Как Китай внедряет искусственный интеллект и чему этот опыт может научить российский бизнес

Сегодня то, что большинство компаний называет «внедрили ИИ», обычно не дает бизнесу почти ничего. Сотрудники разобрались с ChatGPT (а самые продвинутые с Claude), дизайнер накидывает прототипы за вечер, где-то завели бота-ассистент. Такой подход годится, чтобы попробовать инструмент, но не выдерживает масштаба серьезного бизнеса.

В России 71% крупных компаний используют генеративный ИИ хотя бы в одной бизнес-функции, но лишь 78% из них фиксируют экономический эффект. У подавляющего большинства (90%) этот эффект заключается в сокращении затрат, но не в росте бизнеса. Рост выручки от ИИ отмечает только каждая четвертая компания, и лишь в передовых отраслях эта доля доходит до 70%.

Что я вижу в Китае

В 2025 году ИИ внедрили 47,5% промышленных предприятий Китая, против 9,6% годом ранее — за год рост почти в пять раз. Объяснение, на мой взгляд, простое: китайские заводы десятилетиями работали по жестким операционным стандартам вроде lean (англ. lean production — бережливое производство. — Прим. ред.) и ISO (International Organization for Standardization — Международная организация по стандартизации. — Прим. ред.), и когда пришел ИИ, процессы уже были выстроены — технологии оставалось только усилить то, что и так работало.

Вот несколько примеров.

По данным на 2023 год, доля ИИ в клиентском сервисе компании достигла 75%: около 600 млн обращений в год обрабатывает ИИ, и не более 200 млн доходит до живых операторов*. Штат поддержки за этот период сократился вдвое: с 12 тыс. человек в 2017 году до 6 тыс. в 2023-м.

93% полисов страхования жизни проходят андеррайтинг за секунды, а среднее время урегулирования претензий сократилось до 7,4 минуты. Колл-центр сократился вдвое потому, что компания пересмотрела сам процесс обработки обращений. Сокращение штата не ударило по качеству сервиса, а наоборот, скорость и точность обработки обращений выросли.

Самая большая сложность при переходе от людей к ИИ — сформировать единые стандарты качества, по которым затем обучается сам ИИ: без них не получится держать одинаковый уровень ответа, когда счёт обращений идёт на сотни миллионов.

*Данные о Ping An приводятся по итогам закрытого визита команды Profounders в офис компании.

Система помощи водителю God’s Eye установлена почти на 3 млн автомобилей на дорогах — компания генерирует свыше 190 млн км данных о вождении ежедневно и обновляет алгоритмы каждые несколько дней.

По словам вице-президента BYD, число серьезных ДТП на 10 млн км пробега снизилось в шесть раз по сравнению с ручным управлением.

Компания занимает 70–80% мирового гражданского рынка дронов, а в отдельных сегментах свыше 90%. У флагманских моделей ИИ буквально отвечает за сам процесс полета: автоматический облет препятствий, распознавание объектов и автономная посадка работают на борту, без интернета и без оператора за штурвалом.

В январе 2025 DJI обновила прошивку для промышленных дронов-в-боксе Dock 3 и Matrice 4D, добавив автоматические маршруты патрулирования и распознавание объектов в инфракрасном диапазоне, дрон сам вылетает, облетает объект и возвращается на базу без участия человека.

Компания начала серийное производство человекоподобных промышленных роботов Walker S2. ИИ здесь принимает решения, а не просто выполняет заданную программу: собственная модель Thinker распознает объекты, сама выбирает стратегию.

Например, как сложить в паллету предметы разной высоты или обнаружить нештатные ситуации без участия оператора. Более ранняя версия, Walker S1, с марта 2025 года работает на заводе Audi-FAW в Чанчуне, проверяет качество сборки, включая обнаружение утечек в системе кондиционирования, задачу, которая раньше считалась риском для здоровья человека.

Почему у большинства в России не получается

Больше половины бюджетов на ИИ уходит в пилоты для продаж и маркетинга — чат-боты для лидов, генерация рекламных текстов и креативов, персонализация. Результаты там легче измерить метриками, которые совпадают с KPI на уровне совета директоров. А самая высокая окупаемость как раз у скучных внутренних задач: автоматизация документооборота и юридической проверки договоров, обработка закупочных заявок, замена части аутсорса поддержки клиентов внутренними ИИ-агентами.

Сам бюджет на ИИ складывается не только из подписок на модели. По данным отраслевого обзора Presenc AI за 2026 год, самая крупная статья расходов — софт и инструменты (30–40% бюджета): сюда входят подписки на модели вроде Chat GPT Enterprise, Claude Enterprise, Copilot и вертикальные ИИ-инструменты. Еще 20–25% уходит на облачную инфраструктуру. А быстрее всего растет статья на управление и контроль (governance) — с 3–5% в 2024 году до 8–12% в 2026-м.

При этом отдельная нейросеть редко решает сразу все задачи. Технически большая языковая модель действительно способна и написать рекламный текст, и проверить договор. Но в бизнесе для каждой задачи обычно настраивают отдельного ИИ-агента: со своими доступами к данным и правилами именно под эту задачу. Например, у агента для юридической проверки есть доступ к базе договоров и шаблонам рисков, а у агента для рекламных текстов — к тону бренда и референсам. Так проще контролировать качество и не путать задачи между собой.

Компании с реальной отдачей от ИИ в 3,6 раза чаще остальных говорят, что их компания намерена использовать ИИ для трансформации бизнеса (выйти на новый рынок, запустить продукт, который раньше был невозможен, или полностью перестроить работу с клиентами), а не для точечных улучшений.

Это управленческое решение, а не техническое: без прямого мандата от руководства ИИ так и остается инструментом отдельных энтузиастов в компании.

По данным опроса HeadHunter и Touch Instinct, 26% российских сотрудников используют нейросети в работе регулярно, еще 35% — периодически. Но по большей части люди делают это по своей инициативе, а не потому, что компания официально ввела инструмент и следит за тем, как он работает: просто у человека под рукой есть удобный помощник, и он сам решил им пользоваться.

Данные разбросаны по разным системам, единого формата нет, и никто в компании конкретно не отвечает за то, чтобы инструмент учился на реальных задачах. При этом там, где подход выстроен правильно, разница колоссальная, и не только в Китае.

Например, в конце июля мы с участниками наших бизнес-миссий были в гостях у диджитал-агентства полного цикла Adventum и увидели ровно тот случай, когда компания сделала правильные выводы из собственных ошибок.

Сначала там тоже внедряли ИИ точечно, под отдельные задачи и продукты. Такой подход не трансформирует компанию целиком: одни команды двигаются быстрее, другие медленнее, знания остаются разрозненными, эффект не масштабируется. В Adventum разобрались, где на самом деле живут знания компании, и оказалось, что почти половина из них  — в головах сотрудников.

Так появился LORE — цифровой коллега поверх уже существующих систем: Google Drive, Notion, Bitrix, Slack, Telegram, HR-системы.

Если брать реального ИИ-агента, который не просто отвечает на вопросы, а разбирает данные, интегрируется с CRM/базами, обучен на специфике бизнеса, то для среднего бизнеса с большим объемом данных вилка обычно стартует от 1 млн руб. и может уходить сильно выше в зависимости от того, сколько систем нужно подключить и насколько сложная логика.

С чего начать?

Начинать нужно не с инструментов, а с себя — развивать собственный навык работы с ИИ. Если основатель и управляющий состав сами в этом не разбираются, ничего не выйдет: делегировать эту задачу не получится.

Их нельзя передать подрядчику или отдельному сотруднику, который «разбирается в ИИ», потому что он не видит бизнес целиком и не может принимать решения за руководителя.