По данным Лонгитюда малого бизнеса ФОМ, за последний год к нейросетям обращался 31 % участников опроса: среди них 66 % писали с помощью ИИ тексты, в том числе описания товаров и услуг, а 24 % автоматизировали общение с клиентами через чат-ботов и голосовых помощников [3]. Для сравнения: среди крупных и средних организаций, которые Росстат обследует сплошным методом, в 2025 г. технологии ИИ применяли 5,2 %, а в организациях с численностью менее 100 человек — 4,3 % [2]. Разрыв отчасти объясняется методикой: Росстат учитывает внедренные технологии, а опрос ФОМ фиксирует любое обращение к нейросети. Малому бизнесу не нужно ничего внедрять, достаточно открыть чат с моделью и вставить туда вопрос покупателя.

Из той же волны Лонгитюда видна и обратная сторона, которая показывает, что с трудностями столкнулись 80 % предпринимателей, применявших ИИ, и самая частая жалоба (36 %) — ошибки и низкое качество результата [3]. Когда ошибка попадает в ответ клиенту, ее кто-то должен поймать. Этим «кем-то» оказывается сотрудник: он сверяет сроки доставки, условия возврата, наличие товара и прочее, что известно только внутри компании. Иногда проще написать ответ заново. В расчеты ожидаемого эффекта это время почти никогда не попадает.

Цель статьи — описать состав этих скрытых трудозатрат и показать на числовом примере, насколько их учет меняет оценку выгоды от автоматизации. Упор сделан на четыре зарубежные публикации с измеримыми результатами, два российских обследования и собственный сценарный расчет.

Ш. Ной и У. Чжан провели эксперимент с 453 специалистами с высшим образованием, которые выполняли письменные задания; доступ к ChatGPT сократил среднее время работы на 40 % при росте оценок качества на 18 % [7]. Э. Бриньолфссон, Д. Ли и Л. Реймонд наблюдали поэтапное внедрение ИИ-помощника у 5172 операторов технической поддержки: число решенных обращений в час выросло в среднем на 15 %, причем у новичков прирост был наибольшим, а у сотрудников со стажем более года эффекта не оказалось [4]. Есть деталь, которую при пересказе часто упускают: помощник в этом исследовании был построен на GPT-3 и дообучен на переписках самой компании [4]. Малый бизнес обычно работает с универсальной моделью, которая о его товарах и правилах не знает ничего, и переносить те 15 % на такую ситуацию напрямую нельзя.

Вторая группа работ показывает, куда уходит сэкономленное время. Х.-П. Ли с соавторами опросили 319 работников умственного труда и собрали 936 примеров применения генеративного ИИ. Респонденты отмечали, что усилия смещаются от поиска информации к ее проверке и от выполнения задачи к контролю за моделью; на необходимость перепроверять неверные ответы ИИ указали 56 из 319 участников [6]. А. Ларсен с соавторами предъявили 274 потенциальным клиентам семь типов ошибок чат-бота в сценариях телеком-оператора, страховой компании и банка. Самой тяжелой респонденты сочли фактическую ошибку, то есть неверные сведения (медиана 6 по семибалльной шкале серьезности), а в открытых ответах называли ее подрывающей доверие и к боту, и к компании [5]. Проверка, получается, входит в стоимость каждого ответа.

Под скрытыми трудозатратами мы будем понимать время, которое не относится к самой генерации, но без которого сгенерированный текст нельзя отправить клиенту. Сюда входит формулировка запроса (часто не с первой попытки), сверка фактов с базой знаний или заказом, правка стиля, повторная генерация, если первый вариант не годится, передача сложного случая человеку, а также обновление инструкций после каждого изменения ассортимента или условий. Также присутствует отдельная статья расходов обезличивания. Если сотрудник копирует во внешний сервис переписку с именем, телефоном и адресом покупателя, то, на наш взгляд, возникает вопрос о соблюдении ст. 7 Федерального закона № 152-ФЗ, которая запрещает оператору раскрывать персональные данные третьим лицам без согласия субъекта [1]. Безопаснее вырезать такие сведения перед отправкой, а это еще несколько секунд на каждое обращение. В таком случае при сотнях обращений в месяц набегают часы.

Обращения неоднородны, поэтому мы разделили их на три группы. К простым относятся вопросы о режиме работы, способах оплаты, статусе заказа: здесь проверка сводится к сверке двух-трех фактов. Нестандартные требуют поднять детали конкретного заказа и подстроить под них ответ. Спорные (жалобы, возвраты денег, конфликты) отличаются максимальной ценой ошибки, и выигрыш от автоматизации здесь сомнителен.

Для одного обращения трудозатраты с применением ИИ мы записываем так:

T _ИИ = t _ген + t _пров + t _ред + p × t _повт ,

где t _ген — время на подготовку запроса и получение ответа; t _пров — время на проверку фактов; t _ред — время на правку и согласование текста; p — вероятность того, что ответ придется переделывать; t _повт — время такой переделки. Последнее слагаемое дает ожидаемую, а не гарантированную добавку. Обращение имеет смысл отдавать модели, только если T _ИИ меньше времени ручного ответа T _руч для той же группы.

Рассмотрим условный интернет-магазин, получающий 100 обращений в месяц: 60 простых, 30 нестандартных и 10 спорных. Принятые значения параметров сведены в таблице 1.

Таблица 1

Условные параметры модели, мин на одно обращение

Для простого обращения, например: 0,5 + 1,0 + 0,5 + 0,05 × 3 = 2,15 мин. Для спорного сумма дает 13,8 мин, а это больше 12 мин ручной обработки, поэтому спорные обращения в сценарии сразу уходят сотруднику, а модель применяется к двум первым группам.

Вручную все 100 обращений потребовали бы 60 × 5 + 30 × 8 + 10 × 12 = 660 мин. При смешанной схеме прямые затраты равны 60 × 2,15 + 30 × 5,8 + 10 × 12 = 129 + 174 + 120 = 423 мин. Экономия на этом шаге выглядит внушительно: 237 мин, или 35,9 %. Но процесс нужно поддерживать: обновлять шаблоны и инструкции после смены условий доставки или ассортимента. Выделим на это 120 мин в месяц, тогда полные затраты составят 423 + 120 = 543 мин, а экономия составит (660 − 543) / 660 = 17,7 %. Видно, что половина эффекта ушла на сопровождение.

Самый чувствительный параметр здесь — время проверки. Если каждое из 90 обращений, прошедших через модель, потребует на минуту больше проверки, чем заложено, затраты вырастут до 543 + 90 = 633 мин, и экономия сожмется до 4,1 %. При двух дополнительных минутах получим 723 мин: ручная работа оказывается быстрее. Данные результаты обработки показаны в таблице 2.

Таблица 2

Результаты сценария, мин в месяц

В данном расчёте обращает на себя внимание не уменьшение экономии, а то, как немного требуется, чтобы от неё почти ничего не осталось: всего одна лишняя минута проверки. Главный вопрос при внедрении звучит не «насколько быстро модель пишет», а «насколько быстро человек способен убедиться, что написанное верно». Без утвержденной базы знаний проверка превращается в поиск по старой переписке, и t _пров растет.

Типовые вопросы, ответы на которые сверяются с базой знаний за секунды, можно отдавать модели. Нестандартные запросы требуют обязательного просмотра человеком до отправки. Жалобы и обращения с денежными последствиями лучше вести вручную; если модель и используется, то только для черновика, который клиент не увидит без правки. Отсюда порог можно представить в виде T _ИИ < T _руч .

Перед внедрением имеет смысл провести пробный период в две-три недели: для каждой группы обращений фиксировать время ручного ответа и ответа с моделью, отдельно учитывать минуты на проверку и правку, параллельно считать ошибки, дошедшие до покупателя. Ускорение, купленное ростом числа неверных ответов, улучшением сервиса считать нельзя: как показали Ларсен с соавторами, именно фактические ошибки клиенты прощают хуже всего [5]. Затем параметры таблицы 1 заменяются измеренными, и расчет повторяется.

При очевидных ограничениях работы — условных числах, отсутствии открытых российских замеров времени проверки ответов нейросети в малом бизнесе, зарубежных экспериментах либо с дообученными системами, либо вне клиентской поддержки и неучтённых стоимости подписки и обучении сотрудников — модель тем не менее показывает, какие составляющие нужно измерить, прежде чем обещать экономию.

Генеративный ИИ сокращает время работы с клиентскими обращениями, но размер экономии определяется организацией проверки, а не скоростью генерации. В нашем сценарии учет сопровождения снизил оценку выгоды вдвое, а одна дополнительная минута проверки на обращение свела ее почти к нулю. Практический вывод для малого бизнеса: применять модель выборочно, по сложности обращения, и проводить хронометраж до внедрения, а не после.

Литература:

1. О персональных данных: Федеральный закон от 27.07.2006 № 152-ФЗ (с изм. и доп.). Ст. 7. URL: https://www.consultant.ru/document/cons_doc_LAW_61801/ (дата обращения: 24.10.2026).
2. Крупный бизнес наиболее активно внедряет ИИ: экспресс-информация / ИСИЭЗ НИУ ВШЭ. 2026. 24 сент. URL: https://issek.hse.ru/news/1203025244.html (дата обращения: 26.10.2026).
3. Поникаровская А. Искусственный интеллект в малом бизнесе: опыт внедрения ИИ участниками Лонгитюда // СМБиз: проект ФОМ. 2025. URL: https://smbiz.fom.ru/post/iskusstvennyj-intellekt-v-malom-biznese (дата обращения: 26.10.2026).
4. Brynjolfsson E., Li D., Raymond L. Generative AI at Work // The Quarterly Journal of Economics. 2025. Vol. 140, no. 2. P. 889–942. DOI: 10.1093/qje/qjae044.
5. Larsen A. G., Skjuve M. B., Følstad A., van As N. LLM Hallucinations in Conversational AI for Customer Service: Framework and End-User Perceptions // International Journal of Human–Computer Interaction. 2026. Vol. 42, no. 13. P. 9807–9828. DOI: 10.1080/10447318.2025.2580540.
6. Lee H.-P., Sarkar A., Tankelevitch L. [et al.] The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers // CHI’25: Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems. New York: ACM, 2025. P. 1–22. DOI: 10.1145/3706598.3713778.
7. Noy S., Zhang W. Experimental evidence on the productivity effects of generative artificial intelligence // Science. 2023. Vol. 381, no. 6654. P. 187–192. DOI: 10.1126/science.adh2586.