Олександр Рубан, СЕО та керуючий партнер Ringostat, у своїй колонці для AIN розглядає, як формується розрив між впровадженням штучного інтелекту в бізнес-процеси та його фактичним впливом на прибуток компанії.
Згідно з даними McKinsey, ще наприкінці 2025 року приблизно 88% світових компаній використовували ШІ щонайменше в одному процесі. Однак 94% респондентів зізналися, що не бачать від цього «суттєвої» бізнес-цінності.
І це добре вписується в ширший контекст ринку. Адже масштабування ШІ на рівні організації — коли він реально впливає на продуктивність, прибуток або швидкість прийняття рішень — все ще залишається радше винятком, ніж правилом. У результаті виникає дивний розрив між «наявністю ШІ» та його бізнес-ефектом. І цей розрив не завжди пов’язаний із самою технологією.
LLM-моделі як найзручніша ілюзія трансформації
Існує доволі типовий сценарій. Компанія отримує доступ до ChatGPT, Claude або будь-якого іншого генеративного інструменту. Спочатку команда експериментує, потім впроваджує локальні поліпшення. Далі з’являється відчуття, що «ми вже використовуємо ШІ».
І це частково правда. Однак, здебільшого змінюється не система роботи, а швидкість виконання окремих операцій. Звіти та відповіді генеруються швидше, аналіз стає менш трудомістким.
В результаті рутинні завдання частково передаються ШІ, але відповідальність за результат, контекст та прийняття рішень залишається за людиною.
Численні дослідження, зокрема World Economic Forum у своєму звіті Future of Jobs Report, все частіше описують цей зсув не як «зникнення професій», а як зміну набору завдань у межах однієї ролі. Тобто професії не зникають, а трансформуються.
Це, проте, не означає, що ШІ ніде не замінює людей. Для частини компаній автоматизація справді стає способом зменшити витрати на персонал. І це також є однією з можливих бізнес-стратегій.
У Ringostat ШІ — це насамперед інструмент для розширення можливостей команди. Тому за час AI-трансформації в компанії не було звільнено жодної людини через те, що її роботу почав виконувати штучний інтелект.
Але сам по собі такий підхід ще нічого не гарантує. Якщо ШІ лише прискорює окремі завдання, а сам процес залишається незмінним, продуктивність окремих співробітників може зрости, а бізнес-результат — майже ні.
У цьому й полягає головна пастка «ChatGPT-ефекту». Він створює ілюзію трансформації за рахунок швидкості, але не впливає на результати роботи. А це є ключовим. Адже бізнес платить не за виконання завдань як таких, а за результат, який вони приносять.
Як виглядає впровадження ШІ всередині компанії, де він став робочою нормою
У нашій компанії є два основні напрямки: розробка продуктів на базі ШІ та внутрішня AI-трансформація.
Ми розглядаємо ШІ як спосіб перебудови процесів та продукту таким чином, щоб ефект можна було виміряти в бізнес-метриках. Це завдання іншого рівня, де важливе не «чи використовуємо», а «що саме змінюється».
Тому для кожної AI-ініціативи ми намагаємося розрахувати її грошовий еквівалент. А також — прив’язати цей результат до конкретних показників команди. Якщо наприкінці впровадження KPI залишилися незмінними, надзвичайно складно говорити про реальну цінність трансформації. Навіть якщо суб’єктивно всім здається, що поліпшення відбулося.
Поява ChatGPT кілька років тому стала першим поштовхом: наша команда почала активно експериментувати з ШІ у повсякденній роботі, але досить швидко стало очевидно, що окремих ініціатив недостатньо. Тоді ми створили посаду Head of AI, щоб системно розібратися з можливостями технології для бізнесу. Повного розуміння, куди приведе цей напрямок, не було. Але було відчуття, що пропустити цей момент буде значно дорожче.
Досить швидко ми зрозуміли й інше. Доступ до ШІ ще не означає його ефективне використання.
Тому з’явилися спільні правила роботи, окрема команда AI Productivity Team, яка допомагає департаментам перебудовувати процеси, та постійний обмін практичними кейсами між командами.
На сьогодні всередині компанії використовується майже три десятки AI-інструментів. Частина з них є універсальними — ChatGPT, Claude. Це базовий шар, з якого все починається. Але далі йдуть цікавіші речі.
Наприклад, у відділі підтримки працює власний чатбот, який зараз обробляє близько 15% усіх звернень клієнтів. У маркетингу використовуються Synthesia AI для створення відеоконтенту. У технічних командах — спеціалізовані інструменти для розробки. Паралельно з цим ми створюємо власні AI-рішення.
Наприклад, TARS (або, як ми називаємо його між собою, Тарас) — внутрішній AI-асистент, підключений до корпоративних баз знань. Він допомагає знаходити інформацію, збирати дані з різних систем і брати на себе частину рутинних завдань. Іноді це складний пошук у внутрішній документації. Іноді — ранковий звіт, який більше не потрібно формувати вручну.
У певний момент ШІ перестає бути чимось окремим і стає частиною роботи. Так само непомітно, як колись стали електронна пошта, CRM чи корпоративні месенджери.
Навіть окремі локальні зміни можуть давати відчутний ефект. Наприклад, продуктивність підрозділу Automation QA за лютий-квітень 2026 року зросла вчетверо завдяки системному використанню ШІ.
Де ШІ починає працювати як система, а не як інструмент
ШІ майже ніколи не працює ізольовано. Можна в кілька разів прискорити роботу однієї команди і не отримати помітного результату для бізнесу загалом. Причина проста: будь-яка система обмежена найвужчою ланкою.
Наприклад, у нашому технологічному департаменті є команда, яка формує технічні завдання, команда розробників, яка їх реалізує, і команда мануальних QA, яка тестує результат.
Якщо різко підвищити продуктивність лише manual QA, загальна швидкість системи майже не зміниться. Бо обмеження залишаться в інших точках процесу.
Саме тому ШІ починає давати відчутний ефект не тоді, коли його просто додають до процесу. А тоді, коли весь пайплайн розглядається як єдина система.
Такий підхід вже дає вимірюваний результат і на рівні всієї компанії. За перше півріччя 2026 року з використанням ШІ ми зекономили близько 4% річних витрат. Ціль на друге півріччя — ще 5–7%.
Та сама логіка працює і в клієнтських проєктах. Найбільший ефект ШІ дає тоді, коли змінюється не окрема операція, а спосіб роботи всього процесу.
Коли аналіз дзвінків у продажах, наприклад, перестає бути вибірковою ручною роботою. Коли керівнику більше не потрібно прослуховувати десятки розмов навмання, щоб зрозуміти, що відбувається в команді.
Після підключення мовної аналітики дзвінків за допомогою ШІ з’являється зовсім інший масштаб: керівник бачить не фрагмент, а всю систему комунікацій. Змінюється не тільки час, а й якість рішень.
Є й інший напрямок, який часто недооцінюють, — голосові AI-рішення на кшталт AI VoiceBot. Це голосовий агент на базі штучного інтелекту, який сам телефонує і приймає дзвінки, веде діалог у реальному часі й відповідає на запитання в середньому за дві-три секунди.
Його ключовий ефект полягає в тому, що він може взяти на себе значну частину стандартних телефонних звернень. Для одних компаній це спосіб частково замінити роботу операторів. Для інших — можливість масштабувати комунікацію без розширення штату й звільнити команду від рутинних дзвінків.
Як наслідок, різко скорочується кількість пропущених звернень і бізнес перестає втрачати потенційних клієнтів.
За нашими оцінками, до 90% рутинних дзвінків можна автоматизувати без втрати якості. AI VoiceBot працює 24/7 і здатний обробляти до 120 тисяч дзвінків на добу без розширення штату.
Ми самі використовуємо цей продукт для обробки дзвінків у неробочий час. І хоча рівень пропущених звернень у нас і раніше був невисоким, зараз він наближається до нуля.
Аналіз же клієнтських проєктів показує, що середній показник пропущених вхідних дзвінків, які міг би автоматично обробити голосовий AI-агент, сягає близько 15%. І це вже не про телефонію. А про маркетинговий бюджет, який уже був витрачений.
Про потенційний продаж, який може не відбутися. Саме тому в багатьох випадках ШІ тут працює не як інструмент автоматизації, а як спосіб не втрачати те, за що бізнес уже заплатив.
Чому більшість AI-ініціатив не досягають бізнес-ефекту
Якщо подивитися на невдалі AI-проєкти, то причина рідко криється в самій технології.
Інструмент можна придбати за кілька хвилин. Перебудова процесів і впровадження займають місяці. І саме вони зазвичай виявляються найскладнішою частиною трансформації.
Існує й інша проблема. Коли ШІ впроваджується тому, що всі навколо вже його впроваджують.
У певний момент з’являються десятки внутрішніх агентів, нових інструментів і гучних анонсів. Роботи стає більше. А зрозуміти, що саме покращилося для бізнесу, стає складніше.
AI-трансформація починається лише там, де з’являються конкретні цифри та стратегія. Якщо їх немає, рано чи пізно вся історія починає нагадувати дорогий експеримент, а не системну зміну. Якщо продуктивність зростає, це має знайти відображення в KPI, цілях і способі оцінки роботи. Інакше частина ефекту просто губиться всередині системи.
І нарешті, останнє. AI-трансформація не закінчується в день запуску. Насправді в цей день вона тільки переходить у наступну фазу.
Нові процеси потрібно переглядати. Результати — перевіряти, а гіпотези — перегравати заново. Мабуть, у цьому і є головна особливість роботи з ШІ. Це не про впровадження. Це про постійне налаштування системи, яка весь час змінюється.