88% компаний применяют AI хотя бы в одной функции, но меньше 40% видят измеримую отдачу. Разрыв объясняется не моделью, а тем, как переделан процесс вокруг неё.
Технология сама по себе преимущества не даёт. Свежий McKinsey Quarterly за II квартал 2026 фиксирует одну и ту же ловушку. AI хотя бы в одной функции применяют 88% организаций, но измеримую отдачу видят меньше 40%. Российские данные показывают тот же разрыв: «71% внедряют — около 6% реально используют». Разница между лидером и остальными — не в модели. Одни продают функцию, другие переделывают процесс.
AI-функция ложится поверх старого процесса и ничего в нём не двигает. Оценка входящих заявок добавляется к прежней воронке, расшифровка звонка — к прежним показателям оператора, генерация текста — к прежнему циклу согласования. Такая надстройка красиво выглядит в презентации для совета директоров, но до прибыли не доходит. Перестроенный процесс работает иначе: агенты сами приоритизируют заявки, ведут переписку, обрабатывают данные, а человек только координирует и проверяет. У McKinsey эта разница видна в цифрах: система агентов в B2B-продажах даёт +7–12% выручки и высвобождает 30–50% времени продавцов.
В клиентском сервисе есть и обратная сторона. Deloitte фиксирует, что в среднем без оператора закрывается 41% звонков, а не «80%», как обещают поставщики. В 2025-м Klarna отказалась от полной замены операторов AI из-за падения качества — годом ранее её ассистент обработал 2,3 млн обращений и был подан как эквивалент 700 полных ставок.
AI-функция продаётся хуже, чем переделанный процесс. Мы смотрим на активы через один вопрос: меняется ли за счёт технологии сам порядок работы у клиента — или всё сводится к новой кнопке.
В промышленности разрыв уже виден. Пилот Hive Mind AI (периметр «Экспанты») с ДСК «Автобан» дал 5% экономии транспортных затрат — не потому, что логисту дали AI-помощника, а потому, что план теперь считает не человек. Линейное программирование строит расписание за секунды вместо дней, логист согласовывает и обрабатывает исключения. Такие задачи окупаются за три–четыре месяца: данные заранее структурированы в учётных системах, а эффект измеряется в тонно-километрах, а не в презентациях.
В клиентском сервисе картина та же. Годовой отчёт Сбера за 2025 год фиксирует 475 млрд рублей эффекта от AI и свыше 900 агентов внутри контура. В нашем портфеле в эту же сторону движется MightyCall — с собственной расшифровкой звонков и определителем автоответчика с заявленной точностью 97%. У LPTracker голосовой AI-бот на базе LLM сам обзванивает базы в автоворонке, отсеивает нецелевых, передаёт менеджеру только тёплых. Общее у этих продуктов — не «умный автоответчик», а то, что платить начинают не за минуту разговора, а за решённый запрос.
В активах мы смотрим на две вещи. Первое — работает ли команда с данными самого клиента и умеет ли переделывать его процессы, а не только запускать запросы через общедоступные модели. Второе — есть ли встроенный слой доверия: журнал действий, человек на проверке, отчётность для совета директоров. Для крупного заказчика это единственный настоящий барьер к масштабированию пилота. Всё остальное сегодня есть у всех и в отрыв никого не выводит.
Крупные сделки в корпоративном телекоме — это не про мультипликаторы в моменте. Это про зрелые продукты и команду, которые вместе складываются в понятный покупателю актив с предсказуемым будущим.
Виртуальные операторы выживут — но не все. Ниша смещается от тарифного арбитража к встроенным сервисам, и это меняет требования к команде и капиталу.
NEST CAPITAL · СТАТЬИ · /insights/ai-b2b-workflow-2026/
