ИИ-цыганство: когда бизнесу продают технологию вместо результата

Сергей Семёнов Основатель и генеральный директор RECOMO AI

Нейросеть в презентации ещё не означает работающий продукт, а курс по ИИ — практическую экспертизу его автора. Сергей Семёнов, основатель и генеральный директор RECOMO AI, — о том, как отличить полезное внедрение от продажи технологического ажиотажа.

Новая вывеска, знакомая механика

Можно собрать эффектную презентацию, показать, как нейросеть пишет пост, назвать чат-бота цифровым сотрудником — и предложить бизнесу трансформацию. Только один вопрос останется без ответа: что именно у заказчика станет работать лучше?

Я называю такую подмену ИИ-цыганством — по аналогии с инфоцыганством. Здесь это полемическое обозначение коммерческой практики, без связи с национальностью. Речь о продаже обещаний вокруг ИИ, за которыми нет соразмерного опыта, проверяемого результата или понятного способа его получить.

У этой практики два лица. Первое — внедрять ИИ ради самого факта внедрения. Второе — продавать обучение внедрению, не имея собственного опыта, соответствующего обещаниям курса. В обоих случаях привлекательность технологии подменяет доказательство компетенции.

По моему наблюдению, этот подход становится всё заметнее. Но я не стану объявлять какой-либо процент рынка недобросовестным: для такой оценки нужны данные. Полезнее разобрать поведение, которое заказчик может проверить до оплаты.

Когда ИИ становится самоцелью

Представим условный отдел продаж. Ему предлагают агента, который сам ответит клиентам и увеличит выручку. Пока никто не выяснил, сколько обращений теряется, почему менеджеры отвечают медленно, актуальны ли цены и кто согласует скидки. Зато уже выбрана нейросеть.

Правильная последовательность начинается с процесса: где возникает задержка, сколько она стоит, какие действия повторяются и какую часть можно поручить системе. Иногда нужен ИИ. Иногда достаточно привести в порядок базу знаний, настроить уведомления или убрать лишнее согласование.

Для маркетинга подмена выглядит особенно соблазнительно. Раньше делали десять материалов, теперь генерируем сто. Производительность вроде бы выросла. Но кто проверил факты, соответствие бренду, стоимость редактуры и влияние на обращения клиентов? Объём выпуска сам по себе не доказывает полезность.

Даже экономию времени нужно считать полностью. Если черновик появился за минуту, а проверка заняла сорок, результат нельзя оценивать только по скорости генерации. Из выигрыша вычитаются затраты на подписки, интеграцию, сопровождение и исправление ошибок.

Демонстрация — только начало

Демо отвечает на вопрос: может ли система выполнить задачу в показанных условиях? Рабочее решение должно выдерживать ещё и неполные данные, противоречивые документы, нестандартные обращения и сбои внешних сервисов.

Это не локальная проблема. В июне 2025 года Gartner описала agent washing: переименование существующих помощников, чат-ботов и средств автоматизации в агентные продукты без существенных агентных возможностей. Тогда же компания прогнозировала отмену более 40% проектов агентного ИИ к концу 2027 года из-за растущих затрат, неясной бизнес-ценности или недостаточного контроля рисков [1]. Это прогноз, а не доля уже провалившихся проектов и тем более не оценка числа недобросовестных продавцов.

Само использование готовой модели или конструктора не делает продукт плохим. Заказчику необязательно покупать уникальный алгоритм. Ему нужна работающая система с понятной стоимостью, ограничениями и ответственностью. Проблема возникает, когда простую сборку выдают за возможности, которых у неё нет.

Обучение без собственной практики

Уметь объяснить инструмент — самостоятельный навык. Хороший преподаватель не обязан основать технологическую компанию. Но опыт должен соответствовать тому, чему он учит. Для вводного курса достаточно уверенно владеть инструментом и методикой обучения. Для обещания научить промышленному внедрению нужны знания реальной эксплуатации.

Если программа обещает построить отдел продаж на агентах, разумно спросить: какой похожий процесс автор запускал сам? Как измерял качество? Где система ошибалась? Что осталось делать людям? Сколько стоило сопровождение после красивой демонстрации?

Конфиденциальность клиента не отменяет возможность объяснить методику. Можно показать обезличенный процесс, тестовый стенд, критерии приёмки или разбор ограничений. Отсутствие публичных логотипов ещё ничего не доказывает. Неспособность объяснить собственную работу — уже повод задавать дополнительные вопросы.

Результат обучения тоже стоит определять заранее. Человек должен суметь решить задачу, проверить ответ, заметить ошибку и понять, когда инструмент использовать нельзя. Количество изученных сервисов и выданный сертификат этого не заменяют.

Семь вопросов до покупки

1. Какую конкретную задачу мы решаем и почему для неё нужен ИИ?

2. Как процесс работает сейчас: сколько занимает времени, сколько стоит, какие ошибки допускает?

3. Какой результат проверяем в пилоте и что будет считаться неудачей?

4. Что исполнитель уже делал сам и чем может подтвердить именно этот опыт?

5. Какие данные нужны, кто получает доступ и кто проверяет ответы или действия системы?

6. Какова полная стоимость: запуск, сервисы, проверка человеком, поддержка и изменения?

7. Что останется у команды после проекта или курса и сможет ли она этим пользоваться без постоянной помощи продавца?

Сильный специалист может ответить: «Пока не знаю, проверим на пилоте». Это нормальный профессиональный ответ, если названы гипотеза, срок, бюджет и способ проверки. Гарантия чудес без знакомства с процессом заслуживает гораздо большего скепсиса.

Рынку нужна проверяемая польза

Неудачный пилот сам по себе не означает обман. Эксперимент может честно показать, что технология здесь не окупается. Начинающий специалист тоже имеет право учиться и брать первые проекты, если открыто обозначает свой опыт и границы ответственности.

Для меня граница проходит там, где обещания систематически отрываются от того, что продавец способен показать и проверить. Покупателю предлагают довериться статусу «ИИ-эксперта», а вопросы о работе продукта воспринимают как помеху продаже.

Такие продажи вредят и нормальным поставщикам: после дорогого разочарования заказчик может перестать доверять самой технологии. Поэтому прозрачность выгодна всему рынку — от преподавателей до разработчиков и агентств.

Этот принцип я отношу и к RECOMO AI: наши предложения должны проходить такую же проверку. Название компании не освобождает от необходимости объяснить задачу, показать подход и договориться о критериях результата.

Бизнесу не нужно соревноваться в количестве внедрённых нейросетей. Ему нужно быстрее отвечать клиентам, меньше ошибаться и разумнее тратить ресурсы. Если после удаления слова «ИИ» из предложения исчезает вся его ценность, к такому предложению стоит присмотреться особенно внимательно.