Когда ИИ перестал быть экзотикой, на первый план вышел куда более приземлённый вопрос — не «работает ли это вообще», а «куда его приткнуть, чтобы был толк». Технология сама по себе ничего не приносит; пользу даёт привязка к конкретному процессу, где меньше неопределённости означает больше денег [3]. В этой статье я хочу показать это на живом примере и заодно предложить способ посчитать эффект.
1. Где ИИ реально пригождается в компании
Если пройтись по функциям, картина получается такая. В маркетинге и продажах ИИ сегментирует клиентов, предсказывает, кто что купит, и подбирает персональные предложения — по этому принципу работают рекомендации в любом маркетплейсе. В финансах он прогнозирует выручку, ловит аномалии и оценивает риски; на этом, по сути, держится кредитный скоринг крупных банков. В логистике — прогноз спроса и оптимизация запасов, в контроле качества — поиск брака по фото, в поддержке — боты и разбор тональности отзывов, в HR — оценка того, кто из сотрудников вот-вот уволится. Если присмотреться, почти везде это одна и та же задача — предсказать будущее по прошлым данным. И именно прогнозные задачи дают самый понятный денежный эффект, потому что позволяют действовать на опережение [2].
2. Пример: онлайн-школа и удержание учеников
Возьмём онлайн-школу средней руки — пара-тройка тысяч активных учеников, накопленные данные о платежах, посещаемости, прогрессе и обращениях в поддержку. Боль у таких компаний почти всегда одна: ученики бросают учёбу и не продлевают подписку, а это напрямую бьёт по выручке и по LTV — пожизненной ценности клиента.
Идея решения простая на словах и небанальная на практике: научить систему заранее видеть, кто собирается уйти, и вовремя реагировать. Модель собирает данные из CRM, платформы обучения, поддержки и маркетинга. На исторических примерах «ушёл / остался» она учится оценивать риск ухода для каждого ученика и раз в день пересчитывает этот риск. На выходе — не абстрактный отчёт, а список конкретных учеников с пометкой, почему по ним загорелась «красная лампочка»: перестал заходить на занятия, написал недовольное обращение, заканчивается оплаченный период. Дальше это попадает на дашборд куратора и в виде триггеров в CRM — позвонить, написать, дать персональное предложение. Смысл в том, что школа перестаёт реагировать на уже случившийся уход и начинает работать на опережение [3].
3. Как посчитать, окупается ли это
Чтобы разговор не остался на уровне «это полезно», нужен расчёт. Базовая формула отдачи знакома всем: ROI = (Эффект − Затраты) / Затраты × 100 %. Эффект от удержания удобно раскрыть так: Э = N × Δr × LTV, где N — сколько человек из группы риска мы успели «зацепить», Δr — на сколько выросла доля оставшихся благодаря нашим действиям, LTV — сколько в среднем приносит один ученик.
Прикинем на цифрах. Пусть в школе 3 000 активных учеников, в зоне риска — 20 %, то есть 600 человек. Допустим, адресная работа поднимает удержание на 15 % (Δr = 0,15), а средний LTV — 25 000 рублей. Тогда сохранённая выручка: 600 × 0,15 × 25 000 = 2 250 000 рублей. Если на разработку и сопровождение решения ушло порядка 900 000 рублей, то ROI = (2 250 000 − 900 000) / 900 000 × 100 % ≈ 150 %. Цифры здесь условные, но логика важнее цифр: эффект создаёт не сам прогноз, а то, что компания по нему делает [5].
4. Что может пойти не так
Рисков хватает, и их лучше назвать заранее. Если данные грязные — модель будет ошибаться, поэтому без аудита и подготовки данных начинать нет смысла. Если скоринг не вшит в ежедневную работу кураторов — он просто не повлияет ни на что. Сотрудники могут сопротивляться, пока не поймут, что система им помогает, а не следит за ними. Модель будет иногда ошибаться и поднимать ложную тревогу — значит, её надо регулярно переобучать. И отдельно — персональные данные: тут всё должно быть строго по закону [1].
Заключение
Самую ощутимую пользу ИИ приносит там, где он позволяет действовать заранее, — в прогнозных задачах. На примере онлайн-школы видно, как это выглядит вживую: модель предсказания оттока, встроенная в работу кураторов, плюс понятный расчёт окупаемости. И главный вывод остаётся тем же — ценность не в точности модели как таковой, а в действиях, которые она запускает, и в том, насколько плотно она вшита в реальные процессы компании.
Литература:
- О развитии искусственного интеллекта в Российской Федерации: Указ Президента РФ от 10.10.2019 № 490 (с изм.) // Официальный интернет-портал правовой информации. — URL: http://pravo.gov.ru (дата обращения: 29.05.2026).
- Дэвенпорт, Т. Аналитика как конкурентное преимущество / Т. Дэвенпорт, Дж. Харрис. — Москва: Альпина Паблишер, 2021. — 360 с.
- Провост, Ф. Data Science для бизнеса / Ф. Провост, Т. Фосетт. — Москва: МИФ, 2019. — 368 с.
- Брынйолфссон, Э. Машина, платформа, толпа / Э. Брынйолфссон, Э. Макафи. — Москва: АСТ, 2019. — 320 с.
- Agrawal, A. Prediction Machines: The Simple Economics of Artificial Intelligence / A. Agrawal, J. Gans, A. Goldfarb. — Harvard Business Review Press, 2018. — 272 p.
