Бизнес массово внедряет искусственный интеллект, однако рост числа ИИ-инструментов пока не означает сопоставимого роста прибыли. Особенно заметен этот разрыв в банках, электронной коммерции и ритейле: компании уже автоматизируют обслуживание клиентов, валютный контроль, управление запасами и продажи, но настоящий финансовый эффект появляется лишь там, где вместе с технологией перестраиваются сами бизнес-процессы.
К такому выводу приходят аналитики «Яков и Партнёры» в исследовании «ИИ-агенты: где хайп, а где реальность».
ИИ становится практически повсеместной корпоративной технологией. Согласно приведенным в исследовании данным, 88% организаций в мире уже применяют искусственный интеллект как минимум в одной бизнес-функции. Однако только 6% компаний добились с его помощью значительного эффекта — увеличения EBIT не менее чем на 5%. Это создает один из главных парадоксов нынешнего ИИ-рынка: внедрения растут значительно быстрее, чем финансовая отдача.
Для финтеха и ритейла проблема особенно актуальна. Эти отрасли обладают большими массивами клиентских и транзакционных данных, огромным количеством повторяемых операций и цифровыми каналами взаимодействия с потребителем. Формально это почти идеальная среда для ИИ-агентов. Но исследование показывает: сам факт появления «агента» еще ничего не говорит о его способности приносить деньги.
Большинство «ИИ-агентов» пока остаются ассистентами
Одним из ключевых выводов исследования стал масштаб так называемого agent washing — ситуации, когда термин «ИИ-агент» используется скорее как маркетинговое обозначение.
Авторы оценивали системы по шести критериям: наличию полноценного агентного цикла «планирование — действие — наблюдение — корректировка», способности самостоятельно планировать последовательность действий, работать с внешними инструментами и корпоративными системами, исправлять собственные ошибки, сохранять память и автономно доводить задачу до результата.
Из 18 ведущих мировых продуктов необходимый порог прошли только семь, или около 40%. Остальные оказались ИИ-ассистентами разной степени сложности. Еще заметнее разрыв между маркетингом и реальной эксплуатацией: из 43 проанализированных международных проектов только 10, или 23%, достигли уровня полноценного агента L4.
Это важное различие и для банков, и для ритейлеров. Ассистент может подготовить ответ оператору, найти документ или предложить товар. Агент должен получить задачу, самостоятельно разбить ее на этапы, обратиться к необходимым системам, выполнить действия, проверить результат и завершить процесс практически без участия сотрудника.
Поэтому платить за агентскую инфраструктуру имеет смысл только там, где бизнес действительно нуждается в такой автономности.
Финтех уже показывает один из самых высоких уровней зрелости
Банковский сектор оказался среди отраслей, где появились одни из наиболее зрелых практических кейсов.
Один из примеров — система «Афанасий Иванов» Т-Банка. По данным самого банка, агент используется при реструктуризации долгов и самостоятельно обрабатывает до 60% трафика. Качество его работы оценивается в 98 баллов из 100 против 94 баллов у операторов.
Другой показательный сценарий — валютный контроль в Альфа-Банке. ИИ-система AIDA на платформе AlfaGen позволила сократить время обработки операции с двух часов до одной минуты. Решение обрабатывает около 2,7 тыс. контрактов в сутки с заявленной точностью 80%.
В «Сбере» 17 сервисных ИИ-агентов используются в качестве «второго пилота» для сотрудников. Доля использования ИИ-подсказок превысила 50%, а производительность персонала службы поддержки, по данным исследования, выросла на 10%. SaluteBot при этом способен обрабатывать до 85% текстовых обращений клиентов.
Но международный опыт одновременно показывает пределы автоматизации. В Klarna ИИ-агент стал самостоятельно обрабатывать 62% чатов поддержки. Объем выполняемой им работы был сопоставим с трудом более 800 сотрудников и позволил компании сэкономить $39 млн в 2024 году. Позднее руководство Klarna признало, что компания слишком далеко зашла в замене людей искусственным интеллектом, и вновь начало нанимать операторов.
Этот пример хорошо иллюстрирует проблему: максимальная автоматизация не всегда означает оптимальную бизнес-модель.
Ритейл: ИИ начинает влиять не только на расходы, но и на чек
В розничной торговле потенциально более значимый эффект ИИ связан не с сокращением персонала, а с увеличением продаж и улучшением экономики покупателя.
Walmart внедрил ИИ-ассистента Sparky в мобильное приложение. Согласно данным, приведенным в исследовании, средний чек пользователей инструмента оказался на 35% выше, чем у остальных покупателей.
Другой пример касается управления запасами. Agentforce от Salesforce в одном из проектов позволил сократить срок перераспределения товарных запасов между розничными точками с 10 дней до одного часа. Walmart также использует ИИ вместе с IoT для контроля запасов, Zara — для прогнозирования спроса и управления ассортиментом, H&M — для оптимизации ассортимента в зависимости от региона и сезона.
Для электронной торговли исследование приводит пример «Авито»: использование генеративного ИИ принесло компании дополнительно 670 млн рублей дохода в 2024 году. Это менее 0,7% общей выручки платформы, однако к 2028 году компания рассчитывает получать от генИИ более 21 млрд рублей при инвестициях в разработки на уровне 12 млрд рублей.
Таким образом, для ритейла ИИ постепенно переходит от классической модели «сократить затраты» к модели «увеличить ценность каждого клиента».
Главный актив банков и ритейлеров — данные
Отдельное направление монетизации связано с данными, которые ранее фактически были побочным продуктом основной деятельности.
Самый заметный пример в исследовании — Walmart. В финансовом году, завершившемся в январе 2026 года, рекламный бизнес компании, построенный в том числе на информации о покупательском поведении, принес $6,4 млрд выручки, увеличившись на 46% год к году с учетом приобретения VIZIO. В четвертом квартале выручка Walmart Connect в США выросла на 41%.
Авторы исследования считают такой подход особенно перспективным для ритейлеров, банков и телеком-операторов именно из-за накопленных ими массивов транзакционных данных.
Для финтеха и ритейла это может стать более важным сдвигом, чем сама автоматизация отдельных операций. ИИ позволяет превратить накопленные данные не только в инструмент скоринга, персонализации или прогнозирования спроса, но и потенциально в основу новых цифровых сервисов и источников выручки.
Почему рост производительности часто не доходит до прибыли
Исследование называет это явление «каскадом затухания».
В лабораторных условиях использование GitHub Copilot позволило разработчикам решить отдельную задачу на 55,8% быстрее. Однако при работе с реальным программным репозиторием, где присутствовали унаследованный код, тесты и интеграции, исследование METR показало уже обратный результат — работа замедлилась на 19%.
На уровне всей компании эффект практически исчезает. Причина заключается в том, что ускорение одного этапа не устраняет ограничения остальных частей процесса.
Например, написание кода составляет лишь 25–35% жизненного цикла разработки. Если его резко ускорить, но не изменить анализ, тестирование, интеграцию и развертывание, узкое место просто перемещается дальше по цепочке.
Та же логика применима к банковским и торговым процессам: ускорение ответа клиенту само по себе не улучшит экономику процесса, если операция затем зависнет на ручной проверке, согласовании или обработке в другой системе.
Уволить «полчеловека» невозможно
Еще одна причина слабой финансовой отдачи — частичная автоматизация.
По оценкам исследования, ИИ может автоматизировать 30–60% задач определенной роли. Но оставшиеся 40–70% обязанностей все равно приходится выполнять сотруднику. В результате его производительность растет, а фонд оплаты труда практически не меняется.
Именно поэтому 83% компаний, которым удалось повысить производительность благодаря ИИ, не сокращают штат.
Авторы делают из этого важный стратегический вывод: для большинства компаний основной целью внедрения ИИ должно становиться не увольнение сотрудников, а увеличение пропускной способности бизнеса, качества обслуживания и выручки.
Особенно показательно, что 72% компаний из наиболее продвинутых отраслей — ИТ, телекома, медиа, электронной торговли, банков и страховых компаний — рассчитывают использовать ИИ именно для создания новых продуктов и сервисов и роста выручки.
Лицензия — только небольшая часть стоимости ИИ
Еще одна ловушка заключается в неправильном расчете расходов.
Стоимость лицензий на ИИ-инструменты составляет лишь 15–20% совокупной стоимости владения системой. Еще 25–40% может приходиться на работу с данными, 15–30% — на поддержку и мониторинг. Интеграция с унаследованными корпоративными системами может стоить в два-три раза дороже самих лицензий.
В итоге реальный срок окупаемости ИИ-проектов способен достигать двух-четырех лет, тогда как для традиционных ИТ-проектов он зачастую оценивается в 7–12 месяцев.
Для банков эта проблема усугубляется требованиями безопасности и необходимостью интеграции с большим количеством внутренних систем. Для крупных ритейлеров — разрозненными ERP, CRM, складскими, логистическими и торговыми системами.
Поэтому дешевый ИИ-сервис может превратиться в дорогостоящий корпоративный проект уже на этапе промышленного внедрения.
Бэк-офис может оказаться выгоднее красивого чат-бота
Интересный вывод исследования заключается в том, что реальный рынок развивается не совсем так, как может показаться по публичным презентациям.
ИИ-решения чаще используются во внутренних функциях бизнеса, чем непосредственно во взаимодействии с покупателями: 51% против 37%. Среди распространенных сценариев — внутренние коммуникации, ИТ, цепочки поставок, документооборот и финансовые операции.
Для банков это валютный контроль, сверки и обработка документов. Для ритейла — управление запасами, логистика и повторяемые операции вроде обработки возвратов.
Причина проста: ошибка внутреннего агента обычно не видна клиенту, а значит, репутационные риски ниже. Одновременно результат легче измерить — например, через время обработки операции, количество ошибок или себестоимость процесса.
Авторы прямо рекомендуют крупным компаниям начинать именно со вспомогательных подразделений, где эффект более предсказуем, а цена ошибки ниже.
Не каждому процессу нужен агент
Полноценный автономный агент оправдан далеко не всегда.
Хорошим кандидатом является процесс, который повторяется тысячи раз, основан на цифровых данных, имеет понятные показатели эффективности и допускает исправление ошибки. В отчете в качестве примера приводится обработка возврата товара на первой линии.
Напротив, стратегическое решение о выходе компании на новый рынок плохо подходит для автономного агента: оно принимается редко, требует большого количества контекстной информации, цена ошибки крайне высока, а результат может стать понятен только через несколько лет.
Если процесс не оцифрован, не имеет измеримой метрики и ответственного руководителя или каждое решение требует обязательной проверки человеком, компании может быть выгоднее остановиться на автоматизации уровня L3, а не строить дорогостоящую автономную систему.
Финтех и ритейл входят в число главных кандидатов на агентную экономику
Исследование показывает, что ИИ-агенты пока находятся значительно дальше от полной автономности, чем предполагает нынешний информационный фон. Более того, 95% пилотных проектов не окупают вложений в первые шесть месяцев, а 80% компаний не фиксируют их влияния на финансовый результат.
Но именно банки, электронная коммерция и крупный ритейл имеют несколько структурных преимуществ: цифровые клиентские каналы, большие объемы повторяющихся операций и огромные массивы данных.
При этом экономическая логика постепенно меняется. Самый перспективный вопрос для бизнеса звучит уже не как «сколько сотрудников заменит ИИ?», а как «какой дополнительный оборот сможет пропустить существующая инфраструктура благодаря ИИ?»
Для ритейлера это может означать больший средний чек, более точное управление запасами и монетизацию покупательских данных. Для банка — ускорение операций, масштабирование обслуживания без пропорционального роста затрат и создание новых цифровых сервисов.
Именно поэтому главной гонкой ближайших лет, вероятно, станет не соревнование по количеству запущенных агентов. Выигрывать будут компании, которые смогут перестроить вокруг них процессы и связать производительность ИИ с конкретной строкой P&L.
В самом отчете горизонт также оценивается достаточно консервативно: первые ощутимые результаты проекта могут появиться через 3–6 месяцев, доказанный операционный эффект в отдельном процессе — через 6–12 месяцев, устойчивое влияние на финансовый результат — через один-два года, а заметный вклад портфеля ИИ-проектов в EBITDA — через три-пять лет.
Поэтому 2026 год для финтеха и ритейла выглядит скорее не годом массовой замены людей автономными агентами, а началом более прагматичного этапа: бизнесу предстоит отделить настоящую агентность от маркетинга, выбрать процессы с измеримой экономикой и научиться превращать скорость ИИ в выручку и прибыль.