7 причин, почему AI-проект не окупился: чек-лист до старта

Короткий ответ: почему одни проекты окупаются за три месяца, а другие не окупаются вообще

Разница почти никогда не в модели. Мы видели проекты, где агент собран на дешёвой модели и окупается за 2,4 месяца, и проекты, где использовались самые дорогие решения, а результат — ноль. Причина в том, что окупаемость создаёт не технология, а закрытый разрыв в процессе: заявка, которая ждала три часа; документ, который разносили руками; оператор, отвечавший на один и тот же вопрос двадцатый раз. Если разрыв не найден и не измерен до старта, никакая модель его не закроет.

Вторая закономерность: неудачные проекты почти всегда проходят один и тот же путь. Сначала появляется желание «внедрить ИИ», потом выбирается инструмент, потом выясняется, что данных нет, метрики нет, а процесс существует только в голове у сотрудника. Через три месяца обсуждений проект тихо останавливают, а в компании закрепляется мнение, что «ИИ у нас не работает». Мы собрали статистику по своим проектам, и семь причин ниже покрывают практически все случаи, когда мы видели провал — у нас или у команд, которые приходили после неудачного опыта.

Как читать этот разбор. По каждой причине есть три блока: как она проявляется, чем оборачивается в рублях и как проверить себя. Если по всем семи пунктам у вас есть ответы и документы, проект почти наверняка окупится — остальное вопрос аккуратности. Если хотя бы три пункта вызывают сомнения, начинать разработку рано: сначала аудит и подготовка. Экономику самого агента мы разбираем отдельно в статье «Сколько денег приносит AI-агент», здесь же — именно про причины провала.

Причина 1. Нет метрики и владельца процесса

Как проявляется. Задача формулируется словами «повысить эффективность», «разгрузить менеджеров», «внедрить ИИ в продажи». На вопрос «как мы поймём через три месяца, что получилось?» в комнате возникает пауза. Метрика появляется позже, уже после запуска, и обычно её подбирают так, чтобы результат выглядел хорошо. Второй симптом — отсутствие владельца: за процесс отвечают все сразу, поэтому решения не принимает никто, вопросы копятся, а пилот буксует на согласованиях.

Чем оборачивается в рублях. Пилот стоит от 90 000 ₽, автоматизация направления — от 340 000 ₽. Но главная потеря не в бюджете, а во времени и в невозможности доказать эффект: без замеров «до» вы не покажете разницу и не получите бюджет на второй этап. К прямой стоимости добавляется внутреннее время: три совещания в неделю по пять человек в течение четырёх месяцев — это около 160 человеко-часов, то есть 200 000–300 000 ₽ невыпущенной работы. Итоговые потери без учёта упущенной выгоды обычно укладываются в 400 000–900 000 ₽. Это оценка, а не гарантия, но порядок сумм именно такой.

Как проверить, есть ли у проекта метрика и владелец?

• Сформулируйте метрику одним предложением с числом: «время первого ответа с 3 часов до 10 минут», «закрытие месяца с 6 дней до 1 дня».
• Назовите человека, который отвечает за эту метрику и имеет право менять регламент, а не только «участвует».
• Проверьте, есть ли цифра «до» за последние три месяца, полученная из системы, а не из воспоминаний.
• Договоритесь, что цель не двигается в середине проекта: смена метрики на ходу — верный признак, что проект уже не окупается.

Причина 2. Данные не готовы: хаос в CRM

Как проявляется. В компании три источника правды: CRM, таблица в отделе и переписка в мессенджерах. Карточки дублируются, обязательные поля заполнены наполовину, часть сделок висит в статусе «в работе» с прошлого года, а история переписки существует только в e-mailе менеджера. Агент получает доступ к такой базе и начинает уверенно работать с неполными данными: обращается к клиенту неправильно, предлагает не тот продукт, ставит встречу не тому человеку.

Чем оборачивается в рублях. Есть два пути, и оба стоят денег. Первый — чистить данные до старта: разбор дублей, восстановление обязательных полей, выгрузка истории. На типовой базе это занимает 4–6 недель и стоит 150 000–400 000 ₽ в зависимости от объёма. Второй — запускаться как есть: тогда агент тиражирует ошибки, и стоимость каждой выясняется в момент потери клиента. Один потерянный B2B-клиент со средним чеком в несколько миллионов рублей дороже любой чистки. Отдельная статья расходов — потеря доверия сотрудников: если агент дважды ошибся из-за грязной базы, менеджеры перестают ему доверять, а возвращать доверие дороже, чем чистить справочники.

Как проверить готовность данных в CRM?

• Выгрузите случайную тысячу карточек и посмотрите заполненность критичных полей: если она ниже 80%, данные не готовы.
• Посчитайте дубли: больше 5% — сначала дедупликация, потом автоматизация.
• Проверьте, сколько сделок без движения больше 90 дней, и есть ли по ним контекст коммуникации.
• Убедитесь, что есть один источник правды, из которого агент читает данные, а не три параллельных.

Причина 3. Строят «как у всех», а не под свой процесс

Как проявляется. Решение копируют из кейса, презентации или шаблона: берут чужой сценарий, чужой набор полей и типовые ответы. Выглядит разумно, пока не выясняется, что у вас другой цикл сделки, другая номенклатура, скидка согласуется через технического директора, а половина заявок приходит через дилера. Агент «в целом правильный», но не вписан в реальный процесс — и им перестают пользоваться.

Чем оборачивается в рублях. По нашим наблюдениям, в шаблонном решении остаётся невостребованной значительная часть функций, а стоимость переделки часто сопоставима с первоначальным бюджетом: 300 000–600 000 ₽ вместо того, чтобы сразу собрать нужное. В одном из разборов компания потратила около 320 000 ₽ на агента, который не учитывал принятый порядок согласования скидок, — в итоге решение пришлось перестраивать под процесс, а не процесс под решение. Отдельная потеря — время: вместо 4–8 недель проект растягивается на 4–6 месяцев.

Как проверить, что решение сделано под ваш процесс, а не «как у всех»?

• Опишите свой процесс схемой: шаги, развилки, исключения, участники — на одной странице, до выбора технологии.
• Проверьте, учтены ли исключения: что делать, если клиент нестандартный, данных нет, сумма выше порога.
• Спросите подрядчика, какие решения он предлагает именно под ваши ответвления, а не «в среднем по отрасли».
• Потребуйте тестирования на ваших исторических данных: 100–200 реальных обращений показывают больше, чем демо.

Причина 4. Забыли про людей, регламенты и обучение

Как проявляется. Технически агент работает, но им не пользуются. Менеджеры продолжают писать сами, потому что «так быстрее»; оператор отвечает в обход агента, чтобы не разбираться с новой логикой; руководитель ждёт отчётов, которых никто не настроил. Регламент не обновлён, KPI остались прежними, обучение свелось к одному письму. Люди в этой истории не противники технологии — у них просто нет понятной инструкции и мотива продолжать.

Чем оборачивается в рублях. Эффект автоматизации пропорционален доле операций, которые через неё реально проходят. Если агент обрабатывает 30% обращений вместо плановых 80%, вы получаете 30% эффекта при 100% затрат: бюджет 590 000 ₽ работает вполсилы, а недополученная экономия исчисляется сотнями тысяч рублей за квартал. Плюс скрытая стоимость повторного внедрения: через полгода проект придётся перезапускать с обучением и коммуникацией, только уже с испорченной репутацией внутри компании.

Как проверить, готовы ли люди, регламенты и обучение?

• Есть ли регламент на одну-две страницы: что агент делает сам, что передаёт человеку, кто отвечает за эскалацию.
• Изменены ли KPI участников процесса: если метрика по-прежнему «количество звонков», агент будет мешать, а не помогать.
• Назначен ли владелец процесса со стороны заказчика — человек, который смотрит метрики раз в неделю.
• Проведено ли обучение и есть ли план коммуникации: кому, когда и что рассказываем про изменения.

Причина 5. Нет контроля качества ответов агента

Как проявляется. Точность никто не измеряет: считают, что «модель умная». Контрольной выборки нет, логи не собираются, ответы не сверяются с базой знаний. Через два-три месяца выясняется, что доля автономных решений упала с 70% до 40%, база знаний устарела, а агент уверенно рассказывает клиентам про сроки и условия, которых у компании уже нет. Это не ошибка модели, а отсутствие контура качества.

Чем оборачивается в рублях. Одна неверная цена или срок в коммерческом предложении может стоить сделки — а в B2B это миллионы рублей. Отдельно стоит репутация: агент, который отвечает «из головы», пишет клиентам то, за что потом извиняется менеджер. Ещё одна статья — работы по восстановлению: аудит ответов, пересборка базы знаний, повторное тестирование. На практике это 100 000–250 000 ₽ и месяц времени, которых можно было избежать настройкой четырёх метрик с первого дня.

Как проверить, что качество ответов агента под контролем?

• Есть ли контрольная выборка из 100–200 обращений, на которой регулярно измеряется точность и полнота ответов.
• Ведётся ли журнал: какой ответ дал агент, на какие источники он ссылался, почему решение ушло человеку.
• Работает ли правило «нет ответа в базе знаний — передать человеку» вместо попытки угадать.
• Настроены ли четыре метрики: доля автономных решений, точность, среднее время, стоимость операции.

Причина 6. Экономика посчитана «на салфетке»

Как проявляется. В расчёт берут только зарплату сотрудника, которого «заменит» агент. Не учитывают стоимость токенов, инфраструктуры, сопровождения, времени собственной команды, интеграций и доработок после запуска. Считают один сценарий — радужный. Обещают окупаемость «за два месяца», хотя в формуле не хватает половины слагаемых. В результате проект формально окупается на бумаге и не окупается в реальности.

Чем оборачивается в рублях. Инфраструктура одного процесса стоит примерно 13 200 ₽ в месяц, то есть около 158 400 ₽ в год, и это без поддержки и доработок — разбор сметы есть в статье про связку n8n, LLM и CRM. Если эффект завышен вдвое, обещанная окупаемость за 6 месяцев превращается в 12 и больше. Самый частый пропущенный пункт — сопровождение: база знаний устаревает, и без обновления эффект падает каждый месяц.

Как проверить, что экономика посчитана честно, а не «на салфетке»?

• Посчитаны ли три сценария — пессимистичный, базовый, оптимистичный — и какой срок окупаемости в самом плохом из них.
• Учтены ли токены, сервер, сопровождение, интеграции и время вашей команды, а не только экономия на зарплате.
• Согласована ли формула расчёта с финансами и владельцем процесса, а не только с подрядчиком.
• Есть ли порог, при котором проект останавливается: например, срок окупаемости больше 12 месяцев в пессимистичном сценарии.

Причина 7. Запустили и не развивают

Как проявляется. Пилот сдан, отчёт подписан, ответственный исчез. База знаний не обновляется, новые продукты и тарифы в неё не попадают, обратная связь от сотрудников никуда не собирается. Через полгода агент отвечает устаревшими условиями, доля автономных решений падает, а в компании начинают говорить «мы это пробовали, не сработало». Формально проект живой, фактически он деградирует с первого дня после сдачи.

Чем оборачивается в рублях. 97% наших клиентов продлевают поддержку именно потому, что без неё система теряет качество, и это не маркетинговый аргумент, а наблюдение по 42 проектам. Отказ от развития означает, что вложения не окупаются: медианная окупаемость 3,1 месяца предполагает, что после запуска система продолжает работать на метрику. Повторный запуск через полгода простоя обходится в 30–50% первоначального бюджета — дешевле, чем начинать заново, но дороже, чем просто поддерживать контур.

Как проверить, что проект развивают после запуска?

• Назначен ли человек, отвечающий за актуальность базы знаний, и с какой периодичностью она обновляется.
• Есть ли план развития на три месяца: какие сценарии добавляем, какие метрики улучшаем.
• Собирается ли обратная связь от сотрудников, которые работают с агентом каждый день.
• Понятно ли, по каким признакам вы поймёте, что систему пора перезапускать, а не латать.

Чек-лист готовности к внедрению: семь пунктов

Этот список мы просим заполнить до подписания договора, а не после. Он не гарантирует результат — гарантий в этом деле вообще не бывает, — но он отсекает почти все сценарии, в которых проект не окупается. Каждый пункт проверяется документально: не «мы примерно знаем», а «вот файл, вот цифра, вот ответственный».

Таблица: симптом → причина → что делать

Если проект уже идёт и что-то не складывается, начните с симптома. Ниже — соответствие симптомов причинам из этого разбора и первое действие, которое даёт эффект быстрее всего.

Когда ИИ не нужен: честный список

Мы говорим это на аудите чаще, чем может показаться. AI-агент — не универсальное решение, и есть ситуации, когда он не окупится при любом качестве реализации.

• Операций меньше сотни в месяц. Объём не набирается, обслуживание контура стоит дороже эффекта — считайте смету и увидите это сами.
• Процесс не описан и меняется каждую неделю. Автоматизировать можно только то, что хотя бы месяц работает одинаково.
• Данных нет и появиться им неоткуда. Если в систему ничего не пишется, агенту не на что опираться, а контроль качества превращается в фикцию.
• Задача решается без языковой модели. Классическая интеграция, скрипт или правило в CRM справятся дешевле и надёжнее: не всякая автоматизация — про ИИ.
• Цена ошибки недопустима, а человека в контуре оставить нельзя. Тогда сначала меняется процесс, а уже потом обсуждается автоматизация.
• Нет бизнес-задачи, есть желание «использовать ИИ». Технология без метрики — это хобби за бюджет компании.

В этих случаях мы предлагаем не «более дешёвый вариант агента», а другое решение: описать процесс, навести порядок в данных, поставить обычную автоматизацию или просто изменить регламент. Иногда на этом работа заканчивается, и это нормальный результат аудита. Подробнее о том, как мы формулируем задачи и тарифы, — на странице услуг и стоимости.

Как мы считаем риски и что фиксируем в договоре

Риск в нашем понимании — это не «вдруг модель ошибётся», а вероятность не получить заявленную метрику. Поэтому мы считаем его до старта и по трём сценариям. Пессимистичный предполагает, что данные хуже, чем кажется, доля операций через агента ниже плана, а эффект от автоматизации частично съедается ростом нагрузки. Базовый — это расчёт на текущих цифрах. Оптимистичный мы показываем, но никогда не используем для обещаний.

Дальше проект разбивается на этапы с точками остановки. После аудита видно, окупается ли процесс, и клиент может остановиться, потратив только на разбор. После пилота видно фактическую точность и долю автономных решений — это второй шанс отказаться, уже с реальными цифрами. Оплата идёт этапами 30/40/30, то есть бюджет двигается вслед за результатом, а не авансом за весь объём.

Целевые метрики фиксируются в договоре. Если за три месяца после запуска мы не вышли на согласованный показатель по нашей вине, дорабатываем бесплатно до результата. Это не страховка от всех рисков: часть зависит от готовности данных, регламентов и людей на стороне заказчика. Именно поэтому чек-лист выше — не формальность, а основание для гарантии: мы не берём на себя метрику, которую нельзя измерить.

Отдельно про метрики деградации. После запуска мы смотрим четыре показателя: доля автономных решений, точность на контрольной выборке, среднее время выполнения операции и стоимость операции. Если хотя бы один ухудшается две недели подряд, это сигнал, а не статистический шум: значит, изменились данные, база знаний или поток обращений. Такие ситуации разбираются до того, как их заметит клиент.

Каких результатов мы не обещаем. Мы не даём гарантию выручки, не обещаем конкретный рост прибыли «на второй месяц» и не берёмся за процесс без метрики и владельца. Показательная статистика: 42 проекта, медианная окупаемость 3,1 месяца, 97% клиентов продлевают поддержку, рейтинг 4,9 из 5 по 87 отзывам. Это наши результаты, а не прогноз для вашего процесса: у вас цифры будут другими, и мы считаем их на аудите по вашим данным. Живые примеры с экономикой есть в кейсах про AI SDR и про AI-финансиста.

«Мы начинали с идеи автоматизировать всё сразу и за три месяца зашли в тупик: данные в трёх системах не сходились, метрику никто не зафиксировал, а сотрудники отдела просто продолжали работать по-старому. Помогло не новое решение, а скучная подготовка: выбрали один процесс, посчитали цифры до старта, описали регламент и только потом запускали агента. Второй заход окупился за квартал».

Коротко

• Семь причин провала: нет метрики и владельца, не готовы данные, решение «как у всех», забыты люди и регламенты, нет контроля качества, экономика «на салфетке», запуск без развития.
• Пилот стоит от 90 000 ₽, автоматизация направления — от 340 000 ₽; неудачный проект с внутренним временем команды обходится в 400 000–900 000 ₽ потерь.
• Главный маркер готовности данных — заполненность критичных полей выше 80% и доля дублей меньше 5%; чистка базы стоит 150 000–400 000 ₽ и занимает 4–6 недель.
• Инфраструктура одного процесса — около 13 200 ₽ в месяц; если эффект завышен вдвое, окупаемость за 6 месяцев превращается в 12 и больше.
• Эффект пропорционален доле операций, которые реально идут через агента: при 30% вы получаете 30% результата при 100% затрат.
• 97% наших клиентов продлевают поддержку, потому что без обновления базы знаний система деградирует в первые месяцы.
• ИИ не нужен при объёме меньше сотни операций в месяц, отсутствии данных, неописанном процессе и задаче, которую решает обычная интеграция.
• Мы считаем риски по трём сценариям, фиксируем метрики в договоре и даём гарантию: не вышли на показатель за 3 месяца по нашей вине — дорабатываем бесплатно.

Все суммы в статье — оценки на основе наших проектов и данных клиентов, а не публичная оферта и не гарантия результата. Итоговые цифры зависят от объёма операций, состояния данных и готовности команды.