Что российский бизнес на самом деле делает с ИИ:
два разговора с ИИ Конфы 2026

Дашборд отвечает на вопрос «что произошло»: выручка упала, отток вырос, конверсия просела. Но на «почему это случилось» и «что теперь делать» он не отвечает — это по-прежнему додумывает человек, на глаз. Хуже того, дашборд показывает совпадения и подаёт их как причины. Классика: где крутилась акция, там отток вырос втрое, и глаз делает вывод, что виновата акция. А на деле в тех же регионах в то же время сломалась доставка. Она и есть причина, акция просто совпала по месту и времени.

ИИ-аналитик отличается тремя вещами: он сам задаёт вопросы к данным, а не ждёт готового среза; математически отделяет причину от совпадения; и доводит вывод до действия в деньгах. Не «отток вырос», а «почините вот это и вернёте столько-то».

— Почему обычные дашборды не помогают принимать решения и чем ИИ-аналитик принципиально отличается?

Показательный сюжет: у компании проседала маржа, и все винили закупку — мол, поставщики подняли цены. ИИ-аналитик прошёлся по данным и показал совсем другое: реальный сток — бесплатная доставка при возвратах в одной товарной категории. Клиенты заказывали по три размера, два возвращали, и логистика съедала всю прибыль с заказа. А в отчёте по выручке это было не видно, потому что выручка формально росла.

Отдельно ценно вот что: правильный вывод был не «запретить возвраты», это убило бы продажи, а точечно поменять условия доставки в одной категории. Дашборд показывал симптом — падение маржи. Причину и безопасное действие нашёл причинный анализ. Данные лежали на виду, просто в разных отчётах, и связь между ними никто не проводил.

— Приведите пример: какой скрытый «сток денег» ИИ нашёл у клиента, о котором никто не догадывался?

Почти всегда причина в одном из трёх:

• Внедряли инструмент, не настроив процессы, не поняв, как им пользоваться и что смотреть: купили BI, построили 40 дашбордов и получили 40 экранов, на которые никто не смотрит.
• Остановились на «что», не дойдя до «почему»: симптомы видны, а решения по-прежнему принимаются интуитивно.
• Данные не в порядке: если хранилище — это зоопарк из выгрузок, любая аналитика будет врать.

Лечится это не новой платформой, а сменой подхода. Начните с одного больного вопроса: «где мы теряем деньги вот здесь», доведите до измеримого результата в деньгах за один-два месяца и стройте дальше от этой точки. Цель формулируется не как «внедрить аналитику», а как «вернуть вот эти конкретные деньги». Тогда и виден результат, и понятно, что расширять.

— Что делать руководителю, который уже пробовал внедрять аналитику, но результата не увидел?

Сила не в конкретном бренде, а в связке слоёв: хранилище данных (DWH), BI-дашборды, причинный слой, языковая модель как переводчик для руководителя. Каждый слой закрывает свою задачу, и выпадение любого рушит результат: без нормального хранилища всё врёт, без причинного слоя вы остаётесь на уровне совпадений.

Отдельно предостерегу от модного мнения, что языковая модель сама проведёт анализ просто по промпту. Она прекрасно формулирует, но не считает причинность: выдаёт правдоподобное, а не истинное, и отсюда красивые, но неверные выводы. Правильный принцип: цифры считает математика (причинный анализ, методы вроде DoWhy, backdoor-поправок), а ИИ-модель их только объясняет словами. Не наоборот. Инструмент, который делает наоборот, эффектный, но ненадёжный.

— Какие ИИ-инструменты для бизнес-аналитики вы считаете самыми сильными?

Меньше времени будет уходить на сбор и толкование цифр, больше — на решения и проверку гипотез. Роль смещается от читателя отчётов к постановщику вопросов: ценность руководителя всё меньше в умении читать дашборд и всё больше в способности задать правильный вопрос и оспорить ответ. При этом цикл «вопрос — ответ» сжимается с недель до минут, а значит, меняется сам темп управления, можно проверять гораздо больше гипотез.

Новая ключевая компетенция — здоровый скепсис. Раз ИИ отвечает быстро и уверенно, руководитель должен уметь спросить: а ты уверен? покажи, чем это обосновано? Хороший ИИ-аналитик честно скажет, что данных мало, не закладывайте это в решение. И такую честность нужно ценить выше красивой уверенной цифры. Рутина анализа уходит к машине, но ответственность за решение и за правильный вопрос остаётся человеческой и становится только весомее.

— Как изменится роль руководителя, когда ИИ-аналитики станут нормой?

Мы не заменяем HR-процессы ИИ. Мы используем ИИ как контур для сборки, проверки и связки HR-документов и решений. Примеры: должностные инструкции, вакансии, профили ролей, адаптационные материалы, внутренние положения, связка «должность — риски — оплата — подбор — адаптация».

Для нас ключевая ценность не в том, что ИИ быстрее пишет отдельный текст, а в том, что он помогает удерживать связь между разными элементами кадровой системы.

— Какие текстовые HR-процессы вы заменили на ИИ в первую очередь и почему?

ИИ не принимает кадровых решений. Он помогает готовить варианты, выявлять противоречия и проверять рамку задачи. Решение остаётся за человеком. Контроль выстраивается через несколько уровней самопроверки контура: постановка задачи, логика вывода, соответствие заданным ограничениям, маркировка фактов, гипотез и зон неопределённости. Дополнительно результат обязательно проходит экспертную перепроверку человеком.

— Был ли у вас случай, когда ИИ ошибся в кадровом решении? Как выстроили контроль?

Не отдавать ИИ отношения с людьми. ИИ можно отдавать черновую аналитику, структурирование, проверку документов, выявление противоречий и подготовку вариантов. Но ответственность, понимание ситуации, коммуникация и финальное решение должны оставаться у человека.

— Что бы вы посоветовали HR-директору, который хочет автоматизировать текстовые процессы, но боится потерять «человеческий» подход?

Самое эффективное решение — не конкретный сервис, а правильно организованный рабочий контур: человек, контекст, проверка, ИИ, финальное управленческое решение. То есть не точечное закрытие отдельных функций, а комплексная работа с ИИ как частью управленческого и кадрового процесса. В HR особенно важно, чтобы ИИ не просто генерировал документы, а помогал связывать должности, процессы, оплату, риски, подбор, адаптацию и управленческие решения.

— Какие ИИ-решения для HR вы считаете сейчас самыми эффективными?

HR-специалист будет меньше оператором документов и больше архитектором кадрового контекста. Рутинная подготовка текстов, шаблонов и первичных вариантов будет всё сильнее уходить в ИИ. Но роль HR не исчезнет, а станет сложнее: нужно будет лучше понимать процессы компании, уметь ставить задачи для ИИ, проверять результат, видеть риски и удерживать человеческую сторону решений.

— Как изменится профессия HR-специалиста через 2–3 года с развитием ИИ?