Как российский бизнес использует ИИ: 5 реальных кейсов

Между «мы используем ИИ» в корпоративной презентации и реальным внедрением — дистанция огромного размера. Собрали пять кейсов из российского бизнеса, где AI не остался на слайдах, а принёс измеримый результат.

Кейс 1: ритейл — прогнозирование спроса

Компания

Крупная российская розничная сеть (5000+ магазинов, 40 000+ SKU).

Проблема

Потери от списания скоропортящихся товаров составляли 4–6% от оборота. Ручное планирование закупок не справлялось с сезонностью, локальными факторами (погода, праздники, строительство рядом с магазином) и длинным хвостом ассортимента.

Решение

ML-модель прогнозирования спроса на уровне каждого SKU в каждом магазине. Модель учитывает: исторические продажи, день недели, погоду, промо-акции, события в городе, данные о запасах.

Стек: Python, LightGBM, Yandex DataSphere для обучения, Airflow для оркестрации. Инференс — на серверах Yandex Cloud.

Результат

• Списания снизились на 28% за первые 6 месяцев
• Доступность товаров (in-stock rate) выросла с 94% до 97%
• Экономия — сотни миллионов рублей в год

Урок

Модель работала плохо на новых товарах (cold start problem). Решение — гибрид ML-прогноза для знакомых SKU + правила экспертов для новинок. AI дополняет экспертизу, а не заменяет её.

Кейс 2: банк — автоматизация обработки обращений

Компания

Российский банк из топ-20, 12 млн розничных клиентов.

Проблема

Контакт-центр обрабатывал 300 000+ обращений в месяц. Среднее время ответа — 8 минут. Клиенты ждали в очереди по 3–5 минут. Стоимость обработки одного обращения — ₽150.

Решение

Двухуровневая система на базе LLM:

1. Первый уровень: YandexGPT классифицирует обращение и предлагает ответ из базы знаний (FAQ, регламенты, типовые ситуации)
2. Второй уровень: если LLM не может ответить с уверенностью >85%, обращение передаётся оператору с подготовленным контекстом (история клиента, предполагаемая тема, черновик ответа)

RAG-архитектура: база знаний из 15 000 документов индексирована в векторном хранилище (Qdrant). LLM находит релевантные документы и формулирует ответ.

Результат

• 42% обращений полностью обрабатываются без оператора
• Среднее время ответа: 8 минут → 2 минуты (для автоматических) / 5 минут (для операторских с контекстом)
• CSAT (удовлетворённость клиентов) — без изменений (4.2 из 5)
• Экономия: ~₽40 млн/год на операционных расходах

Урок

Первая версия без RAG галлюцинировала: придумывала несуществующие тарифы и условия. Добавление RAG с источниками и порога уверенности решило проблему. Клиенты не должны получать неверную информацию от банка — цена ошибки слишком высока.

Кейс 3: телеком — персонализация предложений

Компания

Российский мобильный оператор, 40+ млн абонентов.

Проблема

Стандартные маркетинговые рассылки давали конверсию 1.2%. Абоненты получали нерелевантные предложения и отключали уведомления.

Решение

ML-система персонализации на основе поведения абонента: паттерны использования (звонки, интернет, роуминг), история покупок, поведение на сайте, реакция на прошлые предложения.

Модель предсказывает: какой продукт предложить, через какой канал (push, SMS, email, звонок), в какое время. Используется Gradient Boosting + нейросетевой эмбеддинг пользователя.

Результат

• Конверсия маркетинговых предложений: 1.2% → 4.8% (рост в 4 раза)
• Отток (churn rate) снизился на 15% среди абонентов, получавших персонализированные предложения
• ROI маркетинговых расходов вырос на 220%

Урок

Ключевым фактором оказалось не «какой продукт», а «когда и через что». Предложение тарифа с увеличенным интернетом после того, как абонент исчерпал пакет, конвертировалось в 8 раз лучше, чем то же предложение в начале месяца.

Кейс 4: логистика — оптимизация маршрутов

Компания

Российская логистическая компания, 800+ машин, доставка по Москве и МО.

Проблема

Планирование маршрутов вручную занимало 4 часа каждое утро. Логисты распределяли 3000–5000 заказов по машинам на основе опыта. Результат: 20–30% простоев и неоптимальных маршрутов.

Решение

Оптимизатор маршрутов на базе OR-Tools (Google) + ML-модель прогнозирования времени доставки. Система учитывает: адрес, вес, габариты, окна доставки, пробки (прогноз от Яндекс.Пробок), грузоподъёмность машины, рабочее время водителя.

Дополнительно: LLM-помощник для диспетчеров, который обрабатывает текстовые заявки и извлекает структурированные данные (адрес, время, контакт) из свободного текста в мессенджерах.

Результат

• Планирование: 4 часа → 15 минут (с ручной проверкой)
• Пробег на заказ: снизился на 18%
• Количество доставок на машину в день: выросло с 22 до 28
• Расходы на топливо: -22%

Урок

Первые два месяца водители игнорировали маршруты системы — «они лучше знают». Проблему решили постепенным внедрением: сначала система предлагала маршрут, а водитель мог его скорректировать. Когда водители увидели, что AI-маршруты действительно быстрее, принятие выросло до 90%.

Кейс 5: EdTech — адаптивное обучение

Компания

Российская EdTech-платформа, 500 000+ учеников.

Проблема

Единый курс для всех учеников давал 35% completion rate. Сильные скучали, слабые — не успевали. Средний NPS — 42.

Решение

Адаптивная система обучения: AI оценивает уровень ученика после каждого задания и корректирует траекторию. Слабые места — больше практики, сильные — ускоренное прохождение.

LLM используется для: генерации дополнительных задач под уровень ученика, объяснения ошибок (персонализированные подсказки вместо шаблонных), создания резюме пройденного материала.

Результат

• Completion rate: 35% → 58%
• NPS: 42 → 67
• Средний балл на итоговых тестах: +22%
• Стоимость создания нового контента (задачи, объяснения): снизилась в 3 раза

Урок

AI-генерированные объяснения ошибок оказались эффективнее заранее написанных: они учитывают конкретную ошибку конкретного ученика, а не дают общий шаблон. Но полностью заменить учителей не получилось — ученики ценят человеческий контакт. Оптимальная модель: AI для рутины (проверка, объяснения, подбор заданий), учитель — для мотивации и сложных вопросов.

Общие выводы

Пять кейсов, пять отраслей — но паттерны повторяются:

1. AI не заменяет людей, а усиливает их. Во всех случаях лучший результат — гибрид AI + человек, а не полная автоматизация
2. Начинайте с конкретной боли. Не «внедрим AI», а «снизим списания на 20%». Метрика определяет успех
3. Данные важнее модели. Качество данных определяет качество результата. Все компании потратили больше времени на подготовку данных, чем на обучение модели
4. Внедрение — это не технология, а изменение процессов. Водители, операторы, логисты должны принять новый инструмент. Это требует времени и правильного подхода

Подробнее о доступных AI-инструментах для российского бизнеса — в нашем обзоре.