ребенок дорос до следующей группы, прошел обычный срок заказа. У школы робототехники рассылка всем со скидкой собрала 7% ответов, письмо с поводом 57%.

Агент готовит, человек подтверждает

Там, где ошибка стоит денег, решение остается за человеком. Агент в 1С сам проводит только оплаты с номером счета или точной суммой, частичные оплаты и возвраты отдает бухгалтеру. Проверка договоров собирает реестр замечаний, решение по нему принимает юрист. Голосовой робот клиники ставит задачу, а запись к врачу подтверждает администратор.

Замер до запуска

В каждом кейсе цифру «до» снимали за 30 дней до старта: по журналу АТС, выгрузке переписки, выписке банка, хронометражу. Без нее через месяц не с чем сравнить. Лучше всего это видно на обучении команды: до старта замерили минуты на типовой документ. Через 30 дней стало видно, где шаблон из CRM дал 15 минут на КП вместо 101, а где общий воркшоп почти ничего не изменил.

Первые версии, которые не сработали

Почти у каждой задачи первая версия чему-то научила. Шесть провалов, которые полезно знать до старта:

• Сводка без действия. Доля сделок без задачи за две недели 43% → 41%: сводку читал один человек, и то вечером (ассистент руководителя).
• Скидка всем. 518 писем бывшим ученикам, 7 оплат и 41 блокировка бота (продажи по старой базе).
• Анкета вместо разговора. Голосовой робот с семью вопросами: 24 из 52 звонящих бросили трубку (голосовой робот).
• Карта из старого скрипта. Две недели оценок, а бронь со звонка 15% против 17% до запуска (звонки в сезон броней).
• Общий воркшоп. Через две недели ИИ пользовались 2 сотрудника из 7, документ занимал 48 минут вместо 51 (обучение команды).
• Правило для одного режима. Сверка выплат WB знала только недельную выплату. После включения ежедневного вывода ИИ три дня писал о недоплате, которой не было (закрытие года).

Во всех шести случаях вторую версию собирали из того, что показала первая: причины ухода учеников, записи лучшего продавца, документы самой команды. Поэтому первый месяц честнее считать проверкой, и итоги подводить по второй версии.

Ошибки в данных: модель права, карточка нет

Многие ошибки года случились там, где модель сделала ровно то, что было в данных. Неверными оказались поле, колонка или отметка, которые никто не проверял.

• Поставщик кофе: шаблон импорта поставил отсрочку 14 дней всем 340 компаниям. Три кафе получили 63 300 рублей товара без предоплаты (консультант).
• Завод окон: загрузка брала цену из колонки по ее месту, заголовок не читала. Два подписанных КП по старой цене, 11 200 рублей (цены с 1 января).
• Аптечный франчайзи: возврат на 14 400 рублей задвоили и в 1С, и у клиента. Поэтому неполная оплата 72 000 из 86 400 сошлась с долгом до рубля (оплаты в 1С).
• Продавец кондиционеров: контроль дублей amoCRM присоединял новые заявки к закрытым сделкам, и 11 человек ждали звонка, которого никто не видел (консультант).
• Пасека: заказ на ярмарку стоял без резерва, и бот продал две рамки меда в сотах, которые уже были отложены (бот на каникулах).
• Магазин электроники: ремонты вели в таблице, которую стоп-лист не видел, и бот поздравил с годовщиной покупки человека, сдавшего наушники в ремонт (продажи по старой базе).

Вывод для любой задачи: до запуска проверяют не только ответы, но и поля, из которых агент их берет, и договариваются, кто эти поля меняет. После истории с отсрочкой поле «Условия оплаты» у поставщика кофе меняет только бухгалтер и только вместе с номером договора.

Где ИИ-агент не нужен

Те же кейсы показывают, где агент не поможет или поможет мало.

• Процесс бывает раз в месяц. Окупается то, что повторяется каждый день: вопросы о наличии, разнесение выписки, звонки. Ежемесячный отчет проще сделать руками.
• У данных нет хозяина. Без таблицы остатков, которую кладовщица обновляет каждое утро, консультант поставщика оборудования не ответил бы на 84 вопроса о наличии. У базы ассистента нужен один человек, который дописывает ответы.
• Узкое место не в ответах. Голосовой робот аренды спецтехники снял пропущенные звонки, но из 79 его заявок 39 не сложились, в основном из-за занятой техники. Дальше заказы может прибавить только третья машина в парке.
• Клиент решает за минуты. Турагентство перезванивает по недозвонам через 11 минут, но горящий тур к этому времени часто куплен у соседей. Здесь помогает ответ с первого гудка, то есть телефония и график.

Как выбрать первый процесс и что вычеркнуть из списка идей, разобрано в статье ИИ-аудит бизнеса. Общий порядок работ описан в материале о внедрении ИИ в бизнес, все опубликованные истории собраны в разделе кейсов.

Как читать цифры из кейсов

Кейсы на сайте подаются как собирательные сценарии внедрения, поэтому у разделов стоит пометка «пример собирательный». Чтобы цифры не обманывали, в них заложены три ограничения.

• Один месяц до и один после. Длинные эффекты, вроде повторных визитов к врачу или корпоративов, забронированных на зиму, в цифру месяца не попадают.
• Сезон отделяют, где можно. В клинике августовские 118 первичных пациентов пересчитали по прошлогоднему сентябрю, вышло 126. У студии праздников третий набор новичков без бота показал, что около 2 недель из 5 дал поток заявок сезона.
• Деньги только по оплаченному. У пасеки заказов из чатов стало 110 вместо 59, а в расчет пошли 82 оплаченных. Там, где сезон отделить не удалось, как у продавца кондиционеров в жару, окупаемость считали по часам менеджеров.

Поэтому окупаемость в кейсах скромнее метрик. 65% вопросов без менеджера у продавца кондиционеров дали окупаемость около 19 недель, пятикратный рост возвратов спящих клиентов у мясного поставщика - около 15 недель. Такие цифры полезнее для решения, чем средние по рынку.

Что показывают открытые исследования

Сводных цифр по малому бизнесу мы не нашли. По крупному есть опрос технических директоров в исследовании «Яков и Партнеры» и Яндекса за декабрь 2025 года. По нему 71% компаний применяют генеративный ИИ хотя бы в одной функции, а 46% уже внедрили или тестируют ИИ-агентов («Искусственный интеллект в России»). Сколько это дало в каждом процессе, такие опросы не показывают.

Подробный замер эффекта на людях есть в исследовании NBER на 5 179 операторах поддержки: ИИ-помощник прибавил в среднем 14% решенных обращений в час, новичкам 34%, опытным почти ничего («Generative AI at Work»). Похожее видно в кейсе бота-наставника: новички завода окон вышли на план за 4 недели вместо 6.

И одна граница, которую провел трибунал. В деле Moffatt v. Air Canada трибунал Британской Колумбии решил, что компания отвечает за слова своего чат-бота так же, как за любую страницу сайта (2024 BCCRT 149). Отсюда правило, которое повторяется в разборах года: агент и бот отвечают по источнику, а обещания с деньгами дает человек.

Пример собирательный: цифры из сценариев кейсов на digital-core.ru.