Магазины теряют выручку на пустых полках. Заводы теряют её на внеплановых остановках линии, клиники на очереди к рентгенологу. Задачи разные, а инструмент один: модель, которая находит закономерность в данных быстрее человека. Сферы применения искусственного интеллекта в России давно не ограничиваются чат-ботами. Почти в каждой отрасли есть типовые сценарии с понятной метрикой.
Сложность в другом. Руководитель слышит про ИИ в целом, а решение ему принимать про свой склад, свою воронку и свой колл-центр. Ниже карта семи отраслей: какие задачи там решают нейросети и машинное обучение, как считают эффект и где проекты чаще всего буксуют.
Разбор конкретных сервисов есть в материале про нейросети для бизнеса под конкретные задачи. Здесь речь об отраслях.
Сферы применения искусственного интеллекта: карта отраслей
ИИ в бизнесе решает три класса задач. Первый класс: прогноз спроса, поломки, оттока или дефолта. Второй: распознавание изображений, речи и документов. Третий: генерация и диалог, то есть тексты, ответы клиентам и карточки товаров. Отрасли различаются тем, какой из классов первым начинает приносить деньги.
| Отрасль | Типовые задачи | Как измеряют эффект |
|---|---|---|
| Ритейл | Прогноз спроса, контроль выкладки, ценообразование | Доля пустых полок, списания, оборачиваемость запаса |
| E-commerce | Рекомендации, поиск, генерация карточек, поддержка | Конверсия, средний чек, скорость запуска товаров |
| Производство | Предиктивное обслуживание, визуальный контроль качества | Часы простоя, доля брака, затраты на ремонт |
| Логистика | Маршрутизация, прогноз загрузки склада, распознавание документов | Стоимость доставки заказа, пробег, время обработки |
| Медицина | Анализ снимков, расшифровка приёма, маршрутизация пациентов | Время описания исследования, доля пропущенных находок |
| Финансы | Скоринг, антифрод, голосовые помощники | Уровень просрочки, потери от мошенничества, стоимость обращения |
| Услуги | Запись, консультации, анализ звонков | Конверсия заявки в запись, время ответа, повторные визиты |
Государственную рамку задаёт Национальная стратегия развития искусственного интеллекта на период до 2030 года. Её утвердили Указом Президента № 490 от 10 октября 2019 года, а Указ № 124 от 15 февраля 2024 года её существенно переработал. Для бизнеса это не инструкция, а ориентир: отраслевые госпрограммы пишут с учётом стратегии.
Ритейл и e-commerce
Офлайн-магазины
Главная задача здесь: прогноз спроса по каждой позиции в каждой точке. Модель учитывает сезонность, промо, погоду и праздники, а на выходе даёт заказ поставщику. Эффект смотрят сразу по двум метрикам: доле пустых полок и объёму списаний. Если одна метрика упала, а другая выросла, модель просто переложила проблему с одного места на другое.
Второй сценарий: компьютерное зрение в торговом зале. Камеры замечают пустые полки, неверные ценники и очереди у касс. Метрика простая: сколько времени проходит от появления проблемы до её устранения.
Онлайн-торговля и маркетплейсы
У селлера ИИ начинается с контента. Нейросети пишут описания, собирают инфографику, отвечают на отзывы. Эффект измеряют скоростью вывода новых товаров и конверсией карточки из просмотра в корзину. Для площадок и крупных интернет-магазинов важнее рекомендации и поиск. Там вклад в средний чек проверяют A/B-тестом.
Частая ошибка: генерировать карточки без сверки фактов. Модель легко припишет товару материал или размер, которого у него нет. Дальше идут возвраты и претензии от площадки. Поэтому нужен шаг сверки с данными поставщика, ручной или автоматический.
Производство и логистика
Производство
Предиктивное обслуживание устроено так: датчики вибрации, температуры и тока отправляют данные, а модель предупреждает о поломке до аварии. Эффект выражается в меньшем числе внеплановых простоев и срочных ремонтов. Считают его в часах работы линии и в рублях. Точность модели здесь не главная цифра.
Визуальный контроль качества: камера на конвейере ищет сколы, трещины и дефекты сварки. Метрики: доля брака, который дошёл до клиента, и нагрузка на ОТК. Примеры с цифрами собраны в подборке проектов автоматизации с проверяемыми результатами.
Типичный провал: нет истории отказов. Модели нужно видеть, как оборудование ведёт себя перед поломкой. Если журнал ремонтов вели на бумаге или не вели вовсе, первые месяцы уйдут на сбор данных. Закладывайте это время в план заранее.
Логистика
Здесь три основных сценария. Маршрутизация курьеров и грузовиков с учётом окон доставки, пробок и загрузки машин. Прогноз объёма работ на складе, чтобы планировать смены. Распознавание накладных, УПД и транспортных документов. Эффект считают по стоимости доставки одного заказа, пробегу на рейс и времени от получения документа до его проведения в учётной системе.
Медицина
Самый зрелый российский сценарий: анализ медицинских изображений. С 2020 года в Москве идёт эксперимент по внедрению компьютерного зрения в лучевую диагностику. За это время в нём протестировали больше 200 ИИ-сервисов. Около 70 решений помогают врачам анализировать маммограммы, КТ, МРТ и рентгеновские снимки больше чем по 45 клиническим направлениям.
Эффект измеряют временем на описание исследования и долей находок, которые ИИ отметил, а врач подтвердил. Ещё одна метрика: число пропусков, выявленных при повторном просмотре. Решение всегда принимает врач. ИИ здесь работает вторым читателем снимка и не пишет заключение сам.
Частным клиникам войти проще. Расшифровка приёма в медицинскую карту, напоминания пациентам, ответы на вопросы о подготовке к исследованию не требуют сложной инфраструктуры. Ограничений два. Сведения о здоровье закон относит к специальной категории персональных данных, поэтому сервис без договора и нормальной защиты данных не подходит. А программы, которые участвуют в постановке диагноза, регистрируют как медицинские изделия.
Финансы
Банки внедрили машинное обучение раньше большинства отраслей: кредитный скоринг, антифрод, прогноз оттока, голосовые роботы. Метрики давно устоялись. Это уровень просрочки по выданным кредитам, доля одобрений, потери от мошенничества и стоимость одного обращения.
У отрасли есть свои правила. Банк России выпустил Кодекс этики в сфере разработки и применения искусственного интеллекта на финансовом рынке: информационное письмо от 9 июля 2025 года. В нём пять принципов: человекоцентричность, справедливость, прозрачность, безопасность и ответственное управление рисками. Кодекс носит рекомендательный характер. Регулятор советует сообщать клиентам, что используется ИИ, и в ряде случаев давать возможность отказаться от общения с ним.
Небольшим финансовым компаниям, страховым брокерам и бухгалтерским фирмам проще начать с распознавания документов, проверки контрагентов и первичной консультации в чате. Такие задачи быстро окупаются, и их легко измерить.
Услуги
Салоны, клиники, автосервисы, учебные центры, юристы. В сфере услуг ИИ работает на стыке продаж и сервиса. Он принимает заявку ночью, записывает клиента на свободное время, отвечает на типовые вопросы и разбирает звонки менеджеров.
- Бот записи. Метрики: конверсия обращения в запись и доля заявок, пришедших в нерабочее время.
- Речевая аналитика. Показывает долю звонков, где менеджер прошёл скрипт, и основные причины отказов.
- Персональные напоминания и допродажи. Считают по числу повторных визитов за период.
Как перевести поддержку на ИИ и не потерять в качестве, разобрано в статье о внедрении ИИ в клиентскую поддержку.
Как измерять эффект и где ошибаются
Эффект ИИ почти не виден в технических показателях модели. Он виден в той бизнес-метрике, которую вы считали ещё до запуска.
- Зафиксируйте базовую линию. Снимите значения метрики хотя бы за месяц до пилота. Без этого любой результат станет предметом спора.
- Оставьте контрольную группу. Часть магазинов, звонков или заказов продолжает работать по-старому. Так вы отделите эффект ИИ от сезонности и рекламы.
- Считайте полную стоимость. Лицензии, оплата запросов к модели, интеграция и время сотрудников на проверку результатов.
- Следите за побочными эффектами. Бот сократил время ответа, но упала оценка клиентов. Модель снизила списания, но выросли пустые полки.
Типовые ошибки повторяются во всех отраслях. Начинают с самой амбициозной задачи вместо самой измеримой. Не назначают владельца процесса, и пилот остаётся экспериментом айтишников. Обнаруживают, что нужных данных нет, когда бюджет уже потрачен.
С чего начать
- Выпишите три процесса, в которых сотрудники больше всего времени тратят на повторяющиеся действия.
- Для каждого выберите одну метрику и снимите её текущее значение.
- Возьмите процесс, по которому уже есть данные, и запустите пилот на части потока.
- Через один-два месяца сравните результат с контрольной группой и решите, масштабировать ли пилот.
Если не хочется разбираться самому, пилот под вашу отрасль собирает команда Neurounit. Мы помогаем выбрать сценарий, настраиваем автоматизацию бизнес-процессов с ИИ и считаем эффект.
