Эффективность внедрения ИИ нельзя оценивать только по выручке или сокращению расходов. Продажи зависят от рынка, сезонности, цен, рекламы, состава команды и множества других факторов. Поэтому гораздо точнее смотреть на конкретные рабочие процессы: что сотрудник делал раньше, сколько времени это занимало, какой объём работы он выполнял и что изменилось после того, как в процесс встроили ИИ.

Для руководителя это принципиальный момент. Формулировка «мы внедрили ИИ в отдел продаж» почти ничего не говорит о результате. Один менеджер работает с тендерами, другой ведёт оптовых клиентов, третий готовит переговоры с крупными сетями, четвёртый подбирает технические решения под сложные проекты. Инструмент может быть один, но задачи, сценарии применения и показатели эффективности у этих сотрудников будут разными.

Представим производственную компанию с собственным отделом продаж. Тендерный менеджер ежедневно ищет закупки, читает документацию, проверяет требования и контролирует сроки подачи. До внедрения ИИ на первичный разбор одного большого пакета документов у него мог уходить час или больше. В таком процессе имеет смысл измерять, сколько тендеров сотрудник успевает рассмотреть, сколько времени занимает анализ документации, насколько качественно выделяются требования и не увеличивается ли количество ошибок.

У менеджера по оптовым клиентам совершенно другая работа. Он изучает компанию перед переговорами, поднимает историю взаимодействия, анализирует ассортимент, готовит коммерческое предложение. Здесь показатель эффективности — не количество обработанных тендеров, а скорость подготовки к встрече, время создания предложения, количество клиентов, которых менеджер способен качественно обработать, и качество самой подготовки.

Если сотрудник занимается сложными проектными продажами, например подбирает оборудование или аналоги по технической документации, ИИ можно использовать для предварительного анализа характеристик и сравнения большого количества вариантов. Тогда измерять нужно время технического подбора, количество рассмотренных решений и качество результата. Именно поэтому одинаковая для всех сотрудников метрика почти всегда будет слишком грубой.

Чтобы оценить результат, необходима исходная точка. Если компания не знает, сколько времени занимала задача раньше, через два месяца будет сложно доказать, что ИИ действительно что-то изменил.

Для начала достаточно нескольких простых показателей: время выполнения операции, количество таких операций за неделю или месяц, качество результата и количество ручных действий. Например, коммерческое предложение готовилось 80 минут, а после настройки рабочего сценария с ИИ — 40 минут вместе с проверкой. Или специалист раньше успевал полноценно разобрать десять тендеров в неделю, а теперь — пятнадцать при том же качестве анализа.

Здесь важно не ограничиваться временем. Если сотрудник стал выполнять задачу быстрее, но затем долго исправляет ошибки нейросети, экономии нет. Поэтому рядом со скоростью нужно измерять качество: количество доработок, пропущенных требований, фактических ошибок, полноту анализа. Иногда ИИ сокращает время всего на 20–30%, но заметно повышает качество или позволяет рассмотреть больше вариантов. Для бизнеса это тоже результат.

Отдельно стоит считать увеличение пропускной способности команды. Если отдел из пяти человек раньше мог обработать 500 обращений в месяц, а после изменения процессов справляется с 650 без дополнительного найма и ухудшения качества, это вполне конкретный эффект внедрения ИИ. Штат не сократился, но производительность выросла.

Особенно осторожно нужно оценивать ИИ через продажи. Допустим, сотрудники стали быстрее анализировать клиентов, лучше готовиться к переговорам и оперативнее делать коммерческие предложения, но рынок одновременно сократился на 15%. Выручка компании может снизиться даже при том, что внутренние процессы стали значительно эффективнее.

Поэтому при изменении внешней ситуации я бы смотрела на показатели внутри воронки: сколько возможностей обрабатывает сотрудник, сколько времени проходит от обращения до предложения, насколько быстро проводится технический анализ, сколько клиентов менеджер способен качественно подготовить к переговорам. После этого уже можно анализировать конверсию и финансовый результат.

Обратная ситуация тоже возможна. Компания получила одного крупного клиента, продажи резко выросли, а сотрудники при этом продолжают выполнять большую часть работы вручную. Формально выручка после внедрения ИИ выше, но приписывать этот рост технологии нельзя.

Поэтому корректная логика выглядит так: сначала мы фиксируем изменение рабочего процесса, затем смотрим, как оно влияет на производительность и качество, и только потом связываем это с коммерческими показателями.

Не каждый эффект обязательно считать в рублях, но для повторяющихся процессов это полезно. Можно оценить стоимость рабочего часа сотрудника и посмотреть, сколько времени ежемесячно высвобождает новый способ работы. Однако здесь есть важная оговорка: высвобождённые часы ещё не означают прямую экономию денег, если зарплата сотрудников не изменилась.

Финансовый эффект становится очевиднее, когда дополнительное время используется бизнесом. Например, команда без расширения штата берёт на себя больший объём работы, компания отказывается от части услуг подрядчика, не нанимает дополнительного аналитика или сокращает стоимость одной массовой операции. В этом случае уже можно сопоставлять полученный эффект со стоимостью обучения, подписок, настройки ИИ-инструментов и автоматизации.

Именно поэтому я не рекомендую пытаться сразу посчитать один общий ROI от «всего ИИ в компании». Намного полезнее взять пять конкретных процессов и увидеть, какой из них действительно даёт экономический эффект. Один сценарий может окупаться очень хорошо, второй — только немного экономить время, а третий вообще окажется нецелесообразным. Это нормальный результат диагностики.

После нескольких недель работы с новым сценарием у компании должен появиться понятный ответ: какой процесс изменили, каким был исходный показатель, что произошло после внедрения, сохранилось ли качество и можно ли повторить результат у других сотрудников. Если этого ответа нет, оценивать эффективность пока рано.

На практике я бы фиксировала для каждого сценария четыре группы показателей: время, объём работы, качество и стоимость процесса. Для продаж дополнительно можно смотреть промежуточные показатели воронки, для документов — количество ошибок и доработок, для аналитики — скорость подготовки и глубину обработки данных. Набор метрик зависит от задачи, но принцип остаётся одинаковым.

Именно поэтому внедрение ИИ стоит начинать не с выбора самой мощной нейросети, а с понимания рабочих процессов компании. Тогда через месяц можно обсуждать не впечатления сотрудников от нового инструмента, а фактический результат: где команда стала работать быстрее, где увеличила объём без расширения штата, где повысилось качество и какие сценарии имеет смысл масштабировать дальше.

В «Цифровых трансформациях с ИИ» мы используем эту логику при диагностике и внедрении: разбираем реальные задачи сотрудников, определяем показатели до начала изменений и затем сравниваем результат на тех же процессах.